การทำนายยอดขาย (Sales Forecasting)

อะไรเปลี่ยนไปในปี 2025–2026

สิ่งที่เปลี่ยนในโลกจริง และทีม CRM ควรทำอะไรต่างจากเดิม

AI
เครื่องมือพยากรณ์สำเร็จรูปใช้ง่ายขึ้น แต่หลายตัวยังเป็น Preview
ณ ก.ย. 2026 ฟังก์ชัน ai_forecast ของ Databricks มีเวอร์ชัน 2 (Beta) ที่ใช้ foundation model รองรับวันหยุดและตัวแปรร่วม เช่น แผนโปร ส่วนเวอร์ชัน 1 (Public Preview) กำลังจะเลิกใช้ Serverless forecasting ยังเป็น Public Preview และ AutoML ไม่ได้ติดตั้งมาใน Databricks Runtime 18.0 ML แล้ว ทีมควรระบุเวอร์ชันให้ชัด backtest เทียบตัวเทียบง่าย ๆ และมีแผนสำรองเมื่อฟีเจอร์ preview เปลี่ยน
ที่มา: learn.microsoft.com,learn.microsoft.com,learn.microsoft.com
Live Commerce
ยอดจากไลฟ์และวิดีโอพุ่งเป็นช่วง ต้องพยากรณ์รายชั่วโมง
e-Conomy SEA 2025 ประเมินว่าการขายผ่านวิดีโอคิดเป็นราว 25% ของ GMV อีคอมเมิร์ซในอาเซียน และ TikTok Shop รายงานว่ายอดไลฟ์ชั่วโมงแรกของ 12.12 สูงกว่าปกติ 3.8 เท่า (ข้อมูลผู้ขาย ปี 2024) ทีมควรแยก baseline กับ uplift ของแคมเปญ พยากรณ์รายชั่วโมงในวันงาน และวางแผนสต๊อกกับคนแพ็กของจากช่วงสูงสุด ไม่ใช่ค่าเฉลี่ย
ที่มา: bain.com,bangkokbiznews.com
Marketplace
ค่าธรรมเนียมแพลตฟอร์มขึ้นหลายรอบ ต้องพยากรณ์ยอดสุทธิ
ปี 2026 Shopee ขึ้นค่าธรรมเนียมผู้ขายเป็นรอบที่สาม (4 ส.ค. 2026) สูงสุด 19.26% สำหรับ Mall Lazada ปรับค่าบริการตั้งแต่ 1 ส.ค. 2026 และ TikTok Shop ขึ้นค่าคอมมิชชันสูงสุด 9.63% (6 พ.ค. 2026) ยอดขายเท่าเดิมจึงเหลือเงินน้อยลง ควรพยากรณ์ยอดสุทธิหลังค่าธรรมเนียมคู่กับยอดขาย และเก็บอัตราค่าธรรมเนียมเป็นตารางตามช่วงเวลา
ที่มา: brandinside.asia,flowaccount.com,marketthink.co
Social Media
โฆษณา TikTok Shop ให้ AI คุมเอง ยอดจากโฆษณาคาดยากขึ้น
ตั้งแต่ ก.ค. 2025 GMV Max เป็นแคมเปญประเภทเดียวที่ใช้กับโฆษณา TikTok Shop ได้ แบรนด์ปรับเองได้น้อยลง ยอดจากโฆษณาจึงขึ้นกับงบและเป้า ROI ที่ตั้งมากกว่ารายละเอียดการยิงแอด ควรใส่งบโฆษณาที่วางแผนไว้เป็นตัวแปรในโมเดล และติดตามว่ายอดจริงตอบสนองต่องบเปลี่ยนไปหรือไม่
ที่มา: ads.tiktok.com
AI
AI ในระบบขายช่วยตรวจดีล แต่ตัวเลขแม่นยำต้องพิสูจน์เอง
แบบสำรวจที่ Gong จ้างทำ (ม.ค. 2024) พบว่า 81% ของบริษัทพลาด forecast อย่างน้อยหนึ่งไตรมาส และ Gong อ้างว่าโมเดล AI ของตัวเองแม่นกว่าข้อมูล CRM อย่างเดียว 20% ซึ่งเป็นตัวเลขผู้ขาย ทีมควรใช้ AI ช่วยอ่านบันทึกดีลและเขียนสรุป แต่ให้โมเดลพยากรณ์ที่ backtest ได้เป็นตัวคำนวณ และวัดผลเทียบกับวิธีเดิมก่อนเปลี่ยน
ที่มา: gong.io

เรื่องนี้คืออะไร

การทำนายยอดขายที่แม่นยำช่วยให้ธุรกิจวางแผนการผลิต งบประมาณ และกลยุทธ์การตลาดได้อย่างมีประสิทธิภาพ หมวดหมู่นี้เน้นการใช้ข้อมูลและโมเดลพยากรณ์เพื่อเพิ่มความแม่นยำในการบริหารยอดขาย

ประโยชน์ที่ได้

เพิ่มความสามารถในการบริหารทรัพยากร (Resource Planning)
ลดความเสี่ยงจากการคาดการณ์ผิดพลาด
วางกลยุทธ์การตลาดและการขายเชิงรุกตามแนวโน้มที่คาดการณ์ได้

ศัพท์ที่ต้องรู้

Forecast, Target และ Pipeline: Pipeline คือดีลที่เปิดอยู่ทั้งหมด Target คือเป้าที่อยากได้ ส่วน Forecast คือยอดที่ "น่าจะเกิดจริง" ในช่วงเวลาหนึ่ง สามตัวเลขนี้ต่างกัน ห้ามใช้แทนกัน
Pipeline-based Forecast (Bottom-up): พยากรณ์จากดีลรายตัวใน CRM ถ่วงด้วยโอกาสปิดของแต่ละขั้น (stage) เหมาะกับงานขาย B2B ที่ดีลมูลค่าสูงและรอบขายยาว
Time-series Forecast: พยากรณ์จากรูปแบบยอดขายย้อนหลัง เช่น แนวโน้ม ฤดูกาล วันหยุด เหมาะกับร้านค้าปลีก ร้านอาหาร และร้านออนไลน์ที่มีออร์เดอร์จำนวนมาก
Baseline กับ Event Uplift: Baseline คือยอดในวันปกติ Event Uplift คือยอดที่เพิ่มขึ้นเพราะเหตุการณ์พิเศษ เช่น 11.11 ไลฟ์ใหญ่ หรือโปรลดแรง ควรพยากรณ์สองส่วนนี้แยกกันแล้วค่อยรวม
Forecast Category: หมวดความมั่นใจของดีล เช่น Pipeline, Best Case, Commit, Closed, Omitted ใช้เป็นภาษากลางในการประชุม และต้องมีหลักฐานกำกับ ไม่ใช่ความรู้สึก
Weighted Pipeline: มูลค่าดีล × โอกาสปิดของขั้นนั้น แล้วรวมทุกดีล โอกาสปิดควรมาจากสถิติของบริษัทเอง ไม่ใช่ค่าที่ระบบตั้งมาให้
MAPE, MASE และ Bias: MAPE คือพลาดเฉลี่ยกี่เปอร์เซ็นต์ MASE คือเก่งกว่าการเดาแบบง่ายแค่ไหน (ต่ำกว่า 1 = ดีกว่า) Bias คือพยากรณ์สูงหรือต่ำเกินอย่างเป็นระบบ ควรดูคู่กัน
Prediction Interval (ช่วงพยากรณ์): ช่วงต่ำ–สูงที่ยอดจริงน่าจะตกอยู่ เช่น 80% แทนการบอกตัวเลขเดียว ช่วยตัดสินใจเรื่องสต๊อกและ safety stock ได้ดีกว่า โดยเฉพาะช่วงเมกะเซล

ถาม-ตอบ

ไล่จากคำถามพื้นฐานไปถึงขั้นสูง ทุกข้อปิดท้ายด้วย Prompt ต่อยอดให้คัดลอกไปถาม AI ต่อ

เติมช่องว่างใน prompt อัตโนมัติกรอกข้อมูลธุรกิจครั้งเดียว ใช้ได้ทุก prompt

ประเภทธุรกิจชื่อธุรกิจหรือแบรนด์สินค้าหรือบริการหลักกลุ่มลูกค้าเป้าหมายช่องทางหรือแพลตฟอร์มหลักระบบ CRM หรือเครื่องมือที่ใช้

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

ดู Bias ย้อนหลัง ถ้าพยากรณ์สูงเกินจริงหลายเดือนติด แปลว่าสมมติฐานผิด ต้องแก้โมเดล ไม่ใช่กดดันทีม
หาว่ายอดหายจากตรงไหน: ดีลเลื่อน ดีลแพ้ ดีลเล็กลง หรือไม่มีดีลใหม่เข้ามา
ดูปัจจัยภายนอก: คู่แข่งลดราคา ฝนตกหนัก วันหยุดยาว ค่าธรรมเนียมหรือกติกาโฆษณาของแพลตฟอร์มเปลี่ยน
ลงมือ: เร่งดีลใกล้ปิด จัดโปรเฉพาะกลุ่มที่อ่อน ปรับแผนสต๊อกและกำลังคนทันที
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

KPI ที่ควรวัด

ตัวชี้วัด	สูตร	ค่าอ้างอิง	ทำไมต้องดู
Forecast Accuracy (1 − MAPE)	100% − ค่าเฉลี่ยของ \|ค่าจริง − ค่าพยากรณ์\| ÷ \|ค่าจริง\| × 100	ขึ้นกับอุตสาหกรรม ระดับข้อมูล และระยะพยากรณ์; เทียบกับ seasonal naive ของตัวเอง และแยกวันปกติกับวันเมกะเซล	เป็นภาษากลางที่ผู้บริหารเข้าใจ แต่ใช้ไม่ได้เมื่อยอดจริงเป็นศูนย์หรือใกล้ศูนย์
Forecast Bias	ผลรวมค่าพยากรณ์ ÷ ผลรวมค่าจริง − 1 (หรือค่าเฉลี่ยของ ค่าพยากรณ์ − ค่าจริง)	ควรใกล้ 0; บวกต่อเนื่อง = มองโลกสวยเกิน, ลบต่อเนื่อง = sandbagging	MAPE บอกว่าพลาดเท่าไร Bias บอกว่าพลาดไปทางไหน ซึ่งแก้ได้
MASE (Mean Absolute Scaled Error)	MAE ของโมเดล ÷ MAE ของการพยากรณ์แบบ naive หรือ seasonal naive บนข้อมูลเทรน	ต่ำกว่า 1 = ดีกว่าการพยากรณ์แบบง่าย (Hyndman & Athanasopoulos, FPP3)	ใช้ได้แม้ยอดเป็นศูนย์ และเทียบข้ามสินค้าหรือสาขาได้อย่างยุติธรรม
Event Forecast Error (ความพลาดช่วงแคมเปญ)	\|ยอดจริงช่วงแคมเปญ − ยอดพยากรณ์ช่วงแคมเปญ\| ÷ ยอดจริงช่วงแคมเปญ แยกตามแคมเปญหรือวันไลฟ์	ขึ้นกับอุตสาหกรรม; ติดตามว่าลดลงทุกแคมเปญหรือไม่	ยอดเมกะเซลและไลฟ์กำหนดสต๊อกและเงินสดมากที่สุด จึงต้องวัดแยกจากวันปกติ
Commit Accuracy / Slip Rate	มูลค่าที่ปิดจริงจากดีลใน Commit ÷ มูลค่า Commit ต้นงวด; Slip Rate = ดีลที่เลื่อนออกจากงวด ÷ ดีลทั้งหมดในงวด	ขึ้นกับอุตสาหกรรม; เทียบกับประวัติของแต่ละคนหรือทีม	บอกว่าความเห็นของทีมขายเชื่อได้แค่ไหน และใครต้องปรับน้ำหนัก
Pipeline Coverage Ratio	มูลค่า pipeline ที่คาดปิดในงวด ÷ เป้าที่เหลือของงวด	ขึ้นกับอัตราชนะ; ตั้งเป้าจาก 1 ÷ win rate ของตัวเอง	เตือนล่วงหน้าว่าดีลไม่พอ ก่อนที่ forecast จะตก

ขั้นตอนลงมือทำ

ตกลงนิยาม Forecast, Target, Pipeline ช่วงเวลา และระดับข้อมูล (บริษัท/ทีม/สาขา/ช่องทาง/SKU) ให้ทุกฝ่ายใช้ตรงกัน
ทำความสะอาดข้อมูลตั้งต้น: วันปิดและขั้นของทุกดีล ยอดขายรายวันที่หักคืนสินค้าแล้ว และยอดแยกตามช่องทางรวมมาร์เก็ตเพลสและไลฟ์
สร้างปฏิทินเหตุการณ์และแผนโปรล่วงหน้า (วันหยุดไทย, วันเงินเดือน, Double-day, วันไลฟ์) ให้ทีมการตลาดเป็นเจ้าของ
ทำตัวเทียบง่าย ๆ (seasonal naive) แล้วลองเครื่องมือสำเร็จรูปหรือโมเดลของตัวเอง โดย backtest แบบเลื่อนจุดเริ่ม และวัด MAPE, MASE, Bias แยกวันปกติกับวันแคมเปญ
กำหนด Forecast Category พร้อมเกณฑ์หลักฐาน และรอบทบทวน รายสัปดาห์/เดือน/ไตรมาส พร้อมรอบพิเศษก่อนเมกะเซล
เก็บ snapshot ของ pipeline และ forecast ทุกสัปดาห์ พร้อม decision log ว่าปรับตัวเลขเพราะอะไร
รายงาน forecast เป็นช่วงต่ำ/กลาง/สูง ทั้งยอดขายและยอดสุทธิหลังค่าธรรมเนียมแพลตฟอร์ม และตั้ง alert เมื่อยอดจริงเบี่ยงเกินเกณฑ์

ข้อผิดพลาดที่พบบ่อย

ใช้ Forecast เป็น Target หรือใช้ Target เป็น Forecastแยกสองตัวเลขในรายงานเสมอ และวัด Bias ย้อนหลังเพื่อจับการมองโลกสวยเกินหรือ sandbagging
ใช้โอกาสปิดตามขั้นที่ CRM ตั้งมาให้ โดยไม่เคยปรับคำนวณจากดีลย้อนหลังของตัวเอง และทบทวนทุกไตรมาส
ใส่ยอดวันเมกะเซลและวันไลฟ์ปนกับวันปกติ โดยไม่บอกโมเดลว่ามีเหตุการณ์ทำปฏิทินเหตุการณ์เป็นตัวแปรภายนอก แยก baseline กับ event uplift และวัดความพลาดของวันแคมเปญแยก
พยากรณ์แค่ยอดขาย ไม่คิดค่าธรรมเนียมแพลตฟอร์มที่ขึ้นหลายรอบพยากรณ์ยอดสุทธิหลังค่าธรรมเนียมและค่าโฆษณาคู่กัน และอัปเดตอัตราค่าธรรมเนียมทุกครั้งที่แพลตฟอร์มประกาศ
เชื่อผลจากเครื่องมือสำเร็จรูปหรือ AI ทันที โดยไม่ backtest และไม่ดูสถานะ preview/betaเทียบกับ seasonal naive บนข้อมูลนอกตัวอย่างก่อนใช้ ระบุเวอร์ชันฟังก์ชันให้ชัด และมีแผนสำรองเมื่อฟีเจอร์ preview เปลี่ยน
ไม่เก็บ snapshot จึงย้อนดูไม่ได้ว่า forecast เปลี่ยนเพราะดีลไหนหรือใครปรับเก็บ snapshot ของ pipeline และ forecast รายสัปดาห์ พร้อม decision log อัตโนมัติ

Mega Prompt สำหรับงานใหญ่

Prompt แบบเต็ม มีบทบาท บริบท งาน ข้อจำกัด และรูปแบบผลลัพธ์ เติม [ช่องว่าง] แล้วใช้ได้เลย

ออกแบบระบบ Forecast ตั้งแต่ต้น

ใช้เมื่อ ใช้เมื่อองค์กรยังทำ forecast ใน Excel แบบต่างคนต่างทำ และต้องการวางโครงมาตรฐาน

คุณคือ Revenue Operations Consultant
บริบท: ธุรกิจ [ประเภทธุรกิจ] ขายผ่าน [ช่องทาง] มีพนักงานขาย [จำนวน] คน ใช้ CRM [ชื่อระบบ] รอบขายเฉลี่ย [วัน] ตอนนี้ทำ forecast ใน [Excel/อื่น ๆ] ปัญหาคือ [อธิบายปัญหา]
งาน: ออกแบบระบบ forecast ครบวงจร: นิยามคำศัพท์, วิธีพยากรณ์ (pipeline/time-series/ผสม), Forecast Category พร้อมเกณฑ์หลักฐาน, ตัวชี้วัดความแม่นยำ, รอบการประชุม และข้อมูลที่ต้องเก็บเพิ่มใน CRM
ข้อจำกัด: เริ่มใช้ได้ภายใน [X] สัปดาห์โดยไม่ซื้อเครื่องมือใหม่
รูปแบบผลลัพธ์: แนวทาง 1–2 หน้า + ตาราง RACI + แผน 90 วัน

พยากรณ์ยอดเมกะเซลและไลฟ์บนมาร์เก็ตเพลส

ใช้เมื่อ ใช้ก่อนแคมเปญใหญ่ เช่น 11.11, 12.12 หรือไลฟ์ใหญ่ เพื่อวางสต๊อก คนแพ็กของ และงบโฆษณา

คุณคือ E-commerce Demand Planner ที่เข้าใจ Shopee, Lazada และ TikTok Shop ในไทย
บริบท: ร้าน [ชื่อร้าน] ขาย [หมวดสินค้า] ฉันแนบไฟล์ยอดขายรายวันและรายชั่วโมงย้อนหลัง [N เดือน] [ชื่อไฟล์] พร้อมประวัติแคมเปญ ส่วนลด งบโฆษณา และวันไลฟ์ แคมเปญถัดไปคือ [ชื่อแคมเปญ/วันที่] แผนส่วนลด [X%] งบโฆษณา [บาท] ไลฟ์ [จำนวนรอบ/ช่วงเวลา] ค่าธรรมเนียมรวมประมาณ [X%] สต๊อกตอนนี้ [จำนวน] lead time สั่งของ [วัน]
งาน: (1) แยก baseline กับ uplift ของแคมเปญที่ผ่านมา (2) พยากรณ์ยอดรายวันช่วงก่อน ระหว่าง และหลังแคมเปญ และรายชั่วโมงในวันงาน เป็นช่วงต่ำ/กลาง/สูง (3) แปลงเป็นยอดสุทธิหลังค่าธรรมเนียม (4) เสนอจำนวนสต๊อกและ safety stock (5) ระบุสัญญาณระหว่างวันที่บอกว่าควรปรับแผน
ข้อจำกัด: บอกสมมติฐานทุกข้อ ถ้าข้อมูลไม่พอให้บอกตรง ๆ ห้ามแต่งตัวเลข แยกตัวเลขที่เป็นการประมาณ
รูปแบบผลลัพธ์: ตารางพยากรณ์ + ตารางสต๊อก + รายการ trigger และการตัดสินใจ

สเปกโมเดลพยากรณ์สำหรับทีมข้อมูลบน Databricks

ใช้เมื่อ ใช้เมื่อต้องส่งโจทย์พยากรณ์ยอดหลายสาขา หลายช่องทาง หรือหลาย SKU ให้ทีม Data ไปสร้าง

คุณคือ Lead Data Scientist ด้าน Demand Forecasting
บริบท: ต้องพยากรณ์ยอดราย [วัน/สัปดาห์] ล่วงหน้า [N] สัปดาห์ สำหรับ [จำนวนสาขา/ช่องทาง] × [จำนวน SKU] ข้อมูลอยู่ใน [Azure Databricks/อื่น ๆ] ตาราง [ชื่อตาราง] มีประวัติ [N ปี] ปฏิทินโปร และวันไลฟ์
งาน: เขียนสเปก: นิยาม target และระดับข้อมูล, ตัวแปร (lag, ปฏิทิน, โปร, ราคา, วันหยุดไทย, Double-day, งบโฆษณา), โมเดลที่จะเทียบ (seasonal naive, ETS, LightGBM, ai_forecast เวอร์ชัน 2 พร้อม covariate, serverless forecasting), วิธี backtest แบบ rolling origin, ตัวชี้วัด (MAPE, MASE, Bias) แยกวันปกติ/วันแคมเปญ และรอบรันอัตโนมัติ
ข้อจำกัด: ต้องมี baseline, จัดการ SKU ขายช้าที่ยอดเป็นศูนย์, ระบุสถานะ preview/beta ของแต่ละเครื่องมือและแผนสำรอง, ผลต้องเขียนลงตารางที่ทีมวางแผนอ่านได้
รูปแบบผลลัพธ์: เอกสารสเปก + ตารางตัวแปร + แผนภาพ pipeline แบบข้อความ

เตรียม Forecast Call รายสัปดาห์

ใช้เมื่อ ใช้ก่อนประชุม forecast ทุกสัปดาห์ เพื่อให้ผู้จัดการโฟกัสดีลที่สำคัญ

คุณคือ Sales Operations Manager
บริบท: ฉันแนบไฟล์ pipeline สัปดาห์นี้เทียบสัปดาห์ก่อน [ชื่อไฟล์] (ปกปิดชื่อลูกค้าแล้ว) มีคอลัมน์ ดีล/มูลค่า/ขั้น/category/วันปิดคาด/กิจกรรมล่าสุด/การเปลี่ยนแปลง เป้างวดนี้ [บาท] ปิดแล้ว [บาท]
งาน: สรุป (1) ความเคลื่อนไหวของ Commit และ Best Case (2) ดีล 5 อันดับที่เสี่ยงที่สุดพร้อมเหตุผล (3) ช่องว่างต่อเป้าและ pipeline coverage (4) คำถามเจาะจงที่ควรถามพนักงานขายแต่ละคน (5) การตัดสินใจที่ต้องการในประชุม
ข้อจำกัด: อิงหลักฐานในไฟล์เท่านั้น ไม่เดา
รูปแบบผลลัพธ์: สรุป 1 หน้า เรียงตามความสำคัญ

วิเคราะห์ความแม่นยำย้อนหลังและหาสาเหตุ

ใช้เมื่อ ใช้ทุกเดือนหรือทุกไตรมาส เพื่อปรับกระบวนการและโมเดล forecast

คุณคือ Forecast Analyst
บริบท: ฉันแนบไฟล์ค่าพยากรณ์ ณ ต้นงวดเทียบค่าจริงย้อนหลัง [N] งวด แยกตาม [ทีม/สาขา/ช่องทาง/สินค้า] [ชื่อไฟล์] พร้อมรายการเหตุการณ์พิเศษ [รายการ เช่น เมกะเซล ไลฟ์ใหญ่ ค่าธรรมเนียมขึ้น]
งาน: คำนวณ MAPE, Bias และ MASE ต่อกลุ่ม ระบุกลุ่มที่พลาดซ้ำไปทางเดียวกัน แยกสาเหตุเป็น ข้อมูลไม่อัปเดต / สมมติฐานผิด / เหตุการณ์ไม่คาดคิด / พฤติกรรมพนักงานขาย และเสนอการปรับ 3 ข้อที่ได้ผลมากที่สุด
ข้อจำกัด: แสดงวิธีคำนวณ บอกข้อจำกัดของข้อมูล
รูปแบบผลลัพธ์: ตารางผล + ข้อค้นพบ 5 ข้อ + แผนปรับปรุง

Scenario Planning และแผนเร่งยอดเมื่อ Forecast ต่ำกว่าเป้า

ใช้เมื่อ ใช้เมื่อต้องแปลง forecast เป็นแผนสต๊อก คน และงบ หรือเมื่อกลางงวดชี้ว่าจะพลาดเป้า

คุณคือ FP&A และ Sales Strategy Lead
บริบท: forecast กลางของ [ธุรกิจ] งวดหน้า [บาท] ช่วงต่ำ–สูง [บาท]–[บาท] ช่องว่างต่อเป้า [บาท] เหลือเวลา [วัน] มาร์จินเฉลี่ย [X%] ค่าธรรมเนียมแพลตฟอร์ม [X%] ช่องทางที่ใช้ได้ [LINE OA/หน้าร้าน/มาร์เก็ตเพลส/ไลฟ์/ทีมขาย]
งาน: (1) สร้าง 3 สถานการณ์ ต่ำ/กลาง/สูง พร้อมผลต่อสต๊อก คน และเงินสด (2) เสนอแผนเร่งยอด 3 ทางเลือก เช่น เร่งดีลใกล้ปิด โปรเฉพาะกลุ่ม ไลฟ์พิเศษ พร้อมยอดเพิ่มที่คาด ต้นทุน และความเสี่ยงยอดตกหลังโปร (3) กำหนด trigger ที่บอกว่าเราอยู่สถานการณ์ไหน
ข้อจำกัด: ห้ามลดราคาทั้งระบบ ต้องมีกลุ่มเทียบเพื่อวัดผล ใช้ตัวเลขที่ให้เท่านั้น
รูปแบบผลลัพธ์: ตารางสถานการณ์ + ตารางทางเลือก + รายการ trigger/การตัดสินใจ + สรุปผู้บริหาร

Prompt 20 รายการจากหนังสือ

หมายเลข 15.1–15.20 ตาม 500 CRM Prompts Book เติม [ช่องว่าง] ให้เป็นบริบทของคุณก่อนส่ง

เติมช่องว่างใน prompt อัตโนมัติกรอกข้อมูลธุรกิจครั้งเดียว ใช้ได้ทุก prompt

15.1
สร้างโมเดลทำนายยอดขายสำหรับ [สินค้า/บริการ] ของ [ชื่อธุรกิจ]
15.2
แนะนำตัวแปรสำคัญที่ใช้ในการทำนายยอดขาย เช่น [Historical Sales Data, Seasonality]
15.3
สรุป KPI สำหรับวัดผล Sales Forecasting เช่น [Forecast Accuracy %]
15.4
วิเคราะห์ Pain Point ที่ส่งผลกระทบต่อยอดขายใน [อุตสาหกรรม/กลุ่มสินค้า]
15.5
ออกแบบ Workflow การติดตามยอดขายตามเป้าหมาย Forecast
15.6
แนะนำวิธีใช้ AI เพื่อวิเคราะห์ยอดขาย เช่น [Time Series Forecasting Model]
15.7
สร้าง Flow การแจ้งเตือนเมื่อยอดขายต่ำกว่า Forecast Target
15.8
วางแผนการปรับกลยุทธ์เมื่อยอดขายต่ำกว่าที่คาดการณ์
15.9
สรุปข้อดีข้อเสียของแต่ละโมเดล Forecast เช่น [ARIMA vs LSTM]
15.10
ออกแบบกิจกรรมกระตุ้นยอดขายตาม Forecast เช่น [Sales Push Campaign]
15.11
แนะนำวิธีเก็บข้อมูลยอดขายแบบ Real-time สำหรับปรับ Forecast
15.12
วิเคราะห์ผลกระทบของ Forecast ที่ผิดพลาดต่อการบริหารสต๊อกและงบประมาณ
15.13
สร้าง Script โทรศัพท์สำหรับทีมขายเพื่อเร่งปิดยอดตามเป้า
15.14
วางแผนการใช้ Data Analytics เพื่อเพิ่มความแม่นยำของ Forecast
15.15
สรุป Pain Point ของทีมขายเมื่อต้องทำตาม Forecast
15.16
ออกแบบโปรโมชั่นกระตุ้นยอดขายช่วงยอดตก เช่น [Limited Time Offer]
15.17
แนะนำวิธีติดตามผลลัพธ์การแก้ปัญหายอดขายตก
15.18
สร้าง Survey สำหรับทีมขายเพื่อเก็บ Insight เรื่องการคาดการณ์ยอดขาย
15.19
วางแผนการใช้ CRM เพื่อจัดการ Sales Pipeline และ Forecast Update
15.20
วิเคราะห์ Conversion Rate ของแต่ละ Lead Stage เพื่อพยากรณ์ยอดขายแม่นยำขึ้น

บริบทตลาดไทย

ยอดขายในไทยมีจังหวะเฉพาะที่ forecast ต้องรู้ล่วงหน้า เช่น ยอดสูงต้นเดือนหลังเงินเดือนออก ปีใหม่ ตรุษจีน สงกรานต์ และปลายปีที่มีโบนัส ส่วนฝนตกหนัก วันหยุดยาว หรือปิดเทอม ทำให้ยอดหน้าร้านบางทำเลตก แต่ delivery อาจเพิ่ม ฝั่งออนไลน์ อีคอมเมิร์ซไทยโตเร็วมาก และยอดกระจุกในวัน Double-day กับไลฟ์ใหญ่บน Shopee, Lazada และ TikTok Shop จึงต้องใส่แคมเปญเป็นตัวแปรเสมอ ปี 2026 ค่าธรรมเนียมผู้ขายของทั้งสามแพลตฟอร์มขึ้นหลายรอบ และโฆษณา TikTok Shop ถูกบังคับเป็น GMV Max ที่ระบบตั้งค่าเอง ทำให้ยอดสุทธิและยอดจากโฆษณาคาดเดายากขึ้น ฝั่ง B2B ไทยมักมีรอบงบประมาณราชการและบริษัทใหญ่ที่กระจุกปลายปีงบ ดีลจึงเลื่อนบ่อย ควรวัด slip rate แยก ถ้าใช้ข้อมูลพฤติกรรมลูกค้ารายคนเป็นตัวแปร ต้องมีฐานทางกฎหมายตาม PDPA แม้ forecast ระดับรวมจะไม่ใช่ข้อมูลส่วนบุคคล

สิ่งที่ทีมข้อมูลต้องเตรียม

ตารางขั้นต่ำบน Unity Catalog: (1) sales_daily ระดับ วัน × สาขา/ช่องทาง × SKU (หักคืนสินค้า) รวมยอดจากรายงานผู้ขาย Shopee/Lazada/TikTok Shop และ fee_rate ตามช่วงเวลา (2) live_sessions (เริ่ม/จบ, GMV, ผู้ชม) และยอดรายชั่วโมงในวันแคมเปญ (3) event_calendar + promo_plan ที่มีแถวอนาคต (4) crm_pipeline_snapshot รายสัปดาห์ (5) forecast_runs เก็บ run_date, horizon, method, version, ค่าพยากรณ์และช่วง. ai_forecast: ต้องใช้ Pro หรือ Serverless SQL warehouse; v1 (Public Preview) ยังเป็นค่าตั้งต้นแต่อยู่ในเส้นทางเลิกใช้ ให้ระบุ version => '2' (Beta, ต้องเปิด Predictive AI Functions preview) ใส่ covariate_col แบบแถวอนาคตที่ target เป็น NULL, positive_only => true; coalesce วันที่ว่างเป็น 0 ก่อนเรียก. Serverless forecasting (Public Preview) ใช้ตาราง UC และเลือก holiday region ได้; DBR 18.0 ML ไม่มี AutoML ในตัว. ตั้งรอบรันและ backtest ด้วย Lakeflow Jobs

แหล่งอ้างอิง

Forecasting: Principles and Practice (3rd ed.) – Evaluating point forecast accuracyข้อเสียของ MAPE, นิยาม MASE (ต่ำกว่า 1 = ดีกว่า naive), ขนาด test set ราว 20% และอย่างน้อยเท่าระยะพยากรณ์
Gong: Report finds more than 80 percent of companies have missed revenue forecasts (30 ม.ค. 2024)ข้อมูลผู้ขาย: แบบสำรวจ Censuswide 2,015 บริษัท US/UK 81% พลาด forecast อย่างน้อยหนึ่งไตรมาส และข้ออ้างว่าโมเดล AI แม่นกว่าข้อมูล CRM อย่างเดียว 20%
Salesforce Trailhead: Get Started with Sales Forecastingความต่างระหว่าง pipeline กับ forecast, เกณฑ์ commit (อนุมัติภายใน, ตกลงราคาแล้ว), การปรับโดยผู้จัดการรายสัปดาห์
HubSpot Knowledge Base: Use the forecast tool (อัปเดต ส.ค. 2026)forecast ตามขั้นดีลหรือ Forecast Category, weighted pipeline, งวดรายเดือน/ไตรมาส, ใช้ได้กับ Sales Hub Professional/Enterprise
Azure Databricks: ai_forecast function (อัปเดต ก.ย. 2026)เวอร์ชัน 1 Public Preview (ค่าตั้งต้น, อยู่ในเส้นทางเลิกใช้), เวอร์ชัน 2 Beta ใช้ foundation model รองรับวันหยุด covariate และ positive_only; ต้องใช้ Pro/Serverless SQL warehouse
Azure Databricks: Forecasting (serverless) with AutoMLServerless forecasting เป็น Public Preview ใช้ตาราง Unity Catalog, เลือก holiday region, อัลกอริทึมสถิติ + DeepAR
Wongnai for Business: การพยากรณ์ยอดขาย ความจริงที่เจ้าของร้านอาหารละเลย (20 พ.ค. 2020)สูตรลูกค้า × ยอดต่อหัว, ที่นั่ง × รอบหมุน, แยก delivery และปัจจัยไทย เช่น วันเงินเดือน ฝน โบนัส ปิดเทอม
กรุงเทพธุรกิจ: Live Commerce ยังแรง TikTok เผยร้านค้า/แบรนด์ไทยโต 8 เท่าข้อมูลผู้ขาย TikTok Shop ปี 2024: ยอดไลฟ์ชั่วโมงแรก 12.12 สูงกว่าปกติ 3.8 เท่า ออร์เดอร์ 12.12 +300%

การทำนายยอดขายSales Forecasting

อะไรเปลี่ยนไปในปี 2025–2026

เรื่องนี้คืออะไร

ประโยชน์ที่ได้

ศัพท์ที่ต้องรู้

ถาม-ตอบ

KPI ที่ควรวัด

ขั้นตอนลงมือทำ

ข้อผิดพลาดที่พบบ่อย

Mega Prompt สำหรับงานใหญ่

ออกแบบระบบ Forecast ตั้งแต่ต้น

พยากรณ์ยอดเมกะเซลและไลฟ์บนมาร์เก็ตเพลส

สเปกโมเดลพยากรณ์สำหรับทีมข้อมูลบน Databricks

เตรียม Forecast Call รายสัปดาห์

วิเคราะห์ความแม่นยำย้อนหลังและหาสาเหตุ

Scenario Planning และแผนเร่งยอดเมื่อ Forecast ต่ำกว่าเป้า

Prompt 20 รายการจากหนังสือ

บริบทตลาดไทย

สิ่งที่ทีมข้อมูลต้องเตรียม

แหล่งอ้างอิง

หัวข้ออื่นในขั้น "คาดการณ์ & ป้องกันการสูญเสีย"