Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/80090
Title: การพยากรณ์ยอดขายรายวันของสินค้าที่มีราคาหลากหลายในธุรกิจค้าปลีกโดยใช้วิธีการเรียนรู้ของเครื่อง
Other Titles: Daily sales forecasting with variable-priced items in retail business using machine learning methods
Authors: ชยากร อุปกรณ์
Advisors: นระเกณฑ์ พุ่มชูศรี
Other author: จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
Issue Date: 2564
Publisher: จุฬาลงกรณ์มหาวิทยาลัย
Abstract: ในปัจจุบันธุรกิจค้าปลีกเป็นธุรกิจที่มีความสำคัญทางเศรษฐกิจของประเทศไทย โดยเฉพาะธุรกิจค้าปลีกสมัยใหม่ที่มีสาขาและหน่วยสินค้าจำนวนมาก การพยากรณ์ปริมาณความต้องการของผลิตภัณฑ์ของธุรกิจนี้ให้มีความแม่นยำมีความสำคัญมาก โดยเฉพาะช่วงเวลาจัดโปรโมชั่นของสินค้าทำให้ความต้องการของสินค้ามีความผันผวน มีงานวิจัยต่างๆพบกว่า การใช้ตัวแบบการเรียนรู้ของเครื่องสามารถช่วยทำให้การพยากรณ์ให้มีความแม่นยำดังนั้นงานวิจัยนี้นำเสนอและเปรียบเทียบตัวแบบเพื่อใช้สำหรับการพยากรณ์ยอดขายรายวันของผลิตภัณฑ์ที่ขายดีที่สุดจาก 7 กลุ่มผลิตภัณฑ์ที่มียอดขายสูงสุดได้แก่ นม นมผง ซอส ผงซักฟอก ผ้าอ้อม น้ำอัดลม และน้ำมัน จากบริษัทกรณีศึกษา โดยเปรียบเทียบผลการพยากรณ์ตัวแบบอนุกรมเวลา ตัวแบบการถดถอยเชิงพหุคูณ ตัวแบบการเรียนรู้ของเครื่อง และตัวแบบผสม โดยพิจารณาการพยากรณ์ 4 รูปแบบ การพยากรณ์ยอดขายโดยตรงกับตัวแปรอิสระปกติ การพยากรณ์ลอการิทึมธรรมชาติของยอดขายกับตัวแปรอิสระที่เพิ่มข้อมูลยอดขายตัวเองในอดีต การพยากรณ์ลอการิทึมธรรมชาติของยอดขายกับตัวแปรอิสระ และการพยากรณ์ยอดขายโดยตรงกับตัวแปรอิสระที่เพิ่มข้อมูลยอดขายตัวเองในอดีต ความแม่นยำของตัวแบบการพยากรณ์ถูกเปรียบเทียบด้วยร้อยละค่าเฉลี่ยเคลื่อนที่สมบูรณ์ (MAPE) โดยตัวแบบที่ศึกษาในงานวิจัยนี้ได้แก่ TBATS, Multiple linear regression (MLR), XGBoost, Artificial Neural Network (ANN) และตัวแบบผสม โดยผลการศึกษาพบว่าตัวแบบ ANN ให้ผล MAPE ต่ำสุดที่ 16.04%  หากแยกเป็นกลุ่มรูปแบบข้อมูลพบว่ากลุ่มที่มีฤดูกาลและแนวโน้ม และกลุ่มไม่มีฤดูกาลและไม่มีแนวโน้มนั้น ตัวแบบ ANN ได้ผลดีที่สุด ส่วนกลุ่มที่มีฤดูกาลแต่ไม่มีแนวโน้มพบว่าตัวแบบผสม (Hybrid Model) ได้ผลดีที่สุด
Other Abstract: Nowadays, retail business is important for Thai economy, especially the modern retail business with many branches and SKUs. Accurate forecasting of product demand for this industry is very important, especially during the promotional period. Literature has found that machine learning models can provide accurate forecast. Thus, this research proposes and compares forecasting models for the case-study company's daily forecasting of the best-selling products from 7 most popular categories, which are milk, powdered milk, sauces, detergents, diapers, soft drinks and cooking oils. Performance of Time Series model, Multiple regression model, Machine learning model and Hybrid model are compared and considered 4 types of sales such as direct sales forecasting with normal independent variables and natural logarithmic transformation of sales with independent variables and historical self-sale data. Accuracy was compared using  Mean Absolute Percentage Error (MAPE). The studied model are TBATS, Multiple linear regression, XGBoost, Artificial Neural Network (ANN) and Hybrid model. The results show that ANN model can provide the lowest MAPE at 16.04%. Considering patterns of sales data, ANN model is the best for product groups having both seasonality and trend as well as product groups without seasonality and trend, while Hybrid model is best performed for product with seasonality and no trend.
Description: วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2564
Degree Name: วิศวกรรมศาสตรมหาบัณฑิต
Degree Level: ปริญญาโท
Degree Discipline: วิศวกรรมอุตสาหการ
URI: http://cuir.car.chula.ac.th/handle/123456789/80090
URI: http://doi.org/10.58837/CHULA.THE.2021.988
metadata.dc.identifier.DOI: 10.58837/CHULA.THE.2021.988
Type: Thesis
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
6370060621.pdf8.41 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.