Demand Forecasting เป็นโครงการที่ธุรกิจ Retail หรือการผลิต Customer Good ต้องการเป็นอย่างมาก เพื่อลดความเสี่ยงในการประเมินสินค้าผิดพลาด โดยเฉพาะอย่างยิ่ง เมื่อการผลิตมีต้นทุนที่จะต้องตั้งสำรอง อีกทั้งการผลิตสินค้ามากเกินไป ย่อมไม่เป็นผลดีต่อองค์กร
ในอดีต การประมาณการยอดขายสามารถทำได้โดยการนำเอาหลักการทางสถิติ มาประยุกต์ใช้กับองค์ความรู้ของบุคลากรที่มีความเข้าใจในพฤติกรรมการบริโภค โดยอาจใช้โปรแกรม Microsoft Excel เพื่อสร้างกราฟ ดู Moving Average เพื่อหา Trend ของการขาย และใช้การตัดสินใจตามประสบการณ์ของคนที่รับผิดชอบ
ต่อมา มีการประยุกต์ใช้ Machine Learning มาเป็นส่วนหนึ่งของการสร้างแบบจำลองในการประเมินยอดขาย โดยใช้ข้อมูลในอดีตเป็นต้นแบบ ทำให้เห็น Trend ที่มีการเคลื่อนไหวได้มากกว่าการเป็นเส้นตรง ทำให้การทำ Demand Forecasting มีความแม่นยำมากขึ้น
อย่างไรก็ตาม พบว่าหลายองค์กรไม่ประสบความสำเร็จในการดำเนินโครงการ Demand Forecasting อาจเป็นเพราะเหตุผลดังต่อไปนี้
- ข้อมูลที่ใช้ตั้งต้นมีไม่มากพอ
- เลือกใช้ Algorithm ไม่เหมาะสม
- ไม่มีการประเมินความพร้อมของข้อมูล ทำให้เกิด garbage in garbage out
ที่เป็นเช่นนั้น เพราะการสร้าง Demand Forecasting ไม่ใช่แค่การเอาข้อมูลไป Run ด้วย AI แล้วเอาตัวเลขไปใช้งานได้เลย แต่ต้องการเป็นวิเคราะห์ และเลือกปัจจัยที่เหมาะสมเสียก่อน
หลายคนเข้าใจผิดว่า AI ฉลาดมาก มากจนมันสามารถคิดได้เองว่าอะไรมีผลต่อยอดขาย ซึ่งยังเป็นความเข้าใจที่คลาดเคลื่อน
สมมติว่า เราใส่ปัจจัยเข้าไป 20 ปัจจัย และบังเอิญข้อมูลที่ใส่เข้าไปมีทั้งสะอาดและไม่สะอาด AI ก็คงไม่สามารถรู้ได้ว่ามีข้อมูลตรงไหนที่บกพร่อง และการเลือกปัจจัยจะต้องเริ่มจากอะไร
นอกจากนี้ ในหน้างานสิ่งที่เกิดขึ้นบ่อยครั้ง คือการให้ AI สร้างแบบจำลองที่ครอบคลุมจักวาล ทั้ง ๆ ที่ผลิตภัณฑ์มีลักษณะ และพฤติกรรมการขายที่แตกต่างกัน ทำให้ AI เกิดความสับสน เช่น สินค้าบางประเภทมีรูปแบบการขายแบบขายส่ง บางประเภทขายปลีก สินค้าบางประเภทขายดีช่วงเทศกาล บางประเภทขายได้เฉพาะวันหยุด เป็นต้น
ดังนั้น หนทางที่ดี คือการเข้าใจก่อนว่า Machine Learning มีรูปแบบการทำงานอย่างไรกันแน่ และเราเข้าใจในตัวผลิตภัณฑ์ของเรามากแค่ไหน เช่น คิดว่าอะไรมีผลต่อยอดขายบ้าง มีการ Promotion Tracking หรือไม่ สินค้ามีกี่ลักษณะ มีการจัดกลุ่มประเภทของผู้ซื้อหรือไม่ เป็นต้น
พบว่า โครงการ Demand Forecasting ที่ประสบความสำเร็จ จะนำข้อมูลรายละเอียดพฤติกรรมการขาย เป็นส่วนหนึ่งของปัจจัยในการสร้างแบบจำลอง
ทั้งนี้ พบว่า ยังมีปัจจัยภายนอกที่อาจมีผลต่อยอดขาย เช่น Promotion ใหม่ สินค้าใหม่ สาขาใหม่ และเหตุการณ์ที่ไม่เคยเกิดขึ้น เช่น Covid-19 เป็นต้น ดังนั้น ในการประยุกต์ใช้ Demand Forecasting Model ทางผู้ใช้งาน และผู้พัฒนาจะต้องเข้าใจข้อจำกัด และมีการประเมินผลลัพธ์อยู่เสมอ
ยังมีความเข้าใจผิดอีกมาก ในการประยุกต์ใช้ AI กับธุรกิจ เพราะภาพที่คนภายนอกมองมาที่ AI จะเข้าใจว่า AI ฉลาด และพร้อมใช้ แท้จริงแล้ว AI เป็นเครื่องมือให้คนที่รู้ศักยภาพที่แท้จริงของ AI มากกว่า นอกจากนี้ การใช้ AI ยังมีข้อผิดพลาดที่อาจเกิดขึ้นได้ หากไม่เข้าใจรูปแบบการทำงานที่แท้จริงของ AI ก็ถือว่าเป็นความเสี่ยงขององค์กรรูปแบบหนึ่ง และเมื่อใดก็ตามที่เกิดข้อผิดพลาด ก็จะไม่สามารถกู้คืนสถานการณ์ได้ทันถ่วงทีอย่างที่ควรจะเป็น
บทความอื่น ๆ ที่น่าสนใจของผู้เขียน
CHATGPT แตกต่างจาก CHATBOT ตัวอื่นอย่างไร คุ้มสำหรับการลงทุนหรือไม่
