การพยากรณ์ยอดขายและความต้องการสินค้าในอุตสาหกรรมผลิตอุปกรณ์ไฟฟ้า กรณีศึกษา บริษัทผลิตอุปกรณ์ไฟฟ้าแรงสูง

Forecasting of sales and product demand in the electrical equipment manufacturing industry a case study of high-voltage equipment company

Name: กัญญาณัฐ แผลงเดชา

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะพัฒนาธุรกิจและอุตสาหกรรม

Email : pkearnkanyanut@gmail.com

Name: ศุภกร เจริญประสิทธิ์

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะพัฒนาธุรกิจและอุตสาหกรรม

Email : supakorn.c@bid.kmutnb.ac.th

Name: ชุษณา เทียนทอง

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะพัฒนาธุรกิจและอุตสาหกรรม

Email : choosana.t@bid.kmutnb.ac.th

keyword: อุตสาหกรรมผลิตอุปกรณ์ไฟฟ้าแรงสูง

ThaSH: พยากรณ์การขาย

; ความต้องการสินค้า

ThaSH: การแจกแจงพาเรโต

; การส่งมอบผลิตภัณฑ์

ThaSH: นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)

Abstract: การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อศึกษาหาตัวแบบการพยากรณ์ความต้องการสินค้าจากวิธีการทางานโครงข่าย ประสาทเทียมใน กรณีศึกษา บริษัทอุตสาหกรรมด้านการผลิตอุปกรณ์ไฟฟ้าแรงสูง และลดค่าปรับในการส่งมอบสินค้า ล่าช้า ด้วยโปรแกรม Matlab โดยวิธีการใช้รูปแบบการพยากรณ์ด้วยวิธีการของโครงข่ายประสาทเทียม Neural Network Time Series ด้วยรูปแบบฟังก์ชัน โครงข่ายประสาทเทียมแบบถดถอยอัตโนมัติไม่เป็นเชิงเส้น ร่วมกับข้อมูลอินพุต ภายนอก (Nonlinear Autoregressive Network with Exogenous : NARX) แล้วดาเนินการหาค่าความคลาดเคลื่อน ของการพยากรณ์คือ ค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อน (Mean Absolute Percent Error : MAPE) ใช้ตัวแบบ ค่าความเคลื่อนที่มีค่าน้อยที่สุด โดยใช้ข้อมูลที่รวบรวมยอดขายสินค้าตั้งแต่ ปี 2562–ปี2565 จานวน 48 ชุดข้อมูล โดยแบ่งเป็น 2 ชุดข้อมูลที่ใช้ในการศึกษา โดยชุดข้อมูลแรก คือชุดข้อมูลการเรียนรู้ 36 ชุดข้อมูล และชุดข้อมูลชุดที่สอง คือชุดข้อมูลการทดสอบ 12 ชุดข้อมูล กาหนดตัวแบบของการศึกษาครั้งนี้ด้วยจานวนโหนดชั้นซ่อนเป็น 2, 6 และ 10 ชั้น Time delay เท่ากับ 2 และ 3 รวมตัวแบบการพยากรณ์ออกเป็น 6 ตัวแบบ ผลลัพธ์ตัวแบบที่ดีที่สุดของแต่ละรายการที่ จากการพยากรณ์แบบวกกลับ ผ่านกระบวนการเรียนรู้ Levenberg-Marquardt (Trainlm) ได้แก่ ตัวแบบที่ 1, 4, 5, 4, 3, 3 และ 2 ตามลาดับ แสดงผลค่าความคลาดเคลื่อนเปอร์เซ็นต์สัมบูรณ์เฉลี่ยน้อยสุดอยู่ที่ 8.32, 5.85, 2.61, 3.39, 2.91, 2.19 และ 7.76 และผลลัพธ์ของตัวแบบการพยากรณ์นาไปวิเคราะห์เพื่อลดค่าปรับจากขายสินค้าทั้ง 7 รายการ สามารถ ลดค่าปรับในส่งมอบสินค้าล่าช้าได้ 4 รายการ แสดงอัตราส่วนร้อยละของผลต่างในการลดค่าใช้จ่ายได้ เท่ากับ 0.28 เปอร์เซ็นต์ 0.24 เปอร์เซ็นต์ 0.32 เปอร์เซ็นต์ และ 0.22 เปอร์เซ็นต์ สรุปได้ว่าการพยากรณ์โครงข่ายประสาทเทียม แบบโครงข่ายประสาทเทียมแบบวกกลับ สามารถใช้หาการพยากรณ์ยอดขายสินค้าและความต้องการสินค้าได้เป็นอย่างดี และลดค่าใช้จ่ายค่าปรับที่ส่งสินค้าล่าช้า ได้ผลที่ดียิ่งขึ้น"

Abstract: The purpose of this study is to find the product demand forecasting model from the artificial neural network method in a case study of a high-voltage equipment manufacturing company. And reduce fines for late delivery of goods by using the Matlab program. The forecasting model is established by using time series neural network method, and the nonlinear autoregressive neural network (NARX) function model is established by combining with external input data. Then the forecast deviation is the average deviation percentage error (MAPE) uses the least dynamics model. By using data that collects product sales from 2019 – 2022 total 48 set of data are divided into 2 data sets used in the study. by the first dataset is learning 36 datasets and the second dataset is learning 12 datasets. The model of this study was defined with the number of hidden layer nodes as 2, 6 and 10. The time delay was 2 and 3. Forecasting models are combined into 6 models. The best model result of each item from NARX forecast through the learning process Levenberg-Marquardt (trainlm), including models 1, 4, 5, 4, 3, 3, and 2 sequential The results show the least average absolute percentage error at 8.32, 5.85, 2.61, 3.39, 2.91, 2.19 and 7.76 and the results of the forecasting model were analyzed to reduce fines from selling all 7 items Able to reduce penalties for late delivery of 4 items showing the percentage of difference in cost reduction equal to 0.28 percent 0.24 percent 0.32 percent and 0.22 percent. It can be concluded that the prediction of the neural network inverted neural network model It can be used to forecast product sales and product demand as well. And reduce the cost of late delivery fines for better results."

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2566

Modified: 2024-05-23

Issued: 2567-05-03

บทความ/Article

application/pdf

BibliograpyCitation : วารสารพัฒนาธุรกิจและอุตสาหกรรม. ปีที่ 3, ฉบับที่ 3 (ก.ย.-ธ.ค. 66), หน้า 68-82.

tha

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	bid66_030306.pdf	1.2 MB	4	2025-09-23 09:45:32

ใช้เวลา

0.031157 วินาที