AI for Supply Chain and Planning

รายละเอียดหลักสูตร

อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Workshop ลงมือทำกับโจทย์เดียวที่ต่อเนื่องตลอดสองวัน ระดับ Intermediate ไม่ต้องเขียนโปรแกรม หลักสูตรนี้เน้นการประยุกต์ใช้ AI ร่วมกับเครื่องมือที่ทีมวางแผนใช้อยู่แล้ว ไม่ใช่การอบรมระบบ ERP หรือโปรแกรมวางแผนเฉพาะ เครื่องมือที่ใช้ได้แก่ Microsoft Excel (Forecast Sheet, PivotTable) พร้อม Copilot และ Python ใน Excel, Power BI Desktop และ Microsoft 365 Copilot Chat ผู้เรียนเตรียม Notebook Windows 10/11 ที่ติดตั้ง Microsoft 365 Apps เวอร์ชันปัจจุบันและ Power BI Desktop ไว้ล่วงหน้า พร้อมบัญชี Microsoft 365 Copilot ตามที่องค์กรเปิดใช้ ข้อมูลฝึกหัดทั้งประวัติยอดขาย สินค้าคงคลัง Lead Time และซัพพลายเออร์เป็นข้อมูลจำลองที่มีรูปแบบฤดูกาล จัดเตรียมโดยวิทยากร และผู้เรียนสามารถนำข้อมูลของตนเองที่ Mask แล้วมาใช้ใน Workshop ได้ ผู้เรียนจะได้ไฟล์ Excel พยากรณ์ความต้องการพร้อมการวัดความแม่นยำ Template คำนวณ ABC / XYZ, Safety Stock และ Reorder Point, Power BI Dashboard ต้นแบบสำหรับติดตาม KPI ซัพพลายเชน, Prompt Template สำหรับงานจัดซื้อและการวิเคราะห์ซัพพลายเออร์ และสไลด์ข้อเสนอแนะ S&OP จากการจำลองสถานการณ์กลับไปใช้งานจริง วัดผลด้วยแบบทดสอบก่อนและหลังเรียน 20 ข้อ การประเมินความถูกต้องของผลพยากรณ์และการคำนวณใน Workshop และคุณภาพการนำเสนอ S&OP และแบบประเมินความพึงพอใจหลังการอบรม

Day 1: AI กับการพยากรณ์และการวางแผน

Section 1: ซัพพลายเชนในยุค AI

• ภาพรวมวงจรซัพพลายเชน Plan, Source, Make, Deliver และ Return
• ปัญหา Bullwhip Effect และผลกระทบที่ส่งต่อไปทั้งซัพพลายเชน
• ความผันผวนตามฤดูกาล ราคาวัตถุดิบ ระยะเวลาการจัดส่ง และความเสี่ยงของซัพพลายเออร์
• เหตุผลที่ความผันผวนทำให้การวางแผนแบบเดิมไม่เพียงพออีกต่อไป

Section 2: Use Case AI ตลอดซัพพลายเชน

• Demand Sensing และ Demand Forecasting
• Inventory Optimization และการประเมิน Supplier Risk
• การใช้ AI ในงาน Logistics และ Generative AI สำหรับงานจัดซื้อ
• กรณีศึกษาการใช้ AI ในซัพพลายเชนของอุตสาหกรรมการผลิต

Section 3: พื้นฐานการพยากรณ์ความต้องการ

• องค์ประกอบของข้อมูลอนุกรมเวลา: Trend, Seasonality และ Noise
• วิธีพยากรณ์แบบ Moving Average และ Exponential Smoothing
• การพยากรณ์ด้วย Machine Learning เทียบกับวิธีดั้งเดิม
• ตัวชี้วัด MAPE และ Forecast Bias เพื่อตัดสินใจบนข้อมูล ไม่เชื่อ AI แบบไม่มีเงื่อนไข

Section 4: ลงมือพยากรณ์ใน Excel

• การสร้างการพยากรณ์ด้วย Forecast Sheet (ETS) ใน Excel
• การให้ Copilot ช่วยสร้างการพยากรณ์ด้วย Python ใน Excel
• การเปรียบเทียบความแม่นยำของแต่ละวิธีด้วย MAPE และ Forecast Bias
• Lab: พยากรณ์ข้อมูลยอดขายจำลองด้วยทั้งสองวิธีแล้วเลือกผลที่เหมาะสม

Section 5: พยากรณ์ด้วยข้อมูล ตัดสินใจด้วยคน

• การผสานผลพยากรณ์จาก AI เข้ากับการตัดสินใจของคน
• การปรับผลพยากรณ์ด้วยข้อมูลตลาดที่โมเดลมองไม่เห็น
• การทำ Consensus Forecast ร่วมกันระหว่างฝ่ายที่เกี่ยวข้อง
• บทบาทของ Forecast ในกระบวนการ S&OP

Section 6: Workshop 1: Seasonal Demand Forecast

• โจทย์: สินค้าจำลอง 5 รุ่นที่มีรูปแบบฤดูกาลต่างกัน พยากรณ์ความต้องการล่วงหน้า 12 เดือน
• วัดความแม่นยำของผลพยากรณ์แต่ละรุ่นด้วย MAPE และ Forecast Bias
• ใช้กรณีศึกษาที่วิทยากรเตรียมให้ หรือข้อมูลจากงานของผู้เรียนเองที่ Mask แล้ว
• Workshop: สรุปผลพยากรณ์ที่จะใช้ต่อในวันที่ 2

Day 2: สินค้าคงคลัง การจัดซื้อ และ S&OP

Section 7: การบริหารสินค้าคงคลังด้วย AI

• การจัดกลุ่มสินค้าด้วย ABC / XYZ Analysis
• การคำนวณ Safety Stock จากความผันผวนของความต้องการและ Lead Time
• การคำนวณ Reorder Point เพื่อกำหนดจุดสั่งซื้อที่เหมาะสม
• การให้ Copilot ช่วยสร้างสูตรและอธิบายผล พร้อม Template ที่นำไปใช้ต่อได้

Section 8: การวางแผนการผลิตและกำลังการผลิต

• แนวคิด Master Production Schedule (MPS)
• Material Requirements Planning (MRP) และความเชื่อมโยงกับ MPS
• Capacity Planning และการตรวจว่ากำลังการผลิตรองรับแผนได้หรือไม่
• การใช้ AI ช่วยจำลองสถานการณ์ What-if ของแผนการผลิต

Section 9: AI สำหรับงานจัดซื้อ

• การวิเคราะห์ Spend เพื่อเห็นภาพการใช้จ่ายตามหมวดและซัพพลายเออร์
• การติดตามความเสี่ยงของซัพพลายเออร์
• การสรุปเงื่อนไขสัญญาและร่าง RFQ ด้วย Copilot
• ข้อควรระวังด้านข้อมูลลับทางการค้าเมื่อใช้ Generative AI

Section 10: Supply Chain Dashboard

• การออกแบบ Dashboard ติดตาม KPI ซัพพลายเชนด้วย Power BI
• ตัวชี้วัด OTIF, Inventory Turnover, Days of Supply และ Forecast Accuracy
• การใช้ Copilot ช่วยสรุป Insight จาก Dashboard
• Lab: สร้าง Power BI Dashboard ต้นแบบจากข้อมูลจำลอง

Section 11: ข้อจำกัดและความเสี่ยงของ AI

• ข้อมูลไม่ครบและผลต่อความน่าเชื่อถือของผลพยากรณ์
• ผลลัพธ์ที่อธิบายไม่ได้และปัญหาเมื่อต้องใช้ประกอบการตัดสินใจ
• ความเสี่ยงของการพึ่งพา AI มากเกินไป
• การใช้ AI ในงานซัพพลายเชนอย่างรับผิดชอบ

Section 12: Workshop 2: S&OP Scenario

• ต่อยอดจากผลพยากรณ์วันที่ 1 คำนวณ Safety Stock และ Reorder Point ของแต่ละรุ่น
• จำลองสถานการณ์ความต้องการช่วง Peak Season เพิ่มขึ้น 20%
• จำลองสถานการณ์ Lead Time ของวัตถุดิบสำคัญยาวขึ้น
• Workshop: นำเสนอข้อเสนอแนะต่อที่ประชุม S&OP จำลอง