Theory
ทฤษฏีทางวิชาการกับการใช้งานในโครงงาน
การคาดคะแนยอดขาย
สำหรับวิธีการคาดคะเนนั้น ทางเราใช้ Exponential Smoothing ในการคาดเดา
Exponential Smoothing เป็นรูปแบบหนึ่งของการพยากรณ์ที่ให้ความสําคัญกับข้อมูลเก่าทุกค่า โดยให้ความสําคัญแก่ค่าที่ใกล้ปัจจุบันมากที่สุด ลดหลั่นลงไปจนถึงค่าที่ 1 และถ่วงน้ำหนักข้อมูล โดยใช้สัมประสิทธิ์การปรับเรียบ alpha ($\alpha$)
$$ Ft = F{t-1} + \alpha(A{t-1} - F{t-1} ) $$
โดยที่
- $F_t$ คือค่าทำนาย
- $F_{t-1}$ คือค่าที่ทำนายในอดีต
- $A_{t-1}$ คือค่าจริงในอดีต
- $\alpha$ คือสัมประสิทธิ์การปรับเรียบ (Weight) โดยที่ $0 <= \alpha <= 1$
และหาค่าความคลาดเคลื่อนของข้อมูลที่ได้จากการทำนายกับข้อมูลที่เกิดขึ้นจริง ด้วย Sum of squared errors (SSE)
$$ \text{SSE} = \sum_{i=1}^N(X_i - \hat{X}_i)^2 $$
- $X_i$ เซตของข้อมูลที่เกิดขึ้นจริง
- $\hat{X}_i$ คือเซตข้อมูลที่ได้จากการทำนาย
- $N$ คือจำนวนข้อมูล
โปรแกรม Point of Sales (POS) Systems สามารถพยากรณ์ยอดขายให้ผู้ใช้ระบบ สามารถดูการพยากรณ์ยอดขายของวันถัดไป และเดือนถัดไปได้ โดยใช้หลักการของ Exponential Smoothing ร่วมกับค่า Sum of squared errors ($\text{SSE}$)
จากหลักการพยากรณ์ของ Exponential Smoothing จะต้องมีการเลือกค่าสัมประสิทธิ์การปรับเรียบ ($\alpha$) ที่เหมาะสม ซึ่งโปรแกรม POS จะทำการเลือกค่า ที่เหมาะสมจากการคำนวนค่า Sum of squared errors โดยจะเลือกค่า $\alpha$ ที่มีค่า Sum of squared errors ที่น้อยที่สุด