Forecasting and its limitations

ยินดีต้อนรับสู่บทเรียนเรื่องการพยากรณ์ (Forecasting)!

สวัสดีครับ! ยินดีต้อนรับเข้าสู่ส่วนที่นำไปใช้งานได้จริงที่สุดส่วนหนึ่งของวิชา BA1 – Fundamentals of Business Economics คุณเคยสงสัยไหมว่าซูเปอร์มาร์เก็ตทราบได้อย่างไรว่าต้องสั่งนมกี่ลังสำหรับวันอังคารหน้า หรือบริษัทเทคโนโลยีตัดสินใจได้อย่างไรว่าจะต้องผลิตสมาร์ทโฟนกี่เครื่องล่วงหน้าถึงหกเดือน? พวกเขาไม่ได้ใช้ลูกแก้ววิเศษนะครับ แต่พวกเขาใช้สิ่งที่เรียกว่า การพยากรณ์ (Forecasting)

ในบทนี้ เราจะมาสำรวจกันว่าธุรกิจต่างๆ พยายามมองไปในอนาคตด้วยข้อมูลและตรรกะอย่างไร แม้ว่าเราจะไม่สามารถทำนายอนาคตได้อย่างแม่นยำ 100% (ถ้าทำได้จริง เราคงถูกรางวัลที่ 1 กันหมดแล้ว!) แต่การเข้าใจเครื่องมือเหล่านี้จะช่วยให้ผู้บริหารตัดสินใจได้ดีขึ้นมากครับ ถ้ารู้สึกว่าตัวเลขหรือ "แนวโน้ม (Trends)" ดูน่ากังวลใจในตอนแรก ไม่ต้องกังวลนะ... เราจะค่อยๆ อธิบายทุกอย่างไปทีละขั้นเองครับ!

1. การพยากรณ์คืออะไร?

พูดง่ายๆ เลย การพยากรณ์ (Forecasting) คือกระบวนการคาดการณ์อนาคตโดยอาศัยข้อมูลในอดีตและปัจจุบัน ในบริบทของเศรษฐศาสตร์ธุรกิจ มันคือการประเมินตัวแปรในอนาคต เช่น อุปสงค์ (Demand), ราคา (Prices) หรือ อัตราดอกเบี้ย (Interest rates) เพื่อนำมาใช้ในการวางแผน

หัวใจสำคัญ: เราพิจารณาสิ่งที่เกิดขึ้นเมื่อวานและวันนี้ เพื่อคาดคะเนอย่างมีหลักการว่าพรุ่งนี้จะเกิดอะไรขึ้นครับ

ประเภทของการพยากรณ์

โดยทั่วไปแล้วมีสองวิธีในการมองไปในอนาคต:

• การพยากรณ์เชิงคุณภาพ (Qualitative/Judgmental Forecasting): วิธีนี้อิงตามความคิดเห็น ประสบการณ์ และ "สัญชาตญาณ" เช่น การสอบถามคณะผู้เชี่ยวชาญว่าพวกเขาคิดว่าเศรษฐกิจในปีหน้าจะเป็นอย่างไร
• การพยากรณ์เชิงปริมาณ (Quantitative/Numerical Forecasting): วิธีนี้ใช้ข้อมูลย้อนหลังและโมเดลทางคณิตศาสตร์เข้ามาช่วย เช่น ถ้าเราขายได้ 100 หน่วยเมื่อเดือนที่แล้ว และ 110 หน่วยในเดือนนี้ เราอาจคำนวณได้ว่าเดือนหน้าเราน่าจะขายได้ 120 หน่วย

ทบทวนสั้นๆ: ทำไมเราต้องพยากรณ์?

เพื่อลด ความไม่แน่นอน (Uncertainty) ครับ แม้แต่การพยากรณ์ที่แม่นยำเพียงเล็กน้อยก็ยังดีกว่าการไม่พยากรณ์เลย เพราะมันช่วยให้ธุรกิจสามารถเตรียมทรัพยากร พนักงาน และการเงินให้พร้อมรับมือได้

2. การวิเคราะห์อนุกรมเวลา (Time-Series Analysis)

ในหลักสูตร CIMA BA1 การวิเคราะห์อนุกรมเวลา (Time-Series Analysis) เป็นส่วนสำคัญมากของ "บริบทเชิงข้อมูล (Informational Context)" อนุกรมเวลาก็คือชุดของข้อมูลที่ถูกบันทึกไว้เป็นช่วงเวลาที่แน่นอน (เช่น ยอดขายรายวัน หรืออัตราเงินเฟ้อรายเดือน)

เพื่อให้เข้าใจการพยากรณ์ เราต้องแยกข้อมูลออกเป็น 4 องค์ประกอบหลัก โดยใช้ตัวช่วยจำว่า "T-S-C-R" (Tom Sings Country Rock)

องค์ประกอบทั้งสี่:

1. แนวโน้ม (Trend - T): คือทิศทางหลักในระยะยาวของข้อมูล โดยรวมแล้วมันพุ่งขึ้น ลง หรือคงที่ตลอดหลายปีที่ผ่านมา?
ตัวอย่าง: การเพิ่มขึ้นในระยะยาวของการใช้บริการคลาวด์คอมพิวติ้ง

2. ความผันผวนตามฤดูกาล (Seasonal Variations - S): คือความผันผวนที่เกิดขึ้นซ้ำๆ เป็นประจำในช่วงเวลาที่แน่นอน ปกติมักเป็นรอบปี
ตัวอย่าง: ยอดขายครีมกันแดดที่พุ่งสูงขึ้นทุกฤดูร้อนและลดลงทุกฤดูหนาว

3. ความผันผวนตามวัฏจักร (Cyclical Variations - C): คือ "คลื่น" ระยะยาวที่เกิดจากสภาวะเศรษฐกิจในภาพรวม (ช่วงบูมและช่วงถดถอย) ต่างจากฤดูกาลตรงที่วัฏจักรนี้อาจกินเวลานานหลายปี
ตัวอย่าง: ตลาดที่อยู่อาศัยมักผ่านวัฏจักรหลายปีที่มีราคาสูงสลับกับช่วงที่ตลาดชะลอตัว

4. ความผันผวนแบบสุ่ม (Random/Residual Variations - R): คือเหตุการณ์ไม่คาดฝันที่ "เกิดขึ้นครั้งเดียว" และไม่อยู่ในรูปแบบที่คาดเดาได้
ตัวอย่าง: ยอดขายลดลงอย่างกะทันหันเพราะพายุหิมะถล่มจนร้านค้าต้องปิดทำการสองวัน

ข้อสรุปสำคัญ

ข้อมูลจริง = แนวโน้ม (Trend) + ฤดูกาล (Seasonal) + วัฏจักร (Cyclical) + สุ่ม (Random) เพื่อให้ได้การพยากรณ์ที่ชัดเจน ธุรกิจต่างๆ จะพยายาม "ปรับให้เรียบ (Smooth out)" ข้อมูลส่วนที่สุ่มออกไป เพื่อให้เห็นแนวโน้มที่แท้จริงนั่นเอง

3. เทคนิคการพยากรณ์ทั่วไป

เราจะทำคณิตศาสตร์เหล่านั้นอย่างไร? ไม่ต้องตื่นเต้นครับ สูตรมันง่ายกว่าที่เห็นเยอะ!

ค่าเฉลี่ยเคลื่อนที่ (Moving Averages)

ค่าเฉลี่ยเคลื่อนที่ ใช้เพื่อ "ปรับข้อมูลให้เรียบ" เพื่อลดความผันผวนระยะสั้นและเน้นให้เห็น แนวโน้ม (Trend) ที่แท้จริง โดยเราจะนำข้อมูลมาจัดกลุ่มแล้วหาค่าเฉลี่ย จากนั้นก็ "เลื่อน" ไปข้างหน้าด้วยการตัดข้อมูลที่เก่าที่สุดออกและเพิ่มข้อมูลใหม่ล่าสุดเข้ามาแทน

การเปรียบเทียบ: ลองนึกภาพว่าคุณกำลังติดตามน้ำหนักตัว น้ำหนักอาจขึ้นๆ ลงๆ รายวันตามมื้อเย็นที่คุณกิน การใช้วิธี "ค่าเฉลี่ยเคลื่อนที่ 7 วัน" จะช่วยให้คุณตัด "สัญญาณรบกวน (Noise)" รายวันออกไป และเห็นว่าคุณกำลังลดหรือเพิ่มน้ำหนักจริงๆ ในระยะยาว

การถดถอยเชิงเส้น (Linear Regression - เส้นที่เหมาะสมที่สุด)

นี่คือวิธีทางคณิตศาสตร์ในการหาความสัมพันธ์ระหว่างตัวแปรสองตัว ปกติคือ เวลา (x) และ ยอดขาย/มูลค่า (y) สูตรเป็นแบบนี้ครับ:

\( y = a + bx \)

• \( y \): ค่าที่เรากำลังพยากรณ์ (ตัวแปรตาม - Dependent Variable)
• \( a \): จุดตัดแกน (Intercept) คือจุดที่เส้นเริ่มต้นบนกราฟเมื่อเวลาเป็นศูนย์
• \( b \): ค่าความชัน (Gradient) คือจำนวนที่ \( y \) เปลี่ยนไปเมื่อ \( x \) เปลี่ยนไปหนึ่งหน่วย
• \( x \): ช่วงเวลา (ตัวแปรอิสระ - Independent Variable)

ข้อผิดพลาดที่ควรหลีกเลี่ยง: อย่าสับสนระหว่าง \( x \) กับ \( y \) นะครับ จำไว้ว่า เวลา (Time) มักจะเดินไปข้างหน้าไม่ว่าอะไรจะเกิดขึ้น (อิสระ) ในขณะที่ ยอดขาย (Sales) ขึ้นอยู่กับว่าเวลาผ่านไปนานเท่าใด (ตัวแปรตาม)

4. ข้อจำกัดของการพยากรณ์

แม้แต่นักเศรษฐศาสตร์ที่ฉลาดที่สุดก็ยังทำผิดพลาดได้ สิ่งสำคัญสำหรับการสอบคือต้องเข้าใจว่า ทำไม การพยากรณ์ถึงล้มเหลว เพราะโมเดลที่ดีที่สุดก็ทำได้ดีเท่ากับข้อมูลที่ป้อนเข้าไปเท่านั้น

ข้อจำกัดหลักๆ:

1. อดีตไม่ใช่กระจกเงาของอนาคตเสมอไป: นี่คือข้อจำกัดที่ใหญ่ที่สุด เพียงเพราะยอดขายเพิ่มขึ้นมาสามปี ไม่ได้หมายความว่าคู่แข่งรายใหม่จะไม่ก้าวเข้ามาในตลาดพรุ่งนี้แล้วทำลายแนวโน้มเดิมลง

2. ผลกระทบภายนอก (Black Swan Events): ไม่มีใครสามารถพยากรณ์เวลาและผลกระทบของโรคระบาดทั่วโลกหรือความขัดแย้งทางภูมิรัฐศาสตร์กะทันหันได้อย่างแม่นยำ ปัจจัย "สุ่ม" เหล่านี้ไม่สามารถคำนวณได้ง่ายๆ

3. คุณภาพของข้อมูล: ถ้าข้อมูลในอดีต "สกปรก" (มีข้อผิดพลาดหรือข้อมูลขาดหาย) การพยากรณ์ก็จะออกมาในรูปแบบ "ขยะเข้าก็ขยะออก (Garbage in, garbage out)"

4. ความล่าช้าของเวลา (Time Lag): กว่าเราจะเก็บรวบรวม วิเคราะห์ และรายงานผล โลกอาจเปลี่ยนไปแล้ว สิ่งนี้เรียกว่า ตัวบ่งชี้ล้าหลัง (Lagging indicator)

5. ความซับซ้อน: มนุษย์มักมีพฤติกรรมที่ไม่สมเหตุสมผล โมเดลเศรษฐศาสตร์มักตั้งสมมติฐานว่าคนใช้ตรรกะ แต่การซื้อด้วยอารมณ์หรือการตื่นตระหนกเทขายสามารถทำให้การพยากรณ์พังทลายได้

คุณทราบหรือไม่?

คำว่า "Black Swan Event" (ปรากฏการณ์หงส์ดำ) หมายถึงเหตุการณ์ที่เกิดขึ้นได้ยากมาก มีผลกระทบมหาศาล และมักถูกนำมาอธิบายย้อนหลังอย่างไม่ถูกต้องราวกับว่ามันเป็นเรื่องที่คาดเดาได้ สิ่งเหล่านี้คือศัตรูตัวฉกาจของนักพยากรณ์เลยล่ะครับ!

5. สรุปและเคล็ดลับส่งท้าย

สรุปบทเรียนเรื่องบริบทเชิงข้อมูลของธุรกิจ:

• การพยากรณ์ ช่วยให้ธุรกิจวางแผนได้ แต่ไม่มีวันแม่นยำ 100%
• การวิเคราะห์อนุกรมเวลา พิจารณาจาก แนวโน้ม, ฤดูกาล, วัฏจักร และความสุ่ม (TSCR)
• ค่าเฉลี่ยเคลื่อนที่ ช่วยปรับข้อมูลให้เรียบเพื่อหาแนวโน้ม
• การถดถอย (\( y = a + bx \)) คือคณิตศาสตร์เบื้องหลังการหา "เส้นที่เหมาะสมที่สุด"
• ข้อจำกัด: จำไว้ว่าการพยากรณ์ตั้งอยู่บนสมมติฐานว่าอนาคตจะเหมือนกับอดีต ซึ่งไม่เป็นความจริงเสมอไป!

ส่งท้ายให้กำลังใจ: ถ้าคณิตศาสตร์ในการถดถอยดูซับซ้อน ให้เน้นไปที่การทำความเข้าใจว่าตัวอักษรแต่ละตัวหมายถึงอะไร ในการสอบพวกเขามักจะให้คุณตีความ ความหมาย ของแนวโน้มมากกว่าให้คำนวณตัวเลขที่ยุ่งยากและยาวเหยียด คุณทำได้แน่นอนครับ!