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