Time-Series Foundation Models: AI พยากรณ์ยอดขายและสต็อกให้ SME ไทย

Time-Series Foundation Models ทำงานอย่างไร และต่างจาก ARIMA หรือ Machine Learning แบบเดิมตรงไหน

Time-Series Foundation Models คือโมเดล AI ขนาดใหญ่ที่ถูกเทรนด้วยข้อมูลอนุกรมเวลาหลายสิบล้านชุด ครอบคลุมทั้งยอดขาย ปริมาณการใช้ไฟฟ้า สภาพอากาศ ราคาหุ้น และตัวเลขทางธุรกิจอื่น ๆ โมเดลเหล่านี้เรียนรู้รูปแบบพื้นฐานของเวลาที่เกิดขึ้นซ้ำ เช่น แนวโน้ม ฤดูกาล และความสัมพันธ์ระหว่างช่วงเวลาที่ผ่านมา เมื่อเจอข้อมูลชุดใหม่มันจึงพยากรณ์ได้ทันทีโดยไม่ต้องฝึกโมเดลใหม่ตั้งแต่ต้น เรียกว่า zero-shot หรือ in-context learning ซึ่งต่างจาก ARIMA ที่ต้องเลือกพารามิเตอร์ให้เหมาะกับข้อมูลทีละชุด หรือ Machine Learning แบบเดิมที่ต้องสร้าง feature เช่น ค่า lag, ค่าเฉลี่ยเคลื่อนที่ หรือตัวแปรเทศกาลด้วยมือ

ข้อดีที่สำคัญคือโมเดลเหล่านี้รับข้อมูลในระดับ raw sequence เป็นหลัก ผู้ใช้ส่งข้อมูลย้อนหลังเป็นเลขชุดเดียว เช่น ยอดขายรายวัน 365 วัน แล้วโมเดลจะคืนค่าพยากรณ์ 30 หรือ 90 วันข้างหน้าโดยผู้ใช้ไม่ต้องรู้ว่าควรใช้ ARIMA(1,1,1) หรือควรปรับ Hyperparameter อย่างไร งานที่เคยต้องใช้เวลาหลายสัปดาห์จึงลดลงเหลือไม่กี่ชั่วโมง ความหมายต่อ SME คือ “การพยากรณ์ระดับองค์กร” กลายเป็นบริการที่เรียกใช้ผ่าน API ได้ เหมือนกับการเรียกใช้บริการแผนที่หรือบริการแปลภาษา ไม่ใช่โครงการ Data Science ที่ต้องลงทุนหนัก

ทำไม Time-Series Foundation Models ถึงสำคัญกับ SME ไทย

SME ไทยส่วนใหญ่ไม่ได้มีปัญหาคือไม่มีข้อมูล แต่มีข้อมูลอยู่ใน Excel, POS หรือระบบบัญชีที่ไม่ได้ถูกนำมาใช้ต่อยอด เจ้าของร้านมักพยากรณ์ยอดขายจากประสบการณ์หรือแค่ดูเดือนก่อนหน้า เมื่อธุรกิจโตขึ้น สต็อกก็เริ่มซับซ้อน ถ้าซื้อของมากเกินไปเงินจมในคลัง ถ้าน้อยเกินไปสินค้าขาดมือเสียลูกค้า ต้นทุนค่าเสียโอกาสเหล่านี้อาจมากกว่าค่าใช้จ่ายในการใช้โมเดล AI เทียบกับเทคนิคเดิม 3 เรื่องคือ

• ไม่ต้องมีทีม Data Science: Foundation Models ถูกเทรนมาแล้ว SME แค่ส่งข้อมูลและอ่านผล
• ไม่ต้องเปลี่ยนระบบเดิม: ใช้ข้อมูลจาก Odoo หรือ Excel ได้โดยไม่ต้องลง ERP ใหม่
• ไม่ต้องซื้อฮาร์ดแวร์: ใช้ API บน Cloud เสียค่าบริการตามปริมาณการเรียกใช้

ตัวอย่างที่เป็นรูปธรรมคือร้านอาหารย่านเมืองท่องเที่ยวซึ่งมีข้อมูลยอดขายรายวันจากเครื่อง POS อยู่แล้ว ระบบ AI ที่ผูกกับ Odoo จะพยากรณ์ว่ารอบ 7 วันถัดไปควรเตรียมวัตถุดิบเท่าไร ทำให้เชฟสั่งของแม่นขึ้น ลดของสดเหลือทิ้งลง และมั่นใจว่าวันหยุดยาวมีของพอขาย

โมเดลและบริการที่กำลังมาแรงสำหรับธุรกิจขนาดเล็กมีอะไรบ้าง

ในขณะนี้มีโมเดลเปิดเผยและบริการ Cloud หลายตัวที่ธุรกิจขนาดเล็กใช้งานได้จริง:

• Chronos จาก Amazon เป็นโมเดลที่แปลงข้อมูลอนุกรมเวลาเป็น token แบบเดียวกับภาษา แล้วใช้สถาปัตยกรรม Transformer พยากรณ์ มีขนาดเล็กพอรันในเครื่องได้ และมี API ผ่าน Amazon SageMaker
• TimesFM จาก Google เน้นการพยากรณ์แบบ zero-shot ที่รับข้อมูลได้ยาว แม้ถูกเทรนจากข้อมูลขนาดใหญ่ แต่เรียกใช้งานผ่าน Vertex AI หรือดาวน์โหลดโมเดลเปิดเผย
• Lag-Llama ใช้แนวคิด Llama มาประยุกต์กับข้อมูล lag มีจุดเด่นเรื่องการแจกแจงความน่าจะเป็น ทำให้ได้ช่วงของผลพยากรณ์ ไม่ใช่แค่ตัวเลขเดียว เหมาะกับงานที่ต้องประเมินความเสี่ยง
• Moirai จาก Salesforce เป็นโมเดลแบบ open-source ที่รองรับหลายความถี่ เช่น รายชั่วโมง รายวัน รายสัปดาห์ และสามารถปรับใช้กับข้อมูลหลายชุดพร้อมกัน

สำหรับผู้เริ่มต้นควรใช้ Hugging Face หรือ Colab ทดสอบกับข้อมูลของตัวเองก่อน แล้วค่อยเลือก API ที่จ่ายเงินตามการใช้งาน สิ่งสำคัญคือไม่มีโมเดลไหนดีที่สุดกับทุกธุรกิจเสมอไป ตัวเลขความแม่นยำที่ผู้ให้บริการโฆษณามักวัดจากชุดข้อมูลสาธารณะ ผลจริงในธุรกิจร้านกาแฟหรือโรงงาน SME ขึ้นกับรูปแบบข้อมูลและคุณภาพข้อมูลของแต่ละที่

SME ไทยใช้ Time-Series Foundation Models ในกรณีใดได้บ้าง

สมมติร้านขายเสื้อผ้าออนไลน์ที่มีสินค้า 200 รายการ เจ้าของใช้ Excel บันทึกยอดขายรายวัน เมื่อใช้ TimesFM ผ่าน Google Sheets และ BigQuery ก็สามารถสร้างตารางพยากรณ์รายสินค้าได้ทุกเช้า สินค้าตัวที่มียอดขายขึ้น ๆ ลง ๆ ตามเทศกาล เช่น เสื้อลายไทยช่วงสงกรานต์ จะถูกพยากรณ์แยกออกมาเพื่อเตรียมสต็อก ส่วนตัวที่ขายไม่ออกก็จะลดคำสั่งซื้อเข้าโรงงาน ทำให้กระแสเงินสดไม่ติดลบ เพราะซื้อของตรงกับความต้องการจริง

โรงงานผลิตชิ้นส่วนอิเล็กทรอนิกส์ SME ที่ใช้ Odoo เป็นระบบ ERP อยู่แล้วสามารถดึงประวัติคำสั่งซื้อจากโมดูล Sale มาส่งให้ Chronos เพื่อพยากรณ์ปริมาณคำสั่งซื้อรายเดือน ผู้จัดการฝ่ายวางแผนการผลิตใช้ผลนี้ร่วมกับกำลังการผลิตเครื่องจักรเพื่อจัดตารางเดินสายการผลิต ลดการจ้างโอทีเกินจำเป็น และแจ้งฝ่ายจัดซื้อล่วงหน้าเมื่อต้องสั่งวัตถุดิบล็อตใหญ่

ธุรกิจบริการซ่อมเครื่องปรับอากาศสามารถใช้ Lag-Llama พยากรณ์จำนวนงานซ่อมรายสัปดาห์ได้ โดยอาศัยข้อมูลปีก่อนซึ่งมีฤดูกาลชัดเจน คือหน้าร้อนงานแน่นและหน้าฝนมีงานเปลี่ยนอะไหล่ ช่วงที่โมเดลคาดว่าความต้องการสูง ทีมงานสามารถสต็อกอะไหล่เพิ่มและนัดช่างล่วงหน้า ส่วนช่วงที่โมเดลคาดว่าต่ำลงก็จัดโปรโมชันกระตุ้นยอดได้

วิธีเริ่มต้นใช้งานจริงทีละขั้นตอนทำอย่างไร

ขั้นตอนแรกคือเตรียมข้อมูลย้อนหลัง ควรมีอย่างน้อย 1-2 ปี ถ้าเป็นยอดขายรายวัน ให้รวมยอดเป็นรายสัปดาห์ก่อนถ้าข้อมูลมี noise สูง เช่น วันที่ร้านปิดหรือระบบขัดข้อง เมื่อได้ชุดข้อมูลแล้วให้บันทึกเป็น CSV ที่มีคอลัมน์วันที่และตัวเลขเท่านั้น และไม่ควรลบค่าวันที่ที่มียอดเป็น 0 เพราะโมเดลต้องเรียนรู้วันหยุดหรือวันที่ขายไม่ได้

ขั้นตอนที่สองคือเลือกเครื่องมือที่จะเข้าถึงโมเดล สำหรับผู้ที่ไม่ถนัดโค้ดให้เริ่มจาก Google Colab แล้วใช้ไลบรารีจาก Hugging Face ซึ่งมีตัวอย่าง notebooks สำหรับ Chronos, TimesFM, Lag-Llama และ Moirai โดยเฉพาะ ใส่ข้อมูลของตัวเองแทนตัวอย่างแล้วดูกราฟเปรียบเทียบกับยอดจริง ถ้าพอใจแล้วจึงสมัคร API บน Cloud เพื่อให้ระบบเรียกใช้ได้อัตโนมัติ

ขั้นตอนที่สามคือการเชื่อมต่อกับระบบที่มีอยู่ ถ้าใช้ Odoo ให้เขียน Python เรียก XML-RPC เพื่อดึงยอดขายจากตาราง sale.order แล้วแปลงเป็น DataFrame จากนั้นส่งเข้า API พยากรณ์แล้วเขียนผลกลับลง Odoo หรือ Google Sheets ถ้าใช้ Excel เพียงอย่างเดียวก็ใช้ pandas อ่านไฟล์ ส่งผลไปยัง Model API และแสดงผลในชีตใหม่ด้วยสูตรหรือ Power Query

ขั้นตอนที่สี่คือการทดสอบย้อนหลัง อย่าพึ่งพึง MAPE เพียงค่าเดียว เพราะค่า error ที่สูงอาจมาจากสินค้าไม่กี่ตัว ลองแยกพยากรณ์ตามหมวดหมู่และดูกราฟของ weekly seasonality และ special days เช่น สงกรานต์ ปีใหม่ หรือวันหยุดยาว ช่วงที่ยอดพุ่งผิดปกติก็ควรตรวจสอบว่าเกิดจากโปรโมชั่นจริงหรือข้อมูลผิด

ขั้นตอนที่ห้าคือการตั้งระบบมนุษย์ทบทวนผล ให้ผู้จัดการฝ่ายขายตรวจสอบก่อนกดอนุมัติสั่งซื้อ เพราะโมเดลไม่มีทางรู้ว่าแบรนด์กำลังจะออกโปรโมชันใหญ่หรือคู่แข่งลดราคา ในทางปฏิบัติควรตั้ง alert เมื่อผลพยากรณ์ต่างจากยอดจริงเกิน 30% เพื่อให้ทีมรีบหาสาเหตุ

ขั้นตอนที่หกคือติดตามผลต่อเนื่อง บันทึกค่าพยากรณ์และยอดจริงลงตารางเดียวกันทุกเดือน คำนวณ error ซ้ำเพื่อดูว่าโมเดลเริ่มเพี้ยนหรือไม่ เมื่อสินค้าใหม่เปิดตัวหรือรูปแบบธุรกิจเปลี่ยน ควรเทรนโมเดลใหม่หรือทดสอบกับข้อมูลชุดใหม่เป็นรอบ

ข้อควรระวังและข้อจำกัดที่ต้องรู้คืออะไร

ประการแรกคือคุณภาพข้อมูล ถ้ามีรหัสสินค้าซ้ำ ชื่อลูกค้าไม่ตรงกัน หรือยอดขายในเดือนบางเดือนหายไป โมเดลจะได้บทเรียนที่ผิด แม้ Foundation Models จะทนทานต่อ noise ดีขึ้นแต่ก็ไม่ใช่เครื่องมือแก้ข้อมูลได้ทั้งหมด ควรทำ data cleaning และแปลงให้เป็นความถี่ที่สม่ำเสมอ เช่น ถ้าใช้รายวันต้องมีทุกวัน ไม่ข้ามวันอาทิตย์

ประการที่สองคือเรื่องฤดูกาลของธุรกิจไทย โมเดลอาจจับฤดูกาลจากข้อมูลย้อนหลังได้ดี แต่ถ้ามีเหตุการณ์ที่ไม่เคยเกิด เช่น น้ำท่วมโรงงาน โควิด หรือการเปลี่ยนซัพพลายเออร์ ผลพยากรณ์จะต่ำกว่าความเป็นจริง ควรใช้ผลจากโมเดลเป็นตัวตั้งแล้วเพิ่ม scenario แบบ best case / worst case

ประการที่สามคือความเสี่ยงในการตัดสินใจอัตโนมัติ ระบบควรมี stop loss เช่น ถ้ายอดพยากรณ์สูงกว่าปกติมากเกินไป ต้องมีคนตรวจสอบก่อนสั่งซื้อจำนวนมาก เพราะโมเดลไม่รู้เรื่องนโยบายบริษัทหรือข้อจำกัดด้านการเงิน สุดท้ายคือการเริ่มจากโครงการเล็ก เลือกสินค้าหรือสาขามา 2-3 รายการก่อน เพื่อให้ทีมเรียนรู้ว่าควรไว้วางใจผลพยากรณ์แค่ไหน แล้วค่อยขยายผลทั่วทั้งองค์กร

สรุป

Time-Series Foundation Models เปลี่ยนการพยากรณ์ยอดขายและสต็อกจากงานที่ต้องใช้ผู้เชี่ยวชาญมาเป็นบริการที่เรียกใช้ผ่าน API ได้ในไม่กี่นาที สำหรับ SME ไทยที่มีข้อมูลอยู่ใน Odoo, Excel หรือ POS นี่คือโอกาสที่จะลดสินค้าค้างสต็อก ขาดมือ และบริหารเงินสดได้ดีขึ้น โดยไม่ต้องจ้าง Data Scientist ล่วงหน้า กุญแจสำคัญคือเริ่มจากข้อมูลสะอาด เลือกโมเดลที่เหมาะกับปัญหาของตัวเอง เชื่อมต่อกับระบบเดิม และออกแบบกระบวนการให้คนเป็นคนตัดสินใจขั้นสุดท้าย การลงทุนเริ่มต้นไม่สูง แต่ผลที่ได้คือความมั่นใจในการตัดสินใจซื้อ ขาย และวางแผนการผลิตบนข้อมูลที่มีอยู่แล้ว