«ເດືອນໜ້າຈະສັ່ງຊື້ຈຳນວນເທົ່າໃດ?» — ສຳລັບຄຳຖາມນີ້, ບໍລິສັດຫຼາຍແຫ່ງໃນລາວຕອບວ່າ «ປະມານດຽວກັນກັບປີທີ່ຜ່ານມາ» ຫຼື «ຮູ້ສຶກວ່າຄວນເພີ່ມຂຶ້ນໜ້ອຍໜຶ່ງ». ຖ້າສິນຄ້າໃນສາງບໍ່ພຽງພໍ, ກໍຕ້ອງນຳເຂົ້າສິນຄ້າສຸກເສີນໃນລາຄາທີ່ສູງກວ່າປົກກະຕິ, ແຕ່ຖ້າເຫຼືອຫຼາຍ, ທຶນກໍຈະຖືກແຊ່ແຂງຢູ່ໃນສາງ. ເມື່ອໄດ້ຍິນຄຳວ່າ AI ການພະຍາກອນຄວາມຕ້ອງການ, ຫຼາຍຄົນມັກຄິດວ່າຕ້ອງການຂໍ້ມູນຈຳນວນມະຫາສານ ແລະ ທີມງານຜູ້ຊ່ຽວຊານ, ແຕ່ໃນຄວາມເປັນຈິງແລ້ວບໍ່ແມ່ນດັ່ງນັ້ນ. ພຽງແຕ່ມີປະຫວັດການຂາຍ 3 ເດືອນ ແລະ ວິທີການ Hybrid ທີ່ລວມເອົາ ສະຖິຕິ + AI ເຂົ້າດ້ວຍກັນ, ກໍສາມາດເລີ່ມຕົ້ນການພະຍາກອນຄວາມຕ້ອງການທີ່ໃຊ້ງານໄດ້ຈິງ ໂດຍບໍ່ຈຳເປັນຕ້ອງມີ Data Scientist. ບົດຄວາມນີ້ຈະອະທິບາຍຂັ້ນຕອນສະເພາະໃນການນຳໃຊ້ການພະຍາກອນຄວາມຕ້ອງການດ້ວຍຂໍ້ມູນຂັ້ນຕ່ຳສຸດ ສຳລັບບໍລິສັດລະດັບ Enterprise ໃນລາວ.

ຕ່ອງໂສ້ການສະໜອງຂອງລາວມີຄວາມຫຍຸ້ງຍາກທີ່ເປັນເອກະລັກ ເມື່ອທຽບກັບປະເທດ ASEAN ອື່ນໆ. ນອກຈາກຂໍ້ຈຳກັດທາງພູມິສາດໃນຖານະປະເທດທີ່ບໍ່ມີທາງອອກທະເລແລ້ວ, ການຂາດໂຄງສ້າງພື້ນຖານດ້ານຂໍ້ມູນຍັງໄດ້ຕອກຄ້ຳ "ການຈັດຊື້ທີ່ອີງໃສ່ຄວາມຮູ້ສຶກ" ມາເປັນເວລາຫຼາຍປີ. ໃນທີ່ນີ້, ພວກເຮົາຈະຈັດລຽງບັນຫາທາງໂຄງສ້າງດັ່ງກ່າວ ພ້ອມທັງຕົ້ນທຶນທີ່ຈະເກີດຂຶ້ນຫາກປ່ອຍທິ້ງໄວ້ໂດຍບໍ່ໄດ້ແກ້ໄຂ.

ທຳອິດ, ໄລຍະເວລານຳໃຊ້ທີ່ຍາວນານເນື່ອງຈາກການພຶ່ງພາການນຳເຂົ້າ. ລາວນຳເຂົ້າສິນຄ້າຈຳນວນຫຼາຍຈາກໄທ, ຫວຽດນາມ, ແລະຈີນ ທັງສິນຄ້າອຸປໂພກບໍລິໂພກໄປຈົນເຖິງວັດສະດຸອຸດສາຫະກຳ. ການຂົນສົ່ງທາງບົກຂຶ້ນກັບສະພາບດິນຟ້າອາກາດ ແລະ ສະພາບໂຄງລ່າງພື້ນຖານ, ແລະໃນລະດູຝົນກໍ່ບໍ່ແມ່ນເລື່ອງແປກທີ່ຈະໃຊ້ເວລາຫຼາຍກວ່າສອງເທົ່າຂອງປົກກະຕິ. ໃນສະພາບແວດລ້ອມທີ່ມີໄລຍະເວລານຳໃຊ້ຍາວນານ, ການສັ່ງຊື້ຜິດເວລາພຽງສອງສາມວັນກໍ່ສາມາດເຮັດໃຫ້ສິນຄ້າຂາດໄດ້.

ທີສອງ, ຄວາມຜັນຜວນຕາມລະດູການທີ່ມີຂອບເຂດກວ້າງ. ບໍ່ພຽງແຕ່ຮູບແບບການບໍລິໂພກປ່ຽນແປງຢ່າງຫຼວງຫຼາຍລະຫວ່າງລະດູຝົນ ແລະ ລະດູແລ້ງ, ແຕ່ຍັງມີບາງອຸດສາຫະກຳທີ່ຄວາມຕ້ອງການເພີ່ມຂຶ້ນຢ່າງກະທັນຫັນໃນລະດູບຸນ ເຊັ່ນ: ປີໃໝ່ລາວ (ປີໃໝ່ລາວ) ແລະ ບຸນທາດຫຼວງ (That Luang Festival). ການຄາດເດົາຄວາມຜັນຜວນນີ້ດ້ວຍປະສົບການທີ່ຜ່ານມາພຽງຢ່າງດຽວ ເປັນເລື່ອງຍາກແມ່ນແຕ່ສຳລັບຜູ້ຮັບຜິດຊອບດ້ານການຈັດຊື້ທີ່ມີປະສົບການ.

ທີສາມ, ຄວາມແຕກແຍກຂອງຂໍ້ມູນ. ຂໍ້ມູນການຂາຍຢູ່ໃນ Excel, ສິນຄ້າຄົງຄັງຢູ່ໃນປຶ້ມບັນທຶກເຈ້ຍ, ການສັ່ງຊື້ຢູ່ໃນລະບົບອື່ນ——ຫຼືບາງທີຢູ່ໃນຫົວຂອງຜູ້ຮັບຜິດຊອບເທົ່ານັ້ນ. ເນື່ອງຈາກຂໍ້ມູນບໍ່ໄດ້ຖືກລວບລວມໄວ້ໃນທີ່ດຽວ, ຈຶ່ງມີຫຼາຍບໍລິສັດທີ່ບໍ່ສາມາດຕອບໄດ້ທັນທີວ່າ "ເດືອນທີ່ແລ້ວຂາຍຫຍັງໄດ້ຈັກອັນ".

ການສັ່ງຊື້ທີ່ບໍ່ອີງໃສ່ຂໍ້ມູນ ຈະນໍາໄປສູ່ບັນຫາ 2 ຢ່າງຢ່າງຫຼີກລ່ຽງບໍ່ໄດ້.

ສິນຄ້າຄົງຄັງທີ່ເກີນຈໍາເປັນຈະກົດດັນ cash flow. ສິນຄ້າທີ່ນອນຢູ່ໃນສາງຄືທຶນທີ່ເຄື່ອນຍ້າຍບໍ່ໄດ້. ໃນສະພາບແວດລ້ອມທີ່ອັດຕາດອກເບ້ຍສູງຢ່າງລາວ, ຕົ້ນທຶນການຖືສິນຄ້າຄົງຄັງອາດສູງເຖິງ 20〜30% ຂອງຕົ້ນທຶນຂາຍ. ໂດຍສະເພາະສໍາລັບອາຫານ ແລະ ສິນຄ້າໃຊ້ແລ້ວໝົດ, ການສູນເສຍຈາກການຖິ້ມສິນຄ້າໝົດອາຍຸກໍ່ເປັນສິ່ງທີ່ມອງຂ້າມບໍ່ໄດ້.

ສິນຄ້າຂາດຊັ້ນວາງກໍ່ໃຫ້ເກີດການສູນເສຍໂອກາດທີ່ເຫັນບໍ່ໄດ້. ຖ້າບໍ່ມີສິນຄ້າຢູ່ຊັ້ນວາງ, ລູກຄ້າຈະຫັນໄປຫາຄູ່ແຂ່ງ. ໃນກໍລະນີ B2B ຍິ່ງຮ້າຍແຮງກວ່ານັ້ນ, ການສົ່ງສິນຄ້າລ່າຊ້າຈະທໍາລາຍຄວາມໄວ້ວາງໃຈຈາກຄູ່ຄ້າ ແລະ ມີຄວາມສ່ຽງທີ່ຈະສູນເສຍສັນຍາ.

ມາດຕະການທີ່ຫຼາຍບໍລິສັດໃຊ້ຄື "ການຖືສິນຄ້າຄົງຄັງສໍາຮອງໃຫ້ຫຼາຍຂຶ້ນ", ແຕ່ນີ້ພຽງແຕ່ເປັນການຍອມຮັບຕົ້ນທຶນຂອງສິນຄ້າຄົງຄັງທີ່ເກີນຈໍາເປັນເທົ່ານັ້ນ. ການພະຍາກອນຄວາມຕ້ອງການ ຄືວິທີການທີ່ຈະແກ້ໄຂ trade-off ລະຫວ່າງ "ການຄາດເດົາ vs ຕົ້ນທຶນ" ນີ້.

ເມື່ອໄດ້ຍິນຄຳວ່າ "ການພະຍາກອນຄວາມຕ້ອງການ" ຫຼາຍຄົນມັກຈິນຕະນາການເຖິງການນຳຂໍ້ມູນຂະໜາດໃຫຍ່ (big data) ຫຼາຍປີໃສ່ໃນໂມເດລ machine learning. ແຕ່ເມື່ອພິຈາລະນາຄວາມເປັນຈິງຂອງລາວ, ວິທີການດັ່ງກ່າວນັ້ນເກີນຄວາມຈຳເປັນ. ໃນທີ່ນີ້, ພວກເຮົາຈະແນະນຳ "ວິທີການປະສົມລະຫວ່າງສະຖິຕິ (ວິທີການທາງສະຖິຕິ) + AI" ທີ່ສາມາດເລີ່ມຕົ້ນໄດ້ດ້ວຍຂໍ້ມູນຈຳນວນໜ້ອຍ.

ການເຄື່ອນຍ້າຍສະເລ່ຍແບບຖ່ວງນ້ຳໜັກ（Weighted Moving Average）ແມ່ນວິທີການທີ່ໃຫ້ "ນ້ຳໜັກ" ແກ່ຂໍ້ມູນການຂາຍໃນອະດີດ ແລ້ວຄຳນວນຫາຄ່າສະເລ່ຍ. ໂດຍການໃຫ້ນ້ຳໜັກຫຼາຍກວ່າແກ່ຂໍ້ມູນທີ່ໃກ້ຄຽງທີ່ສຸດ, ຈຶ່ງສາມາດສ້າງການຄາດຄະເນທີ່ສະທ້ອນເຖິງແນວໂນ້ມຄວາມຕ້ອງການລ່າສຸດໄດ້.

ໂດຍສະເພາະ, ຈະໃຊ້ອັດຕາສ່ວນນ້ຳໜັກ 0.5 : 0.3 : 0.2 ກັບຜົນການຂາຍ 3 ເດືອນທີ່ຜ່ານມາ. ຂໍ້ມູນຂອງເດືອນກ່ອນໜ້າມີອິດທິພົນຫຼາຍທີ່ສຸດ, ໃນຂະນະທີ່ຂໍ້ມູນ 3 ເດືອນກ່ອນໜ້າມີບົດບາດເປັນຕົວຊ່ວຍ.

ຕົວຢ່າງ, ຖ້າຈຳນວນການຂາຍຂອງສິນຄ້າໃດໜຶ່ງໃນ 3 ເດືອນທີ່ຜ່ານມາແມ່ນ 100 ໜ່ວຍ, 80 ໜ່ວຍ, ແລະ 120 ໜ່ວຍ, ການຄາດຄະເນສຳລັບເດືອນໜ້າຈະຄຳນວນດັ່ງນີ້.

120 × 0.5 + 80 × 0.3 + 100 × 0.2 = 104 ໜ່ວຍ

ເປັນຫຍັງຈຶ່ງໃຊ້ WMA ແທນທີ່ຈະເປັນໂມເດລຂັ້ນສູງຢ່າງ Deep Learning ຫຼື ARIMA? ມີ 3 ເຫດຜົນ.

• ຕ້ອງການຂໍ້ມູນໜ້ອຍ. ມີຂໍ້ມູນ 3 ເດືອນກໍ່ສາມາດໃຊ້ງານໄດ້. Deep Learning ມັກຕ້ອງການຂໍ້ມູນຫຼາຍປີ
• ຜົນໄດ້ຮັບຕີຄວາມໝາຍໄດ້ງ່າຍ. ສາມາດອະທິບາຍ "ເປັນຫຍັງຈຶ່ງໄດ້ຕົວເລກນີ້" ໃຫ້ຜູ້ບໍລິຫານໄດ້. ບໍ່ແມ່ນ Black Box
• ຄ່າໃຊ້ຈ່າຍໃນການດຳເນີນງານແທບເປັນສູນ. ບໍ່ຕ້ອງການ GPU ຫຼືເຊີບເວີ້ສະເພາະ. ງ່າຍດາຍໃນລະດັບທີ່ສາມາດຄຳນວນໄດ້ດ້ວຍ Excel

WMA ມີຄວາມເຂັ້ມແຂງໃນການຮັບມືກັບຄວາມຕ້ອງການທີ່ໝັ້ນຄົງ, ແຕ່ບໍ່ສາມາດຮັບມືກັບການປ່ຽນແປງທີ່ເກີດຂຶ້ນຢ່າງກະທັນຫັນໄດ້. ການເປີດຕົວສິນຄ້າໃໝ່, ການປ່ຽນແປງລາຄາຂອງຄູ່ແຂ່ງ, ການປ່ຽນແປງກົດລະບຽບຂອງລັດຖະບານ——ການປ່ຽນແປງເຫຼົ່ານີ້ທີ່ "ຍັງບໍ່ທັນສະແດງອອກໃນຕົວເລກ" ແມ່ນ WMA ບໍ່ສາມາດຈັບໄດ້.

ນີ້ຄືບ່ອນທີ່ LLM (Large Language Model) ເຂົ້າມາມີບົດບາດເປັນຕົວຊ່ວຍ. ເມື່ອສົ່ງຜົນການພະຍາກອນຂອງ WMA ແລະ pattern ຂອງປະຫວັດການຂາຍໃຫ້ LLM, ຈະໄດ້ຮັບການວິເຄາະດັ່ງຕໍ່ໄປນີ້:

• ການກວດຈັບ Seasonality: "ສິນຄ້ານີ້ມີແນວໂນ້ມທີ່ຄວາມຕ້ອງການຈະເພີ່ມຂຶ້ນ 30% ໃນໄຕຣມາດທີ 4 ຂອງທຸກໆປີ"
• ການລະບຸ Trend: "ໃນ 3 ເດືອນຜ່ານມາ ມີການເພີ່ມຂຶ້ນ 15% ຕໍ່ເດືອນ, ຢູ່ໃນ Trend ຂາຂຶ້ນ"
• ການເຕືອນຄ່າ Outlier: "ຍອດຂາຍເດືອນທີ່ຜ່ານມາແມ່ນ 3 ເທົ່າຂອງຄ່າສະເລ່ຍໃນອະດີດ. ມີຄວາມເປັນໄປໄດ້ສູງທີ່ຈະເປັນ Spike ຊົ່ວຄາວ"

ສິ່ງສຳຄັນຄືການອອກແບບທີ່ ສະຖິຕິເປັນຕົວຫຼັກ ແລະ LLM ເປັນຕົວຊ່ວຍ. ເຖິງແມ່ນວ່າໃນກໍລະນີທີ່ບໍ່ສາມາດໃຊ້ການວິເຄາະຂອງ LLM ໄດ້, ຜົນການພະຍາກອນຂອງ WMA ກໍ່ຍັງສາມາດໃຊ້ງານໄດ້ຕາມປົກກະຕິ. ບໍ່ພຶ່ງພາ AI ຫຼາຍເກີນໄປ, ແຕ່ເມື່ອໃຊ້ AI ໄດ້ກໍ່ຈະໄດ້ຮັບການພະຍາກອນທີ່ດີຂຶ້ນ——ການອອກແບບ "Graceful Degradation" ນີ້ມີຄວາມສຳຄັນເປັນພິເສດໃນສະພາບແວດລ້ອມທີ່ Infrastructure ບໍ່ໝັ້ນຄົງ.

ບໍລິສັດທີ່ມີສິນຄ້າຄົງຄັງຫຼາຍພັນລາຍການ ບໍ່ຈຳເປັນຕ້ອງໃຊ້ຄວາມພະຍາຍາມເທົ່າກັນໃນການພະຍາກອນສິນຄ້າທຸກລາຍການ. ABC/XYZ Segmentation ແມ່ນວິທີການຈັດປະເພດສິນຄ້າໂດຍໃຊ້ 2 ແກນ ຄື "ຄວາມສຳຄັນ" ແລະ "ຄວາມໝັ້ນຄົງຂອງຄວາມຕ້ອງການ".

ການຈັດປະເພດ ABC (ຄວາມສຳຄັນດ້ານມູນຄ່າການຂາຍ)

ການຈັດປະເພດ XYZ (ຄວາມໝັ້ນຄົງຂອງຄວາມຕ້ອງການ)

ການໃຊ້ການຈັດປະເພດນີ້ ຊ່ວຍໃຫ້ສາມາດວາງຍຸດທະສາດໄດ້ວ່າ ສິນຄ້າ AX (ມູນຄ່າສູງແລະໝັ້ນຄົງ) ໃຫ້ໃຊ້ການພະຍາກອນອັດຕະໂນມັດດ້ວຍ WMA, ສ່ວນສິນຄ້າ AZ (ມູນຄ່າສູງແຕ່ບໍ່ໝັ້ນຄົງ) ໃຫ້ສຸມໃສ່ການວິເຄາະດ້ວຍ LLM ແລະການກວດສອບໂດຍມະນຸດ. ນີ້ຊ່ວຍໃຫ້ສາມາດສຸມໃຊ້ຊັບພະຍາກອນທີ່ມີຈຳກັດໄປຍັງສິນຄ້າທີ່ຕ້ອງການຄວາມໃສ່ໃຈຢ່າງແທ້ຈິງໄດ້.

«ເຂົ້າໃຈເຫດຜົນແລ້ວ, ແຕ່ຈະເລີ່ມຕົ້ນຢ່າງລະອຽດໄດ້ແນວໃດ?» — ຕໍ່ໄປນີ້, ພວກເຮົາຈະອະທິບາຍການນຳໃຊ້ຕົວຈິງໂດຍແບ່ງອອກເປັນ 4 ຂັ້ນຕອນ.

ຂັ້ນຕອນທຳອິດຄືການກວດສອບຂໍ້ມູນທີ່ມີຢູ່ໃນມື. ສິ່ງທີ່ຕ້ອງການມີພຽງ 4 ປະເພດດັ່ງນີ້:

• ປະລິມານການຂາຍລາຍເດືອນ (ແຍກຕາມສິນຄ້າ, ຍ້ອນຫຼັງຢ່າງໜ້ອຍ 3 ເດືອນ)
• ປະລິມານສິນຄ້າຄົງຄັງປັດຈຸບັນ
• Lead time ຈາກຜູ້ສະໜອງ (ຈຳນວນວັນຕັ້ງແຕ່ສັ່ງຊື້ຈົນຮັບສິນຄ້າ)
• ໜ່ວຍການສັ່ງຊື້ (ເຊັ່ນ: ໜ່ວຍເປັນ case, ໜ່ວຍເປັນ pallet)

ອາດຈະຄິດວ່າ "ຂໍ້ມູນຂອງເຮົາຢູ່ໃນ Excel ຈຶ່ງໃຊ້ບໍ່ໄດ້" ແຕ່ບໍ່ຕ້ອງກັງວົນ. ຖ້າສາມາດແປງເປັນ CSV ໄດ້ກໍ່ພຽງພໍແລ້ວ. ການເລີ່ມຕົ້ນຢ່າງນ້ອຍດ້ວຍຂໍ້ມູນທີ່ບໍ່ສົມບູນທີ່ມີຢູ່ຕອນນີ້ ມີຄຸນຄ່າຫຼາຍກວ່າການໃຊ້ເວລາເຄິ່ງປີເພື່ອຄວາມສົມບູນຂອງຂໍ້ມູນຢ່າງແນ່ນອນ.

ແຕ່ມີສິ່ງໜຶ່ງທີ່ຕ້ອງລະວັງ. ຂໍ້ມູນການຂາຍໃນຊ່ວງທີ່ສິນຄ້າໝົດສະຕ໋ອກຈະສະແດງເປັນສູນ, ແຕ່ນັ້ນບໍ່ໄດ້ໝາຍຄວາມວ່າ "ຄວາມຕ້ອງການເປັນສູນ". ທີ່ຂາຍບໍ່ໄດ້ກໍ່ເພາະສິນຄ້າບໍ່ມີຢູ່ເທິງຊັ້ນວາງເທົ່ານັ້ນ. ຖ້າບໍ່ປັບແກ້ "censored demand" ນີ້, ການພະຍາກອນສຳລັບສິນຄ້າທີ່ໝົດສະຕ໋ອກຈະຕ່ຳກວ່າຄວາມຕ້ອງການຕົວຈິງ ແລະ ຈະເຮັດໃຫ້ເກີດວົງຈອນອັນຕະລາຍທີ່ສິນຄ້າໝົດສະຕ໋ອກຕໍ່ເນື່ອງ (stockout loop). ວິທີການປັບແກ້ທີ່ໃຊ້ງານໄດ້ຈິງຄືການຕື່ມຂໍ້ມູນດ້ວຍຄ່າສະເລ່ຍຂອງຂໍ້ມູນການຂາຍກ່ອນ ແລະ ຫຼັງຊ່ວງທີ່ສິນຄ້າໝົດສະຕ໋ອກ.

ບໍ່ຈຳເປັນຕ້ອງນຳສິນຄ້າທັງໝົດມາເປັນເປົ້າໝາຍການພະຍາກອນໃນທັນທີ. ໃຫ້ເລີ່ມຕົ້ນດ້ວຍການວິເຄາະ ABC ກ່ອນ, ແລ້ວຄັດເລືອກສິນຄ້າລະດັບ A ທີ່ຄອງສ່ວນແບ່ງ 80% ເທິງຂອງຍອດຂາຍ ຈຳນວນ 10〜20 ລາຍການ. ພຽງແຕ່ຄວາມຖືກຕ້ອງຂອງການພະຍາກອນສຳລັບກຸ່ມສິນຄ້ານີ້ດີຂຶ້ນ ກໍ່ຈະສົ່ງຜົນກະທົບຢ່າງໃຫຍ່ຫຼວງຕໍ່ຕົ້ນທຶນສາງສິນຄ້າໂດຍລວມ.

ດຳເນີນການພະຍາກອນຄວາມຕ້ອງການ 3 ເດືອນລ່ວງໜ້າດ້ວຍ WMA ສຳລັບສິນຄ້າທີ່ຄັດເລືອກໄວ້. ໃນຂັ້ນຕອນນີ້ ບໍ່ຕ້ອງຮຽກຮ້ອງຄວາມຖືກຕ້ອງຫຼາຍເກີນໄປ, ເພາະ «ການສ້າງຜົນການພະຍາກອນ» ນັ້ນເອງກໍ່ມີຄຸນຄ່າໃນຕົວ. ສິນຄ້າແຕ່ລະລາຍການຈະໄດ້ຮັບຄະແນນຄວາມໜ້າເຊື່ອຖື 0〜100 ແຕ່ໃນຄັ້ງທຳອິດ ຄະແນນສ່ວນໃຫຍ່ຈະຢູ່ໃນລະດັບ 50〜70. ການທີ່ສິນຄ້າທີ່ມີຄວາມຜັນຜວນຂອງຄວາມຕ້ອງການສູງຈະໄດ້ຄະແນນຕ່ຳກວ່ານັ້ນ ຖືເປັນພຶດຕິກຳປົກກະຕິ, ດັ່ງນັ້ນ ຄະແນນຕ່ຳ ≠ ການພະຍາກອນໃຊ້ບໍ່ໄດ້.

ຫຼັງຈາກອອກການພະຍາກອນຄັ້ງທຳອິດແລ້ວ, ໃຫ້ດຳເນີນການ backtest ໃນເດືອນຖັດໄປໂດຍການປຽບທຽບກັບຜົນຕົວຈິງ. ໂດຍການສົມມຸດວ່າ "ຍັງບໍ່ໄດ້ເບິ່ງ" ຂໍ້ມູນຂອງເດືອນໃດໜຶ່ງໃນອະດີດ ແລ້ວດຳເນີນການພະຍາກອນ, ຈາກນັ້ນນຳໄປທຽບກັບຈຳນວນການຂາຍຕົວຈິງ, ຈຶ່ງສາມາດປະເມີນຄວາມຖືກຕ້ອງຂອງການພະຍາກອນໄດ້ຢ່າງເປັນຕົວເລກ.

ສຳລັບຕົວຊີ້ວັດຄວາມຖືກຕ້ອງ, ໃຫ້ໃຊ້ MAPE (Mean Absolute Percentage Error) ແລະ WAPE (Weighted Absolute Percentage Error).

• MAPE: ຄ່າສະເລ່ຍຂອງອັດຕາຄວາມຜິດພາດໃນການພະຍາກອນຂອງແຕ່ລະສິນຄ້າ. ສາມາດເຂົ້າໃຈຄວາມຖືກຕ້ອງຂອງສິນຄ້າແຕ່ລະລາຍການໄດ້
• WAPE: ອັດຕາຄວາມຜິດພາດທີ່ຖ່ວງນ້ຳໜັກດ້ວຍມູນຄ່າການຂາຍ. ສາມາດໃຫ້ຄວາມສຳຄັນກັບຄວາມຖືກຕ້ອງຂອງສິນຄ້າທີ່ມີຜົນກະທົບທາງທຸລະກິດສູງໄດ້

ໃນສະພາບແວດລ້ອມຂອງລາວ, MAPE 20〜30% ຖືເປັນເປົ້າໝາຍທີ່ເປັນຈິງ. ເນື່ອງຈາກວ່າແມ່ນແຕ່ລະບົບຂາຍຍ່ອຍຂະໜາດໃຫຍ່ໃນປະເທດພັດທະນາແລ້ວກໍຍັງຢູ່ທີ່ 15〜20% ໂດຍທົ່ວໄປ, ດັ່ງນັ້ນຫາກສາມາດບັນລຸຕ່ຳກວ່າ 30% ໃນສະພາບແວດລ້ອມທີ່ຂໍ້ມູນມີຈຳກັດ ກໍຖືວ່ານຳໃຊ້ໄດ້ຢ່າງພຽງພໍ.

ຫາກຍັງບໍ່ພໍໃຈກັບຄວາມຖືກຕ້ອງ, ໃຫ້ປັບ parameter ນ້ຳໜັກຂອງ WMA. ຕົວຢ່າງ, ສຳລັບສິນຄ້າທີ່ມີການປ່ຽນແປງຕາມລະດູການສູງ, ສາມາດເພີ່ມນ້ຳໜັກຂອງເດືອນຫຼ້າສຸດໃຫ້ສູງຂຶ້ນໄປອີກ ເຊັ່ນ [0.6, 0.25, 0.15], ແລະສາມາດ automate ການ optimize ດັ່ງກ່າວດ້ວຍ grid search (ການທົດລອງທຸກ pattern) ໄດ້.

ເມື່ອຄວາມແມ່ນຍຳຂອງການພະຍາກອນມີຄວາມໝັ້ນຄົງແລ້ວ, ໃຫ້ແປງຜົນການພະຍາກອນໄປເປັນ "ຈຳນວນທີ່ແນະນຳໃຫ້ສັ່ງຊື້". ສູດຄຳນວນນັ້ນງ່າຍດາຍ.

ຈຳນວນທີ່ແນະນຳໃຫ້ສັ່ງຊື້ = ຈຳນວນເດືອນທີ່ສາງຄຸ້ມຄອງໄດ້ × ຄວາມຕ້ອງການທີ່ພະຍາກອນຕໍ່ເດືອນ − ສາງປັດຈຸບັນ − ສາງທີ່ຄາດວ່າຈະເຂົ້າ

ຕົວຢ່າງເຊັ່ນ, ຖ້າກຳນົດຈຳນວນເດືອນທີ່ສາງຄຸ້ມຄອງໄດ້ໄວ້ທີ່ 2 ເດືອນ, ຄວາມຕ້ອງການທີ່ພະຍາກອນຕໍ່ເດືອນຄື 100 ໜ່ວຍ, ສາງປັດຈຸບັນຄື 80 ໜ່ວຍ, ແລະ ສາງທີ່ຄາດວ່າຈະເຂົ້າຄື 0:

2 × 100 − 80 − 0 = 120 ໜ່ວຍ

ຈາກນັ້ນໃຫ້ປັດຈຳນວນດັ່ງກ່າວໃຫ້ເໝາະສົມກັບໜ່ວຍການສັ່ງຊື້ (ເຊັ່ນ: ກ່ອງ = 24 ໜ່ວຍ) ເພື່ອຄຳນວນຈຳນວນທີ່ແນະນຳໃຫ້ສັ່ງຊື້ສຸດທ້າຍ.

ສຳລັບບໍລິສັດທີ່ໃຊ້ ERP (ເຊັ່ນ Odoo) ຢູ່ແລ້ວ, ວິທີທີ່ດີທີ່ສຸດຄືການດຶງຂໍ້ມູນການຂາຍແລະຂໍ້ມູນສາງໂດຍອັດຕະໂນມັດຜ່ານ API ແລ້ວເຊື່ອມຕໍ່ເຂົ້າກັບ prediction pipeline. ສຳລັບກໍລະນີທີ່ບໍ່ມີ ERP, ກໍ່ຍັງສາມາດດຳເນີນງານໄດ້ດ້ວຍການອັບໂຫຼດ CSV ລາຍເດືອນ.

ເພື່ອໃຫ້ລະບົບນີ້ຕິດຕໍ່ໄດ້ຢ່າງຍືນຍົງ, ກົນໄກການທົບທວນລາຍອາທິດມີຄວາມສຳຄັນຫຼາຍ. ທີມຈັດຊື້ຄວນກວດສອບຊ່ອງຫວ່າງລະຫວ່າງການພະຍາກອນແລະຜົນຕົວຈິງທຸກອາທິດ, ແລ້ວຖ້າພົບຄ່າຜິດປົກກະຕິກໍ່ໃຫ້ຮ່ວມກັນວິເຄາະຫາສາເຫດ. ການເຮັດຊ້ຳໆແບບນີ້ຈະຊ່ວຍຊຸກຍູ້ການປ່ຽນຜ່ານຈາກ "ວັດທະນະທຳທີ່ອາໄສການຄາດເດົາ" ໄປສູ່ "ວັດທະນະທຳທີ່ອ້າງອີງຂໍ້ມູນ".

ກົນໄກຂອງການຄາດຄະເນຄວາມຕ້ອງການນັ້ນບໍ່ໄດ້ຍາກ, ແຕ່ມີບັນຫາທີ່ມັກຈະເກີດຂຶ້ນໃນຂະບວນການນຳໃຊ້.

ຄວາມລົ້ມເຫຼວທີ່ພົບເລື້ອຍທີ່ສຸດຄືການຕັ້ງເປົ້າໝາຍຄວາມຖືກຕ້ອງທີ່ບໍ່ສົມຈິງ. ມັກຈະໄດ້ຍິນວ່າ "ຖ້າຈະນຳ AI ມາໃຊ້ ກໍຢາກໄດ້ຄວາມຖືກຕ້ອງ 95%" ແຕ່ໃນການພະຍາກອນຄວາມຕ້ອງການ, ຄວາມຖືກຕ້ອງ 95% ນັ້ນແทบຈະບໍ່ສາມາດບັນລຸໄດ້ ຍົກເວັ້ນສິນຄ້າອຸປໂພກບໍລິໂພກບາງລາຍການທີ່ຄວາມຕ້ອງການມີຄວາມໝັ້ນຄົງຢ່າງສົມບູນ.

ສິ່ງທີ່ສຳຄັນບໍ່ແມ່ນຄວາມຖືກຕ້ອງໃນຄ່າສົມບູນ ແຕ່ຄືـລະດັບການປັບປຸງທີ່ດີຂຶ້ນເມື່ອທຽບກັບ "ການບໍ່ມີການພະຍາກອນ". "ເມື່ອທຽບກັບຊ່ວງທີ່ສັ່ງຊື້ດ້ວຍການຄາດເດົາ ສິນຄ້າຂາດສະຕ໋ອກຫຼຸດລົງ 40%" ຫຼື "ສິນຄ້າຄ້າງສະຕ໋ອກເກີນຫຼຸດລົງ 25%" — ການປັບປຸງຕົວຊີ້ວັດທາງທຸລະກິດເຫຼົ່ານີ້ຕ່າງຫາກທີ່ເປັນມາດຕະຖານທີ່ຖືກຕ້ອງໃນການວັດແທກຄຸນຄ່າຂອງການພະຍາກອນຄວາມຕ້ອງການ.

«ຄວາມຮູ້ສຶກທີ່ຢາກຄອບຄຸມທຸກ SKU ຕັ້ງແຕ່ເລີ່ມຕົ້ນ» ນັ້ນເປັນສິ່ງທີ່ເຂົ້າໃຈໄດ້, ແຕ່ໃນໄລຍະເລີ່ມຕົ້ນກັບໃຫ້ຜົນໃນທາງກົງກັນຂ້າມ. ຄວນເລີ່ມຕົ້ນດ້ວຍການສ້າງຜົນສຳເລັດຈາກ 20 ລາຍການໃນລະດັບ A ກ່ອນ, ສ້າງຄວາມໄວ້ວາງໃຈພາຍໃນອົງກອນ, ແລ້ວຈຶ່ງຂະຫຍາຍໄປສູ່ລະດັບ B ແລະ C ຕາມລຳດັບ, ເຊິ່ງໃນທີ່ສຸດແລ້ວຈະເຮັດໃຫ້ການນຳໃຊ້ທົ່ວທັງອົງກອນດຳເນີນໄປໄດ້ໄວກວ່າ.

ສຳລັບສິນຄ້າລະດັບ C (ທີ່ຢູ່ໃນ 5% ລຸ່ມສຸດຂອງຍອດຂາຍ), ຜົນຕອບແທນຈາກການລົງທຶນໃນການພະຍາກອນທີ່ລະອຽດຊັດເຈນນັ້ນຕໍ່າຢູ່ແລ້ວໂດຍທຳມະຊາດ. ການຄຸ້ມຄອງດ້ວຍການສັ່ງຊື້ຕາມປະລິມານທີ່ກຳນົດໄວ້ (ສັ່ງຊື້ໃນປະລິມານຄົງທີ່ເມື່ອສິນຄ້າຄົງຄັງຫຼຸດລົງຕໍ່າກວ່າລະດັບທີ່ກຳນົດ) ກໍ່ພຽງພໍແລ້ວ.

«ກ່ອນອື່ນໃຫ້ສ້າງ data warehouse ກ່ອນ, ແລ້ວຈຶ່ງເຮັດ data cleansing ໃຫ້ສຳເລັດ...» ຖ້າວາງແຜນແບບນີ້, ຜ່ານໄປ 1 ປີກໍຍັງບໍ່ທັນໄດ້ເລີ່ມຕົ້ນການພະຍາກອນ. ຖ້າມີຂໍ້ມູນການຂາຍ 3 ເດືອນຢູ່ໃນ Excel, ນັ້ນກໍພຽງພໍແລ້ວ. ການປັບປຸງຄຸນນະພາບຂໍ້ມູນໄປພ້ອມກັບການດຳເນີນງານຈະໃຫ້ຜົນໄດ້ໄວກວ່າຫຼາຍ.

ສາມາດເຮັດໄດ້. ການພະຍາກອນຄວາມຕ້ອງການໂດຍອີງໃສ່ WMA ບໍ່ຈຳເປັນຕ້ອງມີຄວາມຊ່ຽວຊານດ້ານສະຖິຕິ. ພຽງແຕ່ສາມາດຈັດລະບຽບຂໍ້ມູນຍອດຂາຍລາຍເດືອນໃນ Excel ແລະ ເຂົ້າໃຈຄວາມໝາຍຂອງສູດການຄຳນວນໄດ້ກໍ່ພຽງພໍແລ້ວ. ສ່ວນ LLM enrichment ນັ້ນ ເຖິງແມ່ນວ່າຈະຕ້ອງມີການປັບ parameter ແຕ່ກໍ່ບໍ່ຈຳເປັນຕ້ອງສ້າງ model ຂຶ້ນມາເອງ ແລະ ສາມາດໃຊ້ງານຜ່ານ API ໄດ້ເລີຍ.

WMA ສາມາດເຮັດວຽກໄດ້ດ້ວຍຂໍ້ມູນການຂາຍລາຍເດືອນ 3 ເດືອນ. ຢ່າງໃດກໍຕາມ, ເພື່ອຈັບການປ່ຽນແປງຕາມລະດູການຄວນມີຂໍ້ມູນ 12 ເດືອນ, ແລະ ເພື່ອຄວາມຖືກຕ້ອງທີ່ໝັ້ນຄົງຄວນມີ 6 ເດືອນ. ລະບົບຖືກອອກແບບໃຫ້ເລີ່ມຕົ້ນດ້ວຍຂໍ້ມູນ 3 ເດືອນກ່ອນ, ແລ້ວຄວາມຖືກຕ້ອງຈະດີຂຶ້ນເລື້ອຍໆເມື່ອຂໍ້ມູນສະສົມຫຼາຍຂຶ້ນ.

Odoo ແລະ ERP ຫຼັກໆ ອື່ນໆ ສາມາດດຶງຂໍ້ມູນລາຍງານການຂາຍ ແລະ ຂໍ້ມູນສາງສິນຄ້າຜ່ານ API ໄດ້. pipeline ການພະຍາກອນສາມາດດຶງຂໍ້ມູນຍອດຂາຍລາຍເດືອນ ແລະ ສາງສິນຄ້າປັດຈຸບັນຈາກ ERP ໂດຍອັດຕະໂນມັດ, ແລ້ວສົ່ງຈຳນວນທີ່ແນະນຳໃຫ້ສັ່ງຊື້ກັບຄືນໄປຍັງ module ການຈັດຊື້ຂອງ ERP ໄດ້. ໃນກໍລະນີທີ່ບໍ່ໄດ້ໃຊ້ ERP, ກໍ່ສາມາດດຳເນີນງານໄດ້ດ້ວຍການນຳເຂົ້າ ແລະ ສົ່ງອອກໄຟລ໌ CSV.

LLM enrichment ມີບົດບາດເປັນຕົວຊ່ວຍເສີມ, ດັ່ງນັ້ນຄ່າໃຊ້ຈ່າຍຈຶ່ງຕໍ່າຫຼາຍ. ເຖິງແມ່ນວ່າຈະໃຊ້ LLM ວິເຄາະການພະຍາກອນລາຍເດືອນຂອງ 100 ສິນຄ້າ, ຄ່າໃຊ້ API ກໍພຽງແຕ່ສອງສາມໂດລາເທົ່ານັ້ນ. ການຄຳນວນ WMA ສາມາດດຳເນີນການໄດ້ເທິງເຊີບເວີທົ່ວໄປ ໂດຍບໍ່ຈຳເປັນຕ້ອງໃຊ້ GPU. ໃນຂັ້ນຕອນເລີ່ມຕົ້ນ, ສາມາດໃຊ້ງານ WMA ພຽງຢ່າງດຽວໂດຍບໍ່ມີ LLM ກ່ອນ, ແລ້ວຈຶ່ງເພີ່ມ LLM ເຂົ້າມາໃນຂັ້ນຕອນທີ່ຕ້ອງການປັບປຸງຄວາມຖືກຕ້ອງ ຊຶ່ງເປັນວິທີການເຂົ້າຫາແບບເປັນຂັ້ນເປັນຕອນທີ່ເປັນໄປໄດ້.

ການຂາດຂໍ້ມູນ, ການຂາດແຄນບຸກຄະລາກອນດ້ານ IT, ແລະໂຄງສ້າງພື້ນຖານທີ່ຍັງບໍ່ທັນພ້ອມ ທີ່ວິສາຫະກິດລາວກຳລັງປະເຊີນຢູ່ນັ້ນ — ສິ່ງເຫຼົ່ານີ້ບໍ່ແມ່ນ "ເຫດຜົນທີ່ບໍ່ສາມາດໃຊ້ AI ຂັ້ນສູງໄດ້" ຫາກແຕ່ເປັນ "ເຫດຜົນທີ່ວ່າເປັນຫຍັງວິທີການທີ່ເຂົ້າໃຈງ່າຍ ແລະ ໜັກແໜ້ນຈຶ່ງເໝາະສົມທີ່ສຸດ".

ດ້ວຍວິທີການ hybrid ທີ່ຜະສົມລະຫວ່າງ weighted moving average ແລະ LLM enrichment, ທ່ານສາມາດເລີ່ມຕົ້ນໄດ້ຕັ້ງແຕ່ວັນນີ້ ດ້ວຍຂໍ້ມູນການຂາຍ 3 ເດືອນ ແລະ Excel ພຽງເທົ່ານັ້ນ. ບໍ່ຈຳເປັນຕ້ອງຄອບຄຸມທຸກສິນຄ້າໃນທັນທີ. ໃຫ້ເລີ່ມຈາກການພະຍາກອນຄວາມຕ້ອງການຂອງ 20 ລາຍການສິນຄ້າທີ່ຂາຍດີທີ່ສຸດກ່ອນ, ຈາກນັ້ນປັບປຸງຄວາມຖືກຕ້ອງໂດຍຜ່ານການທົບທວນລາຍອາທິດ, ແລ້ວຄ່ອຍໆຂະຫຍາຍຜົນສຳເລັດໄປທົ່ວທັງອົງກອນ.

ການເພີ່ມປະສິດທິພາບ supply chain ບໍ່ແມ່ນສິ່ງທີ່ສຳເລັດໄດ້ດ້ວຍການລົງທຶນຂະໜາດໃຫຍ່ພຽງຄັ້ງດຽວ. ການເລີ່ມຕົ້ນຈາກການພະຍາກອນຂະໜາດນ້ອຍ ແລະ ການສ້າງວັດທະນະທຳການຕັດສິນໃຈໂດຍອີງໃສ່ຂໍ້ມູນ ຈະເປັນກ້າວທຳອິດທີ່ປ່ຽນແປງຄວາມສາມາດໃນການແຂ່ງຂັນຂອງວິສາຫະກິດລາວຢ່າງເປັນຮາກຖານ.

ບໍລິສັດຂອງພວກເຮົາສະໜອງ solution ການພະຍາກອນຄວາມຕ້ອງການ ເພື່ອຊ່ວຍສະໜັບສະໜູນການເພີ່ມປະສິດທິພາບ supply chain ຂອງວິສາຫະກິດລາວ. ພວກເຮົາສາມາດໃຫ້ການສະໜັບສະໜູນຢ່າງຕໍ່ເນື່ອງ ຕັ້ງແຕ່ການເຊື່ອມຕໍ່ກັບ ERP ທີ່ມີຢູ່ແລ້ວ ຈົນເຖິງການຮັບປະກັນການນຳໃຊ້ງານໄດ້ຕົວຈິງຫຼັງການຕິດຕັ້ງ. ພວກເຮົາຢາກຮັບຟັງກ່ຽວກັບສິ່ງທ້າທາຍໃນປະຈຸບັນຂອງທ່ານກ່ອນເປັນອັນດັບທຳອິດ.