การพยากรณ์สินค้าประเภทยาเวชภัณฑ์ กรณีศึกษา ร้านขายยา AAA ณ จังหวัดนครราชสีมา ประเทศไทย (ตะวันออกเฉียงเหนือ)
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์ เพื่อพัฒนารูปแบบการพยากรณ์ความต้องการสินค้าเวชภัณฑ์สำหรับร้านขายยา AAA จังหวัดนครราชสีมา โดยศึกษาการเรียนรู้ของเครื่อง (Machine Learning) มีเทคนิคการพยากรณ์เชิงปริมาณจำนวน 10 วิธี คือ 1).Moving Average 3 เดือน (MA3) 2).Moving Average 12 เดือน (MA12) 3).Single Exponential (SE) 4).Double Exponential (DE) 5).Winters’ Method Multiplicative (WMM) 6).Winters’ Method Additive (WMA) 7).Trend Analysis (TA) 8).Time Series Decomposition Multiplicative (TSDM) 9).Time Series Decomposition Additive (TSDA) 10). Long Short-Term Memory (LSTM) และการใช้โปรแกรม MINITAB เพื่อลดปัญหาการขาดแคลนสินค้าและการจัดเก็บสินค้ามากเกินความจำเป็น โดยเลือกพยากรณ์กลุ่มสินค้าอันตราย 29 Stock Keeping Units (SKUs) แบ่งเป็นยาประเภทย่อยได้ 11 กลุ่ม คือ ยาหยอดตา ยาปฏิชีวนะ ยาถ่ายพยาธิ ยาคุมกำเนิด ยาคลายเครียด ยาแก้ไอ ยาแก้อักเสบ ยาแก้หวัด ยาแก้แพ้ ยาแก้ปวด และยาแก้กรดไหลย้อน โดยใช้ข้อมูลระยะเวลา 3 ปี ในช่วงเดือนมกราคมปี 2561 ไปจนถึงเดือนธันวาคมปี 2563 เพื่อเลือกใช้วิธีการพยากรณ์ที่เหมาะสมที่สุดสำหรับแต่ละกลุ่มสินค้า และวัดความแม่นยำของการพยากรณ์ด้วยค่าความเบี่ยงเบนเฉลี่ยแบบสัมบูรณ์ (MAD)
จากผลการศึกษาสามารถหาวิธีการพยากรณ์ความต้องการที่เหมาะสม โดยแบ่งตามคุณลักษณะของสินค้าออกเป็น 4 กลุ่ม คือ 1.วิธี Moving Average ที่ให้ผลการพยากรณ์ที่มีความแม่นยำสูงสุดและมีค่าความคลาดเคลื่อนต่ำที่สุด เหมาะกับกลุ่มสินค้าที่มีความต้องการคงที่ (Stable Demand) ได้แก่ ยาแก้ปวด, ยาคลายเครียด 2.วิธี Trend Analysis กลุ่มสินค้าที่มีแนวโน้มการเติบโต (Trending Demand) ที่ให้ผลการพยากรณ์ที่เหมาะสมเนื่องจากสามารถจับแนวโน้มการเติบโตของข้อมูลได้ดี ได้แก่ ยาคุมกำเนิด 3.วิธี Winters’ Method Multiplicative ซึ่งมีความแม่นยำมากที่สุดในการพยากรณ์ กลุ่มสินค้าที่มีฤดูกาล (Seasonal Demand) ประกอบด้วยสินค้าที่มีความต้องการสูงในแต่ละฤดูกาล ได้แก่ ยาปฏิชีวนะ, ยาแก้ไอ, ยาแก้แพ้, ยาแก้หวัด และ 4.โมเดล Machine Learning แบบ Long Short-Term Memory (LSTM) สามารถจัดการข้อมูลที่มีความผันผวนสูงได้อย่างมีประสิทธิภาพ กลุ่มสินค้าที่มีความผันผวนสูง (Irregular Demand) ประกอบด้วยสินค้าที่มีความต้องการไม่แน่นอน ได้แก่ ยาหยอดตา, ยาถ่ายพยาธิ, ยาแก้อักเสบ และยาแก้กรดไหลย้อน โดยร้านขายยาสามารถเลือกวิธีการพยากรณ์ที่เหมาะสมกับกลุ่มประเภทสินค้าที่ตัวเองมีอยู่ และจากผลการวิจัยโดยรวมสามารถสรุปรวมได้ว่าวิธี LSTM นำมาใช้ในการพยากรณ์สามารถลดความผิดพลาดโดยรวมได้ดีที่สุด โดยจะสามารถช่วยให้บริษัทสามารถลดต้นทุนและเพิ่มประสิทธิภาพในการจัดการสินค้าคงคลังมากที่สุด
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
เกียรติบดินทร์ ทองนุ่น. (2565). การศึกษาการพยากรณ์ความต้องการสินค้าเพื่อการวางแผนการสั่งซื้อวัตถุดิบโดยการพยากรณ์แบบอนุกรมเวลา กรณีศึกษา บริษัทธุรกิจ จำหน่ายเครื่องขัดผิวโลหะ. (วิทยานิพนธ์ปริญญาวิศวกรรมศาสตรมหาบัณฑิต สาขาวิชาการจัดการทางวิศวกรรม). วิทยาลัยนวัตกรรมด้านเทคโนโลยีและวิศวกรรมศาสตร์ : มหาวิทยาลัยธุรกิจบัณฑิตย์.
จิราพร ภู่ทองคำ และถิรนันท์ ทิวาราตรีวิทย์. (2564). การพยากรณ์ความต้องการของวัตถุดิบเพื่อลดการเสียโอกาสทางการขาย กรณีศึกษา ร้าน Pizza HUK T&J. วิทยาการจัดการวไลยอลงกรณ์ปริทัศน์, 2(3), 21-31.
ชยาพร แก่นสาร์ และวรยุทธ วงศ์นิล. (2567). Enhancing prediction of student learning success in higher education using deep learning. วารสารวิทยาศาสตร์และวิทยาศาสตร์ศึกษา (JSSE), 7(1), 21-36.
ชุติมณฑน์ ภักดีสิโรตม์. (2564). การพยากรณ์ความต้องการสินค้าด้วยเทคนิคการเรียนรู้ของเครื่องในธุรกิจค้าปลีก. (วิทยานิพนธ์ปริญญาวิศวกรรมศาสตรมหาบัณฑิต สาขาวิศวกรรมข้อมูลขนาดใหญ่). วิทยาลัยนวัตกรรมด้านเทคโนโลยีและวิศวกรรมศาสตร์ : มหาวิทยาลัยธุรกิจบัณฑิตย์.
เทวา พรหมนุชานนท์, รุจิพันธุ์ โกษารัตน์ และวรการ ใจดี. (2565). การวิเคราะห์และเปรียบเทียบประสิทธิภาพของโมเดลพยากรณ์ข้อมูลอนุกรมเวลา ในการพยากรณ์จำนวนนักท่องเที่ยวในจังหวัดเชียงใหม่. วารสารวิทยาศาสตร์ มข., 52(3), 289–302.
ธนกร สุทธิสนธ์. (2565). การประยุกต์ใช้แบบจำลองโครงข่ายประสาทเทียมเชิงลึกสำหรับการพยากรณ์ราคาพืชไร่ของประเทศไทย. วารสารวิชาการเทคโนโลยีอุตสาหกรรม, 18(3), 208–227.
ปวริศ เวชวรรณกิจกุล. (2565). การคาดการณ์เวลาเดินทางบนท้องถนนระหว่างพิกัดสองจุดในกรุงเทพมหานคร ด้วยวิธีการเรียนรู้ของเครื่อง. (วิทยานิพนธ์ปริญญาวิศวกรรมศาสตรมหาบัณฑิต สาขาวิศวกรรมอุตสาหการ). คณะวิศวกรรมศาสตร์ : จุฬาลงกรณ์มหาวิทยาลัย.
พาฤกษ์ พวงบานเย็น (2563). การพยากรณ์ความต้องการใช้พลังงานไฟฟ้าของโรงเรียนในจังหวัด พระนครศรีอยุธยาโดยการวิเคราะห์ถดถอยเชิงเส้นแบบพหุ. (วิทยานิพนธ์ปริญญาวิศวกรรมศาสตรมหาบัณฑิต สาขาวิชาเทคโนโลยีการจัดการพลังงานและสิ่งแวดล้อม). คณะวิศวกรรมศาสตร์ : มหาวิทยาลัยธรรมศาสตร์.
ภัทรา วิวัฒนศร. (2565). การพยากรณ์ความต้องการและการวางแผนการสั่งซื้อเครื่่องมือที่ใช้ในการผลิต กรณีศึกษา บริษัทผลิตชิ้นส่วนรถยนต์. (วิทยานิพนธ์ปริญญาวิทยาศาสตรมหาบัณฑิต สาขาวิชาการจัดการโลจิสติกส์และโซ่อุปทาน). คณะโลจิสติกส์ : มหาวิทยาลัยบูรพา.
รักษ์คณา ภูสีเขียว. (2564). การพยากรณ์ปริมาณน้ำฝนระยะสั้นในบริเวณพื้นที่สนามบินสุวรรณภูมิด้วยโครงข่ายระบบประสาทแบบย้อนกลับ. (วิทยานิพนธ์ปริญญาวิทยาศาสตรมหาบัณฑิต สาขาสถิติ). คณะพาณิชยศาสตร์และการบัญชี : จุฬาลงกรณ์มหาวิทยาลัย.
รัชนี โฆษิตานนท์. (2564). การพยากรณ์ความต้องการในการสั่งซื้อและจัดการวัตถุดิบคงคลัง กรณีศึกษาบริษัทผลิตเครื่องฟอกอากาศ. (วิทยานิพนธ์ปริญญาวิทยาศาสตรมหาบัณฑิต สาขาวิชาการจัดการโลจิสติกส์และโซ่อุปทาน). คณะโลจิสติกส์ : มหาวิทยาลัยบูรพา.
วรัญชรี ถิรพัฒนาพร. (2566). การพยากรณ์ยอดขายสำหรับการขายปลีกในอีคอมเมิร์ซโดยใช้การเรียนรู้ของเครื่อง. (วิทยานิพนธ์ปริญญาวิทยาศาสตรมหาบัณฑิต สาขาวิชาวิทยาการข้อมูล). คณะวิทยาศาสตร์ : มหาวิทยาลัยศรีนครินทรวิโรฒ.
วริศ ปัญญาฉัตรพร. (2564). การคาดการณ์ผลตอบแทนในอนาคตของตราสารทนหุ้นสามัญโดยการใช้แบบจำลองโครงข่ายประสาทเทียม และแบบจำลอง Long Short-Term Memory. (วิทยานิพนธ์ปริญญาวิทยาการจัดการมหาบัณฑิต สาขาวิชาวิทยาการจัดการ). วิทยาลัยการจัดการ : มหาวิทยาลัยมหิดล.
ไพศาล อินทรสุวรรณ. (2563). การพัฒนาโปรแกรมเพื่อช่วยพยากรณ์ความต้องการวัตถุดิบของผลิตภัณฑ์ธุรกิจอาหารสัตว์. (วิทยานิพนธ์ปริญญาวิศวกรรมศาสตรมหาบัณฑิต สาขาวิชาการจัดการทางวิศวกรรม). วิทยาลัยนวัตกรรมด้านเทคโนโลยีและวิศวกรรมศาสตร์ : มหาวิทยาลัยธุรกิจบัณฑิตย์.
ศรนรินทร์ หลวงแก้ว. (2566). การประยุกต์ใช้การพยากรณ์ความต้องการยางรถบรรทุกหัวลาก กรณีศึกษาบริษัทแห่งหนึ่งในเขตท่าเรือแหลมฉบัง. (วิทยานิพนธ์ปริญญาวิทยาศาสตรมหาบัณฑิต สาขาวิชาการจัดการโลจิสติกส์และโซ่อุปทาน). คณะโลจิสติกส์ : มหาวิทยาลัยบูรพา.
ศรีรักษ์ ศรีทองชัย. (2566). การเปรียบเทียบวิธีการประมาณค่าสูญหายในการพยากรณ์ความเข้มข้นของ PM2. 5 ด้วยโครงข่ายประสาทเทียม LSTM. วารสารนวัตกรรมการเรียนรู้และเทคโนโลยี, 3(1), 59-67.
สิงหดิศร์ จันทรักษ์. (2564). การพยากรณ์ปริมาณและความเข้มข้นสารฟลอกคูแลต์ในกระบวนการพักใสสำหรับอุตสาหกรรมการผลิตน้ำตาลจากอ้อย. (วิทยานิพนธ์ปริญญาวิศวกรรมศาสตรมหาบัณฑิต สาขาวิศวกรรมอุตสาหการ). คณะวิศวกรรมศาสตร์ : จุฬาลงกรณ์มหาวิทยาลัย.
