การ Forecasting ที่ไม่แม่นยำ อาจเป็นเพราะยังไม่เข้าใจ Product มากพอ

พบว่าหลายองค์กรที่ไม่ประสบความสำเร็จในการดำเนินโครงการ Demand Forecasting อาจเป็นเพราะเหตุผลดังต่อไปนี้

- ข้อมูลที่ใช้ตั้งต้นมีไม่มากพอ

- เลือกใช้ Algorithm ไม่เหมาะสม

- ไม่มีการประเมินความพร้อมของข้อมูลทำให้เกิด garbage in garbage out

ที่เป็นเช่นนั้นเพราะการสร้าง Demand Forecasting ไม่ใช่แค่การเอาข้อมูลไป Run ด้วย AI แล้วเอาตัวเลขไปใช้งานได้เลย แต่ต้องวิเคราะห์และเลือกปัจจัยที่เหมาะสมเสียก่อน

หลายคนเข้าใจผิดว่า AI ฉลาดจนสามารถคิดวิเคราะห์ทั้งหมดได้เองว่าอะไรมีผลต่อยอดขาย ซึ่งยังเป็นความเข้าใจที่คลาดเคลื่อน

นอกจากนี้ในหน้างานสิ่งที่เกิดขึ้นบ่อยครั้ง คือการให้ AI สร้างแบบจำลองที่ครอบคลุม ทั้งๆ ที่ผลิตภัณฑ์มีลักษณะและพฤติกรรมการขายที่แตกต่างกัน จนทำให้ AI เกิดความสับสน

ดังนั้นหนทางที่ดีคือการเข้าใจก่อนว่า Machine Learning มีรูปแบบการทำงานอย่างไรและเราเข้าใจในตัวผลิตภัณฑ์ของเรามากแค่ไหน เช่น ควรศึกษาว่าอะไรมีผลต่อยอดขายบ้าง มีการทำ Promotion Tracking หรือไม่ สินค้ามีกี่ลักษณะ มีการจัดกลุ่มประเภทของผู้ซื้อหรือไม่ เป็นต้น

โครงการ Demand Forecasting ที่ประสบความสำเร็จจะนำข้อมูลรายละเอียดพฤติกรรมการขายเป็นส่วนหนึ่งของปัจจัยในการสร้างแบบจำลอง ทั้งนี้พบว่ายังมีปัจจัยภายนอกที่อาจมีผลต่อยอดขาย เช่น Promotion ใหม่ สินค้าใหม่ สาขาใหม่ และเหตุการณ์ที่ไม่เคยเกิดขึ้น เช่น Covid-19 เป็นต้น ดังนั้น ในการประยุกต์ใช้ Demand Forecasting Model นั้น ทางผู้ใช้งานและผู้พัฒนาจะต้องเข้าใจข้อจำกัดและมีการประเมินผลลัพธ์อยู่เสมอ

ยังมีความเข้าใจผิดอีกมาก ในการประยุกต์ใช้ AI กับธุรกิจ เพราะภาพที่คนภายนอกมองมาที่ AI จะเข้าใจว่า AI ฉลาดและพร้อมใช้ได้ทันที แต่แท้จริงแล้ว AI เป็นเครื่องมือให้คนที่รู้ศักยภาพที่แท้จริงของ AI มากกว่า นอกจากนี้ การใช้ AI ยังมีข้อผิดพลาดที่อาจเกิดขึ้นได้ หากไม่เข้าใจรูปแบบการทำงานที่แท้จริงของ AI ก็ถือว่าเป็นความเสี่ยงขององค์กรรูปแบบหนึ่งและเมื่อใดก็ตามที่เกิดข้อผิดพลาดก็อาจจะไม่สามารถกู้คืนสถานการณ์ได้ทันถ่วงทีอย่างที่ควรจะเป็น