การเปรียบเทียบแบบจำลองการเรียนรู้ของเครื่องในการพยากรณ์ยอดขายร้านค้าปลีกในประเทศไทย
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มุ่งเน้นการวิเคราะห์ประสิทธิภาพของแบบจำลองในการพยากรณ์ยอดขายของร้านค้าปลีกในประเทศไทย ซึ่งสามารถนำผลการพยากรณ์ไปปรับใช้ในการวางแผนกลยุทธ์ทางธุรกิจได้อย่างมีประสิทธิภาพนำไปสู่แนวทางที่สำคัญสำหรับนักวิจัยและผู้ประกอบการในการเลือกใช้ตัวแบบพยากรณ์ที่มีประสิทธิภาพสูงสุด โดยใช้แบบจำลอง Long Short-Term Memory, Gradient Boosting Machines และ Random Forest กระบวนการทำงานแบ่งออกเป็น 4 ส่วน โดยส่วนที่ 1 การรวบรวมข้อมูล ส่วนที่ 2 การทำความสะอาดข้อมูล ส่วนที่ 3 การวิเคราะห์ข้อมูล และส่วนที่ 4 การประเมินแบบจำลอง งานนี้ใช้ข้อมูลจากฐานข้อมูล Data.go.th มีข้อมูลทั้งหมด 7 แอททริบิวท์ 50,219 แถว ผลการวิจัยพบว่า การประเมินสิทธิภาพแบบจำลองที่นำมาใช้ในการพยากรณ์ยอดขายของร้านค้าปลีกในประเทศไทยที่มีประสิทธิภาพสูงสุด คือ LSTM ที่สามารถบ่งบอกว่ามีความสามารถในการพยากรณ์ได้แม่นยำที่สุด โดยมีค่า R-squared เท่ากับร้อยละ 0.90 และที่สำคัญ LSTM ได้รับการยกย่องว่ามีประสิทธิภาพสูงสุดในการทำนายยอดขายสำหรับร้านค้าปลีกและช่วยในการวางแผน การจัดการสต็อก ลดการขาดสต็อก เพิ่มประสิทธิภาพในการตัดสินใจเชิงกลยุทธ์ และสามารถนำมาใช้ในการวางแผนธุรกิจได้ อันดับ 2 คือ GBM ที่สามารถบ่งบอกถึงประสิทธิภาพในการพยากรณ์ได้แม่นยำ โดยมีค่า R-squared เท่ากับร้อยละ 0.89 และอันดับที่ 3 คือ RF ที่สามารถบ่งบอกถึงประสิทธิภาพในการพยากรณ์ได้ความแม่นยำ โดยมีค่า R-squared เท่ากับร้อยละ 0.88 ตามลำดับ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
“ข้าพเจ้าและผู้เขียนร่วม (ถ้ามี) ขอรับรองว่า บทความที่เสนอมานี้ยังไม่เคยได้รับการตีพิมพ์และไม่ได้อยู่ระหว่างกระบวนการพิจารณาลงตีพิมพ์ในวารสารหรือแหล่งเผยแพร่อื่นใด ข้าพเจ้าและผู้เขียนร่วมยอมรับหลักเกณฑ์การพิจารณาต้นฉบับ ทั้งยินยอมให้กองบรรณาธิการมีสิทธิ์พิจารณาและตรวจแก้ต้นฉบับได้ตามที่เห็นสมควร พร้อมนี้ขอมอบลิขสิทธิ์บทความที่ได้รับการตีพิมพ์ให้แก่สถาบันการจัดการปัญญาภิวัฒน์หากมีการฟ้องร้องเรื่องการละเมิดลิขสิทธิ์เกี่ยวกับภาพ กราฟ ข้อความส่วนใดส่วนหนึ่งและ/หรือข้อคิดเห็นที่ปรากฏในบทความข้าพเจ้าและผู้เขียนร่วมยินยอมรับผิดชอบแต่เพียงฝ่ายเดียว”
เอกสารอ้างอิง
Alpaydin, E. (2020). Introduction to machine learning. The MIT Press.
Badmus, O., Rajput, S. A., Arogundade, J. B., & Williams, M. (2024). AI-driven business analytics and decision making. World Journal of Advanced Research and Reviews, 24(1), 616-633.
Central Retail Corporation. (2023). Thailand’s omnichannel shopping trends in the fashion industry. https://www.centralretail.com/en/investor-relations/document/annual-reports [in Thai]
Chen, T., & Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785-794). The Association for Computing Machinery. https://doi.org/10.1145/2939672.2939785
DataTechNotes. (2019). Regression model accuracy (MAE, MSE, RMSE, R-squared) check in R. https://www.datatechnotes.com [in Thai]
Elahi, M., Afolaranmi, S. O., Martinez Lastra, J. L., & Perez Garcia, J. A. (2023). A comprehensive literature review of the applications of AI techniques through the lifecycle of industrial equipment. Discover Artificial Intelligence, 3(1), 43.
Euromonitor International. (2024). Thailand retail and safety 2024. https://www.euromonitor.com [in Thai]
Greff, K., Srivastava, R. K., Koutník, J., Steunebrink, B. R., & Schmidhuber, J. (2017). LSTM: A search space odyssey. IEEE Transactions on Neural Networks and Learning Systems, 28(10), 2222-2232.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (3rd ed.). OTexts.
Fildes, R., & Petropoulos, F. (2015). Simple versus complex selection rules for forecasting many time series. Journal of Business Research, 68(8), 1692-1701.
Fildes, R., Ma, S., & Kolassa, S. (2022). Retail forecasting: Research and practice. International Journal of Forecasting, 38(4), 1283-1318.
Krungsri Bank. (2024). Trends in business/industry 2024-2026: Modern retail business. https://www.krungsri.com/th/research/industry/industry-outlook/wholesale-retail/modern-trade/io/modern-trade-2024-2026 [in Thai]
Lakshmanan, B., Vivek Raja, P. S. N., & Kalathiappan, V. (2020). Sales demand forecasting using LSTM network. In Artificial Intelligence and evolutionary computations in engineering systems (pp. 125-132). Springer.
Ma, S., & Fildes, R. (2021). Retail sales forecasting with meta-learning. European Journal of Operational Research, 288(1), 111-128.
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). The M4 competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1), 54-74.
McKinsey & Company. (2023). Retail reset: A new guide for retail leaders. https://www.mckinsey.com [in Thai]
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to linear regression analysis (5th ed.). Wiley.
Mordor Intelligence. (2023). Thailand retail industry-outlook, size & market analysis. https://www.mordorintelligence.com
Nasseri, M., Falatouri, T., Brandtner, P., & Darbanian, F. (2023). Applying machine learning in retail demand prediction—A comparison of tree-based ensembles and long short-term memory-based deep learning. Applied Sciences (Switzerland), 13(19), 12-32.
Oukassi, H., Hasni, M., & Layeb, S. B. (2023). Long short-term memory networks for forecasting demand in the case of automotive manufacturing industry. In 2023 IEEE International Conference on Advanced Systems and Emergent Technologies (IC_ASET) (pp. 1-6). IEEE.
Ren, S., Chan, H. L., & Siqin, T. (2020). Demand forecasting in retail operations for fashionable products: Methods, practices, and real case study. Annals of Operations Research, 291, 761-777.
Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., & Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93-104.
Seshan, S., Vries, D., Immink, J., Helm, A. van der, & Poinapen, J. (2024). LSTM-based autoencoder models for real-time quality control of wastewater treatment sensor data. Journal of Hydroinformatics, 26(2), 441-458.
Shihe, R., Hui, W., & Na, L. (2015). Review of ocean front in Chinese marginal seas and frontal forecasting. Advances in Earth Science, 30(5), 552.
Wellens, A. P., Boute, R. N., & Udenio, M. (2024). Simplifying tree-based methods for retail sales forecasting with explanatory variables. European Journal of Operational Research, 314(2), 523-539.
Wolpert, D. H., & Macready, W. G. (1997). No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1(1), 67-82.
