การพยากรณ์ยอดขายและความต้องการสินค้าในอุตสาหกรรมผลิตอุปกรณ์ไฟฟ้า กรณีศึกษา บริษัทผลิตอุปกรณ์ไฟฟ้าแรงสูงPotential Model Development for Executives of the State Railway of Thailand to Increase Public Service Efficiency in the Digital Era

Abstract

การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อศึกษาหาตัวแบบการพยากรณ์ความต้องการสินค้าจากวิธีการทำงานโครงข่ายประสาทเทียมใน กรณีศึกษา บริษัทอุตสาหกรรมด้านการผลิตอุปกรณ์ไฟฟ้าแรงสูง และลดค่าปรับในการส่งมอบสินค้าล่าช้า ด้วยโปรแกรม Matlab โดยวิธีการใช้รูปแบบการพยากรณ์ด้วยวิธีการของโครงข่ายประสาทเทียม Neural Network Time Series ด้วยรูปแบบฟังก์ชัน โครงข่ายประสาทเทียมแบบถดถอยอัตโนมัติไม่เป็นเชิงเส้น ร่วมกับข้อมูลอินพุตภายนอก (Nonlinear Autoregressive Network with Exogenous : NARX) แล้วดำเนินการหาค่าความคลาดเคลื่อนของการพยากรณ์คือ ค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อน (Mean Absolute Percent Error : MAPE) ใช้ตัวแบบค่าความเคลื่อนที่มีค่าน้อยที่สุด โดยใช้ข้อมูลที่รวบรวมยอดขายสินค้าตั้งแต่ ปี 2562–ปี2565 จำนวน 48 ชุดข้อมูล โดยแบ่งเป็น 2 ชุดข้อมูลที่ใช้ในการศึกษา โดยชุดข้อมูลแรก คือชุดข้อมูลการเรียนรู้ 36 ชุดข้อมูล และชุดข้อมูลชุดที่สอง คือชุดข้อมูลการทดสอบ 12 ชุดข้อมูล กำหนดตัวแบบของการศึกษาครั้งนี้ด้วยจำนวนโหนดชั้นซ่อนเป็น 2, 6 และ 10 ชั้น Time delay เท่ากับ 2 และ 3 รวมตัวแบบการพยากรณ์ออกเป็น 6 ตัวแบบ ผลลัพธ์ตัวแบบที่ดีที่สุดของแต่ละรายการที่จากการพยากรณ์แบบวกกลับ ผ่านกระบวนการเรียนรู้ Levenberg-Marquardt (Trainlm) ได้แก่ ตัวแบบที่ 1, 4, 5, 4, 3, 3 และ 2 ตามลำดับ แสดงผลค่าความคลาดเคลื่อนเปอร์เซ็นต์สัมบูรณ์เฉลี่ยน้อยสุดอยู่ที่ 8.32, 5.85, 2.61, 3.39, 2.91, 2.19 และ 7.76 และผลลัพธ์ของตัวแบบการพยากรณ์นำไปวิเคราะห์เพื่อลดค่าปรับจากขายสินค้าทั้ง 7 รายการ สามารถลดค่าปรับในส่งมอบสินค้าล่าช้าได้ 4 รายการ แสดงอัตราส่วนร้อยละของผลต่างในการลดค่าใช้จ่ายได้ เท่ากับ 0.28% 0.24% 0.32% และ 0.22% สรุปได้ว่าการพยากรณ์โครงข่ายประสาทเทียม แบบโครงข่ายประสาทเทียมแบบวกกลับ สามารถใช้หาการพยากรณ์ยอดขายสินค้าและความต้องการสินค้าได้เป็นอย่างดี และลดค่าใช้จ่ายค่าปรับที่ส่งสินค้าล่าช้าได้ผลที่ดียิ่งขึ้น

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% 0.24% 0.32% and 0.22%. 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.