IMAS Analytics.AI
หน้าแรกโซลูชันระบบนับคนและวิเคราะห์ผู้มาเยือนแดชบอร์ด XPERIOระบบพยากรณ์จำนวนผู้มาเยือนระบบจัดการพลังงานอาคารด้วย AIอุตสาหกรรมห้างสรรพสินค้าและศูนย์การค้าร้านค้าปลีกหลายสาขาสนามบินและสถานีขนส่งอาคารสำนักงานและอาคารพาณิชย์ลองเล่นผลงานบทความเกี่ยวกับเราพันธมิตรติดต่อเรา

DATA INTELLIGENCE

พยากรณ์จำนวนลูกค้าด้วย AI ทำงานอย่างไร: ใช้ข้อมูลอะไร อ่านผลอย่างไร และห้างกับร้านค้านำไปใช้ทำอะไรได้

พยากรณ์จำนวนลูกค้าคือการคาดว่าในแต่ละวันและแต่ละชั่วโมงข้างหน้าจะมีคนเข้าห้างหรือเข้าร้านกี่คน ตัวเลขนี้เป็นต้นทางของงานหลายอย่าง ตั้งแต่จัดกะพนักงาน วางงานทำความสะอาดและรักษาความปลอดภัย ไปจนถึงวัดผลแคมเปญ ร้านจำนวนมากคาดการณ์จากประสบการณ์ของผู้จัดการอยู่แล้ว ระบบพยากรณ์ด้วย AI ทำงานเดียวกัน แต่ดูข้อมูลได้มากกว่า ทุกสาขา ทุกชั่วโมง และทุกปัจจัยพร้อมกัน บทความนี้อธิบายว่าระบบแบบนี้ทำงานอย่างไร ใช้ข้อมูลอะไร อ่านผลอย่างไร มีข้อจำกัดตรงไหน และผู้บริหารห้างและเครือร้านค้านำไปใช้ทำอะไรได้บ้าง ถ้าสนใจเฉพาะเรื่องการวางกะพนักงาน อ่านต่อได้ในบทความจัดตารางงานพนักงานหน้าร้านจากจำนวนลูกค้าจริง

พยากรณ์จำนวนลูกค้าด้วย AI ทำงานอย่างไร ใช้ข้อมูลอะไรบ้าง

พยากรณ์จำนวนลูกค้า ต่างจากพยากรณ์ยอดขายอย่างไร

พยากรณ์จำนวนลูกค้า พยากรณ์ยอดขาย
ตอบคำถาม จะมีคนเข้ามากี่คน ช่วงไหน จะขายได้เท่าไร
ข้อมูลหลัก จำนวนคนเข้าจากระบบนับคน ยอดขายจากระบบขายหน้าร้าน
ใช้วางแผน คนที่ต้องดูแลลูกค้า งานบริการ ความปลอดภัย พลังงาน สินค้า งบประมาณ เป้ายอดขาย
ข้อดี เห็นความต้องการบริการทั้งหมด รวมคนที่เข้ามาแล้วไม่ได้ซื้อ เชื่อมกับรายได้โดยตรง

สองอย่างนี้ใช้ร่วมกันได้ดี เพราะยอดขายเท่ากับจำนวนคนเข้า คูณอัตราการซื้อ คูณยอดซื้อเฉลี่ยต่อบิล เมื่อรู้ว่าจะมีคนเข้าเท่าไร ทีมก็เห็นว่ายอดขายจะขึ้นลงเพราะคนเข้าน้อย หรือเพราะเปลี่ยนคนเข้าเป็นผู้ซื้อได้น้อย ดูตัวชี้วัดเหล่านี้ได้ในบทความตัวชี้วัดร้านค้าปลีก 8 ตัว

ระบบพยากรณ์ด้วย AI ทำงานอย่างไร

หลักการไม่ซับซ้อน ระบบเรียนรู้รูปแบบจากอดีต แล้วปรับด้วยสิ่งที่รู้ล่วงหน้าเกี่ยวกับอนาคต แบ่งได้เป็น 4 ส่วน

1. เรียนรู้รูปแบบประจำ

ข้อมูลคนเข้าย้อนหลังมีรูปแบบที่เกิดซ้ำ เช่น ช่วงเที่ยงและช่วงเย็นคนแน่น วันเสาร์อาทิตย์ต่างจากวันธรรมดา ช่วงปลายปีต่างจากกลางปี ระบบแยกรูปแบบเหล่านี้ออกเป็นระดับชั่วโมงของวัน วันของสัปดาห์ และฤดูกาล

2. ใส่ปัจจัยที่รู้ล่วงหน้า

สิ่งที่ทำให้วันหนึ่งต่างจากรูปแบบปกติ เช่น วันหยุดนักขัตฤกษ์ วันหยุดยาว โปรโมชัน กิจกรรมในศูนย์การค้า และสภาพอากาศ ระบบเรียนรู้จากอดีตว่าปัจจัยแต่ละอย่างเคยทำให้คนเข้ามากขึ้นหรือน้อยลงแค่ไหน แล้วใช้กับวันที่จะมาถึง

3. ปรับตามแต่ละสาขา

สาขาในศูนย์การค้ากับสาขาริมถนนตอบสนองต่อฝนตกไม่เหมือนกัน สาขาใกล้สำนักงานกับสาขาใกล้ที่พักอาศัยมีช่วงพีคต่างกัน การเรียนรู้ของเครื่อง (machine learning) ทำให้ระบบเรียนรูปแบบของแต่ละสาขาแยกกัน ไม่ใช้สูตรเดียวกับทุกที่

4. เทียบกับของจริงแล้วปรับรอบถัดไป

เมื่อวันนั้นผ่านไป ระบบมีตัวเลขจริงจากระบบนับคนมาเทียบกับที่พยากรณ์ไว้ ความคลาดเคลื่อนที่เกิดซ้ำ ๆ จะถูกนำไปปรับการพยากรณ์รอบต่อไป

หลักสำคัญ: AI ไม่ได้รู้อนาคต แต่ช่วยสรุปสิ่งที่เคยเกิดขึ้นจากข้อมูลจำนวนมากให้เป็นตัวเลขที่ใช้วางแผนได้ คนที่รู้บริบทหน้างานยังต้องดูและแก้ตัวเลขเมื่อรู้ข้อมูลที่ระบบไม่รู้

ข้อมูลที่ใช้พยากรณ์จำนวนลูกค้า

ข้อมูล มาจากไหน ทำไมต้องใช้
จำนวนคนเข้าย้อนหลังรายชั่วโมง ระบบนับคน เป็นฐานของการพยากรณ์ทั้งหมด
ยอดขายและจำนวนบิล ระบบขายหน้าร้าน ใช้ประกอบ และใช้แปลงจำนวนคนเป็นยอดขาย
ปฏิทินวันหยุดและฤดูกาล ปฏิทินขององค์กร อธิบายรูปแบบที่ขึ้นลงตามช่วงเวลา
สภาพอากาศ ข้อมูลพยากรณ์อากาศ ฝนหรืออากาศร้อนเปลี่ยนพฤติกรรมการออกจากบ้าน
โปรโมชันและกิจกรรม ฝ่ายการตลาดและฝ่ายจัดงาน อธิบายวันที่คนเข้ามากผิดปกติ
เหตุการณ์ที่ไม่เกิดซ้ำ บันทึกของสาขา เช่น ปิดปรับปรุงบางส่วน ทางเข้าปิด ใช้ตัดข้อมูลวันผิดปกติออก

คุณภาพของข้อมูลจำนวนคนเข้าสำคัญที่สุด ถ้าระบบนับคนนับขาดไปหนึ่งทางเข้า หรือนับพนักงานรวมไปด้วย การพยากรณ์จะเรียนรู้จากตัวเลขที่ผิด และคลาดตามไปด้วย ดูวิธีทดสอบความแม่นยำของระบบนับคนได้ในคู่มือเลือกระบบนับคน

อ่านผลพยากรณ์อย่างไร

ดูเป็นช่วง ไม่ใช่ตัวเลขเดียว

การพยากรณ์ทุกแบบมีความคลาดเคลื่อน ตัวเลขพยากรณ์จึงควรอ่านเป็น "น่าจะอยู่ราว ๆ นี้" ถ้าระบบแสดงช่วงสูงต่ำ ให้ใช้ขอบบนวางแผนงานที่พลาดไม่ได้ เช่น คนดูแลความปลอดภัย และใช้ค่ากลางวางแผนงานทั่วไป

วัดความคลาดเคลื่อนด้วยตัวเอง

วิธีที่เข้าใจง่ายคือเทียบพยากรณ์กับของจริงทีละชั่วโมง แล้วหาค่าเฉลี่ยของความคลาดเคลื่อนเป็นเปอร์เซ็นต์ (mean absolute percentage error)

ความคลาดเคลื่อนรายชั่วโมง (%) = |จำนวนจริง − จำนวนที่พยากรณ์| ÷ จำนวนจริง × 100

ตัวอย่าง (ตัวเลขสมมติ): ร้านหนึ่งพยากรณ์ว่าช่วง 18:00–19:00 จะมีลูกค้าเข้า 200 คน จริงเข้า 180 คน ความคลาดเคลื่อนชั่วโมงนั้น = 20 ÷ 180 × 100 ≈ 11% เมื่อนำทุกชั่วโมงของสัปดาห์มาเฉลี่ยกัน จะได้ตัวเลขที่ใช้ติดตามว่าการพยากรณ์ดีขึ้นหรือแย่ลง

ข้อควรรู้ในการวัด

  • ดูรายชั่วโมงด้วย ไม่ใช่แค่รายวัน ยอดรวมทั้งวันอาจตรง เพราะช่วงเช้าเกินไปหักลบกับช่วงเย็นที่ขาด แต่ถ้าใช้วางกะรายชั่วโมง ความคลาดรายชั่วโมงสำคัญกว่า
  • ระวังชั่วโมงที่คนน้อย ชั่วโมงที่มีคนเข้าไม่กี่คน คลาดไปนิดเดียวเปอร์เซ็นต์ก็สูงมาก ควรดูจำนวนคนที่คลาดประกอบด้วย
  • ระวังตัวเลขความแม่นยำที่ไม่มีเงื่อนไข ความแม่นยำของการพยากรณ์ขึ้นกับประเภทร้าน ความยาวข้อมูลย้อนหลัง และระยะที่พยากรณ์ล่วงหน้า ตัวเลขที่ดีควรบอกด้วยว่าวัดกับอะไร วัดอย่างไร และในช่วงเวลาไหน

ข้อจำกัดที่ควรรู้

  • สาขาใหม่ยังไม่มีประวัติ ระบบต้องมีข้อมูลย้อนหลังระยะหนึ่งก่อน ช่วงแรกอาจต้องอาศัยรูปแบบจากสาขาที่คล้ายกันและการปรับด้วยมือ
  • เหตุการณ์ที่ไม่เคยเกิด เช่น ร้านคู่แข่งเปิดข้าง ๆ ถนนหน้าห้างปิดซ่อม หรือเหตุการณ์ที่กระทบการเดินทางทั้งเมือง ระบบไม่รู้ล่วงหน้า คนต้องเป็นผู้ปรับ
  • ผังหรือทางเข้าเปลี่ยน เมื่อเปิดทางเข้าใหม่หรือย้ายร้าน ข้อมูลก่อนและหลังเปลี่ยนเทียบกันตรง ๆ ไม่ได้ ต้องบอกระบบหรือบันทึกไว้
  • ข้อมูลภายนอกต้องมีจริง ถ้าฝ่ายการตลาดไม่ได้ส่งปฏิทินโปรโมชันเข้าระบบ การพยากรณ์ก็ไม่รู้ว่าจะมีโปรโมชัน

ห้างและร้านค้านำผลพยากรณ์ไปใช้ทำอะไรได้

งาน ใช้ผลพยากรณ์อย่างไร ใครใช้
จัดกะพนักงานหน้าร้าน วางชั่วโมงงานให้ตรงช่วงที่ลูกค้าแน่น ผู้จัดการสาขา ฝ่ายปฏิบัติการ
งานบริการในศูนย์การค้า วางคนทำความสะอาด รักษาความปลอดภัย และจุดบริการลูกค้าตามช่วงที่คาดว่าคนจะมาก ฝ่ายอาคารและบริการ
พลังงานและระบบปรับอากาศ ให้ทีมวิศวกรรมเตรียมการทำความเย็นสำหรับวันที่คาดว่าคนจะมาก วิศวกรอาคาร
วัดผลแคมเปญและอีเวนต์ ใช้ตัวเลขพยากรณ์เป็นฐานเทียบว่า "ถ้าไม่มีงาน น่าจะมีคนเท่าไร" ฝ่ายการตลาด
วางสินค้าและเติมของ เตรียมสินค้าและคนเติมชั้นก่อนช่วงคนมาก ผู้จัดการสาขา
ตั้งเป้าและติดตามผล เทียบยอดจริงกับพยากรณ์ เพื่อแยกว่ายอดตกเพราะคนน้อยหรือเพราะขายได้น้อย ผู้บริหาร สำนักงานใหญ่

ตัวอย่างการนำไปใช้ (สถานการณ์สมมติ)

ศูนย์การค้าช่วงวันหยุดยาว: ระบบพยากรณ์ว่าวันเสาร์ของวันหยุดยาวจะมีคนเข้ามากกว่าวันเสาร์ปกติชัดเจน ฝ่ายอาคารจึงเพิ่มรอบทำความสะอาดห้องน้ำและศูนย์อาหาร ส่วนฝ่ายรักษาความปลอดภัยเพิ่มคนที่ทางเข้าลานจอดรถในช่วงบ่าย

เครือร้านค้าในวันฝนตก: พยากรณ์อากาศบอกว่าจะมีฝนทั้งบ่าย ระบบปรับลดตัวเลขของสาขาริมถนน และปรับเพิ่มของสาขาในศูนย์การค้า ผู้จัดการภาคดูตัวเลขแล้วตัดสินใจย้ายพนักงานบางส่วนระหว่างสาขาใกล้กัน

วัดผลอีเวนต์: ฝ่ายการตลาดใช้ตัวเลขพยากรณ์ของวันจัดงาน ซึ่งคำนวณโดยไม่รวมผลของงาน เป็นฐานเทียบกับจำนวนคนจริง ส่วนต่างที่ได้คือคนที่งานดึงเข้ามาเพิ่ม วิธีวัดละเอียดอยู่ในบทความวัดผลอีเวนต์ศูนย์การค้าด้วยข้อมูลผู้มาเยือน

เรื่องการใช้จำนวนคนประกอบการจัดการพลังงานของห้าง อ่านได้ในบทความค่าไฟห้างสรรพสินค้า ลดได้ตรงไหนเมื่อรู้จำนวนคนจริง

เริ่มต้นใช้การพยากรณ์อย่างไร

  1. ทำให้ข้อมูลคนเข้าครบและเชื่อได้ก่อน นับครบทุกทางเข้า แยกพนักงานออก และตรวจความถูกต้อง
  2. รวบรวมปฏิทิน วันหยุด โปรโมชัน และกิจกรรมของแต่ละสาขา ในรูปแบบที่ส่งเข้าระบบได้
  3. เริ่มจากสาขานำร่อง เลือกสาขาที่มีลักษณะต่างกัน เพื่อดูว่าการพยากรณ์ใช้ได้กับร้านแบบไหน
  4. ตกลงวิธีวัดผลก่อนเริ่ม จะวัดความคลาดเคลื่อนอย่างไร และจะเทียบกับวิธีวางแผนเดิมอย่างไร
  5. ให้ผู้จัดการแก้ตัวเลขได้ และบันทึกเหตุผล เพื่อให้รู้ว่าข้อมูลอะไรที่ระบบยังขาด

IMAS ช่วยพยากรณ์จำนวนลูกค้าอย่างไร

IMAS ใช้แพลตฟอร์มของ Retail Insight จากนอร์เวย์ ทำการพยากรณ์จำนวนผู้มาเยือน ร่วมกับข้อมูลจากระบบนับคน

  • พยากรณ์จำนวนลูกค้ารายชั่วโมง ล่วงหน้าได้ถึง 8 สัปดาห์ ตามข้อมูลของ Retail Insight
  • ใช้ข้อมูลหลายแหล่งร่วมกัน คือจำนวนคนเข้าย้อนหลัง ยอดขาย ฤดูกาล และสภาพอากาศ
  • เรียนรู้รูปแบบของแต่ละร้าน ด้วยการเรียนรู้ของเครื่อง และแนะนำว่าชั่วโมงพนักงานควรอยู่ช่วงไหน
  • ผู้จัดการร้านเป็นผู้ตัดสินสุดท้าย แก้ทุกคำแนะนำได้
  • เชื่อมกับระบบเดิม เช่น ระบบขายหน้าร้าน ระบบจัดกะพนักงาน ระบบนับคน และระบบบัญชีหรือบริหารทรัพยากรองค์กร (ERP)

ข้อมูลจำนวนคนเข้าที่เป็นฐานของการพยากรณ์มาจากระบบนับคน 3 มิติ ซึ่งนับแบบไม่ระบุตัวตน และดูผลเทียบกับของจริงได้ในแดชบอร์ด XPERIO ดูการใช้งานตามประเภทธุรกิจได้ที่หน้าศูนย์การค้าและเครือร้านค้าปลีก

คำถามที่พบบ่อย

−พยากรณ์จำนวนลูกค้าคืออะไร

คือการคาดว่าในแต่ละวันและแต่ละชั่วโมงข้างหน้าจะมีคนเข้าห้างหรือเข้าร้านกี่คน ใช้วางแผนพนักงาน งานบริการ และวัดผลการตลาด

+AI พยากรณ์จำนวนลูกค้าจากข้อมูลอะไร

หลัก ๆ คือจำนวนคนเข้าย้อนหลังจากระบบนับคน ร่วมกับยอดขาย ฤดูกาล วันหยุด สภาพอากาศ โปรโมชัน และกิจกรรม

+ต้องมีระบบนับคนก่อนไหม

ควรมี เพราะจำนวนคนเข้าย้อนหลังที่ถูกต้องเป็นฐานของการพยากรณ์ ถ้าใช้แค่ยอดขาย จะไม่เห็นคนที่เข้ามาแล้วไม่ได้ซื้อ

+การพยากรณ์แม่นแค่ไหน

ขึ้นกับประเภทร้าน คุณภาพและความยาวของข้อมูลย้อนหลัง และระยะที่พยากรณ์ล่วงหน้า วิธีที่ดีที่สุดคือวัดเองในสาขานำร่อง โดยเทียบพยากรณ์กับของจริงทีละชั่วโมง

+AI ตัดสินใจจัดกะแทนผู้จัดการได้ไหม

ไม่ได้ และไม่ควร ระบบให้ตัวเลขและคำแนะนำ ผู้จัดการเป็นผู้ตัดสินและแก้ได้ทุกข้อ เพราะรู้บริบทที่ระบบไม่รู้

อยากรู้ล่วงหน้าว่าแต่ละสาขาจะมีลูกค้าเท่าไร

ทีม IMAS ช่วยวางระบบนับคน เชื่อมข้อมูลยอดขาย และตั้งการพยากรณ์ให้ผู้บริหารและผู้จัดการสาขาใช้วางแผนได้จริง เริ่มจากสาขานำร่องได้ รายละเอียดและค่าใช้จ่ายแจ้งในใบเสนอราคา

ขอสาธิตระบบ · ดูระบบพยากรณ์จำนวนผู้มาเยือน

แหล่งอ้างอิง

  • Retail Insight AS (นอร์เวย์). ข้อมูลแพลตฟอร์มพยากรณ์จำนวนลูกค้าและการจัดชั่วโมงพนักงาน. เว็บไซต์ retailinsight.no
  • Retail Insight AS. Predictive staffing transforms store operations. เว็บไซต์ retailinsight.no
  • IMAS Analytics AI. Our Solutions: Predictive Forecasting. เว็บไซต์ imas-analytics.ai
  • Hyndman, R. J. & Athanasopoulos, G. (2021). Forecasting: Principles and Practice, 3rd edition. OTexts