SKU Rationalization ด้วย AI ตัดสต็อกที่ไม่มีอนาคต เพิ่มเงินหมุนเวียนให้ SME ไทย

SKU Rationalization ด้วย AI คืออะไร

SKU Rationalization ด้วย AI คือการจัดพอร์ตสินค้าให้เหลือเฉพาะตัวที่สร้างกำไรและเงินหมุนเวียนจริง โดยเอาข้อมูลยอดขาย กำไร ฤดูกาล ต้นทุนคลังสินค้า และพฤติกรรมลูกค้ามาเข้าโมเดลวิเคราะห์ เพื่อระบุว่า SKU ไหนควรเก็บเต็มสต็อก ไหนควรลดปริมาณ ไหนควรโปรโมทระบาย และไหนควรทยอยตัดทิ้ง SME ไทยที่ทำการค้าปลีกหรืออีคอมเมิร์ซจะได้ประโยชน์โดยตรง นั่นคือคลังมีพื้นที่สำหรับสินค้าขายเร็ว เงินสดที่จมอยู่ในสต็อกตายถูกปลดล็อก และกำไรไม่ถูกแอบกัดจากค่าเก็บสินค้าที่บัญชีทั่วไปมองไม่เห็น

SKU ย่อมาจาก Stock Keeping Unit หรือหน่วยสินค้าที่ใช้แยกการขายและการนับสต็อก เช่น เสื้อยืดสีดำไซซ์ M กับเสื้อยืดสีดำไซซ์ L ก็นับเป็นคนละ SKU ยิ่งธุรกิจมีรุ่นสินค้า สี ไซซ์ แพ็กเกจ และสูตรผสมหลากหลายมากเท่าไร จำนวน SKU ก็ยิ่งเพิ่มขึ้นโดยธรรมชาติ คำถามไม่ใช่ "เราควรขายกี่ตัว" แต่เป็น "ตัวไหนควรอยู่ในคลังต่อไปและตัวไหนควรปล่อยไป"

การตัดสินใจแบบเก่ามักใช้ความรู้สึกหรือประสบการณ์คนซื้อของ เช่น เห็นว่าสินค้ารุ่นหนึ่งเคยขายดีช่วงปีก่อน ก็ยังสั่งซื้อต่อโดยไม่ดูว่าความต้องการเปลี่ยนไปแล้ว การใช้ AI เข้ามาช่วยไม่ได้หมายความว่าเครื่องจักรจะตัดสินใจแทนเจ้าของกิจการทั้งหมด แต่ AI จะให้ภาพที่ชัดเจนว่า SKU แต่ละตัวกินเงิน ใช้พื้นที่ และสร้างกำไรจริงเท่าใด ทำให้การตัดสต็อกเป็นระบบ ลดการทะเลาะระหว่างทีมขายกับทีมคลัง และเปลี่ยนการจัดการสต็อกจากศิลปะให้เป็นวิทยาศาสตร์

ทำไม SKU ที่มากเกินไปถึงเป็นกับดักเงียบของ SME ไทย

SKU proliferation หรือการมีสินค้าหลายรุ่นหลายไซซ์จนเกินความจำเป็น คือกับดักที่เริ่มจากความหวังดีของเจ้าของธุรกิจที่อยากให้ลูกค้ามีตัวเลือกเยอะ แต่ทุก SKU ที่เพิ่มเข้ามาไม่ได้มีแค่ต้นทุนสินค้า ยังมีต้นทุนเก็บในคลัง ค่าแรงหยิบสินค้า ค่าขนส่ง ค่าประกันภัย และค่าเสียโอกาสของเงินที่จมอยู่

สมมติร้านเสื้อผ้าออนไลน์มี SKU 1,200 รายการ ส่วนใหญ่แยกตามสีและไซซ์ เจ้าของสังเกตว่าแม้ยอดขายรวมโต แต่กำไรขั้นต้นหดลงเพราะต้องลดราคาสินค้าเก่า หลังนำข้อมูลสต็อกเข้า AI วิเคราะห์พบว่า มี SKU ราว 300 ตัวไม่ขายเลยใน 9 เดือน ส่วนใหญ่เป็นไซซ์เล็กและไซซ์พิเศษของรุ่นที่ขายดีเมื่อปีก่อน ต้นทุนจัดเก็บกับเงินจมรวมกันคิดเป็นหลายแสนบาท AI แนะนำให้หยุดผลิตไซซ์ที่แทบไม่มีออเดอร์ เก็บสต็อกเฉพาะไซซ์ที่ขายจริง และจัดโปรโมชันจับคู่ไซซ์เล็กกับสินค้าใหม่ ผลลัพธ์คือ dead stock ลดลง และมีพื้นที่สำหรับสินค้าขายดี

ต้นทุนจัดเก็บที่มองไม่เห็นนี้สำคัญกว่าเลขในใบกำกับสินค้าเสียอีก เพราะเมื่อสินค้าอยู่ในคลังนานขึ้น มีค่าเช่าพื้นที่ ค่าไฟ ค่าพนักงานดูแล และค่าเสื่อมสภาพ ถ้าเป็นสินค้าแฟชัน อิเล็กทรอนิกส์ หรืออาหาร ยิ่งยิ่งแย่เพราะมูลค่าลดลงทุกเดือน การเก็บ SKU ไว้ "เผื่อขายได้" จึงเหมือนการจ่ายค่าเช่าให้กับความหวังที่ไม่มีกำหนดเวลาสิ้นสุด ยิ่งสินค้าอยู่นาน โอกาสขายได้เต็มราคาก็ยิ่งน้อยลง และสุดท้ายต้องลดราคาหรือทิ้ง ซึ่งกำไรจากสินค้าตัวที่ขายดีอาจต้องหายไปกับขาดทุนจากสต็อกตายโดยไม่รู้ตัว

ทำไมค่าเฉลี่ยใน Excel ถึงไม่พอ

เจ้าของ SME หลายรายใช้ Excel ดึงยอดขายรวม เรียงจากมากไปน้อย แล้วตัดสินใจว่าสินค้าที่ขายไม่ดีช่วง 3 เดือนควรเลิกขาย วิธีนี้ได้ผลในระดับหนึ่ง แต่พลาดมิติสำคัญ เช่น สินค้าบางตัวขายดีเฉพาะฤดูกาล บางตัวเป็นสินค้าที่ลูกค้าซื้อซ้ำสม่ำเสมอแต่กำไรน้อย บางตัวขายมากช่วงโปรโมชันเพราะลดราคาจนแทบไม่ได้กำไร และบางตัวขายดีในสาขาหนึ่งแต่ตายในอีกสาขาหนึ่ง

ค่าเฉลี่ยใน Excel ยิ่งทำให้เข้าใจผิด ตัวอย่างเช่น ถ้า SKU ทั้งหมดมีอัตราหมุนเวียนเฉลี่ย 45 วันดูเหมือนสุขภาพดี แต่เมื่อเจาะลึกจะพบว่า SKU ที่ขายดีหมุนเวียนทุก 10 วัน ขณะที่ SKU อีก 20% หมุนเวียนทุก 400 วัน การเฉลี่ยกลบภาพวิกฤตตรงกลาง Excel บอกได้ว่าใครขายไม่ดี แต่บอกไม่ได้ว่าควรเก็บสต็อกของ SKU นั้นเท่าไร หรือควรใช้นโยบายราคาอย่างไรเพื่อระบายของโดยไม่ทำกำไรทั้งพอร์ตเสียหาย

AI วิเคราะห์แตกต่างออกไป เพราะแทนที่จะดูแค่ยอดขายรวม AI จะจัดกลุ่ม SKU แบบ ABC-XYZ โดย ABC วัดมูลค่าการขายหรือกำไร ส่วน XYZ วัดความผันผวนของอุปสงค์ SKU ที่เป็น AX คือขายดีและพยากรณ์ง่าย ควรมีนโยบายสต็อกสูง SKU ที่เป็น CX คือขายน้อยและไม่แน่นอน ควรลดการสั่งซื้อหรือใช้วิธีผลิตตามคำสั่งซื้อ นอกจากการจัดกลุ่ม AI ยังเทรนด์ฤดูกาลและความไวต่อราคาเข้ามาคำนวณว่า ถ้าลดราคา 20% SKU นั้นจะระบายได้หมดภายในกี่วันและจะกลืนกำไรของสินค้าตัวอื่นหรือไม่

สิ่งที่ Excel ทำไม่ได้คือการประมวลผลหลายเงื่อนไขพร้อมกันในสเกลใหญ่ เช่น SKU หลายพันตัวที่มีข้อมูลยอดขายรายวัน 365 วัน ถ้าจะให้ทีมงานทำใน Excel ก็ต้องลากสูตรแล้วใช้ดุลยพินิจแต่ละตัว แต่ AI จัดการได้ในไม่กี่นาที เพราะโมเดลเรียนรู้รูปแบบจากข้อมูลซ้ำ ๆ และให้คะแนนความเสี่ยงของแต่ละ SKU เช่น ความเสี่ยงกลายเป็น dead stock ความเสี่ยงสินค้าขาด และความเสี่ยงที่เงินทุนจมเกินระยะเวลาที่ธุรกิจรับได้

AI วิเคราะห์ SKU แบบองค์รวมอย่างไร

AI ทำงานบนข้อมูลหลายระดับพร้อมกัน เริ่มจากข้อมูลการขายย้อนหลังว่าสินค้าตัวไหนขายดีเมื่อไร ขายดีที่ช่องทางใดและมีอัตรากำไรเท่าใด จากนั้นซ้อนข้อมูลต้นทุนคลังสินค้า เช่น พื้นที่ที่สินค้าหนึ่งกล่องกินเนื้อที่เท่าไร ค่าแรงในการหยิบสินค้าหนึ่งครั้ง และระยะเวลาที่สินค้านอนในคลังจนกลายเป็นต้นทุนแฝง สุดท้าย AI จะคำนวณ "ต้นทุนเงินสดที่จม" ต่อ SKU โดยเทียบกับว่าถ้าเงินจำนวนนั้นถูกนำไปซื้อสินค้าที่ขายเร็วจะสร้างกำไรได้เท่าไร นี่คือมิติที่เจ้าของกิจการมองไม่เห็นจากรายงานขายของระบบ POS

เมื่อได้ข้อมูลครบ AI จะสร้างตารางกลยุทธ์ราย SKU โดยแบ่งเป็นกลุ่มหลัก ๆ ไม่ใช่แค่ขายดีหรือขายไม่ดี แต่แบ่งตามความเหมาะสมของบทบาทในพอร์ตทั้งหมด

กลุ่มแรกคือ Star หรือสินค้าที่ขายดีและทำกำไรสูง AI จะแนะนำให้รักษาระดับสต็อกให้เพียงพอ ใช้ระดับบริการสูง และอาจแนะนำเจรจาต้นทุนกับซัพพลายเออร์เพื่อต่อยอดจากปริมาณขาย

กลุ่มที่สองคือ Cash Cow หรือสินค้าที่ขายได้สม่ำเสมอแต่ไม่โตมาก ควรลดปริมาณคงคลังลงให้พอดีกับอัตราการขายจริง ใช้คำสั่งซื้อที่เล็กลงแต่ถี่ขึ้น เพื่อไม่ให้เงินจมอยู่ในสต็อกที่ "พอขายได้" แต่ไม่คุ้มค่าการเก็บ

กลุ่มที่สามคือ Dog หรือสินค้าที่มียอดขายน้อย อัตราหมุนเวียนต่ำ และกินพื้นที่ ไม่ควรปล่อยทิ้งไว้เฉย ๆ แต่ควรโปรโมทแบบจับคู่กับสินค้าขายดี ลดราคาตามขั้นบันได หรือรวมแพ็กเกจกับสินค้าที่กำลังจะเลิก เพื่อเปลี่ยนสต็อกตายให้เป็นเงินสด

กลุ่มสุดท้ายคือ Discontinue หรือสินค้าที่ไม่มีอนาคต ไม่ว่าจะเป็นยอดขายตกต่ำ กำไรไม่คุ้มต้นทุนจัดเก็บ หรือหมดความต้องการของตลาด AI จะแนะนำให้ทยอยเลิกขาย หยุดสั่งซื้อทันที เจรจาส่งคืนซัพพลายเออร์ หรือบริจาคเพื่อลดภาระภาษีหากการขายไม่คุ้มค่าอีกต่อไป

การแบ่งกลุ่มนี้ไม่ได้ทำครั้งเดียวจบ เพราะ AI อัปเดตทุกครั้งที่มีข้อมูลใหม่ เมื่อสินค้า Star เริ่มขายช้าลง ระบบจะแจ้งเตือนให้ลดระดับสต็อกก่อนที่สินค้าจะกลายเป็น Dog ทำให้ธุรกิจตัดสินใจได้เร็วขึ้นจากข้อมูลจริง ไม่ใช่รอให้สต็อกตายกองเต็มคลังแล้วค่อยมาไล่เช็คทีละตัว

ผลลัพธ์ที่ SME ไทยเห็นได้จริงจากกรณีปฏิบัติ

ผลลัพธ์ที่จับต้องได้ของ SKU Rationalization ไม่ใช่แค่ตัวเลข dead stock ที่ลดลง แต่คือเงินสดที่กลับมาหมุนเวียนในธุรกิจโดยไม่ต้องเพิ่มยอดขาย ร้านค้าปลีกแห่งหนึ่งที่ขายสินค้าแฟชันบน Marketplace นำข้อมูล SKU เกือบ 2,000 ตัวเข้า AI พบว่าไซซ์ที่ลูกค้าซื้อจริงมีเพียง 40% ของไซซ์ทั้งหมดที่ผลิต ไซซ์ที่เหลือเป็นสต็อกตกค้างและถูกขายเป็นโปรโมชันราคาต่ำ เมื่อปรับพอร์ตให้เหลือเฉพาะไซซ์ที่ขายจริง พื้นที่จัดเก็บลดลง ค่าแรงแพ็กของลดลง และสต็อกของสินค้าขายดีเพิ่มขึ้นโดยไม่ต้องเช่าคลังเพิ่ม

โรงงาน SME ที่ผลิตชิ้นส่วนอะไหล่ก็ใช้แนวทางเดียวกันได้ แทนที่จะผลิตทุกสเปกตามคำสั่งซื้อเก่า AI จะวิเคราะห์ว่าอะไหล่ตัวไหนหมุนเวียนน้อยแต่มีต้นทุนการผลิตสูง ตัวไหนจำเป็นต้องเก็บเพื่อส่งมอบตามสัญญาระยะยาว และตัวไหนที่ลูกค้าสั่งครั้งเดียวแล้วไม่ซื้อซ้ำ จากนั้นปรับการผลิตเป็นแบบ make-to-order ทำให้ลดวัตถุดิบค้างสต็อกและลดแรงงานที่เสียไปกับการจัดการของที่ไม่มีความต้องการ

ธุรกิจอีคอมเมิร์ซที่ขายสินค้าหลายหมวด เช่น สินค้าแม่และเด็ก เครื่องใช้ไฟฟ้าขนาดเล็ก และของใช้ในบ้าน มักพบว่า SKU ที่สร้างยอดขายจริงมาจากหมวดเดียวไม่กี่รายการ แต่คลังเต็มไปด้วยสินค้าที่ลูกค้าในไทยยังไม่รู้จัก การใช้ AI ตัดสินใจหยุดนำเข้าสินค้าที่มียอดขายต่ำกว่าเกณฑ์ 3 เดือนติดต่อกันช่วยลดต้นทุนภาษีนำเข้า ค่าขนส่ง และค่าจัดเก็บลงได้มาก สังเกตว่าการตัด SKU ที่แทบไม่มีออเดอร์แทบไม่กระทบระดับบริการลูกค้า เพราะลูกค้าส่วนใหญ่ยังซื้อสินค้ากลุ่มเดิมที่ขายดี และผู้ขายก็มีเงินสดไปสต็อกสินค้าที่ลูกค้าต้องการจริงมากขึ้น

ผู้ให้บริการหรือกรณีศึกษาบางรายระบุว่า หลังทำ SKU Rationalization อย่างต่อเนื่อง ธุรกิจสามารถลด dead stock ได้ราว 10-20% ภายใน 2-3 ไตรมาส ทั้งนี้ตัวเลขจริงขึ้นกับบริบทของแต่ละธุรกิจ ประเภทสินค้า และความแม่นยำของข้อมูล แต่สิ่งที่เป็นสัญญาณชัดเจนคือ GMROI หรือผลตอบแทนจากเงินที่ลงไปในสินค้าจะดีขึ้น เพราะเงินทุนที่เคยจมในของไม่ขายถูกย้ายไปเลี้ยงสินค้าที่สร้างกำไรจริง และเมื่อ SKU ไม่รกคลัง พนักงานหยิบของเร็วขึ้น ส่งของผิดน้อยลง ลูกค้าก็ได้รับบริการที่ดีขึ้นทางอ้อม

แนวทางเริ่มต้นจริงสำหรับ SME ไทยที่ไม่มีทีม Data Science

เจ้าของ SME ไทยไม่จำเป็นต้องจ้างวิศวกรข้อมูลหรือเขียนโมเดลเองตั้งแต่แรก ขั้นตอนแรกคือทำให้ข้อมูลสินค้าและยอดขายอยู่ในรูปแบบที่ AI อ่านได้ โดยเริ่มจากข้อมูลยอดขายย้อนหลัง 3-6 เดือนจาก POS ERP หรือไฟล์รายงานของ Marketplace ต้องมีคอลัมน์เหล่านี้อย่างน้อย ได้แก่ SKU ชื่อสินค้า หมวดหมู่ จำนวนขาย รายได้ ต้นทุนสินค้า ปริมาณคงเหลือ และคลังสินค้าที่จัดเก็บ เมื่อข้อมูลครบ ให้นำเข้า Google Sheets หรือ Excel เพื่อดู "หางยาว" ของพอร์ตก่อนว่ามีกี่ SKU ที่แทบไม่ขายเลย กี่ SKU ที่ขายได้ครั้งเดียวเป็นโปรเจกต์ และกี่ SKU ที่ขายสม่ำเสมอจริง

ขั้นต่อไปคือตั้งเกณฑ์ที่สะท้อนเงินหมุนเวียน เกณฑ์แรกคืออัตรากำไรขั้นต้นต่อหน่วย เกณฑ์ที่สองคืออัตราหมุนเวียนสินค้าหรือ Inventory Turnover เกณฑ์ที่สามคือจำนวนวันที่สินค้าคงคลังขายหมดหรือ Days of Inventory Outstanding และเกณฑ์ที่สี่คือต้นทุนเงินจมโดยประมาณ ซึ่งคำนวณจากมูลค่าสต็อกคงเหลือคูณอัตราดอกเบี้ยหรืออัตราผลตอบแทนที่ต้องการ หากเงินล้านบาทที่อยู่ในคลังควรสร้างกำไร 20% ต่อปีการปล่อยให้สินค้าไม่อยู่ 1 ปีก็คือการเสียโอกาส 200,000 บาทโดยไม่ปรากฏในงบกำไรขาดทุน

เมื่อตั้งเกณฑ์ได้แล้ว จึงเริ่มใช้เครื่องมือ BI หรือ AI Report ผู้จัดการ IT อาจใช้ Power BI หรือ Looker Studio ต่อกับฐานข้อมูลเพื่อสร้างตาราง ABC-XYZ โดยเริ่มจากการจำแนก ABC จากยอดขายสะสมและจำแนก XYZ จากความผันผวนของยอดขายรายเดือน นำคู่ของ ABC-XYZ มาสร้างกฎอัตโนมัติ เช่น ถ้าเป็น BX คือขายปานกลางแต่ไม่แน่นอน ให้ตั้ง safety stock สูงกว่า BY เล็กน้อย ส่วนถ้าเป็น CZ คือขายน้อยและผันผวนสูง ควรหยุดสต็อกประจำและเปลี่ยนเป็นผลิตหรือสั่งเมื่อมีออเดอร์เท่านั้น

สำหรับธุรกิจที่ต้องการความละเอียดมากขึ้น AI Platform หรือซอฟต์แวร์บริหารสต็อกที่มีฟีเจอร์ Demand Forecasting และ Inventory Optimization จะช่วยวิเคราะห์ฤดูกาล รอบโปรโมชัน และราคาที่เหมาะสมให้อัตโนมัติ ผู้บริหารไม่จำเป็นต้องเข้าใจอัลกอริทึมลึกซึ้ง แต่ต้องเข้าใจ output ที่เห็น เช่น ระบบแนะนำว่าควรลดระดับสต็อกของ SKU A ลง 30% และย้ายงบประมาณไปที่ SKU B เพราะคาดการณ์ว่าอีก 2 เดือนความต้องการจะเพิ่มขึ้น

การเริ่มต้นควรทำกับสินค้ากลุ่มใดกลุ่มหนึ่งก่อน เช่น เลือกหมวดเสื้อผ้า หมวดเครื่องสำอาง หรือคลังสาขาที่มียอดขายต่ำที่สุด หนึ่งไตรมาส จากนั้นเปรียบเทียบ KPI กับกลุ่มที่ยังไม่ได้ปรับ ถ้าผลดีจึงขยายผลไปทั้งองค์กร และกำหนดรอบทบทวนทุกไตรมาส เพราะข้อมูลเก่าใช้ตัดสินใจได้ไม่เกิน 90 วันในธุรกิจค้าปลีก หากไม่ทบทวน พอร์ตสินค้าจะค่อย ๆ รกอีกครั้งจากแคมเปญใหม่และพฤติกรรมลูกค้าที่เปลี่ยนไป

สรุป

SKU Rationalization ด้วย AI คือเครื่องมือเปลี่ยนการตัดสินใจเรื่องสต็อกจาก "เคยขายดี" เป็น "ตอนนี้ยังควรขายไหม" และจาก "ขายไม่ออกก็ลดราคา" เป็น "ลดราคาหรือเลิกขายถึงจะคุ้มค่าที่สุด" SME ไทยไม่จำเป็นต้องรอให้มีคลังขนาดใหญ่ก่อนเริ่ม เพราะประโยชน์ที่แท้จริงไม่ใช่การลดจำนวน SKU ให้เหลือน้อยที่สุด แต่คือการจัดสรรเงินสด พื้นที่ และแรงงานให้กับ SKU ที่สร้างผลตอบแทนสูงสุด ขณะเดียวกันก็ปล่อย SKU ที่กินทรัพยากรโดยไม่สร้างกำไรออกไปอย่างเป็นระบบ

AI จะทำงานได้ดีเมื่อข้อมูลการขายและต้นทุนคลังสินค้าถูกบันทึกอย่างสม่ำเสมอ และเมื่อผู้บริหารตั้งคำถามกับพอร์ตสินค้าทุกไตรมาสเหมือนการตรวจสุขภาพธุรกิจ ถ้าเริ่มจากข้อมูลย้อนหลัง 3-6 เดือน ตั้งเกณฑ์กำไรกับอัตราหมุนเวียน แล้วใช้ BI หรือ AI Report แนะนำกลยุทธ์รายกลุ่ม SME ไทยจะเห็น dead stock ลดลง เงินหมุนเวียนเพิ่มขึ้น และคลังสินค้าทำงานอย่างมีประสิทธิภาพโดยไม่ต้องลดคุณภาพบริการลูกค้า สิ่งที่ต้องทำวันนี้คือเริ่มเก็บข้อมูลให้ครบ อย่ารอให้สต็อกตายกองเต็มคลังแล้วค่อยแก้วัดใจ