การพยากรณ์ยอดขายรถยนต์ไฟฟ้าในประเทศไทย เพื่อวางกลยุทธ์ในการเพิ่มยอดขายภายใต้ภาวะการแข่งขันสูง
คำสำคัญ:
ตัวแบบการพยากรณ์, การวิเคราะห์อนุกรมเวลา, การแยกส่วนประกอบอนุกรมเวลา, ความแม่นยำของการพยากรณ์บทคัดย่อ
บทความนี้นำเสนอวิธีการสร้างตัวแบบยอดขายรถยนต์ไฟฟ้าในประเทศไทย เพื่อวางกลยุทธ์ในการเพิ่มยอดขายภายใต้ภาวการณ์แข่งขันสูง โดยมีวัตถุประสงค์ เพื่อหาตัวแบบการพยากรณ์ที่เหมาะสมที่สุดสำหรับการพยากรณ์ยอดขายรถยนต์ไฟฟ้าในประเทศไทย โดยเก็บข้อมูลตั้งแต่ปี 2560-2564 โดยใช้การวิเคราะห์ ข้อมูลแบบอนุกรมเวลา (Time-Series Models) ด้วยวิธี Decomposition วิธี Moving Average วิธี Single Exponential Smoothing วิธีDouble Exponential Smoothing วิธี Winters’ Exponential Smoothing ผ่านการใช้โปรแกรม Minitab จะประเมินจากผลของค่าความคลาดเคลื่อนของค่าเฉลี่ยของเปอร์เซ็นต์ความผิดพลาดสมบูรณ์ (MAPE) ค่าเฉลี่ยของเปอร์เซ็นต์ความผิดพลาด (MAD) ค่าความผิดพลาดค่าเฉลี่ยความเบี่ยงเบนกําลังสอง (MSD) วิธีการพยากรณ์ที่เหมาะสมสำหรับตัวแบบยอดขายรถยนต์ไฟฟ้าในประเทศไทย คือ Moving Average ซึ่งให้ค่าความคลาดเคลื่อนที่ต่ำที่สุด และใช้วิธีการพยากรณ์ดังกล่าวพยากรณ์เป็นกรณีศึกษาในอีก 5 ปีข้างหน้า เพื่อใช้ประกอบการวางแผนและการตัดสินใจเชิงกลยุทธ์ต่อไป
References
กรมการขนส่งทางบก, กลุ่มสถิติการขนส่ง. (2565). ข้อมูลการสถิติจำนวนรถยนต์จดทะเบียนใหม่ปริมาณยอดขายรถยนต์ไฟฟ้าในประเทศไทย จำแนกตามชนิดเชื้อเพลิง (ไฟฟ้า). สืบค้น 20 กันยายน 2565, จาก https://web.dlt.go.th/statistics/
การวิจัยกรุงศรีแนวโน้มธุรกิจ/อุตสาหกรรม ปี 2566-2568: อุตสาหกรรมรถยนต์. สืบค้น 23 กรกฎาคม 2566, จาก https://www.krungsri.com/th/research/industry/industry-outlook/hi-tech-industries/auto-parts/io/auto-parts-2023-2025
สมาคมรถยนต์ไฟฟ้าไทย. (2565). รายงานประจำปี 2565. สืบค้น 23 กรกฎาคม 2566, จาก http://www.evat.or.th/16803970/evat-directory
สํานักงานส่งเสริมวิสาหกิจขนาดกลางและขนาดย่อม. (2562). ยุทธศาสตร์และแผนปฏิบัติการส่งเสริมวิสาหกิจขนาดกลางและขนาดย่อม อุตสาหกรรม ยานยนต์ไฟฟ้า. สืบค้นจาก https://www.sme.go.th/upload/mod_download/download-20191022083111.pdf
Barbosar, N. (2015). Demand forecasting for production planning in a food company. ARPN Journal of Engineering and Applied Sxiences, 10(16), 7137-7141.
Cranage, D. A., & Andrew, W. P. (1992). A comparison of time series and econometric models for forecasting restaurant sales. International Journal of Hospitality Management, 11, 129-142.
Hansun, S. (2016). A new approach of brown’s double exponential smoothing method in time series analysis. Balkan Journal of Electrical & Computer Engineering, 4(2), 75-78.
Li, X. (2013). Comparison and analysis between holt exponential smoothing and brown exponential smoothing used for freight turnover forecasts, Third International Conference on Intelligent System Design and Engineering Applications (pp. 453-456). Hong Kong: Institute of Electrical and Electronics Engineers.
Nazim, A. & Afthanorhan, A. (2014). A comparison between Single Exponential Smoothing (SES), Double Exponential Smoothing (DES), holt’s (brown) and Adaptive Response Rate Exponential Smoothing (ARRES) techniques in forecasting Malaysia population. Global Journal of Mathematical Analysis, 2(4), 276-280.
Wongrawang, N. (2013). Opimal fabric inventory management for textile industry (Master’s Thesis). Nakhonpathom: Silpakorn University.
