การพยากรณ์การรับบริการของลูกค้าในศูนย์บริการค้าปลีก

บทคัดย่อ

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์เพื่อพยากรณ์ปริมาณลูกค้าที่เข้ามาใช้บริการในศูนย์บริการค้าปลีกเพื่อช่วยแก้ปัญหาในการวางแผนกำลังคนในการให้บริการให้สามารถรองรับปริมาณลูกค้าได้อย่างมีประสิทธิภาพซึ่งผู้วิจัยได้ทำการศึกษาวิธีการพยากรณ์แบบอนุกรมเวลาตัวอย่างเช่นวิธีการแยกส่วนประกอบ บ็อกซ์เจนคินส์และอารีม่า สำหรับนำเสนอตัวแบบที่เหมาะสมสำหรับแก้ปัญหาที่เกิดขึ้นในข้างต้น โดยงานวิจัยเริ่มต้นจากรวบรวมข้อมูลที่จำเป็นและวิเคราะห์ลักษณะข้อมูลปริมาณลูกค้าที่เข้ามาใช้บริการในแต่ละวันและแต่ละช่วงเวลาของวันโดยจะแบ่งออกเป็น 22 ช่วงเวลาจากนั้นจึงหาแบบจำลองที่เหมาะสมกับข้อมลูในแต่ละประเภทของการให้บริการ โดยใช้วิธีการพยากรณ์แบบแยกส่วนประกอบอนุกรมเวลา การพยากรณ์แบบแยกส่วนประกอบอนุกรมเวลาที่มีการปรับปรุงการพยากรณ์โดยการตัดเหตุการณ์และวิธีการพยากรณ์แบบบ็อกซ์เจนคินส์ ผลการศึกษาพบว่าการพยากรณ์ข้อมูลลูกค้าตามลักษณะการเข้ามาทำรายการของลูกค้าและการตัดเหตุการณ์ไม่ปกติออกทำให้การพยากรณ์มีความแม่นยำมากขึ้นโดยความคาดเคลื่อน MAPE ลดลง 2% ถึง 7% และพบว่าการพยากรณ์แบบแยกส่วนประกอบเมื่อทำการตัดเหตุการณ์ไม่ปกติออกทำให้มีความแม่นยำมากขึ้นเทียบเท่ากับการพยากรณ์แบบบ็อกซ์เจนคินส์ ซึ่งเป็นวิธีการที่ใช้เวลานานกว่า

คำสำคัญ: การพยากรณ์ อารีม่า แยกส่วนประกอบ

Abstract

The objective of this research is to predict theaverage number of customers served per day at aretail center so that manpower arrangements can beefficiently planned. We propose suitable models basedon time series forecasting methods to overcome theproblem. Utilized techniques include separation ofcomponents, Box-Jenkins and ARIMA methods. Theresearch starts with data collection and an analysisof customer arrival patterns throughout the day.The arrival-time data can be divided daily into 22periods, 30-minute interval each. Several models are evaluated to fit the data for each type of service.Then, the results obtained from decomposition,decomposition with some data fitted and Box-Jenkinsmethods are compared. The decomposition method isfound to be superior to the others in estimating moreaccurate forecasts, whereby the MAPE componentdecreases by 2 to 7 percent. Furthermore, removingsome special cases from the given data has beenobserved to better improve the forecasting performancewhile reducing computation time.

Keywords: Forecasting, ARIMA, Decomposition