การทำนายยอดขายปูนซีเมนต์ ด้วยวิธีสมการเส้นถดถอยเชิงเส้นตรง: กรณีศึกษากลุ่มร้านจำหน่ายวัสดุก่อสร้างในอำเภอรัตภูมิ จังหวัดสงขลา ช่วงปี 2565-2567
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาและประเมินแบบจำลองการถดถอยเชิงเส้นตรงอย่างง่ายสำหรับพยากรณ์ยอดขายปูนซีเมนต์รายเดือน กลุ่มร้านจำหน่ายวัสดุก่อสร้างในอำเภอรัตภูมิ จังหวัดสงขลา โดยใช้ข้อมูลตั้งแต่เดือนมกราคม พ.ศ. 2565 ถึง กันยายน พ.ศ. 2567 (n=33) ผลการวิเคราะห์พบว่าสมการที่เหมาะสมที่สุด คือ แสดงแนวโน้มยอดขาย ลดลงเฉลี่ย 7.35 กระสอบต่อเดือน อย่างมีนัยสำคัญทางสถิติ (p < 0.001) ความสัมพันธ์ระหว่างเวลาและยอดขายเป็น เชิงลบระดับปานกลาง (r = -0.6613) อย่างไรก็ตาม แบบจำลองมีความสามารถในการอธิบายความแปรปรวนของยอดขายได้เพียง 43.7% (R² = 0.437) บ่งชี้ว่าปัจจัยอื่นที่ไม่ได้รวมในแบบจำลอง เช่น สภาพเศรษฐกิจ ฤดูกาล การแข่งขัน มีอิทธิพลอย่างมาก นอกจากนี้ การตรวจสอบข้อตกลงเบื้องต้นพบ ข้อจำกัดสำคัญ โดยเฉพาะปัญหาสหสัมพันธ์อัตโนมัติ (Autocorrelation) ซึ่งมักพบในการใช้แบบจำลองพื้นฐานกับข้อมูลอนุกรมเวลา สมการที่ได้ถูกนำไปใช้พยากรณ์ยอดขายในอนาคต ซึ่งผลการพยากรณ์นี้ แม้จะมีข้อจำกัด สามารถใช้เป็นข้อมูลเบื้องต้นประกอบการตัดสินใจในการวางแผนการผลิต การจัดการสินค้าคงคลัง และการกำหนดกลยุทธ์ทางการตลาด โดยควรพิจารณาร่วมกับปัจจัยอื่นและข้อจำกัดของแบบจำลอง
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับตีพิมพ์ในวารสารนี้เป็นลิขสิทธิ์ของคณะเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏนครศรีธรรมราช
อนึ่งผลงานวิจัยและผลงานทางวิชาการที่ปรากฏเผยแพร่ในวารสารฯ เป็นความคิดเห็นอิสระของผู้แต่ง โดยผู้แต่งเป็นผู้รับผิดชอบต่อผลทางกฎหมายใด ๆ ที่อาจจะเกิดขึ้นจากบทความเผยแพร่นั้น ซึ่งกองบรรณาธิการและคณะผู้จัดทำวารสารฯ ไม่จำเป็นต้องเห็นด้วยเสมอไป
เอกสารอ้างอิง
Suwanno, T. 2023. Situation of Cement Industry in Thailand 2023. [Online]. Available: https://www.dpim.go.th/ service/download?articleid=17266&F=39760 Accessed 17 January 2024.
Chen, D. and et al. 2022. “Sales Forecasting for Fashion Products Considering Lost Sales,” Applied Sciences. 12(14): pp. 7081.
Qu, F. and et al. 2022. “Forecasting of automobile sales based on support vector regression optimized by the grey wolf optimizer algorithm,” Mathematics. 10(13): pp. 2234.
Uras, N. and et al. 2020. “Forecasting Bitcoin closing price series using linear regression and neural networks models,” PeerJ Computer Science. 6: pp. e279.
Haviluddin, A. S. and Yuniarti, S. 2014. “A Comparison between Simple Linear Regression and Radial Basis Function Neural Network (RBFNN) Models for Predicting Students’ Achievement,” In Proceedings of International Conference on Education, 2 April 2014, pp. 99–308. [Online]. Available: https://repository.unmul.ac.id/bitstream/handle/123456789/1673/file_1031900082.pdf?sequence=1. Accessed 16 November 2024.
Nelvidawati, N. 2024. “Simple Regression Model Analysis of the Effect of Temperature on Rainfall in Padang City Using Scikit-Learn,” International Journal of Wireless and Multimedia Communications. 1(2): pp. 1–6.
Bujang, M. A. and et al. 2009. “Prediction number of deaths by occurrence in Malaysia: a comparison between simple linear regression model and holt’s linear trend model,” Statistics Malaysia—Journal of the Department of Statistics, Malaysia. 2: pp. 25–37.
Nazir, A. and et al. 2021. “Estimation and forecasting of rice yield using phenology-based algorithm and linear regression model on sentinel-ii satellite data,” Agriculture. 11(10): pp. 1026.
Yu, C. 2024. “Walmart Sales Forecasting using Different Models,” Highlights in Science, Engineering and Technology. 92: pp. 302–307.
Madhukumar, M. and et al. 2022. “Regression model-based short-term load forecasting for university campus load,” IEEE Access. 10: pp. 8891–8905.
Lila, B. 2010. “Analysis and control of inventory,” in Production Planning and Control. Bangkok, Thailand: Top Publishing Co. Ltd. pp.167-168.
Montgomery, D. C., Peck, E. A. and Vining, G. G. 2021. Introduction to linear regression analysis. [Online]. Available: https://www.google.com/books?hl=en&lr=&id=tCIgEAAAQBAJ&oi=fnd&pg=PR13&dq=Introduction+to+Linear+Regression+Analysis&ots=lgvbWtm3Mo&sig=Ac-2Xtp6Lh3IM7Stq-z0JYXuJXk. Accessed: 12 April 2025.
Gujarati, D. N. and Porter, D. C. 2009. Basic econometrics. [Online]. Available: https://thuvienso.hoasen.edu.vn/handle/123456789/8914. Accessed: 12 April 2025.
Hasan, R. 2024. “Addressing Seasonality and Trend Detection in Predictive Sales Forecasting: A Machine Learning Perspective,” JBMS. 6(2): pp. 100–109.
Taufiqih, R. and Ambarwati, R. 2024. “Enhancing Sales Prediction for MSMEs: A Comparative Analysis of Neural Network and Linear Regression Algorithms,” JTMI. 10(1): pp. 81–91.
Naresh Kumar Reddy, P. 2023. “Forecasting E-Commerce Trends: Utilizing Linear Regression, Polynomial Regression, Random Forest, and Gradient Boosting for Accurate Sales and Demand Prediction,” International Journal of HRM and Organizational Behavior. 11(3): pp. 11–26.
Lim, J., Azriani, N. and Nor, M. 2016. “Simulation by Queuing System at Immigration Department,” International Academic Research Journal of Social Science. 2(1): pp. 112–119.
