คาดการณ์ & ป้องกันการสูญเสีย
F. คาดการณ์ & ป้องกันการสูญเสีย

📊 การทำนายยอดขายSales Forecasting

เมื่อทีมพูดว่า “ทีมขายบอกว่าเดือนนี้ปิดได้แน่ แต่สิ้นเดือนยอดหายไปครึ่ง ส่วนออนไลน์ช่วง 11.11 ของหมดเกลี้ยง แต่หลังจากนั้นสต๊อกค้างเต็มโกดัง”

Sales Forecasting คือการประมาณยอดขายในอนาคตจากข้อมูล ไม่ใช่จากความรู้สึก เพื่อวางแผนสต๊อก คน งบการตลาด และเป้าหมาย ปี 2026 โจทย์ยากขึ้นเพราะยอดออนไลน์พุ่งเป็นช่วงตามเมกะเซลและไลฟ์ ค่าธรรมเนียมแพลตฟอร์มขึ้นหลายรอบ แต่ก็มีเครื่องมือพยากรณ์สำเร็จรูปที่ใช้ง่ายขึ้นมาก

ปรับปรุงล่าสุด ต.ค. 2026

เติมช่องว่างใน prompt อัตโนมัติกรอกข้อมูลธุรกิจครั้งเดียว ใช้ได้ทุก prompt

ข้อมูลเก็บไว้ในเบราว์เซอร์นี้เท่านั้น ไม่ได้ส่งไปที่ใด ช่องว่างที่ตรงกับข้อมูลนี้จะถูกเติมให้ทุก prompt ส่วนช่องอื่นกด "เติมช่องว่าง" ที่ prompt นั้น

Q1Forecast กับ Target กับ Pipeline ต่างกันยังไง ทำไมทีมถึงสับสน

Forecast คือยอดที่น่าจะเกิดจริง ไม่ใช่ยอดที่อยากได้ ทีมมักสับสนเพราะใช้สามคำปนกัน

  • Pipeline: ดีลที่เปิดอยู่ทุกขั้น รวมดีลที่เพิ่งคุยครั้งแรก
  • Target: ตัวเลขที่บริษัทอยากได้ ตั้งจากแผนธุรกิจ
  • Forecast: ยอดที่ปิดแล้ว บวกดีลที่คาดว่าจะปิดในงวดนั้น

Salesforce Trailhead อธิบายว่า forecast ต่างจาก pipeline ตรงที่มี "ช่วงเวลา" และ "โอกาสปิด" กำกับ

ปัญหานี้เกิดบ่อยจริง แบบสำรวจที่ Gong (ผู้ขายระบบ Revenue Intelligence) จ้าง Censuswide ทำ (ม.ค. 2024, บริษัทในสหรัฐฯ และสหราชอาณาจักร 2,015 ราย) พบว่า 81% พลาด forecast อย่างน้อยหนึ่งไตรมาสในช่วง 2021–2023 ตัวเลขนี้เป็นข้อมูลผู้ขาย และไม่ใช่ข้อมูลไทย แต่สะท้อนว่าปัญหามักเริ่มจากนิยามและข้อมูล ไม่ใช่โมเดล

Prompt ต่อยอด
ช่วยร่างนิยามและเกณฑ์ของคำว่า Pipeline, Forecast และ Target สำหรับทีมขาย [ประเภทธุรกิจ] ที่มีรอบขาย [X วัน] และ forecast ราย [เดือน/ไตรมาส] ทำเป็นตาราง พร้อมตัวอย่างประโยคที่ควรพูดและไม่ควรพูดในประชุม
Q2ควรพยากรณ์จาก Pipeline หรือจากยอดขายย้อนหลัง (Time-series)

ขึ้นกับลักษณะธุรกิจ และหลายครั้งควรใช้ทั้งสองแบบเทียบกัน

  • Pipeline-based: เหมาะเมื่อดีลน้อย มูลค่าสูง รอบขายยาว เช่น ขายระบบให้โรงงาน ขายประกันกลุ่ม จุดอ่อนคือพึ่งความเห็นพนักงานขาย และข้อมูลใน CRM ที่ไม่อัปเดต
  • Time-series: เหมาะเมื่อมีออร์เดอร์จำนวนมากและรูปแบบซ้ำ เช่น ร้านค้าปลีก ร้านอาหาร ร้านบน Shopee จุดอ่อนคือไม่รู้เหตุการณ์ใหม่ เช่น คู่แข่งลดราคา หรือแคมเปญที่ไม่เคยทำ

แนวทางที่ใช้ได้จริง:

  • ใช้ time-series เป็น baseline
  • ใช้ pipeline หรือความเห็นทีมขายเป็นตัว ปรับ และบันทึกว่าปรับเพราะอะไร
  • วัดย้อนหลังว่าการปรับของคนทำให้แม่นขึ้นหรือแย่ลง ถ้าแย่ลงต่อเนื่อง ให้ลดน้ำหนักความเห็น
Prompt ต่อยอด
ธุรกิจของฉันคือ [ประเภทธุรกิจ] มีดีลหรือออร์เดอร์เฉลี่ย [จำนวน] ต่อเดือน มูลค่าเฉลี่ย [บาท] รอบขาย [วัน] มีข้อมูลย้อนหลัง [N เดือน] และขายผ่าน [ช่องทาง] ช่วยประเมินว่าควรใช้ Pipeline-based, Time-series หรือผสม ตอบเป็นตารางเหตุผล แล้วเสนอโครง forecast ที่แนะนำ
Q3Forecast Category อย่าง Commit / Best Case ใช้ยังไงให้พนักงานขายไม่มโน

ผูกแต่ละหมวดกับหลักฐานที่ตรวจได้ ไม่ใช่ความมั่นใจของคน

หมวดที่ใช้กันทั่วไปในระบบ CRM อย่าง Salesforce และ HubSpot:

  • Pipeline: ดีลช่วงต้น
  • Best Case: มีโอกาส แต่ยังไม่แน่
  • Commit: มั่นใจสูงว่าปิดได้ในงวดนี้
  • Closed: ปิดแล้ว
  • Omitted: ตัดออกจาก forecast

ปัญหาคือแต่ละคนตีความ "Commit" ไม่เหมือนกัน Salesforce Trailhead แนะนำให้ตั้งเกณฑ์ เช่น ผ่านการอนุมัติภายในแล้ว และตกลงราคากันแล้ว จึงนับเป็น Commit

จากนั้นวัด Commit Accuracy ของแต่ละคนย้อนหลัง ถ้าใคร commit แล้วปิดได้จริงแค่ 60% ผู้จัดการก็ปรับน้ำหนักได้อย่างมีเหตุผล แทนการเถียงกันในห้องประชุม

Prompt ต่อยอด
ช่วยเขียนเกณฑ์หลักฐาน (exit criteria) ของ Forecast Category แต่ละหมวด Pipeline/Best Case/Commit/Omitted สำหรับธุรกิจ [ประเภทธุรกิจ] ที่ขายผ่าน [ช่องทาง] ทำเป็นตาราง พร้อมคำถามที่ผู้จัดการใช้ตรวจดีลใน forecast call และสูตรวัด Commit Accuracy รายคน
Q4Weighted Pipeline ใช้โอกาสปิดตาม stage ที่ CRM ตั้งมาให้ได้ไหม

ไม่ควรใช้ค่าที่ระบบตั้งมาไปตลอด โอกาสปิดของแต่ละขั้นควรมาจากสถิติของบริษัทเอง คือ ดีลที่ปิดชนะ ÷ ดีลทั้งหมดที่เคยผ่านขั้นนั้น แล้วทบทวนทุกไตรมาส

Weighted Pipeline = ผลรวมของ (มูลค่าดีล × โอกาสปิดของขั้น) ของทุกดีลที่คาดว่าจะปิดในงวด HubSpot แสดงตัวเลขนี้ให้เมื่อตั้งค่าให้ถ่วงน้ำหนักมูลค่าดีล

ข้อควรระวัง:

  • ดีลที่ค้างในขั้นเดิมนานกว่าปกติ มักมีโอกาสปิดต่ำกว่าที่ค่าขั้นบอก ควรลดน้ำหนักหรือแยกรายงาน
  • โอกาสปิดอาจต่างกันตามขนาดดีล ช่องทาง หรือพนักงานขาย ถ้าข้อมูลพอให้แยกตาราง
  • ถ้ามีดีลใหญ่ไม่กี่ดีล ตัวเลขจะแกว่งแรง ควรรายงานเป็นช่วง ต่ำ/กลาง/สูง
Prompt ต่อยอด
ฉันแนบไฟล์ดีลย้อนหลัง [ชื่อไฟล์] ที่มีคอลัมน์ ขั้นที่ผ่าน ผลชนะ/แพ้ มูลค่า และวันที่ ของธุรกิจ [ประเภทธุรกิจ] ช่วยคำนวณโอกาสปิดตามขั้นเป็นตาราง เสนอวิธีลดน้ำหนักดีลที่ค้างเกิน [X วัน] และวิธีรายงาน forecast เป็นช่วงต่ำ/กลาง/สูง
Q5โมเดล Time-series มีแบบไหนบ้าง ต้องใช้ ARIMA หรือ Deep Learning ไหม

ไม่จำเป็นต้องเริ่มจากโมเดลยาก เรียงจากง่ายไปซับซ้อน:

  • Moving Average: เฉลี่ยยอดช่วงหลัง เข้าใจง่าย แต่ตามฤดูกาลไม่ทัน
  • Exponential Smoothing (ETS): จับแนวโน้มและฤดูกาลได้ เป็นตัวตั้งต้นที่ดีมาก
  • ARIMA: โมเดลสถิติคลาสสิก เหมาะกับยอดชุดเดียวที่ค่อนข้างนิ่ง
  • Prophet: ใส่วันหยุดและจุดเปลี่ยนแนวโน้มได้ง่าย
  • LightGBM/XGBoost: เหมาะเมื่อมีหลายสาขาหลายสินค้า และมีตัวแปรภายนอก เช่น ราคา โปร วันเงินเดือนออก
  • Deep Learning และ Foundation Model: เหมาะกับยอดหลายพันชุดที่หน้าตาคล้ายกัน ปี 2026 เริ่มมีในเครื่องมือสำเร็จรูปแล้ว

หลักสำคัญคือ ต้องมีตัวเทียบง่าย ๆ เสมอ เช่น ใช้ยอดสัปดาห์เดียวกันของปีก่อน (seasonal naive) ถ้าโมเดลซับซ้อนชนะตัวเทียบไม่ชัด ก็ไม่คุ้มที่จะดูแล

Prompt ต่อยอด
ช่วยวางแผนทดลองเปรียบเทียบโมเดลพยากรณ์ยอดขายราย [วัน/สัปดาห์] ของ [ประเภทธุรกิจ] ที่มี [จำนวนสาขา/SKU] และข้อมูลย้อนหลัง [N เดือน] เริ่มจาก seasonal naive, ETS, ARIMA และ LightGBM ระบุตัวแปรที่ควรใส่ วิธี backtest แบบเลื่อนจุดเริ่ม (rolling origin) และเกณฑ์ตัดสิน ทำเป็นตาราง
Q6ปี 2026 มีเครื่องมือพยากรณ์สำเร็จรูปอะไรบ้าง ต้องเขียนโมเดลเองไหม

ไม่ต้องเขียนเองทั้งหมดแล้ว แต่ต้องรู้สถานะของแต่ละเครื่องมือ

  • CRM: HubSpot (Sales Hub Professional ขึ้นไป) และ Salesforce มีหน้า forecast ตามขั้นดีลหรือ Forecast Category ให้ใช้ทันที
  • Databricks ai_forecast: ฟังก์ชัน SQL พยากรณ์ได้ทีละหลายสาขาหรือหลายสินค้า เวอร์ชัน 1 เป็น Public Preview และยังเป็นค่าตั้งต้น เวอร์ชัน 2 (แนะนำ) ยังเป็น Beta ใช้ Foundation Model รองรับวันหยุด ตัวแปรร่วม เช่น แผนโปร และบังคับไม่ให้ติดลบได้ (ข้อมูล ก.ย. 2026)
  • Databricks Serverless Forecasting: หน้าจอ AutoML สำหรับพยากรณ์ เลือก Prophet, Auto-ARIMA หรือ DeepAR ให้อัตโนมัติ ยังเป็น Public Preview
  • AutoML แบบเดิม: ไม่ได้ติดตั้งมาใน Databricks Runtime 18.0 ML ขึ้นไปแล้ว

เครื่องมือพวกนี้ช่วยให้ได้ตัวเลขเร็ว แต่ ไม่ได้แก้เรื่องข้อมูลไม่ครบ เช่น ไม่มีปฏิทินเมกะเซล หรือไม่มีแผนโปรล่วงหน้า และยังต้อง backtest เทียบกับตัวเทียบง่าย ๆ เสมอ

Prompt ต่อยอด
ทีมของฉันใช้ [CRM ที่ใช้] และ [Azure Databricks/แพลตฟอร์มข้อมูลที่ใช้] ต้องพยากรณ์ยอดขายราย [วัน/สัปดาห์] ของ [จำนวน] สาขา/SKU ช่วยเปรียบเทียบทางเลือก: forecast ใน CRM, ฟังก์ชัน SQL สำเร็จรูป, AutoML แบบ serverless และเขียนโมเดลเอง ในมิติ ความเร็ว ความแม่น การควบคุม สถานะ preview/GA ที่ต้องตรวจ และต้นทุนดูแล ทำเป็นตาราง แล้วแนะนำลำดับการลอง
Q7ขายผ่าน Shopee, TikTok Shop มีเมกะเซลและไลฟ์ ยอดพุ่งเป็นช่วง ๆ จะพยากรณ์ยังไง

แยกพยากรณ์เป็น "ยอดวันปกติ" กับ "ยอดจากเหตุการณ์" แล้วค่อยรวมกัน ถ้าใช้โมเดลเฉลี่ยธรรมดา ยอดพุ่งจะถูกมองว่าผิดปกติ หรือดึงค่าเฉลี่ยวันปกติให้สูงเกินจริง

สิ่งที่ต้องใส่ในโมเดล:

  • ปฏิทินเหตุการณ์: 9.9, 10.10, 11.11, 12.12, Payday sale และวันที่มีไลฟ์ใหญ่
  • ความแรงของโปร: ส่วนลด โค้ด ค่าส่งฟรี และงบโฆษณาที่วางแผนไว้
  • ยอดตกก่อนและหลังงาน: ลูกค้ามักรอซื้อวันงาน และซื้อน้อยลงหลังงาน
  • ระดับรายชั่วโมง สำหรับวันงาน TikTok Shop รายงานว่ายอดไลฟ์ชั่วโมงแรกของ 12.12 สูงกว่าปกติ 3.8 เท่า (ข้อมูลผู้ขาย ปี 2024)

รายงานเป็น ช่วงต่ำ–สูง แทนตัวเลขเดียว และวัดความแม่นยำของวันงานแยกจากวันปกติ อีกเรื่องที่ต้องคิดคือค่าธรรมเนียม ปี 2026 Shopee ขึ้นค่าธรรมเนียมผู้ขายเป็นรอบที่สาม (สูงสุด 19.26% สำหรับ Mall) จึงควรพยากรณ์ "ยอดสุทธิหลังค่าธรรมเนียม" คู่กับยอดขาย

Prompt ต่อยอด
ฉันแนบไฟล์ยอดขายรายวัน [ชื่อไฟล์] ของร้าน [ชื่อร้าน] บน [Shopee/TikTok Shop/Lazada] ย้อนหลัง [N เดือน] พร้อมปฏิทินแคมเปญและวันไลฟ์ ช่วยแยกยอดวันปกติกับยอดจากเหตุการณ์ ประมาณ uplift ของแต่ละแคมเปญ และพยากรณ์ [แคมเปญถัดไป] เป็นช่วงต่ำ/กลาง/สูง ทั้งยอดขายและยอดสุทธิหลังค่าธรรมเนียม [X%] ทำเป็นตาราง และบอกข้อจำกัดของข้อมูล
Q8วัดความแม่นยำของ Forecast ยังไง MAPE เท่าไรถึงถือว่าดี

ไม่มี MAPE ที่ "ดี" ตัวเดียวสำหรับทุกธุรกิจ ให้เทียบกับตัวเทียบง่าย ๆ ของตัวเอง

MAPE คือค่าเฉลี่ยของ |ค่าจริง − ค่าพยากรณ์| ÷ ค่าจริง × 100 ข้อดีคือเทียบข้ามสินค้าได้ แต่ตำรา Forecasting: Principles and Practice (Hyndman & Athanasopoulos) ชี้ข้อเสีย:

  • หาค่าไม่ได้เมื่อยอดจริงเป็นศูนย์
  • ค่าระเบิดเมื่อยอดจริงใกล้ศูนย์ เช่น สินค้าขายช้า
  • ลงโทษการพยากรณ์ต่ำกับสูงไม่เท่ากัน

จึงควรดูคู่กับ:

  • MAE: พลาดเฉลี่ยกี่บาทหรือกี่ชิ้น
  • MASE: ต่ำกว่า 1 แปลว่าดีกว่าการเดาแบบง่าย
  • Bias: พยากรณ์สูงหรือต่ำเกินอย่างเป็นระบบไหม

ความแม่นยำยังขึ้นกับระดับข้อมูล (ยอดรวมบริษัทแม่นกว่าราย SKU เสมอ) และระยะพยากรณ์ ตำราแนะนำให้กันข้อมูลทดสอบไว้ราว 20% และอย่างน้อยยาวเท่าระยะที่จะพยากรณ์

Prompt ต่อยอด
ฉันแนบไฟล์ค่าจริงกับค่าพยากรณ์รายเดือน [ชื่อไฟล์] ของ [สินค้า/สาขา] ช่วยคำนวณ MAPE, MAE, MASE (เทียบ seasonal naive) และ Bias เป็นตาราง แยกช่วงปกติกับช่วงเมกะเซล แล้วสรุปว่าปัญหาหลักคือพลาดแบบสุ่ม หรือพลาดไปทางเดียวกัน และควรแก้ที่อะไร
Q9ควรอัปเดตและทบทวน Forecast บ่อยแค่ไหน

ใช้สามรอบซ้อนกัน แล้วปรับตามจังหวะธุรกิจ

  • รายสัปดาห์: ประชุม forecast ของทีมขาย ดูดีลที่เลื่อน เพิ่ม หรือหลุดจาก Commit และช่องว่างต่อเป้า
  • รายเดือน: ดูคุณภาพข้อมูล อัตราผ่านแต่ละขั้น และความแม่นยำของเดือนก่อน
  • รายไตรมาส: ปรับสมมติฐาน โอกาสปิด และแผนงบ

สำคัญกว่าความถี่คือ วินัยก่อนประชุม:

  • พนักงานขายอัปเดตขั้นดีลและวันปิดก่อนประชุม
  • ผู้จัดการตรวจดีลใหญ่ล่วงหน้า
  • ระบบเก็บ snapshot ของ pipeline ทุกสัปดาห์ เพื่อย้อนดูได้ว่าตัวเลขเปลี่ยนเพราะดีลไหน

ร้านค้าปลีกและร้านออนไลน์ควรให้ระบบรัน forecast ใหม่อัตโนมัติทุกวันหรือทุกสัปดาห์ แล้วให้คนดูเฉพาะจุดที่เบี่ยงเกินเกณฑ์ ช่วงก่อนเมกะเซลอาจต้องรันถี่ขึ้น

Prompt ต่อยอด
ออกแบบรอบการทบทวน Forecast สำหรับทีมขาย [ประเภทธุรกิจ] ที่มีพนักงานขาย [จำนวน] คน รอบขาย [วัน] และขายออนไลน์ผ่าน [ช่องทาง] ระบุวาระประชุมรายสัปดาห์/เดือน/ไตรมาส งานก่อนประชุม ข้อมูลที่ต้องเตรียม ผู้รับผิดชอบ และรอบพิเศษช่วงเมกะเซล ทำเป็นตาราง
Q10ยอดขายจริงต่ำกว่า Forecast ควรวิเคราะห์และแก้ยังไง

แยกก่อนว่าเป็นปัญหาของตัวพยากรณ์ หรือปัญหาของการขาย เพราะแก้ต่างกัน

  1. ดู Bias ย้อนหลัง ถ้าพยากรณ์สูงเกินจริงหลายเดือนติด แปลว่าสมมติฐานผิด ต้องแก้โมเดล ไม่ใช่กดดันทีม
  2. หาว่ายอดหายจากตรงไหน: ดีลเลื่อน ดีลแพ้ ดีลเล็กลง หรือไม่มีดีลใหม่เข้ามา
  3. ดูปัจจัยภายนอก: คู่แข่งลดราคา ฝนตกหนัก วันหยุดยาว ค่าธรรมเนียมหรือกติกาโฆษณาของแพลตฟอร์มเปลี่ยน
  4. ลงมือ: เร่งดีลใกล้ปิด จัดโปรเฉพาะกลุ่มที่อ่อน ปรับแผนสต๊อกและกำลังคนทันที
  5. จดสาเหตุลง decision log เพื่อให้รอบหน้าทั้งคนและโมเดลเรียนรู้

ข้อควรระวัง: การตั้ง forecast ต่ำไว้ก่อนเพื่อจะได้ "ทำเกินเป้า" (sandbagging) ทำลายประโยชน์ของ forecast พอ ๆ กับการมองโลกสวยเกินไป

Prompt ต่อยอด
เดือน [เดือน] ยอดขายจริง [บาท] ต่ำกว่า forecast [บาท] ฉันแนบข้อมูลประกอบ [ดีลที่เลื่อน/แพ้, ยอดตามสาขาหรือช่องทาง, เหตุการณ์ภายนอก] ช่วยแยกว่าช่องว่างมาจากอะไรเป็นสัดส่วนเท่าไร เป็นปัญหาตัวพยากรณ์หรือปัญหาการขาย และเสนอแผนแก้ 30 วันพร้อม KPI ทำเป็นตาราง
Q11AI/LLM ช่วยเรื่อง Forecast ได้ตรงไหน

ให้โมเดลพยากรณ์คำนวณตัวเลข แล้วให้ LLM ช่วยอ่าน เขียน และตั้งคำถาม

  • ตรวจสุขภาพดีล: อ่านบันทึกการคุยและอีเมลของดีลใน Commit แล้วชี้สัญญาณเสี่ยง เช่น ไม่ได้ติดต่อ 3 สัปดาห์ ผู้ตัดสินใจไม่เคยเข้าประชุม
  • เขียนสรุปผู้บริหาร: แปลงตาราง forecast เทียบเป้าเป็นสรุปสั้น พร้อมเหตุผลที่ตัวเลขเปลี่ยน
  • คิดสถานการณ์: กรณีดี/กลาง/แย่ และผลต่อสต๊อกกับงบ
  • ช่วยทีมข้อมูล: ร่างโค้ด backtest หรือ SQL เรียกฟังก์ชันพยากรณ์ ให้คนตรวจต่อ

Gong (ผู้ขายระบบ) อ้างว่าโมเดล AI ของตัวเองแม่นกว่าการพยากรณ์จากข้อมูล CRM อย่างเดียว 20% เป็นตัวเลขผู้ขาย ต้องทดสอบกับข้อมูลของเราเอง

ข้อจำกัด: อย่าให้ LLM แชตคำนวณ forecast จากตัวเลขดิบเอง เพราะอาจคำนวณผิดและ backtest ไม่ได้ และอย่าวางข้อมูลลูกค้าที่ระบุตัวตนได้ลง AI สาธารณะ

Prompt ต่อยอด
ฉันแนบไฟล์ดีลในหมวด Commit ของเดือนนี้ [ชื่อไฟล์] พร้อมบันทึกกิจกรรมล่าสุด (ปกปิดชื่อลูกค้าแล้ว) ช่วยให้คะแนนความเสี่ยงแต่ละดีล สูง/กลาง/ต่ำ พร้อมเหตุผลจากหลักฐานในบันทึก และคำถามที่ผู้จัดการควรถามใน forecast call ทำเป็นตาราง ถ้าพบข้อมูลส่วนบุคคลหลุดมาให้แจ้งเตือน
Q12ธุรกิจใหม่หรือร้านค้าปลีกที่ไม่มี Pipeline จะพยากรณ์ยังไง

ใช้สูตรจากตัวขับยอดขาย (driver-based) แทน

  • ร้านอาหาร: จำนวนลูกค้า × ยอดต่อหัว บทความ Wongnai for Business แนะนำให้ประมาณลูกค้าจากจำนวนที่นั่ง × รอบหมุนโต๊ะ (เช่น มื้อค่ำวันคนเยอะราว 2 เท่าของที่นั่ง มื้อกลางวันราว 1 เท่า) และแยกยอด delivery กับกลับบ้านออกมา
  • ร้านออนไลน์: จำนวนคนเข้าร้าน × อัตราซื้อ × ยอดต่อออร์เดอร์ แยกตามแพลตฟอร์มและแยกวันไลฟ์
  • ฟิตเนสหรือคลินิก: สมาชิกเดิม × อัตราต่ออายุ + สมาชิกใหม่ต่อเดือน

ถ้าไม่มีข้อมูลเลย ให้เริ่มจากประสบการณ์และการสำรวจคู่แข่งในทำเลเดียวกัน แล้ว ปรับทุกเดือน ด้วยยอดจริง อย่าตั้งตัวเลขเข้าข้างตัวเอง เมื่อมีข้อมูล 3–6 เดือนจึงขยับไปใช้ Moving Average หรือ ETS และเมื่อครบปีจึงจับฤดูกาลได้

Prompt ต่อยอด
ช่วยสร้างโมเดลพยากรณ์ยอดขายแบบ driver-based สำหรับ [ประเภทธุรกิจ เช่น ร้านอาหาร 40 ที่นั่ง หรือร้านใหม่บน TikTok Shop] ในทำเล/ช่องทาง [รายละเอียด] ระบุตัวขับ สมมติฐานแต่ละตัว และตารางพยากรณ์รายเดือน 6 เดือน กรณีต่ำ/กลาง/สูง
Q13จะใส่ผลของโปรโมชัน ฤดูกาล และวันหยุดไทยเข้าไปใน Forecast ยังไง

ทำปฏิทินเหตุการณ์และประวัติโปรเป็นตาราง แล้วป้อนเป็นตัวแปรภายนอกของโมเดล

  • ปฏิทินเหตุการณ์: วันหยุดไทย ตรุษจีน สงกรานต์ ปีใหม่ วันเงินเดือนออก และ Double-day ของมาร์เก็ตเพลส
  • ประวัติโปร: สินค้าไหน สาขาไหน ลดเท่าไร ช่วงไหน เพื่อให้โมเดลเรียนรู้ยอดเพิ่มและยอดตกหลังโปร
  • ฤดูกาล: ใช้โมเดลที่จับได้ทั้งรายสัปดาห์และรายปี ร้านอาหารและเครื่องดื่มอาจใส่ฤดูฝนหรืออากาศด้วย
  • แผนในอนาคต: ทีมการตลาดต้องลงแผนโปรและไลฟ์ล่วงหน้าก่อนรัน forecast

สำหรับทีมที่ใช้ ai_forecast เวอร์ชัน 2 ของ Databricks ฟังก์ชันรองรับรหัสภูมิภาควันหยุดและตัวแปรร่วมที่รู้ล่วงหน้า เช่น แผนโปร (ตัวอย่างในเอกสารใช้รหัส US) ต้องทดสอบเองว่ารหัสไทยใช้ได้หรือไม่ และ Double-day ไม่ใช่วันหยุดราชการ จึงควรใส่เป็นตัวแปรร่วมเองเสมอ เมื่อ backtest ให้วัดช่วงปกติกับช่วงเทศกาลแยกกัน

Prompt ต่อยอด
ช่วยออกแบบตาราง event calendar และ promotion history สำหรับโมเดลพยากรณ์ยอดขายราย [วัน/สัปดาห์] ของ [ประเภทธุรกิจ] ในไทย ที่ขายผ่าน [หน้าร้าน/Shopee/TikTok Shop/LINE] ระบุคอลัมน์ ตัวอย่างข้อมูล 1 ปี รวม Double-day และวันไลฟ์ และวิธีเข้ารหัสสำหรับ [ETS/Prophet/LightGBM/ai_forecast] ทำเป็นตาราง