ช่วงชิงความได้เปรียบ ด้วยการคาดการณ์ทางธุรกิจ กับ Anticipatory Logistics

‘รู้ก่อนได้เปรียบ’ เป็นสุภาษิตไทยที่เราได้ยินคุ้นหูกันมานาน เพราะการทราบข้อมูลบางอย่างล่วงหน้าทำให้เราสามารถเตรียมตัวรับมือกับสถานการณ์นั้นๆ ได้อย่างถูกต้องและเหมาะสม และไม่ทำให้โอกาสนั้นหลุดลอยไป ในบางกรณียังรวมถึงความสามารถในการหลีกเลี่ยงความผิดพลาดก่อนที่จะเกิดเหตุได้อีกด้วย ซึ่งสำหรับอุตสาหกรรมโลจิสติกส์ก็มีศาสตร์ที่เกี่ยวข้องกับความสามารถในการทราบข้อมูลล่วงหน้าเช่นกัน

ในบทความนี้ เราจะพูดถึงศาสตร์ทางโลจิสติกส์ที่เปรียบได้กับการหยั่งรู้ ความหมายของการหยั่งรู้นั้นคือ การเข้าใจเหตุการณ์และเรื่องราวในเชิงลึก ทำให้คาดเดาได้ว่าจะเกิดอะไรขึ้นในอนาคต แม้ว่าอนาคตอาจมีจุดเปลี่ยนมากมายชนิดที่การพยากรณ์อย่างอื่นบอกไม่ได้ อย่างไรก็ตาม การหยั่งรู้ทางธุรกิจมีความสำคัญต่อการวางแผนธุรกิจอย่างมาก เพราะเราสามารถเตรียมการรับมือกับสิ่งที่ไม่รู้ได้หลายรูปแบบ เช่น ถึงแม้จะไม่รู้ก็ยังเสี่ยงวางแผน การทำเช่นนี้จะนำไปสู่การเตรียมตัวที่ผิด หรืออีกประเภทคือไม่รู้แต่ไม่ยอมเสี่ยงที่จะวางแผน ได้แต่รอตั้งรับ ซึ่งในบางทีก็ตั้งตัวไม่ทัน นั่นจึงทำให้เห็นได้ว่า การหยั่งรู้ถือว่าเป็นหัวใจสำคัญของผู้บริหารอย่างหนึ่ง

การคาดการณ์จากการวิเคราะห์เชิงลึก (predictive analytics) เป็นกลยุทธ์ที่รู้จักกันในนามของ big data driven ที่พูดถึงกันในวงการธุรกิจทั่วไปอย่างกว้างขวาง กลยุทธ์นี้่มีการปรับใช้ในวงการโลจิสติกส์ซัพพลายเชนมาระยะหนึ่งแล้ว ในชื่อของ ‘anticipatory logistics’ อาจจะกล่าวได้ว่า กลยุทธ์นี้เกิดมากับยุคข่าวสารข้อมูลก็ย่อมได้ ทางบริษัทโลจิสติกส์ชั้นนำอย่าง DHL และบริษัทที่ปรึกษา AT Kearney กล่าวว่า anticipatory logistics จะเป็นกลยุทธ์ที่จะมาแรงในช่วงห้าปีข้างหน้าที่ จะเปลี่ยนโฉมการจัดการโลจิสติกส์แบบเดิมๆ ที่เป็นการตั้งรับ (response-base เช่น ECR, QR) ไปเป็นเชิงรุก นอกจากนี้ anticipatory logistics ยังอาจช่วยทำให้ lean logistics เข้าใกล้ความเป็นจริงมากขึ้น เพราะกลยุทธ์นี้ไม่ใช่ push และไม่ใช่ pull แต่เป็นการรวมข้อดีทั้งสองแบบเข้าด้วยกัน

Anticipatory logistics คือการคาดการณ์กิจกรรมทางโลจิสติกส์ในอนาคต โดยอาศัยข้อมูลหลากหลายแบบทั้งจากในและนอกองค์กร แล้วนำไปประมวลผลโดย predictive algorithms เพื่อทำความเข้าใจเชิงลึก (insight) ที่จะนำไปตัดสินใจ วางแผนทางโลจิสติกส์ในอนาคตได้แบบแม่นยำชนิดที่การพยากรณ์แบบเดิมๆ ทำไม่ได้ ซึ่งหากทำสำเร็จก็จะช่วยระบบการจัดการโลจิสติกส์ได้หลากหลายด้าน เช่น ลด lead time และเพิ่มระดับบริการที่รวดเร็วทันใจลูกค้า หรือในด้านสินค้าคงคลังก็ทำให้บริการขนส่งสินค้าแบบ just in time เข้าใกล้ความจริง เพราะไม่ต้องเก็บสินค้าคงคลังสำรอง (safety stock) ในด้านการวางแผน ก็ทำให้สามารถวางแผนทรัพยากรแต่พอดี (lean capacity planning) ไม่ต้องวางแผนฉุกเฉินเผื่อโดยไม่จำเป็น เป็นต้น ในวงการโลจิสติกส์ ปัจจุบันมีการใช้เทคนิคนี้ในหลายรูปแบบ เช่น anticipatory shipping, preventive maintenance, predictive supply chain risk management และ smart capacity planning ที่จะกล่าวถึงอย่างละเอียดอีกครั้งในตอนท้าย

จุดเริ่มต้นของ Anticipatory Logistics และอนาคต

Anticipatory logistics นั้นเริ่มต้นมาจากโลจิสติกส์สายทหาร เพราะ military intelligences เป็นหัวใจสำคัญในการวางแผนสนับสนุนการรบในอดีต ทางธุรกิจยังขาดตรงนี้อยู่ ในยุคแห่งข่าวสารข้อมูลปัจจุบัน business intelligences ได้เริ่มมีบทบาท ทำให้ถึงเวลาที่จะประยุกต์ใช้ในทางธุรกิจได้ ในช่วงหลังปี 2007 ธุรกิจต่างๆ ได้ให้ความสนใจในการเก็บข้อมูล การใช้ข้อมูล (big data) ร่วมกับการพัฒนาระบบคอมพิวเตอร์ประมวลผล เพื่อช่วยประมวลผลข้อมูลให้มีความเข้าใจในตลาดเชิงลึก (insight) และส่งผลให้วางแผนแข่งขันหรือวางแผนดำเนินธุรกิจได้อย่างถูกต้อง ทันเวลา และรัดกุม เทคนิคแบบนี้เรียกรวมกันว่า Business Intelligence หรือ BI เมื่อก่อนมนุษย์จะเป็นผู้ประมวลผล แต่ปัจจุบันข้อมูลมีมากมายมหาศาลเกินกว่าที่สมองมนุษย์จะประมวลผลได้ จึงใช้คอมพิวเตอร์ช่วยคำนวน แต่ใช้มนุษย์แปลผลแบบที่เรียกว่า ‘Intelligence Assistant’ ซึ่งในอนาคต เราอาจมีปัญญาประดิษฐ์ (Artificial Intelligence หรือ AI) ทางด้าน anticipatory logistics ที่หาข้อมูลที่เกี่ยวข้องได้เอง ประมวลผล คิดและตัดสินใจเอง แล้วมาแนะนำมนุษย์อีกทีก็เป็นได้

จากที่ได้กล่าวมา anticipatory logistics เป็น BI ประเภทหนึ่ง ปัจจุบันยังอยู่ในขั้น IA อยู่ ซึ่ง BI ลักษณะนี้ยังพึ่งการดูแลของมนุษย์อยู่ค่อนข้างมาก โดยเฉพาะการวางแผนและการตีความ anticipatory มีองค์ประกอบหลักๆ ทั้งหมดสี่ส่วนคือ

1. การวางแผน ที่ทาง เดวิด ชิมชิเลวี่ กูรูจาก Massachusetts Institute of Technology เรียกว่า assessment เป็นการวางแผนว่าจะใช้ big data อะไร ชนิดไหนบ้าง เพื่อคาดเดาอะไร เช่น จะคาดการณ์ความต้องการของสินค้าตัวใหม่หรือสินค้าเก่าในตลาดใหม่ การลดความเสี่ยงในซัพพลายเชน การลดเวลาการแก้ปัญหาในซัพพลายเชน (time to recover) เป็นต้น การวางแผนนี้ต้องมีความเข้าใจในเรื่องของ key performance indicators ในเรื่องนั้นเป็นอย่างดี ถึงจะเริ่มวางแผนได้ดี

2. ตัวข้อมูล เพราะความที่ big data มีข้อมูลหลากหลาย การเลือกใช้ข้อมูลเป็นเรื่องสำคัญข้อมูลอะไรที่จะใช้เป็นตัวหลักหรือตัวรองในการคาดการณ์ (key performance predictors – KPP) ข้อมูลที่จะใช้คาดการณ์ต้องมีผลอย่างใดอย่างหนึ่งต่อ KPI ที่สำคัญต้องรู้ด้วยว่าจะสามารถหาข้อมูลนั้นได้จากไหน

การเก็บข้อมูลก็สำคัญ ถ้าอยากได้ข้อมูลแบบ real-time เพื่อทำการพยากรณ์ การใช้อะไหล่ใน preventive maintenance อาจต้องใช้ Internet of Things หรือ IoT เพื่อสร้าง smart objects ที่จะป้อนข้อมูลชนิด real-time ให้ระบบได้

3. ส่วน intelligences หรืออัลกอริทึม (Algorithm) ที่ทำการประมวลผลต้องรู้ว่า KPP ตัวไหน โยงกับ KPI ตัวไหน ต้องมีการใช้ data mining ในการกลั่นกรองข้อมูลในโซเชียลหรือไม่ ถ้าข้อมูลเป็นเชิงคุณภาพ จะต้องมีการทำโค้ดอย่างไรให้เชื่อมกับข้อมูลอื่นๆ ได้ หรือถ้าข้อมูลเกี่ยวกับความคิดเห็น ความรู้สึก การตัดสินใจซื้อในอนาคต อาจต้องใช้อัลกอริทึมที่สามารถประมวลผลทางจิตวิทยาร่วมไปด้วย เทคนิคที่ตอนนี้มีคนใช้กันจะเป็น การใช้ data mining ร่วมกับ multivariate regression หรือ modeling อย่างของเดวิด ชิมชิเลวี่ ที่ใช้คาดการณ์ความเสี่ยงในซัพพลายเชน

4. การตีความ เป็นองค์ประกอบสุดท้ายที่ใช้สร้าง insight หรือความหยั่งรู้ที่ช่วยในการวางแผนตัดสินใจ ซึ่งยังต้องใช้ผู้มีประสบการณ์เป็นคนอ่านผลลัพธ์จาก business intelligence อยู่

anticipatory shipping คือการใช้ข้อมูลพฤติกรรมการซื้อของลูกค้ามาคาดเดาความต้องการสินค้าก่อนที่ลูกค้าจะตัดสินใจซื้อ ด้วยความหยั่งรู้ถึงระดับที่ว่าลูกค้าและความต้องการในอนาคตจะเป็นอย่างไร แผนกโลจิสติกส์สามารถทำการจัดเก็บสินค้า ขนส่งสินค้าไปยังศูนย์กระจายสินค้าที่ใกล้ที่สุดรอไว้ก่อนได้ เตรียมเส้นทางขนส่งที่เร็วที่สุด ซึ่งในรายที่ทำสำเร็จก็สามารถส่งสินค้าภายในวันเดียวได้ ทั้งนี้ ไมเคิล คลอสซิ่ง กล่าวไว้ว่า ในอนาคตการขนส่งแบบคาดการณ์ไว้แล้วจะมีการใช้ร่วมกับการขนส่งแบบรอลูกค้าสั่งแบบเดิม เพื่อช่วยเพิ่มประสิทธิภาพการวางแผนโลจิสติกส์

หลายคนอาจมีคำถามว่า ในปัจจุบันประเทศไทยมีใครนำแนวคิดนี้เข้ามาใช้งานแล้วหรือไม่ คำตอบ คือ มี แต่ส่วนมากไม่ได้นำมาบอกเล่าหรือตีพิมพ์กันมากนัก แต่มีข้อสังเกตง่ายๆ ว่า ส่วนมากจะเป็นบริษัทที่มีความพร้อมสามอย่างคือ หนึ่ง มีการใช้ shopper insight มาก่อนในทางด้านการตลาด สองคือมีประวัติการจัดการควบคุมโลจิสติกส์แบบดีเลิศ เช่น มีการส่งของในวันเดียว สาม คือบริษัทนั้นอยู่ในธุรกิจมาเป็นเวลานานพอสมควรจนเข้าใจว่าปัจจัยไหนที่เป็นตัวคาดการณ์ที่มีประสิทธิภาพ

ในประเทศไทย บริษัทอย่าง 7-Eleven ก็เข้าข่าย นี้ ทำให้ 7-Eleven ใช้ข้อมูลการขายจากเครื่องชำระ เงินโดยตรงที่เรียกว่า Point of Sales (POS) data ร่วมกับ shopper insight data จาก vendors ทำให้คาดการณ์พฤติกรรมการซื้อของลูกค้าล่วงหน้าได้ และสามารถใช้ระบบ anticipatory shipping ที่แม่นยำได้ ในสหรัฐอเมริกา amazon.com ก็ใช้ POS data, shopper insight และ qualitative data จากโซเชียลมีเดียในการสร้าง anticipatory logistics operation จะเห็นได้ว่าทางอุตสาหกรรมการค้าปลีกจะได้เปรียบกว่าเพราะมีพื้นฐานทาง shopper insight ที่เหมือนเป็นจุดกำเนิดของ anticipatory demand

องค์ประกอบสำคัญของ anticipatory logistics

Predictive Maintenance

เป็นการเดาความต้องการของอะไหล่ต่างๆ ล่วงหน้าก่อนเครื่องมือหรือเครื่องจักรจะขัดข้องและไม่สามารถทำงานได้ เทคนิคนี้ต้องเก็บข้อมูลจากอุปกรณ์อัจฉริยะแบบ real-time ผ่านเครื่องจักร รถบรรทุก และเครื่องมืออื่นๆ ที่สามารถพยากรณ์ได้ว่าจะต้องการการซ่อมแซมในอนาคตเมื่อไหร่ ซึ่งหากทำได้จะช่วยให้ประหยัดเวลา ทั้งผู้ประกอบการโลจิสติกส์และลูกค้าที่เคยต้องรออะไหล่นานๆ

Predictive Supply Chain Risk Management

เทคนิคนี้ใช้ข้อมูลในอดีต ข้อมูลสถานการณ์ความเป็นไปในปัจจุบัน กับข้อมูล real-time ร่วมกัน ช่วยตรวจจับความเสี่ยงในเส้นทางการขนส่ง และลดความเสียหายของสินค้าในตู้สินค้า ตัวอย่างเช่น ติดตั้งตัวตรวจจับแรงกระแทกในตู้สินค้า เพื่อที่จะแก้ไขก่อนที่จะเกิดและช่วยลดความล่าช้าในการส่งสินค้า

Smart Capacity Planning

เทคนิคนี้ใช้ข้อมูลความต้องการตลาดในข้อหนึ่งรวมกับข้อมูลทรัพยากรของธุรกิจนั้นๆ และข้อมูลความเสี่ยงอย่างข้อสาม ประกอบกับอัลกอริทึมเชิงลึก เพื่อให้มีการจัดการขีดความสามารถทางโลจิสติกส์ให้เหมาะสมกับอุปสงค์ในทุกสถานการณ์ เช่น สามารถคาดระดับความต้องการสินค้าในช่วงที่ยุ่งที่สุดตอนปลายปี และจัดระบบโลจิสติกส์ที่เหมาะกับความเสี่ยงแบบต่างๆ ได้

ข้อควรระวังที่ควรคำนึงถึง

1. ต้องการความร่วมมือจากหลายภาคส่วน ทั้งทางลูกค้า ทางผู้ประกอบการโลจิสติกส์ ทางรัฐบาล ทางเศรษฐศาสตร์ระดับอุตสาหกรรม จะมีข้อแนะนำว่า สมาชิกในซัพพลายเชนที่ใกล้ลูกค้ามากที่สุดจะต้องให้ความร่วมมือด้วย เพราะต้นตอความต้องการตลาดจริงๆ มาจากลูกค้า

2. การขาดความรู้ความเข้าใจเชิงลึกว่าข้อมูลอะไรสำคัญในคาดการณ์ บางครั้งอาจยึดติดกับข้อมูลเดิมที่บอกอะไรได้จำกัด ข้อแนะนำในข้อนี้คือ อย่าทำคนเดียว ให้ร่วมทีมกับคนอื่นในอุตสาหกรรมใกล้เคียงมาช่วยกันคิด

3. ค่าใช้จ่ายสูงตอนเริ่มต้น เพราะมีค่าใช้จ่ายของการเก็บข้อมูล การหาข้อมูล และการประมวลข้อมูลที่อาจต้องใช้เครื่องมือหรือเทคนิคชั้นสูง ในส่วนนี้มีข้อแนะนำอย่างนึงว่า ข้อมูลบางอย่างสมาชิกในซัพพลายเชนอาจมีแล้ว ไม่ต้องเก็บข้อมูลเองใหม่

เทคนิคนี้ใช้ข้อมูลความต้องการตลาดในข้อหนึ่งรวมกับข้อมูลทรัพยากรของธุรกิจนั้นๆ และข้อมูลความเสี่ยงอย่างข้อสาม ประกอบกับอัลกอริทึมเชิงลึก เพื่อให้มีการจัดการขีดความสามารถทางโลจิสติกส์ให้เหมาะสมกับอุปสงค์ในทุกสถานการณ์ เช่น สามารถคาดระดับความต้องการสินค้าในช่วงที่ยุ่งที่สุดตอนปลายปี และจัดระบบโลจิสติกส์ที่เหมาะกับความเสี่ยงแบบต่างๆ ได้

4. ปัญหาเกี่ยวกับข้อจำกัดหรือข้อกำหนด

ในการใช้ข้อมูลบางชนิดที่มีความสำคัญในการคาดการณ์ แต่อาจมีการห้ามใช้เพราะลูกค้าอาจจะถือว่าเป็นข้อมูลส่วนตัวที่ไม่อยากเปิดเผย

เกี่ยวกับผู้เขียน

^{รศ. ดร. ทวีพันธุ์ เลียงพิบูลย์ (Duke Leingpibul Ph.D.) เป็นผู้เชี่ยวชาญในด้านโลจิสติกส์/ซัพพลายเชน และการตลาด Food & CPG ปัจจุบัน ดำรงตำแหน่งรองศาสตราจารย์ในสองสาขาคือ สาขา Food & CPG Marketing และ Integrated Supply Chain ณ มหาวิทยาลัย Western Michigan Univer-sity สหรัฐอเมริกา นอกจากนี้ ยังรับหน้าที่เป็นวิทยากรรับเชิญและที่ปรึกษาด้านโลจิสติกส์ให้กับบริษัทเอกชนหลายแห่ง รวมถึงหน่วยงานรัฐบาลอีกด้วย}

---

อัพเดตข่าวสารและบทความที่น่าสนใจในอุตสาหกรรมโลจิสติกส์ก่อนใคร ผ่าน Line Official Account @Logistics Mananger เพียงเพิ่มเราเป็นเพื่อน @Logistics Manager หรือคลิกที่นี่