Forecast Value Added คืออะไร? วัดว่าการพยากรณ์ช่วยจริงไหม

Forecast Value Added คืออะไร? วัดว่าการพยากรณ์ช่วยจริงไหม

หลายองค์กรลงทุนกับซอฟต์แวร์พยากรณ์ จัดประชุมวางแผนความต้องการทุกเดือน และให้ทีมขาย ทีมการตลาด และผู้บริหารช่วยกันปรับตัวเลข แต่คำถามที่ไม่ค่อยมีใครตอบได้ชัดเจนคือ ทุกขั้นตอนเหล่านี้ทำให้ตัวเลขพยากรณ์ดีขึ้นจริงหรือไม่ หรือเพียงเพิ่มงาน เพิ่มเวลา และบางครั้งเพิ่มความคลาดเคลื่อนโดยไม่รู้ตัว

Forecast Value Added หรือ FVA คือแนวคิดที่ตอบคำถามนี้ด้วยข้อมูล แทนที่จะวัดเพียงว่าตัวเลขพยากรณ์สุดท้ายแม่นแค่ไหน FVA วัดว่าแต่ละขั้นตอนในกระบวนการ "เพิ่มคุณค่า" หรือ "ทำลายคุณค่า" เมื่อเทียบกับขั้นตอนก่อนหน้า แนวคิดนี้ถูกเผยแพร่อย่างกว้างขวางโดย Michael Gilliland ผู้เชี่ยวชาญด้านการพยากรณ์ธุรกิจ และปัจจุบันเป็นเครื่องมือมาตรฐานของทีม Demand Planning ที่ต้องการวินัยด้านข้อมูลมากขึ้น

Forecast Value Added คืออะไร

FVA คือผลต่างของความแม่นยำ (หรือความคลาดเคลื่อน) ระหว่างสองขั้นตอนที่อยู่ติดกันในกระบวนการพยากรณ์ โดยใช้ตัวชี้วัดเดียวกัน เช่น MAPE หรือ WMAPE

หลักคิดคือ ถ้าขั้นตอนใดทำให้ความคลาดเคลื่อนลดลง ขั้นตอนนั้นมี FVA เป็นบวก ถ้าทำให้คลาดเคลื่อนมากขึ้น FVA เป็นลบ และถ้าไม่เปลี่ยนแปลงอะไรเลย FVA เป็นศูนย์ ซึ่งหมายความว่าขั้นตอนนั้นใช้ทรัพยากรโดยไม่สร้างผลลัพธ์ที่วัดได้

FVA ไม่ได้มาแทนตัวชี้วัดความแม่นยำเดิม แต่เป็นมุมมองเพิ่มเติมที่ตอบว่า "ความแม่นยำนี้มาจากไหน" และ "ความพยายามส่วนไหนคุ้มค่า"

กระบวนการพยากรณ์ทั่วไปและจุดที่ FVA เข้าไปวัด

กระบวนการพยากรณ์ในองค์กรส่วนใหญ่มีลำดับขั้นคล้ายกัน ได้แก่

Naive Forecast:
การพยากรณ์แบบง่ายที่สุด เช่น ใช้ยอดขายของช่วงเวลาล่าสุดเป็นค่าพยากรณ์ของช่วงถัดไป (Random Walk) หรือใช้ยอดขายช่วงเดียวกันของปีก่อนสำหรับสินค้าที่มีฤดูกาล ทำหน้าที่เป็นเส้นฐานที่ใครก็ทำได้โดยไม่ต้องลงทุน

Statistical Forecast:
ค่าพยากรณ์จากโมเดลทางสถิติหรือ Machine Learning ที่ระบบสร้างให้อัตโนมัติ

Analyst Override:
นักวางแผนปรับตัวเลขจากโมเดลตามความรู้เฉพาะด้าน เช่น โปรโมชั่นหรือการเปลี่ยนแปลงของลูกค้า

Consensus Forecast:
ตัวเลขที่ได้จากการประชุมร่วมกับฝ่ายขายและการตลาด

Executive Approval:
ตัวเลขสุดท้ายหลังผู้บริหารทบทวนหรือปรับให้สอดคล้องกับเป้าหมายธุรกิจ

FVA จะเทียบทีละคู่ เช่น Statistical Forecast เทียบกับ Naive Forecast เพื่อดูว่าโมเดลที่ลงทุนไปชนะวิธีง่ายๆ หรือไม่ จากนั้นเทียบ Analyst Override กับ Statistical Forecast เพื่อดูว่ามนุษย์ช่วยหรือรบกวนโมเดล และเทียบต่อไปจนถึงตัวเลขสุดท้าย

วิธีคำนวณ FVA แบบเข้าใจง่าย

สมมติองค์กรวัดความคลาดเคลื่อนด้วย WMAPE (ยิ่งต่ำยิ่งดี) ได้ผลดังนี้

Naive Forecast: 30%
Statistical Forecast: 24%
หลัง Analyst Override: 26%
หลัง Consensus: 27%
หลัง Executive Approval: 27%

เมื่อคำนวณ FVA ของแต่ละขั้นตอน (ความคลาดเคลื่อนก่อนหน้า ลบ ความคลาดเคลื่อนหลัง)

Statistical Forecast: 30 − 24 = +6 จุด (เพิ่มคุณค่า)
Analyst Override: 24 − 26 = −2 จุด (ทำลายคุณค่า)
Consensus: 26 − 27 = −1 จุด (ทำลายคุณค่า)
Executive Approval: 27 − 27 = 0 จุด (ไม่เปลี่ยนแปลง)

ตัวอย่างนี้บอกว่าโมเดลทำงานได้ดี แต่การแทรกแซงของมนุษย์ในช่วงหลังทำให้ผลแย่ลง และใช้เวลาประชุมไปโดยไม่ได้ประโยชน์ ซึ่งเป็นข้อมูลที่ตัวชี้วัดความแม่นยำสุดท้ายเพียงตัวเดียวไม่สามารถบอกได้

ทำไม Naive Forecast จึงสำคัญ

หัวใจของ FVA คือการมี "เส้นฐาน" ที่ต้องเอาชนะให้ได้ ถ้ากระบวนการพยากรณ์ที่ซับซ้อนและมีต้นทุนสูงแม่นยำกว่าการยกยอดขายล่าสุดมาใช้เพียงเล็กน้อย หรือแย่กว่า ก็ควรตั้งคำถามกับการลงทุนนั้น

ข้อควรระวังคือต้องเลือก Naive Forecast ให้เหมาะกับลักษณะสินค้า สินค้าที่มีฤดูกาลชัดเจนควรเทียบกับ Seasonal Naive ส่วนสินค้าที่ความต้องการค่อนข้างนิ่งเทียบกับค่าล่าสุดได้ การเลือกเส้นฐานที่อ่อนเกินไปจะทำให้ผลดูดีเกินจริง

ผลวิเคราะห์ที่พบบ่อยจาก FVA

งานวิจัยและประสบการณ์ภาคปฏิบัติจากหลายองค์กรให้ภาพที่ค่อนข้างสอดคล้องกัน

การปรับเล็กน้อยมักไม่ช่วย:
การแก้ตัวเลขเพียงเล็กน้อยด้วยความรู้สึกมักไม่ช่วยให้แม่นขึ้น แต่ใช้เวลาของนักวางแผนจำนวนมาก

การปรับขึ้นมักมีอคติเชิงบวก:
ฝ่ายขายมักมองโลกในแง่ดีหรือต้องการสต็อกเผื่อไว้ ทำให้ตัวเลขถูกดันสูงเกินจริงอย่างเป็นระบบ ส่งผลให้เกิด Forecast Bias

การปรับที่มีเหตุผลเฉพาะและข้อมูลสนับสนุนมีโอกาสช่วยได้มากกว่า:
เช่น การปรับสำหรับโปรโมชั่นที่ระบบไม่เคยเห็น หรือการหยุดขายสินค้า ซึ่งเป็นข้อมูลที่โมเดลไม่มี

สินค้าบางกลุ่มไม่คุ้มกับการลงทุนด้านการพยากรณ์:
สินค้าที่ความต้องการผันผวนสูงมาก การพยากรณ์ซับซ้อนอาจไม่ชนะ Naive Forecast จึงควรใช้กลยุทธ์อื่นแทน เช่น เพิ่มความยืดหยุ่นของซัพพลายเชน

FVA กับ Forecast Bias

FVA ควรใช้คู่กับการวัด Bias ซึ่งคือแนวโน้มที่ตัวเลขพยากรณ์สูงหรือต่ำกว่าความเป็นจริงอย่างสม่ำเสมอ ถ้าขั้นตอนหนึ่งทำให้ค่า Bias เพิ่มขึ้น แม้ความคลาดเคลื่อนรวมแทบไม่เปลี่ยน ก็ถือเป็นสัญญาณอันตราย เพราะ Bias ส่งผลโดยตรงต่อสต็อกส่วนเกินหรือสินค้าขาด ซึ่งเป็นต้นทุนจริงของธุรกิจ

ขั้นตอนเริ่มใช้ FVA ในองค์กร

1. บันทึกตัวเลขของทุกขั้นตอน:
ต้องเก็บค่าพยากรณ์จากแต่ละขั้นตอนไว้ก่อนถูกเขียนทับ หลายองค์กรติดปัญหาข้อนี้ เพราะระบบเก็บเฉพาะตัวเลขสุดท้าย

2. เลือกระดับการวัดที่เหมาะสม:
วัดที่ระดับที่ใช้ตัดสินใจจริง เช่น SKU ต่อสถานที่ หรือกลุ่มสินค้า ตามกรอบเวลา (Lag) ที่ใช้วางแผนผลิตหรือจัดซื้อ

3. กำหนดตัวชี้วัดเดียวและใช้ให้สม่ำเสมอ:
เช่น WMAPE ร่วมกับ Bias เพื่อให้เปรียบเทียบข้ามขั้นตอนได้

4. วัดย้อนหลังอย่างน้อยหลายรอบ:
ผลจากหนึ่งหรือสองเดือนอาจเกิดจากความบังเอิญ ควรดูแนวโน้มต่อเนื่องและแยกตามกลุ่มสินค้า

5. นำผลไปปรับกระบวนการ:
ตัดขั้นตอนที่ FVA เป็นลบสม่ำเสมอ หรือกำหนดเงื่อนไขว่าการปรับตัวเลขต้องมีเหตุผลและหลักฐาน

ข้อควรระวังเมื่อใช้ FVA

อย่าใช้เป็นเครื่องมือกล่าวโทษ:
หากนำผลไปชี้ว่าใครทำให้ตัวเลขแย่ลง คนจะเลิกบันทึกข้อมูลหรือหลบเลี่ยงการวัด ควรใช้เป็นเครื่องมือเรียนรู้ของกระบวนการทั้งหมด

ตัวเลขที่ถูกปรับอาจมีเป้าหมายอื่น:
บางครั้งตัวเลขสุดท้ายถูกกำหนดให้สอดคล้องกับเป้าหมายการเงิน ไม่ใช่เพื่อความแม่นยำ ควรแยกให้ชัดระหว่างค่าพยากรณ์กับเป้าหมาย (Target) เพราะสองอย่างนี้ตอบคนละวัตถุประสงค์

ข้อมูลต้องมีปริมาณพอ:
สินค้าที่ขายน้อยหรือมีประวัติสั้น ค่า FVA จะแกว่งมาก ควรรวมกลุ่มก่อนวิเคราะห์

ความแม่นยำไม่ใช่เป้าหมายสุดท้าย:
ผลลัพธ์ที่ควรติดตามร่วมกันคือระดับการให้บริการ ต้นทุนสต็อก และสินค้าตกค้าง เพราะการพยากรณ์ที่แม่นขึ้นเพียงเล็กน้อยอาจไม่คุ้มกับต้นทุนที่ใช้

FVA ในยุค AI และ Machine Learning

เมื่อองค์กรนำโมเดล Machine Learning ที่ซับซ้อนขึ้นมาใช้ FVA ยิ่งจำเป็น เพราะเป็นวิธีพิสูจน์ว่าโมเดลใหม่ชนะโมเดลเดิมและ Naive Forecast จริง ไม่ใช่เพียงดูดีในรายงานของผู้ขาย การทดสอบควรทำบนข้อมูลที่โมเดลไม่เคยเห็น และเทียบด้วยเงื่อนไขเดียวกัน

FVA ยังช่วยตัดสินว่ามนุษย์ควรอยู่ตรงไหนของกระบวนการ หากโมเดลแม่นกว่าการปรับด้วยมืออย่างสม่ำเสมอในสินค้ากลุ่มหนึ่ง องค์กรอาจให้ระบบทำงานอัตโนมัติ (Touchless Forecasting) และให้นักวางแผนไปทุ่มเทกับสินค้าที่มีข้อมูลเชิงบริบทซึ่งโมเดลยังขาด เช่น สินค้าใหม่ โปรโมชั่นใหญ่ หรือเหตุการณ์ผิดปกติ

สรุป

Forecast Value Added เปลี่ยนคำถามจาก "ตัวเลขพยากรณ์แม่นแค่ไหน" เป็น "แต่ละขั้นตอนที่เราทำช่วยให้แม่นขึ้นจริงหรือเปล่า" ด้วยการเทียบความคลาดเคลื่อนของแต่ละขั้นตอนกับขั้นก่อนหน้า โดยมี Naive Forecast เป็นเส้นฐาน ผลที่ได้มักเผยว่าบางขั้นตอนที่ใช้เวลามากไม่ได้สร้างคุณค่า และบางครั้งทำให้ผลแย่ลง

หากต้องการเริ่มต้น ให้เก็บค่าพยากรณ์ของทุกขั้นตอน เลือกตัวชี้วัดเดียวคู่กับ Bias วัดอย่างต่อเนื่องหลายรอบ แล้วใช้ผลปรับกระบวนการอย่างสร้างสรรค์ ไม่ใช่เพื่อกล่าวโทษ องค์กรที่ทำเช่นนี้ได้จะใช้ทรัพยากรด้านการวางแผนอย่างคุ้มค่า และมีฐานข้อมูลที่ชัดเจนสำหรับตัดสินใจลงทุนกับเทคโนโลยีและทีมงานในอนาคต