แนวคิดพื้นฐานเกี่ยวกับการพยากรณ์

Get Started. It's Free
or sign up with your email address
แนวคิดพื้นฐานเกี่ยวกับการพยากรณ์ by Mind Map: แนวคิดพื้นฐานเกี่ยวกับการพยากรณ์

1. การเลือกเทคนิคการพยากรณ์

2. ประเภทของเทคนิคการพยากรณ์

3. การตรวจสอบความแม่นยำของการพยากรณ์

4. 1.เทคนิคการพยากรณ์เชิงคุณภาพ (Qualitative forecasting technique) -อาศัยประสบการณ์ ความรู้ ความสามารถหรือวิจารณญาณของผู้เชี่ยวชาญ -ทำนายการเปลี่ยนแปลงระยะยาว/พยากรณ์เรื่องใดเรื่องหนึ่ง -เป็นทางการ/คิดอย่างเป็นระบบ -ไม่สามารถหาข้อมูลที่มีอยู่ในปัจจุบันไม่เกี่ยวข้องนำมาใช้ได้เพราะองค์กรมีข้อมูลอยู่จำกัด -ประสิทธิภาพของการพยากรณ์อาจจะลดลงถ้าความลำเอียงในการตัดสินใจเกิดขึ้น แบ่งออก 3ประเภท Subective forecasting method ใช้วิจารณญาณ Exploratory forecasting method วิธีค้นหา Normative ใช้แบบอย่าง

5. 2.เทคนิคการพยากรณ์เชิงปริมาณ (Quantitative forecasting technique) -อาศัยความรู้ทางคณิตศาสตร์และสถิติ -มีการใช้ข้อมูลอดีต ซึ่งต้องอยู่ในรูปตัวเลขหรือสามารถแปลงเป็นตัวเลขได้และต้องมีปริมาณมาก ทำให้ดูน่าเชื่อถือมากขึ้น 2.1 พยากรณ์แบบอนุกรมเวลา อาศัยข้อมูลอดีตมาพิจารณนาว่าลักษณะการเปลี่ยนแปลงของข้อมูล เทคนิคพยากรณ์ -Naive or last period method แบบว่างๆ -Decomposition or classical technique แบบแยกส่วน -Smoothing technique เทคนิคการทำให้เรียบ -Box-Jenkins technique แบบบอกซ์เจนคินส์ 2.2 พยากรณ์แบบเป็นเหตุเป็นผล เป็นศึกษาหาความสัมพันธ์ ตัวแปรตาม กับ ตัวแปรอิสระ เทคนิคพยากรณ์ -ตัวแบบการถดถอย Regression model -ตัวแบบเศรษฐมิติ Econometric model

6. 1.ระยะเวลาที่ใช้ในการพยากรณ์ วิธีการพยากรณ์แต่ละวิธีจะมีความเหมาะสมกับการพยากรณ์ในช่วงระยะเวลาที่ต่างกันซึ่งสามารถแบ่งระยะเวลาออกเป็น - ระยะเวลาสั้นมาก ไม่เกิน 1 เดือน - ระยะเวลาสั้น 1- 3 เดือน - ระยะเวลาปานกลาง 1เดือน - 2ปี - ระยะเวลายาว มากกว่า 2 ปี

7. 2.ลักษณะของข้อมูลและจำนวนข้อมูลที่มีอยู่ - เทคนิคการพยากรณ์ที่ต่างกันจะมีความสามารถในการบ่งชี้ลักษณะต่างๆของข้อมูลไม่เท่ากัน - จำนวนข้อมูลในอดีตต้องมีจำนวนมากพอ เพื่อที่ผู้พยากรณ์จะสามารถศึกษารูปแบบการเปลี่ยนแปลงของข้อมูลในอดีตได้

8. 4.ค่าใช้จ่ายในการพยากรณ์ ค่าใช้จ่ายในการพยากรณ์ได้แก่ ค่าใช้จ่ายในการเก็บรวบรวมข้อมูล ค่าใช้จ่ายในการพยากรณ์ตั้งแต่สร้างรูปแบบจนถึงหาค่าพยากรณ์จากสมการพยากรณ์

9. 3.ความถูกต้องหรือความแม่นยำของการพยากรณ์ความถูกต้องหรือความแม่นยำของการพยากรณ์สามารถพิจารณาได้จากความแตกต่างระหว่างค่าพยากรณ์และค่าจริงว่ามีค่ามากน้อยเพียงใด ถ้ามีความแตกต่างกันน้อยแสดงว่าการพยากรณ์ค่อนข้างจะแม่นยำสูง แต่ถ้ามีความแตกต่างกันมากแสดงว่าการพยากรณ์ไม่มีความแม่นยำ

10. 5.ความยากง่ายของการพยากรณ์ โดยปกติแล้วผู้พยากรณ์กับผู้ที่นำผลลัพธ์ไปใช้จะเป็นคนละคนกัน ผู้พยากรณ์จะต้องคำนึงถึงความยากง่ายในการแปลผลหรืออธิบายผลลัพธ์ หาวิธีการพยากรณ์ยุ่งยากหรือซับซ้อนเกินไป อาจจะทำให้ผู้ที่นำไปใช้เกิดความไม่เข้าใจ แต่ไม่สามารถนำผลการพยากรณ์ไปใช้ได้

11. 6.เวลาที่ใช้เตรียมการพยากรณ์ เวลาที่ใช้เตรียมการพยากรณ์จะมากหรือน้อยจะขึ้นอยู่กับวิธีการพยากรณ์ คือ ถ้าเป็นวิธีการพยากรณ์ที่ยุ่งยากก็ต้องใช้เวลาในการเตรียมการมาก แต่ถ้าเป็นวิธีการพยากรณ์ที่ไม่ยุ่งยาก เวลาในการเตรียมการก็จะน้อยลง

12. วิธีการตรวจสอบจะพิจารณาจาก ค่าจริงของข้อมูล เทียบกับค่าพยากรณ์ กำหนดให้ Yi = ค่าข้อมูลจริงชุดที่ i (กำหนดให้ I = 1,2,3…..n)

13. 1.ค่าเบี่ยงเบนสัมบูรณ์เฉลี่ย (Mean Absolute Deviation : MAD) -วัดจากค่าความคาดเคลื่อนของการพยากรณ์ - ไม่คำนึงถึงทิศทางการคาดเคลื่อน - มีหน่วยวัดเหมือนข้อมูล

14. 2. ค่าความคาดเคลื่อนกำลังสองเฉลี่ย (Mean Square Error : MSE) - เป็นการวัดความแม่นยำของค่าเฉลี่ยผลรวมกำลังสอง

15. 3. เปอร์เซ็นต์ความคาดเคลื่อนเฉลี่ย (Mean Percentage Error : MPE ) - เป็นการวัดความแม่นยำจากค่าความคาดเคลื่อนของพยากรณ์เทียบกับข้อมูลจริง - เป็นค่าที่ไม่มีหน่วย

16. 4.เปอร์เซ็นต์ความคาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Percentage Error : MAPE) - เป็นการวัดความแม่นยำจากค่าความคาดเคลื่อนของพยากรณ์เทียบกับข้อมูลจริง - ไม่คิดเครื่องหมาย - ไม่มีหน่วย - เหมาะสมที่จะใช้เปรียนเทียบอนุกรมเวลาหลายชุด เมื่อใช้วิธีการพยากรณ์หรือเปรียบเทียบการพยากรณ์หลายวิธีเมื่อใช้อนุกรมเวลาชุดเดียวกัน

17. 5.ค่าสัมประสิทธิ์สหสัมพันธ์ (Coefficient of correlation : r) - เป็นค่าที่ใช้บอกความสัมพันธ์ระหว่างค่าจริงของข้อมูล Yi และค่าพยากรณ์ i * ถ้า r เข้าใจ 1/-1 แสดงว่าทั้ง 2 ค่ามีความสัมพันธ์กันมาก แสดงว่า i พยากรณ์ Yi ได้ดี * ถ้า r เข้าใกล้ 0 แสดงว่าทั้ง 2 ค่าไม่มีความสัมพันธ์กัน แสดงว่า i พยากรณ์ Yi ได้ไม่ดี

18. หลักเกณฑ์ในการเลือวิธีตรวจสอบความแม่นยำของการพยากรณ์ในทางปฎิบัติ 1. ค่า MAD MPE และMPAE ใช้เปรียบเทียบความแม่นยำของค่าพยากรณ์ 2 รายการหรือมากว่านั้น 2.ค่า MSE และ RMSE ใช้เป็นค่าพิจารณาหาจุดเหมาะสมของรูปแบบการพยากรณ์ ด้วยการประมาณค่า พารามิเตอร์ที่ทำให้ได้ค่าที่ต่ำสุด

19. การเตรียมข้อมูลเพื่อการพยากรณ์

20. การพยากรณ์

21. ระบบการพยากรณ์เชิงปริมาณ

22. ขั้นตอนในการพยากรณ์

23. การคาดคะเนหรือทำนายเหตุการณ์ในอนาคต จากข้อมูลในอดีตหรือปัจจุบัน ตลอดจนวิจารณญาณความรู้และประสบการณ์ของผู้การพยากรณ์ มาทำการศึกษาแนวโน้มหรือรูปแบบของการเกิดเหตุการณ์ในอนาคตเพื่อให้การตัดสินใจมีความถูกต้อง การพยากรณ์ช่วยในการวางแผนและการตัดสินใจเกี่ยวกับการดำเนินงานด้านต่างๆของทุกบุคคลและทุกองค์กรเนื่องจากเหตุการณ์ในอนาคตนั้นเป็นสิ่งที่ควบคุมไม่ได้ ประกอบกับในปัจจุบันนี้มีการพัฒนาข้อมูลข่าวสาร เทคโนโลยีสารสนเทศที่มีความซับซ้อนมากขึ้น การพยากรณ์เหตุการณ์ในอนาคตจึงมีความสำคัญเป็นอย่างมาก

24. การทำความเข้าใจถึงสิ่งที่ต้องการพยากรณ์ ว่ามีลักษณะข้อมูลอย่างไร มีหน่วยเวลาในการพยากรณ์อย่างไร และหน่วยของข้อมูลควรเป็นอะไร

25. 1.กำหนดจุดประสงค์ในการพยากรณ์ 2.กำหนดช่วงเวลาที่เหมาะสมในการพยากรณ์ 3.เลือกเทคนิคในการพยากรณ์ โดยพิจารณาจากลักษณะและจำนวนของข้อมูล ความยากง่าย ความถูกต้องของการพยากรณ์ งบประมาณ บุคเลากร และทรัพยากรณ์ที่มีอยู่ 4.รวบรวมวิเคราะห์และหารูปแบบของข้อมูลในอดีต -แบบระดับ เป็นกรณีที่ข้อมูลไม่แปรผันกับเวลาเป็นการนำข้อมูลในอดีตมาใช้ในการพยากรณ์ ลักษณะของข้อมูลขึ้นลงไม่สม่ำเสมอ ทำให้ไม่สามารถคาดการณ์ได้ขึ้นอยู่กับปัจจัยในช่วงเวลานั้น ๆ -แบบฤดูกาล มีการเปลี่ยนแปลงขึ้นลงตามฤดูกาล เช่น ยอดขายเสื้อกันฝน ยอดขายเสื้อกันหนาว สาเหตุการเปลี่ยนแปลงเกิดจากพฤติกรรมของลูกค้า หรืออากาศ -แบบวัฎจักร มีรูปแบบคล้ายๆ ฤดูกาล แต่มีลักษณะที่ไม่แน่นอน พยากรณ์ได้ยากกว่า -แบบแนวโน้ม มีลักษณะเป็นแนวโน้มขึ้นหรือลงในระยะยาว 5.ทำการพยกรณ์ 6.ตรวจสอบผลการพยากรณ์ 7.ปรับปรุงการพยากรณ์โดยอาจจะเก็บข้อมูลเพิ่มเติม หรือใช้เทคนิคการพยากรณ์ใหม่

26. 1.การพยากรณ์เชิงปริมาณ (Quantitative methods) เป็นการพยากรณ์ที่ใช้ข้อมูลเชิงปริมาณ(ตัวเลข) ในอดีตเพื่อนำมาพยากรณ์ค่าในอนาคต ซึ่งแบ่งออกเป็น 2 ประเภท 1.1 การพยากรณ์แบบอนุกรมเวลา (Time series Forecasting) เป็นวิธีการคาดคะเนเหตุการณ์โดยใช้ข้อมูลต่างๆ ที่อยู่ในอดีตมาพยากรณ์ข้อมูลในอนาคต เช่น ใช้ข้อมูลยอดขายปี 2553-2564 เพื่อพยากรณ์ยอดขายปี 2565 1.2 การพยากรณ์เชิงสหสัมพันธ์(Casual Forecasting)ใช้ปัจจัยที่คาดว่าจะมีความสัมพันธ์กับตัวแปรที่จะพยากรณ์ เช่นการพยากรณ์ยอดขายต้องพิจารณาหาความสัมพันธ์ระหว่างยอดขายกับค่าโฆษณา รายได้ของประชากร สภาพสินค้า ฯลฯ การหาความสัมพันธ์ดังกล่าวจึงต้องใช้เทคนิคที่เรียกว่า การวิเคราะห์ความถดถอย และสหสัมพันธ์