ยินดีต้อนรับสู่โลกแห่งการพยากรณ์ (Forecasting)!
สวัสดีครับ! ยินดีต้อนรับเข้าสู่บทเรียนที่นำไปใช้ได้จริงมากที่สุดบทหนึ่งในการเดินทางของวิชา P1 คุณเคยสงสัยไหมว่าธุรกิจต่างๆ ตัดสินใจได้อย่างไรว่าต้องซื้อสต็อกสินค้าเท่าไหร่สำหรับช่วงคริสต์มาส หรือต้องจ้างพนักงานเพิ่มกี่คนสำหรับเทศกาลลดราคาช่วงซัมเมอร์? พวกเขาไม่ได้แค่เดาสุ่มนะครับ แต่พวกเขาใช้สิ่งที่เรียกว่า การพยากรณ์ (Forecasting)
ในบทนี้เรากำลังเข้าสู่ส่วนที่ว่าด้วยเรื่อง "การจัดทำงบประมาณและการควบคุมงบประมาณ" ในหลักสูตร CIMA ของคุณ ก่อนที่เราจะกำหนดงบประมาณ (ซึ่งคือแผนงาน) ได้ เราจำเป็นต้องมีการพยากรณ์ (ซึ่งคือการคาดการณ์) เสียก่อน ลองนึกภาพตามนี้นะครับ: การพยากรณ์ เหมือนพยากรณ์อากาศที่บอกว่าฝนอาจจะตก ส่วน งบประมาณ คือการที่คุณตัดสินใจพกร่มและสวมเสื้อกันฝนติดตัวไปนั่นเอง มาเริ่มลุยกันเลย!
1. การพยากรณ์คืออะไรกันแน่?
การพยากรณ์คือกระบวนการทำนายเหตุการณ์ในอนาคตโดยอาศัยข้อมูลจากอดีตและปัจจุบัน ในทางบัญชีบริหาร เรามักจะพยากรณ์ในเรื่องต่างๆ เช่น ปริมาณยอดขาย, ราคาวัตถุดิบ หรือจำนวนชั่วโมงแรงงาน
ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ! การพยากรณ์ส่วนใหญ่ก็คือการมองหารูปแบบที่เกิดขึ้นซ้ำๆ ถ้าคุณรู้ว่ายอดขายกาแฟของคุณในเดือนมกราคมมักจะสูงกว่าเดือนกรกฎาคมเสมอ นั่นแหละครับคุณได้เริ่มทำการพยากรณ์แล้ว
2. การวิเคราะห์อนุกรมเวลา (Time Series Analysis)
อนุกรมเวลา (Time Series) คือชุดของข้อมูลที่เก็บรวบรวมตามช่วงเวลาที่กำหนดไว้ (เช่น ยอดขายรายเดือนย้อนหลังสามปี) เวลาที่เราดูข้อมูลอนุกรมเวลา เราจะมองหา "ส่วนประกอบ" หลัก 4 อย่างที่ประกอบกันขึ้นเป็นข้อมูล:
A. แนวโน้ม (Trend)
แนวโน้ม (Trend) คือทิศทางการเคลื่อนไหวของข้อมูลในระยะยาว ว่าโดยรวมแล้วมันกำลังพุ่งขึ้น, ดิ่งลง หรือค่อนข้างคงที่? ตัวอย่างเช่น: บริษัทเทคโนโลยีอาจเห็นแนวโน้มยอดขายสมาร์ทโฟนที่ค่อยๆ เพิ่มสูงขึ้นอย่างต่อเนื่องตลอดห้าปี
B. ความผันแปรตามฤดูกาล (Seasonal Variations - SV)
คือความผันผวนระยะสั้นที่เกิดขึ้นซ้ำๆ อย่างสม่ำเสมอ แม้จะมีแนวโน้มโดยรวมไปในทิศทางใดทิศทางหนึ่ง แต่ในหนึ่งปีอาจจะมีช่วงที่ยอดพุ่งสูงขึ้นหรือลดต่ำลงได้
ตัวอย่างเช่น: ร้านขายของเล่นจะมีช่วงที่ยอดขายพุ่งสูงมากในเดือนธันวาคม (คริสต์มาส) และมียอดตกลงในช่วงเดือนกุมภาพันธ์
C. ความผันแปรตามวัฏจักร (Cyclical Variations)
คือ "คลื่น" ระยะยาวที่เกิดจากสภาพเศรษฐกิจ (เช่น ช่วงเศรษฐกิจตกต่ำหรือช่วงขาขึ้น) ความผันแปรนี้มักจะกินระยะเวลาหลายปี ไม่เหมือนกับความผันแปรตามฤดูกาลที่เกิดขึ้นภายในปีเดียว
D. ความผันแปรแบบสุ่ม (Random/Residual Variations)
คือเหตุการณ์ที่เกิดขึ้น "ครั้งเดียว" ซึ่งเราไม่สามารถคาดเดาได้
ตัวอย่างเช่น: พายุหิมะที่จู่ๆ ก็พัดถล่มจนทำให้ร้านของคุณต้องปิดให้บริการไปสองวัน
สรุปทบทวนเร็วๆ:
• Trend: ทิศทางระยะยาว
• Seasonal: รูปแบบระยะสั้นที่เกิดขึ้นสม่ำเสมอ (รายวัน, รายสัปดาห์ หรือรายเดือน)
• Random: สิ่งรบกวนที่คาดเดาไม่ได้
3. การค้นหาแนวโน้ม: ค่าเฉลี่ยเคลื่อนที่ (Moving Averages)
บางครั้งข้อมูลดิบอาจดู "กระโดด" ไปมาบนกราฟ เพื่อให้เห็น แนวโน้ม (Trend) ที่แท้จริง เราจึงใช้ ค่าเฉลี่ยเคลื่อนที่ (Moving Averages) เพื่อ "เกลี่ย" ความผันผวนตามฤดูกาลออกไป
กระบวนการคือ:
1. เลือกกลุ่มของช่วงเวลา (เช่น 4 ไตรมาส)
2. คำนวณหาค่าเฉลี่ยของกลุ่มนั้น
3. ขยับไปช่วงถัดไปแล้วคำนวณค่าเฉลี่ยของกลุ่มใหม่
4. หากคุณใช้จำนวนช่วงเวลาที่เป็นเลขคู่ (เช่น 4 ไตรมาส) คุณต้องทำการ "ปรับค่ากึ่งกลาง" (second centering) เพื่อให้ค่าเฉลี่ยนั้นตรงกับช่วงเวลาที่เจาะจงพอดี
ประเด็นสำคัญ: ค่าเฉลี่ยเคลื่อนที่ช่วยให้เรากำจัด "เสียงรบกวน" ของความผันผวนตามฤดูกาลออกไป เพื่อให้เห็นว่าธุรกิจกำลังเติบโตหรือถดถอยจริงๆ ในระยะยาว
4. การจัดการกับความผันแปรตามฤดูกาล
เมื่อเราได้แนวโน้มแล้ว เราต้องดูว่า "ฤดูกาล" มีผลต่อตัวเลขของเรามากน้อยเพียงใด ซึ่งมีสองโมเดลที่คุณต้องรู้จัก:
โมเดลบวก (Additive Model)
เราสมมติว่าความผันแปรตามฤดูกาลเป็นจำนวนค่าคงที่
สูตร: \(Actual = Trend + Seasonal Variation\)
ถ้าแนวโน้มสำหรับเดือนธันวาคมคือ 1,000 หน่วย และความผันแปรตามฤดูกาลคือ +200 ยอดพยากรณ์จะเป็น 1,200 ถ้าความผันแปรสำหรับเดือนมกราคมคือ -100 ยอดพยากรณ์จะเป็น 900
โมเดลคูณ (Multiplicative Model)
เราสมมติว่าความผันแปรตามฤดูกาลเป็นเปอร์เซ็นต์ของแนวโน้ม ซึ่งมักจะสมจริงกว่าเพราะเมื่อธุรกิจเติบโตขึ้น ช่วงพีกตามฤดูกาลก็มักจะขยายตัวตามไปด้วย
สูตร: \(Actual = Trend \times Seasonal Variation Factor\)
ถ้าแนวโน้มคือ 1,000 และปัจจัยคือ 1.2 (หรือ 120%) ยอดพยากรณ์จะเป็น 1,200 หากในเวลาต่อมาแนวโน้มโตขึ้นเป็น 2,000 ปัจจัยเดิมจะให้ยอดพยากรณ์เป็น 2,400
เคล็ดลับสำคัญ: ในข้อสอบ ถ้าคุณเห็นว่าความผันแปรตามฤดูกาลมีค่ามากขึ้นเรื่อยๆ ตามแนวโน้มที่สูงขึ้น ให้สันนิษฐานว่าเป็น โมเดลคูณ (Multiplicative Model)
5. การถดถอยเชิงเส้น (Linear Regression - Least Squares Method)
การวิเคราะห์การถดถอยเป็นวิธีการทางคณิตศาสตร์เพื่อหา "เส้นที่เหมาะสมที่สุด" (Line of Best Fit) โดยใช้สมการเส้นตรง:
\(y = a + bx\)
โดยที่:
• \(y\) = มูลค่ารวมที่เรากำลังจะพยากรณ์ (เช่น ต้นทุนรวม)
• \(a\) = จุดที่เส้นตัดกับแกน y (ต้นทุนคงที่)
• \(b\) = ความชันของเส้น (ต้นทุนผันแปรต่อหน่วย)
• \(x\) = ตัวแปรอิสระ (เช่น จำนวนหน่วยที่ผลิต)
รู้หรือไม่? ในการสอบ P1 คุณมักไม่จำเป็นต้องคำนวณหาค่า \(a\) และ \(b\) จากศูนย์ด้วยสูตรยาวๆ (ถึงแม้จะมีให้ในเอกสารสูตรก็ตาม) ส่วนใหญ่โจทย์มักจะให้คุณ ตีความผลลัพธ์ หรือใช้ค่า \(a\) และ \(b\) ที่โจทย์ให้มาเพื่อพยากรณ์ค่า \(y\) ในอนาคตมากกว่า
ข้อผิดพลาดที่พบบ่อย:
อย่า ประมาณการนอกช่วงข้อมูล (Extrapolate) ไกลเกินไป! การประมาณการนอกช่วงข้อมูล หมายถึงการทำนายอนาคตที่อยู่นอกเหนือช่วงของข้อมูลที่คุณมี หากคุณมีข้อมูลยอดผลิตที่ 10 ถึง 100 หน่วย การใช้สมการถดถอยไปพยากรณ์ต้นทุนของ 1,000,000 หน่วยนั้นอันตรายมาก เพราะ "กฎ" ของธุรกิจอาจเปลี่ยนไปโดยสิ้นเชิงในระดับขนาดนั้น!
6. สหสัมพันธ์ (Correlation): การพยากรณ์ของคุณเชื่อถือได้แค่ไหน?
การลากเส้นบนกราฟไม่ได้หมายความว่าเส้นนั้นจะแม่นยำเสมอไป เราใช้ตัววัดสองค่าเพื่อดูว่าความสัมพันธ์ระหว่าง \(x\) และ \(y\) แข็งแกร่งเพียงใด:
สัมประสิทธิ์สหสัมพันธ์ (Correlation Coefficient - \(r\))
ใช้วัด ความแข็งแกร่ง และ ทิศทาง ของความสัมพันธ์
• \(r = +1\): สหสัมพันธ์เชิงบวกที่สมบูรณ์แบบ (เคลื่อนไหวไปในทิศทางเดียวกันเป๊ะ)
• \(r = -1\): สหสัมพันธ์เชิงลบที่สมบูรณ์แบบ (เมื่อตัวหนึ่งขึ้น อีกตัวหนึ่งจะลง)
• \(r = 0\): ไม่มีความสัมพันธ์กันเลย (ข้อมูลกระจายตัวแบบสุ่ม)
สัมประสิทธิ์การตัดสินใจ (Coefficient of Determination - \(r^2\))
อันนี้คือค่าโปรดของผมเลยครับเพราะอธิบายง่ายมาก ถ้าคุณนำ \(r\) มายกกำลังสอง คุณจะได้ \(r^2\) ซึ่งบอกเราว่า เปอร์เซ็นต์ ของการเปลี่ยนแปลงใน \(y\) นั้นเกิดจากการเปลี่ยนแปลงใน \(x\) มากน้อยแค่ไหน
ตัวอย่างเช่น: ถ้า \(r = 0.9\) ดังนั้น \(r^2 = 0.81\) (หรือ 81%) หมายความว่า 81% ของการเปลี่ยนแปลงในต้นทุนสามารถอธิบายได้ด้วยจำนวนหน่วยที่ผลิต ส่วนอีก 19% ที่เหลือเกิดจากปัจจัยอื่นๆ
สรุปทบทวนเร็วๆ:
• \(r^2\) สูง = การพยากรณ์เชื่อถือได้มาก
• \(r^2\) ต่ำ = เชื่อถือไม่ค่อยได้; อย่าเพิ่งปักใจเชื่อตัวเลขการพยากรณ์มากนัก!
7. สรุปคำศัพท์สำคัญ
Forecasting: การทำนายอนาคตโดยใช้ข้อมูลย้อนหลัง
Trend: ทิศทางหลักในระยะยาว
Seasonal Variation: รูปแบบที่เกิดขึ้นซ้ำๆ ในระยะสั้น
Regression: เครื่องมือทางคณิตศาสตร์เพื่อหาความสัมพันธ์ \(y = a + bx\)
Correlation (\(r\)): ความ "แน่น" ของความสัมพันธ์ระหว่างสองสิ่ง
\(r^2\): สัดส่วนของความผันแปรที่โมเดลของเราอธิบายได้จริง
คำส่งท้าย
การพยากรณ์อาจจะดูเต็มไปด้วยตัวเลขคณิตศาสตร์ แต่ในการสอบ P1 สิ่งสำคัญมักจะเป็นความเข้าใจใน แนวคิด (Concepts) ครับ จำไว้ว่า: Trend คือภาพรวม, Seasonal Variation คือความ "หยัก" รอบๆ แนวโน้มนั้น และ Regression ก็แค่วิธีเท่ๆ ในการลากเส้นผ่านข้อมูลทั้งหมด คุณทำได้อยู่แล้วครับ!