ยินดีต้อนรับสู่เทคนิคการวิเคราะห์ในการจัดทำงบประมาณ!

สวัสดี! การจัดทำงบประมาณไม่ใช่แค่การสุ่มตัวเลขขึ้นมาลอยๆ นะ ในการสอบวิชา Performance Management (PM) คุณจำเป็นต้องรู้วิธีการนำข้อมูลในอดีตมาใช้พยากรณ์อนาคต ให้มองว่าบทนี้คือ "ลูกแก้ววิเศษ" ที่จะช่วยคุณวางแผน เราจะมาสำรวจวิธีใช้คณิตศาสตร์และข้อมูลเพื่อให้งบประมาณของคุณแม่นยำและน่าเชื่อถือมากขึ้น ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ เราจะค่อยๆ ย่อยทุกอย่างให้เข้าใจง่ายทีละขั้นตอน!

1. ข้อมูลขนาดใหญ่ (Big Data) และการวิเคราะห์ข้อมูล (Data Analytics)

ในโลกธุรกิจยุคปัจจุบัน เรามีข้อมูลมหาศาลกว่าแต่ก่อนมาก สิ่งนี้เรียกว่า Big Data ในการจัดทำงบประมาณ เราใช้ Data Analytics เพื่อค้นหารูปแบบ (Pattern) ในข้อมูลเหล่านี้ เพื่อให้เราสามารถพยากรณ์ยอดขายหรือต้นทุนได้อย่างแม่นยำขึ้น

องค์ประกอบ 4Vs ของ Big Data

วิธีจำว่าอะไรคือสิ่งที่ทำให้ข้อมูลกลายเป็น "Big Data" ให้จำ 4Vs นี้ไว้เลย:

  • Volume (ปริมาณ): คือจำนวนมหาศาลของข้อมูล (หน่วยเป็นเทราไบต์หรือเพตาไบต์!)
  • Velocity (ความเร็ว): ความเร็วในการเกิดข้อมูลใหม่ๆ (ลองนึกถึงโพสต์ในโซเชียลมีเดียหรือรายการรูดบัตรเครดิตที่เกิดขึ้นตลอดเวลา)
  • Variety (ความหลากหลาย): ข้อมูลประเภทต่างๆ ที่รวมกัน (วิดีโอ, ข้อความ, ตัวเลข, พิกัด GPS)
  • Veracity (ความถูกต้องแม่นยำ): "ความจริง" หรือความน่าเชื่อถือของข้อมูลนั้นๆ

มันช่วยในการจัดทำงบประมาณได้อย่างไร?

แทนที่จะดูแค่ยอดขายของปีที่แล้ว บริษัทสามารถใช้ Big Data เพื่อดูแนวโน้มสภาพอากาศ กระแสโซเชียลมีเดีย และราคาคู่แข่ง เพื่อพยากรณ์ยอดขายในเดือนหน้าได้ สิ่งนี้ทำให้งบประมาณมีความ เชิงรุก (Proactive) มากกว่า เชิงรับ (Reactive)

ทบทวนสั้นๆ: Big Data ช่วยให้เราลดความไม่แน่นอนได้ แต่การจัดเก็บและวิเคราะห์ก็มีต้นทุนที่สูงเช่นกัน

2. การวิเคราะห์อนุกรมเวลา (Time Series Analysis)

อนุกรมเวลา (Time Series) ก็คือชุดของตัวเลขที่ถูกบันทึกไว้ตามช่วงเวลา (เช่น ยอดขายรายเดือนย้อนหลัง 3 ปี) เรานำข้อมูลเหล่านี้มาวิเคราะห์เพื่อหารูปแบบที่เกิดขึ้น

องค์ประกอบทั้ง 4 ของอนุกรมเวลา

  1. แนวโน้ม (Trend - T): ทิศทางการเคลื่อนไหวระยะยาว (โดยรวมแล้วมันขึ้น ลง หรือคงที่?)
  2. ความผันผวนตามฤดูกาล (Seasonal Variations - S): ความผันผวนที่เกิดขึ้นซ้ำๆ ภายในรอบปี (เช่น ยอดขายครีมกันแดดที่สูงขึ้นในหน้าร้อน)
  3. ความผันผวนตามวัฏจักร (Cyclical Variations - C): คลื่นเศรษฐกิจระยะยาว (เช่น วิกฤตเศรษฐกิจที่มักเกิดขึ้นทุกๆ 10 ปี) หมายเหตุ: หัวข้อนี้ไม่ค่อยพบในการสอบ PM
  4. ความผันผวนแบบสุ่ม (Random Variations - R): เหตุการณ์ที่ไม่คาดคิดหรือเกิดขึ้นครั้งเดียว (เช่น พายุหิมะฉับพลันที่ทำให้ต้องปิดร้านหนึ่งวัน)

ค่าเฉลี่ยเคลื่อนที่ (Moving Averages)

ในการหา แนวโน้ม (Trend) เราจำเป็นต้อง "เกลี่ย" ความผันผวนขึ้นลงตามฤดูกาลออกไป โดยใช้วิธี ค่าเฉลี่ยเคลื่อนที่ (Moving Averages)

ตัวอย่าง: ถ้าคุณมีข้อมูลรายไตรมาส ให้คำนวณค่าเฉลี่ยของ 4 ไตรมาสแรก แล้วขยับลงมาหนึ่งแถวเพื่อคำนวณ 4 ไตรมาสถัดไป ทำแบบนี้ไปเรื่อยๆ วิธีนี้จะช่วย "หักล้าง" จุดสูงสุดและจุดต่ำสุดตามฤดูกาลออกไปได้

การหาค่าความผันผวนตามฤดูกาล (Seasonal Variation)

เมื่อคุณได้ค่าแนวโน้ม (T) แล้ว ให้เปรียบเทียบกับข้อมูลจริง (Actual - A):

  • แบบบวก (Additive Model): \( Actual = T + S + R \) ดังนั้น \( S = Actual - T \)
  • แบบคูณ (Multiplicative Model): \( Actual = T \times S \times R \) ดังนั้น \( S = Actual / T \)

ข้อผิดพลาดที่พบบ่อย: นักศึกษามักลืมว่า ค่าความผันผวนตามฤดูกาล (S) เมื่อรวมกันตลอดทั้งรอบแล้ว จะต้องเท่ากับ 0 ในแบบบวก หรือเฉลี่ยได้ 1.0 (หรือ 100%) ในแบบคูณ ถ้าไม่เป็นไปตามนี้ คุณต้องปรับค่าใหม่!

3. การวิเคราะห์การถดถอยเชิงเส้น (Linear Regression)

การถดถอยเชิงเส้น (Linear Regression) คือวิธีทางคณิตศาสตร์ในการหา "เส้นที่เหมาะสมที่สุด" (Line of best fit) ระหว่างตัวแปรสองตัว (ปกติคือปริมาณงานกับต้นทุน) โดยใช้สูตรสมการเส้นตรง:

\( y = a + bx \)

ตัวแปรแต่ละตัวหมายถึงอะไร?

  • \( y \): ต้นทุนรวม (ตัวแปรตาม)
  • \( a \): ต้นทุนคงที่ (จุดตัดแกน Y)
  • \( b \): ต้นทุนผันแปรต่อหน่วย (ความชันของเส้น)
  • \( x \): ระดับกิจกรรม (จำนวนหน่วย)

ขั้นตอนการทำข้อสอบ:
1. ใช้สูตรสำหรับหา \( a \) และ \( b \) ที่โจทย์ให้มา (ปกติจะมีให้ในกระดาษสูตรสอบ)
2. คำนวณหาค่า \( b \) ก่อน
3. นำค่า \( b \) ไปแทนเพื่อหาค่า \( a \)
4. นำค่า \( x \) (ระดับกิจกรรมในอนาคต) ไปแทนเพื่อพยากรณ์ต้นทุนรวม \( y \)

สัมประสิทธิ์สหสัมพันธ์ (Correlation Coefficient - r)

ค่านี้บอกเราว่าความสัมพันธ์ระหว่าง \( x \) และ \( y \) "แข็งแกร่ง" แค่ไหน

  • +1: สหสัมพันธ์เชิงบวกที่สมบูรณ์ (แปรผันตามกัน)
  • -1: สหสัมพันธ์เชิงลบที่สมบูรณ์ (แปรผันตรงข้ามกัน)
  • 0: ไม่มีความสัมพันธ์กันเลย

สัมประสิทธิ์การตัดสินใจ (Coefficient of Determination - \( r^2 \))

คือนำค่า \( r \) มายกกำลังสอง มันบอกเราว่าการเปลี่ยนแปลงของ \( y \) เป็นกี่เปอร์เซ็นต์ ที่อธิบายได้ด้วยการเปลี่ยนแปลงของ \( x \)
ตัวอย่าง: ถ้า \( r^2 = 0.80 \) หมายความว่า 80% ของต้นทุนรวมถูกขับเคลื่อนโดยปริมาณการผลิต ส่วนอีก 20% เกิดจากปัจจัยอื่น (เช่น เงินเฟ้อ หรือโชค)

4. เส้นการเรียนรู้ (Learning Curves)

รู้หรือไม่? ครั้งแรกที่คุณทำงานชิ้นหนึ่ง คุณจะใช้เวลานาน พอทำครั้งที่สอง คุณจะเร็วขึ้น นี่คือผลของ Learning Curve ในทางธุรกิจ เมื่อปริมาณการผลิตสะสมเพิ่มขึ้นเป็นสองเท่า เวลาเฉลี่ยสะสมต่อหน่วย จะลดลงในอัตราร้อยละที่คงที่

สูตรการคำนวณ

\( Y = ax^b \)

  • \( Y \): เวลาเฉลี่ยสะสม (หรือต้นทุนเฉลี่ย) ต่อหน่วย
  • \( a \): เวลา (หรือต้นทุน) ที่ใช้สำหรับหน่วย แรก
  • \( x \): จำนวนหน่วยสะสม
  • \( b \): ดัชนีการเรียนรู้ (คำนวณได้จาก \( \frac{\log(\text{learning rate})}{\log(2)} \))

การเรียนรู้จะหยุดเมื่อไหร่?

การเรียนรู้ไม่ได้คงอยู่ตลอดไป! มันจะหยุดลงเมื่อ:
1. กระบวนการผลิตถูก ควบคุมด้วยเครื่องจักร (Machine-paced)
2. แรงงานถึงจุด คงที่ (Steady state) (เร็วไปกว่านี้ไม่ได้แล้ว)
3. มี อัตราการเข้าออกของพนักงานสูง (พนักงานใหม่ต้องเริ่มนับการเรียนรู้ใหม่ตั้งแต่ต้น)

ประเด็นสำคัญ: เส้นการเรียนรู้ใช้กับงานที่ ซับซ้อน งานใหม่ และใช้แรงงานเข้มข้น ไม่สามารถใช้กับงานง่ายๆ หรือระบบอัตโนมัติได้

5. ค่าคาดหมาย (Expected Values - Probability)

เมื่ออนาคตมีความไม่แน่นอน เราสามารถใช้ ค่าคาดหมาย (EV) เพื่อหาค่าเฉลี่ยถ่วงน้ำหนักของผลลัพธ์ที่เป็นไปได้ทั้งหมด

สูตร: \( EV = \sum px \)
(หมายถึง: นำผลลัพธ์ที่เป็นไปได้แต่ละอย่าง คูณด้วยโอกาสเกิด แล้วนำมารวมกัน)

ตัวอย่าง:

ถ้ามีโอกาส 60% ที่จะได้กำไร $10,000 และโอกาส 40% ที่จะได้ $5,000:
\( EV = (0.60 \times 10,000) + (0.40 \times 5,000) = 6,000 + 2,000 = \$8,000 \)

\n\n

ข้อจำกัดที่สำคัญ:

\n
    \n
  • EV เป็น ค่าเฉลี่ยระยะยาว ซึ่งอาจเป็นค่าที่ไม่มีโอกาสเกิดขึ้นจริงเลยก็ได้ (ในตัวอย่างข้างบน คุณจะไม่มีวันทำกำไรได้ $8,000 เป๊ะๆ)
  • มันละเลยเรื่อง ความเสี่ยง (Risk) ไม่ได้บอกว่าผลลัพธ์มีการกระจายตัวกว้างแค่ไหน
  • ใช้ได้ดีกับกรณีที่ต้องตัดสินใจใน เหตุการณ์ที่เกิดขึ้นซ้ำๆ เท่านั้น

ทบทวนสั้นๆ: ใช้ EV สำหรับผู้ที่ "เป็นกลางต่อความเสี่ยง" แต่สำหรับผู้ที่ "ชอบความเสี่ยง" หรือ "กลัวความเสี่ยง" คุณอาจต้องใช้วิธีอื่น (เช่น Maximin หรือ Maximax)

สรุปภาพรวม (The "Big Picture")

วิธีพิชิตบทนี้ในการสอบ ACCA PM:

  • ใช้ Big Data เพื่อเข้าใจบริบทการพยากรณ์ยุคใหม่
  • ใช้ Time Series เพื่อจัดการกับความผันผวนตามฤดูกาล
  • ใช้ Linear Regression เพื่อแยกต้นทุนคงที่และผันแปร
  • ใช้ Learning Curves สำหรับงานใหม่ที่ใช้แรงงานเยอะ
  • ใช้ Expected Values เพื่อรับมือกับความไม่แน่นอน

ไม่ต้องกังวลถ้าสูตรดูน่ากลัวในตอนแรก! ลองฝึกทำโจทย์จากชุดติวสัก 2-3 ข้อ แล้วคุณจะเห็นว่ามันใช้แพทเทิร์นเดิมตลอด คุณทำได้อยู่แล้ว!