Demand Forecast ไทย 2026: พยากรณ์ยอดขาย Marketplace วาง Reorder Point และ Safety Stock อย่างไร

ANSWER FIRST

สรุปคำตอบ

แบรนด์ไทยควรทำ Demand Forecast เป็นวงจรตัดสินใจราย SKU–ช่องทาง–วัน ไม่ใช่ใช้ยอดเฉลี่ยรวมแล้วสั่งของครั้งเดียว เริ่มจากแยกยอดขายจริงออกจากออเดอร์ยกเลิก คืนสินค้า ของขาด และยอดที่ถูกเร่งด้วยส่วนลด เพื่อสร้าง Baseline Demand จากนั้นวาง Event Calendar สำหรับ Payday, Double Day, Flash Sale, LIVE, Affiliate และแคมเปญของแต่ละ Marketplace แล้วคำนวณ Promo Uplift เป็น Scenario ต่ำ–ฐาน–สูง จุดสั่งซื้อควรอิง Demand ระหว่าง Lead Time บวก Safety Stock ส่วนจำนวนเติมต้องหัก Available Stock, In-transit, Reserved และสต็อกที่ล็อกกับแคมเปญ ทีมควรทบทวน Forecast Bias, WAPE, Stockout Risk, Days of Supply และ Working Capital ทุกสัปดาห์ โดยให้ระบบแจ้งเฉพาะ SKU ที่หลุด Guardrail และให้คนอนุมัติการสั่งซื้อหรือโยกสต็อก หากข้อมูลยังน้อยให้เริ่มด้วย Moving Average และ Analog SKU ก่อนใช้ AI เมื่อเชื่อม Forecast เข้ากับ Promotion Master, Inventory Sync, Supplier Lead Time และ Fulfilment Capacity แบรนด์จะลดทั้งของขาด ของค้าง และการซื้อยอดขายด้วยส่วนลดที่กำไรไม่พอได้

ประเด็นสำคัญ

พยากรณ์ระดับ SKU–ช่องทาง–วัน เพราะยอดรวมรายเดือนซ่อนทั้งของขาดและของค้างในคนละสินค้า
สร้าง Baseline จาก Valid Demand แล้วแยก Promo Uplift, Stockout Censoring และออเดอร์ผิดปกติออกจากกัน
ใช้สาม Scenario ต่ำ–ฐาน–สูงสำหรับ Double Day, Payday, LIVE และ Affiliate แทน Forecast ตัวเลขเดียว
ตั้ง Reorder Point จาก Demand ระหว่าง Lead Time บวก Safety Stock และอัปเดต Lead Time จากข้อมูลรับเข้าจริง
หัก Available, Reserved, Campaign-locked, In-transit และ Open PO ก่อนออกคำสั่งเติมสินค้า เพื่อไม่สั่งซ้ำ
วัด Forecast Bias, WAPE, Stockout Rate, Days of Supply และ Working Capital ควบคู่กับยอดขายและกำไร

Demand Forecast ต้องตอบการตัดสินใจ ไม่ใช่ทายยอดให้ใกล้ที่สุด

Forecast ที่ดีต้องบอกทีมว่าควรผลิต ซื้อ โยก หรือกันสินค้าเท่าไร ที่ไหน และเมื่อใด หากรายงานมีเพียงยอดเดือนหน้าแต่ไม่เชื่อม Lead Time, MOQ, Shelf Life, Cash และ Capacity ตัวเลขแม่นก็ยังใช้ไม่ได้ สำหรับ Marketplace ไทย หน่วยวางแผนขั้นต่ำควรเป็น SKU–ช่องทาง–วันในช่วงแคมเปญ และ SKU–ช่องทาง–สัปดาห์ในช่วงปกติ ก่อนรวมขึ้นเป็น Category และยอดรวมบริษัท

บทความ Inventory Sync เดิมตอบว่าสต็อกใน TikTok Shop, Shopee และ Lazada ตรงกับคลังจริงหรือไม่ ส่วน Demand Forecast ตอบอีกคำถามว่าอนาคตจะต้องใช้สินค้าเท่าไรและต้องเติมเมื่อใด ทั้งสองระบบต้องต่อกัน: Forecast สร้างแผน ส่วน Inventory Sync ยืนยันว่าของที่คิดว่ามีสามารถขายได้จริง

สร้าง Demand Ledger ก่อนสร้างโมเดล

อย่าเริ่มจากไฟล์ยอดขายสุทธิรายเดือน ให้สร้าง Demand Ledger ระดับ Order Line ที่มี Order Time, Platform, Shop, SKU, Quantity, Price, Voucher Funding, Campaign, Traffic Source, Creator or LIVE, Status, Cancel Reason, Return Reason และ Stock Availability จากนั้นกำหนด Valid Demand ให้ชัดว่าใช้ออเดอร์ชำระสำเร็จ ออเดอร์จัดส่ง หรือยอดหลังคืนสินค้า เป้าหมาย Forecast ต่างกันอาจใช้ฐานคนละแบบ

แยก Lost Demand จาก Stockout และ Listing Offline เพราะยอดขายศูนย์ไม่ได้แปลว่าความต้องการศูนย์ หากสินค้าหมดสามวันแล้วนำศูนย์ไปฝึกโมเดล ระบบจะเรียนรู้ว่าลูกค้าไม่ต้องการสินค้าและยิ่งสั่งน้อยลง ให้ติด Stockout Flag, Suppressed Listing Flag และ Capacity Cap เพื่อให้ Planner เห็นช่วงที่ข้อมูลยอดขายถูกจำกัดโดยฝั่ง Supply

แยก Baseline, Seasonality และ Promo Uplift

Baseline คือความต้องการปกติเมื่อไม่มีแรงเร่งพิเศษ คำนวณเริ่มต้นได้ด้วย Moving Average หรือ Exponential Smoothing หลังตัด Outlier และช่วงของขาด แล้วเพิ่ม Seasonality เช่น วันในสัปดาห์ ต้นเดือน Payday ปลายเดือน ฤดูกาล และเทศกาลไทย จากนั้นค่อยบวก Promo Uplift ตามชนิดแคมเปญ ไม่ควรปล่อยให้ยอด 9.9 หรือ LIVE ใหญ่กลายเป็นฐานถาวรของเดือนถัดไป

กำหนด Event ID เดียวเชื่อม Promotion Master, Content Calendar และ Forecast เก็บ Planned Discount, Voucher Stack, Ad Spend, Affiliate Commission, LIVE Hours, Featured Placement, Traffic และ Actual Units ทุกครั้ง หลังจบงานให้วัด Uplift เทียบ Baseline และกำไรต่อหน่วย เพื่อสร้าง Event Library ของแบรนด์เอง เพราะสินค้าคนละประเภทตอบสนองต่อส่วนลด Host และช่องทางไม่เหมือนกัน

ทำ Forecast สาม Scenario สำหรับแคมเปญไทย

แคมเปญ Marketplace มีความผันผวนจากอันดับสินค้า งบโฆษณา Creator, Voucher, Traffic ของแพลตฟอร์ม และคู่แข่ง จึงควรทำ Low, Base และ High Scenario พร้อม Trigger ที่ทำให้เปลี่ยนแผน เช่น หากยอด Pre-heat, Add-to-cart หรือ LIVE RSVP สูงกว่าฐาน ให้เลื่อนไป High Scenario และกันสต็อกเพิ่ม แต่ถ้า CAC หรือ Conversion ไม่ผ่าน Guardrail ให้ลดการเติมแทนการไล่ยอด

TikTok Shop แนะนำให้ผู้ขายเตรียมคุณภาพ Listing, ราคาและ Promotion, Inventory, Campaign Communication และ Manpower ก่อนแคมเปญ ขณะที่ Seller Flash Sale และ LIVE Flash Sale ใช้ดีลจำกัดเวลาและสต็อก การ Forecast จึงต้องผูก Quantity กับช่วงเวลาและช่องทางขาย ไม่ใช้ Uplift เดียวครอบทุก Placement

คำนวณ Reorder Point จาก Lead-time Demand

สูตรใช้งานพื้นฐานคือ Reorder Point = Demand ระหว่าง Lead Time + Safety Stock หากขายเฉลี่ย 20 ชิ้นต่อวันและ Lead Time จริง 7 วัน จุดสั่งซื้อก่อน Buffer คือ 140 ชิ้น แต่ไม่ควรใช้ Lead Time ตามสัญญาอย่างเดียว ให้คำนวณจากวันที่อนุมัติ PO ถึงวันที่สต็อกผ่านตรวจรับและพร้อมขาย รวมวันหยุด ความล่าช้าผู้ขาย การขนส่ง และ QC

เก็บ Lead Time เป็น Distribution แยก Supplier–SKU–Mode ไม่ใช่ตัวเลขคงที่เดียว แล้วใช้ค่าที่สอดคล้องกับระดับบริการที่ต้องการ สินค้า Hero หรือสินค้าที่ขาดแล้วเสียอันดับอาจต้อง Buffer สูงกว่าสินค้า Long Tail แต่ Buffer ต้องมีเพดานตาม Cash, Shelf Life และ Margin มิฉะนั้นการป้องกันของขาดจะกลายเป็นเงินจมและ Markdown ในอนาคต

Safety Stock ต้องสะท้อนความไม่แน่นอนสองด้าน

Safety Stock มีไว้รองรับทั้ง Demand Variability และ Lead Time Variability ไม่ใช่บวก 20% ให้ทุก SKU เท่ากัน แบ่ง Service Class ตามบทบาทสินค้า เช่น Hero, Traffic Driver, Margin Driver, Seasonal และ Long Tail แล้วกำหนด Service Target, Review Cadence และ Max Days of Supply ต่างกัน สินค้าอายุสั้นต้องใช้ FEFO และลด Buffer เมื่อเข้าใกล้วันหมดอายุ

สำหรับสินค้าใหม่ที่ไม่มี History ใช้ Analog SKU ที่ใกล้กันด้านราคา หมวด กลุ่มลูกค้า ช่องทางและ Media Support แล้วทำ Launch Curve รายวัน เริ่มล็อตเล็ก พร้อม Decision Gate วันที่ 3, 7 และ 14 เพื่อปรับ Forecast จาก Conversion, Review, Return และ Repeat Signal จริง อย่าคัดลอก Forecast ของสินค้าขายดีเพียงเพราะหน้าตาหรือหมวดใกล้กัน

หักสต็อกทุกสถานะก่อนสร้าง Suggested Order

Suggested Order ไม่ควรเท่ากับ Forecast ลบ On-hand เท่านั้น ต้องคำนวณ Net Requirement = Target Stock − Available − In-transit − Confirmed Open PO + Backorder และปรับด้วย MOQ, Case Pack, Shelf Life, Storage Capacity และ Cash Limit แยก Reserved, Campaign-locked และ Committed Order ออกจาก Available เพื่อไม่ขายหรือสั่งซ้ำจากหน่วยเดียวกัน

คู่มือ Inventory Management ของ TikTok Shop สำหรับไทยซึ่งลงวันที่ 29 เมษายน 2026 แยก On-hand, Available, Campaign-locked และ Committed พร้อมแสดงยอดขายช่วง 7–60 วัน Sales Forecast, Suggested Restock และ Days of Supply ส่วน Ready Stock Program ลงวันที่ 4 มิถุนายน 2026 ระบุว่าสต็อกที่ Commit อาจถูกล็อก จึงต้องนำสถานะเหล่านี้เข้าการคำนวณ ไม่อ่านเพียงยอดรวมหน้าร้าน

เชื่อม Forecast กับกําลังผลิต คลัง และ Fulfilment Capacity

ยอดที่คาดไม่ได้แปลว่าส่งได้ หาก High Scenario ต้องแพ็ก 4,000 ออเดอร์แต่คลังทำได้ 2,000 ต่อวัน ให้เลือกเพิ่มกะ ลด SKU ในแคมเปญ แบ่ง Wave หรือจำกัด Quantity ก่อนเปิดขาย ใช้ Capacity Sheet เชื่อม Inbound Receiving, Put-away, Pick, Pack, QC, Carrier Handover และ Customer Service เพื่อเห็นคอขวดทั้งระบบ

TikTok Shop เผยแพร่ Order Handling Capacity Tool สำหรับผู้ขายไทยเมื่อ 13 มกราคม 2026 โดยแนะนำให้ประเมิน Historical Volume, Operational Capacity, Campaign Spike และ Inventory อย่างสมจริง แม้ฟีเจอร์อาจเปิดให้เฉพาะผู้ขายที่เข้าเกณฑ์ หลักคิดสำคัญคือ Forecast ต้องไม่สูงเกินความสามารถปฏิบัติการจน Late Dispatch และ Cancellation ทำลาย Account Health

ใช้ Forecast Accuracy ที่บอกทิศทางความผิดพลาด

อย่าวัด Accuracy ด้วยเปอร์เซ็นต์เดียว WAPE ช่วยดูความคลาดเคลื่อนรวมโดยให้น้ำหนักตามปริมาณ แต่ต้องดู Forecast Bias ควบคู่กัน เพราะโมเดลที่พลาดสูงบ้างต่ำบ้างอาจมี WAPE เท่ากับโมเดลที่สั่งเกินตลอด Bias บวกต่อเนื่องหมายถึงเสี่ยงของค้าง ส่วน Bias ลบต่อเนื่องหมายถึงเสี่ยงของขาดและเสียยอด

ทำ Accuracy Dashboard แยก SKU Class, Platform, Normal Day, Campaign Day และ Forecast Horizon เปรียบเทียบ Baseline Model กับ Planner Override และ Final Consensus หาก Override ทำให้ดีขึ้นให้บันทึกเหตุผลเป็น Feature ในรอบต่อไป หากแย่ลงซ้ำ ให้ลดสิทธิ์แก้ตัวเลขแบบไม่มีหลักฐาน เป้าหมายไม่ใช่ชนะโมเดล แต่สร้างวงจรเรียนรู้ที่ตรวจสอบได้

010

ออกแบบ Weekly Demand Review ที่ตัดสินใจได้ใน 45 นาที

ก่อนประชุม ระบบต้องสร้าง Exception List เฉพาะ SKU ที่คาดว่าจะ Stockout, Overstock, Lead Time Late, Promo Spike, Forecast Bias สูง หรือ Margin ต่ำกว่าเกณฑ์ แต่ละรายการมี Recommended Action, Financial Impact, Owner และ Decision Deadline ห้องประชุมไม่ควรไล่อ่านทุก SKU เพราะทีมจะหมดเวลากับสินค้าปกติและพลาดรายการเสี่ยง

ลำดับประชุมคือยืนยัน Event Calendar, ตรวจ Data Quality, ทบทวน Top Exceptions, ตัดสินใจ Buy–Move–Hold–Promote–Stop และล็อก Consensus Forecast พร้อม Version ผู้อนุมัติ จากนั้นส่ง Decision ไปยัง PO, Transfer, Promotion และ Warehouse Capacity อัตโนมัติหรือผ่าน Approval Queue โดยทุกการเปลี่ยนต้องย้อนดูได้ว่าใครปรับจากเท่าไรเป็นเท่าไรและเพราะอะไร

011

เริ่ม AI เมื่อข้อมูลพร้อมและยังมี Human Approval

Google Cloud อธิบายแนวทาง Demand Forecasting ที่รวมข้อมูลยอดขาย สต็อก Product Hierarchy, Promo Price และ Event Calendar และมี Reference Pattern สำหรับสร้าง Time-series Forecast หลายสินค้า แนวทางนี้เหมาะเมื่อแบรนด์มี SKU และ History มากพอ แต่ AI ไม่แก้ Master Data ซ้ำ รหัส SKU ไม่ตรง หรือช่วง Stockout ที่ไม่ถูก Flag จึงต้องผ่าน Data Quality Gate ก่อนฝึกโมเดล

ให้ AI เสนอ Baseline, Anomaly, Uplift Range และ Suggested Replenishment แต่คำสั่งซื้อ การโยกสต็อก และการล็อกสต็อกแคมเปญยังต้องมี Human Approval โดยเฉพาะสินค้ามูลค่าสูง อายุสั้น หรือ MOQ ใหญ่ เก็บ Model Version, Feature Set, Training Window, Override Reason และผลจริงเพื่อ Audit และ Backtest ทุกเดือน หากโมเดลใหม่ไม่ชนะ Baseline อย่างสม่ำเสมอให้ชะลอการใช้งาน

012

KPI ต้องสมดุลยอดขาย กำไร บริการ และเงินทุน

Dashboard ผู้บริหารควรดู Forecast WAPE, Bias, Stockout Rate, Lost Sales Estimate, Fill Rate, Days of Supply, Excess and Obsolete Stock, Inventory Turn, Supplier On-time, Lead-time Variability และ Working Capital แยกตาม SKU Role และช่องทาง ส่วน Campaign ให้เพิ่ม Uplift Accuracy, Sell-through, Contribution Profit และ Remaining Stock หลังจบงาน

ห้ามให้ทีม Forecast ถูกวัดจากของไม่ขาดอย่างเดียว เพราะจะผลักให้สั่งเกิน และห้ามวัดจากสต็อกต่ำอย่างเดียวเพราะจะเสียยอด ตั้ง Balanced Guardrail เช่น Hero SKU ต้องมี Availability ตามเป้าแต่ Days of Supply ไม่เกินเพดาน ขณะที่ Long Tail ใช้ Replenishment ช้ากว่าและยอม Service Level ต่ำกว่าได้เพื่อรักษาเงินสด

013

แผนลงมือทำ 30 วันสำหรับแบรนด์ไทย

สัปดาห์แรกเลือก 20–50 SKU ที่สร้างยอดหรือความเสี่ยงสูง ทำ Demand Ledger, SKU Mapping, Stockout Flag และ Supplier Lead-time History สัปดาห์ที่สองสร้าง Baseline, Event Calendar, ABC × XYZ Class และ Low–Base–High Scenario พร้อมนิยาม WAPE กับ Bias สัปดาห์ที่สามตั้ง Reorder Point, Safety Stock, MOQ, Shelf-life และ Cash Guardrail แล้วเชื่อม Suggested Order กับ Approval Queue

สัปดาห์ที่สี่ทดลองหนึ่ง Category และหนึ่งแคมเปญ ทบทวน Exception ทุกสัปดาห์ วัด Forecast เทียบยอดจริง แยกผลจาก Stockout, Promotion และ Capacity จากนั้นค่อยขยายไป SKU อื่น เมื่อข้อมูลนิ่งจึงเพิ่ม Automation หรือ AI เป้าหมาย 30 วันไม่ใช่โมเดลซับซ้อนที่สุด แต่คือทีมใช้ตัวเลขเดียวกัน ตัดสินใจทัน และเห็นผลต่อยอดขาย กำไรและเงินทุนหมุนเวียนครบวงจร

VERIFIED SOURCES

แหล่งข้อมูลอ้างอิง

ตรวจสอบแหล่งข้อมูลล่าสุดเมื่อ 14 กันยายน 2569 เนื้อหานี้จัดทำเพื่อให้ความรู้ทั่วไป และควรพิจารณาบริบทเฉพาะของแต่ละองค์กรก่อนนำไปใช้

BRAND × INSPIRE × ACTION

อยากเปลี่ยนแนวคิดให้เป็นระบบที่ใช้งานได้จริง?

ปรึกษา BrandBandaan เพื่อวางกลยุทธ์ สร้างแบรนด์ เว็บไซต์ และระบบการสื่อสารที่พร้อมเติบโต

ส่ง Project Brief