การเปรียบเทียบรูปแบบการจัดกลุ่มและตัวแบบพยากรณ์ที่เหมาะสมที่สุดสำหรับการพยากรณ์ความต้องการอะไหล่สำรองในงานซ่อมบำรุง
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อค้นหารูปแบบการจัดกลุ่มอะไหล่สำรองและวิธีการพยากรณ์ที่เหมาะสมสำหรับอะไหล่สำรองในงานซ่อมบำรุงที่มีลักษณะอุปสงค์แตกต่างกัน วิธีการศึกษาประกอบด้วยการจัดกลุ่มอะไหล่สำรองตามค่าคาบเวลาเฉลี่ยระหว่างอุปสงค์ และค่ากำลังสองสัมประสิทธิ์ความแปรปรวน โดยเปรียบเทียบเทคนิคการจัดกลุ่ม 4 วิธี ได้แก่ การจัดกลุ่มตามรูปแบบอุปสงค์ การจัดกลุ่มแบบเค–มีนส์ การจัดกลุ่มแบบลำดับชั้น และการจัดกลุ่มเชิงพื้นที่ โดยอาศัยความหนาแน่นและจุดรบกวนข้อมูลที่ใช้ในการศึกษาเป็นข้อมูลความต้องการอะไหล่สำรองรายเดือนระหว่าง พ.ศ. 2563–2566 รวม 48 เดือน ครอบคลุมอะไหล่สำรอง 1,735 รายการ โดยใช้ข้อมูล พ.ศ. 2563–2565 (36 เดือน) เป็นชุดเรียนรู้เพื่อสร้างและปรับเทียบตัวแบบ และใช้ข้อมูล พ.ศ. 2566 (12 เดือน) เป็นชุดทดสอบเพื่อประเมินความแม่นยำของการพยากรณ์ วิธีการพยากรณ์ที่ใช้ในแต่ละกลุ่มอะไหล่สำรองประกอบด้วย ค่าเฉลี่ยเคลื่อนที่อย่างง่าย วิธีทำให้เรียบแบบเอกซ์โพเนนเซียลของโฮลท์ วิธีของครอสตัน และตัวแบบถดถอยอัตโนมัติแบบอินทิเกรตและค่าเฉลี่ยเคลื่อนที่ ความแม่นยำของการพยากรณ์ประเมินด้วยค่าความคลาดเคลื่อนเปอร์เซ็นต์สัมบูรณ์เฉลี่ยแบบสมมาตร ผลการวิจัยพบว่าการจัดกลุ่มเชิงพื้นที่โดยอาศัยความหนาแน่นและจุดรบกวน เมื่อจับคู่กับการพยากรณ์ด้วยตัวแบบถดถอยอัตโนมัติแบบอินทิเกรตและค่าเฉลี่ยเคลื่อนที่ให้ค่าความแม่นยำของการพยากรณ์ประเมินด้วยค่าความคลาดเคลื่อนเปอร์เซ็นต์สัมบูรณ์เฉลี่ยแบบสมมาตรต่ำที่สุดในทุกกลุ่ม โดยกลุ่มที่ 1 กลุ่มที่ 2 กลุ่มที่ 3 และกลุ่มที่ 4 มีค่าเท่ากับ 3.01% 27.03% 5.37% และ 4.17% ตามลำดับ แสดงให้เห็นถึงประสิทธิภาพของการผสานเทคนิคการจัดกลุ่มและการพยากรณ์ดังกล่าวสำหรับการพยากรณ์ความต้องการอะไหล่สำรองในงานซ่อมบำรุง
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
เอกสารอ้างอิง
Krungsri Research. (2021). Industry Outlook 2021–2023,” Krungsri.com. [Online] Available: https://www.krungsri.com/th/research/industry/summary-outlook/industry-summary-outlo ok-2021-2023 (in Thai).
M. Seyedan, F. Mafakheri, and C. Wang, “Cluster-based demand forecasting using Bayesian model averaging: An ensemble learning approach,” Decision Analytics Journal, vol. 3, 2022, Art. no. 100033, doi: 10.1016/j.dajour.2022.100033.
T. Chunpong, “Inventory management for integrated circuit packaging materials under variable demand,” Master’s thesis, Department of Industrial Engineering Faculty of Engineering Chulalongkorn University, Bangkok, Thailand, 2021 (in Thai).
S. Wongkamphu, “Battery sales forecasting using traditional forecasting and machine learning techniques,” Master’s thesis, Faculty of Engineering Chulalongkorn University, Bangkok, Thailand, 2023 (in Thai).
N. Paranthaman, H. N. Perera, N. T. Thalagala, and D. Kosgoda, “Evaluating intermittent demand forecasting techniques for spare part supply chains,” IFAC-PapersOnLine, vol. 58, no. 14, pp. 136–141, 2024, doi: 10.1016/j.ifacol.2024.09.025.
T. B. Affonso, S. V. Conceição, L. R. Muniz, J. F. D. F. Almeida, and J. C. Lima, “A new hybrid forecasting method for spare part inventory management using heuristics and bootstrapping,” Decision Analytics Journal, vol. 10, 2024, Art. no. 100415, doi: 10.1016/j.dajour.2024.100415.
M. İfraz, A. Aktepe, S. Ersöz, and T. Çetinyokuş, “Demand forecasting of spare parts with regression and machine learning methods: Application in a bus fleet,” Journal of Engineering Research, vol. 11, no. 2, 2023, Art. no. 100057, doi: 10.1016 /j.jer.2023.100057.
A. A. Syntetos, J. E. Boylan, and J. D. Croston, “On the categorization of demand patterns,” Journal of the Operational Research Society, vol. 56, no. 5, pp. 495–503, 2005, doi: 10.1057/palgrave.jors.2601841.
B. A. Kannan, G. Kodi, O. Padilla, D. Gray, and B. C. Smith, “Forecasting spare parts sporadic demand using traditional methods and machine learning – a comparative study,” SMU Data Science Review, vol. 3, no. 2, 2020, Art. no. 9.
D. Visbal-Cadavid, E. Delahoz-Domínguez, and A. Mendoza-Mendoza, “A multiple factor analysis and hierarchical clustering of global logistics governance and development,” Decision Analytics Journal, vol. 15, 2025, Art. no. 100579, doi: 10.1016/ j.dajour.2025.100579.
R. Ma, J. Sha, S. Zhang, D. Zhu, W. Kang, and J. Liu, “Fast grouping fusion method of dual carbon monitoring data based on DBSCAN clustering algorithm,” Results in Engineering, vol. 26, 2025, Art. no. 105057, doi: 10.1016/j.rineng.2025.105057.
A. Oyemaja, “Moving averages in time series analysis: Understanding trends & forecasting,” ResearchGate Preprint, Mar. 2024, doi: 10.13140/RG.2.2.14811.17441.
W. Dechadumrongchai, “Improvement of demand forecasting and replenishment policy for agricultural machine spare parts,” Master’s thesis, Faculty of Engineering Chulalongkorn University, Bangkok, Thailand, 2021 (in Thai).
M. Doszyn, “Accuracy of intermittent demand forecasting systems in the enterprise,” European Research Studies Journal, vol. 23, no. 4, pp. 912–930, 2020, doi: 10.35808/ersj/1723.
T. Wongchitsukkasem, “Thailand steel scrap price forecasting using decomposition- based hybrid model,” Master’s thesis, Department of Industrial Engineering, Faculty of Engineering, Chulalongkorn University, Bangkok, Thailand, 2023 (in Thai).
S. Makridakis, E. Spiliotis, and V. Assimakopoulos, “The M4 competition: 100,000 time series and 61 forecasting methods,” International Journal of Forecasting, vol. 36, no. 1, pp. 54–74, 2020, doi: 10.1016/j.ijforecast.2019.04
