fbpx

Forecasting methods (ကြိုတင်ခန့်မှန်းမှု နည်းလမ်း) အမျိုးမျိုးအကြောင်း သိကောင်းစရာ

ကြိုတင်ခန့်မှန်းမှု (Forecasting) ဆိုတာကတော့ အတိတ်နဲ့ပစ္စုပ္ပန်အချက်အလက်တွေကို အခြေခံပြီး၊ အများအားဖြင့် ဖြစ်လာနိုင်မဲ့အလားအလာတွေကို ခွဲခြမ်းစိတ်ဖြာရင်း၊ အနာဂတ်အတွက်ကြိုတင်ခန့်မှန်းမှုကို ဆောင်ရွက်တဲ့လုပ်ငန်းစဉ်ပဲ ဖြစ်ပါတယ်။ တနည်းပြောရရင် ကြိုတင်ခန့်မှန်းခြင်းဟာ နောင်ဘာတွေဖြစ်လာနိုင်မလဲဆိုတာ တွက်ဆပြီး အနာဂတ်အတွက် အစီအစဉ်တွေချမှတ်ဖို့ အထောက်အကူဖြစ်စေတဲ့ ကရိယာတန်ဆာပလာတစ်ခုပဲဖြစ်ပါတယ်။
ကြိုတင်ခန့်မှန်းတယ်ဆိုတည်းက မသေချာမှုတွေနဲ့ စွန့်စားရမှုတွေရှိနေမှာဖြစ်လို့ ကြိုတင်ခန့်မှန်းမှုကို တိကျခိုင်လုံနိုင်စေဖို့အတွက် မှီငြမ်းတဲ့အချက်အလက်တွေဟာ နောက်ဆုံးရအချက်အလက်တွေဖြစ်ဖို့ လိုပါတယ်။ ဒါ့အပြင်ကြိုတင်ခန့်မှန်းမှု နည်းလမ်းအမျိုးမျိုးကို အတွင်းကျကျသိရှိပြီး၊ မိမိရဲ့လိုအပ်ချက်နဲ့ ဘယ်နည်းလမ်းက အကောင်းဆုံးအထောက်အကူ ဖြစ်စေနိုင်မလဲဆိုတာ သိရှိထားဖို့လိုပါတယ်။
ကြိုတင်ခန့်မှန်းမှု နည်းလမ်းအမျိုးမျိုးကတော့ အောက်ပါအတိုင်းပဲ ဖြစ်ပါတယ်။

(၁) အရိုးရှင်းဆုံးကြိုတင်ခန့်မှန်းမှုနည်းလမ်းများ
(Naive forecasting methods)
အရိုးရှင်းဆုံးကြိုတင်ခန့်မှန်းမှုနည်းလမ်းများ (Naive forecasting methods) ဟာ ပြီးခဲ့တဲ့ကာလအပိုင်းအခြားတစ်ခုက မှတ်တမ်းတင်ထားတဲ့ အချက်အလက်တွေကို အခြေခံပြီးတော့ လက်ရှိဦးတည်ချက်အတိုင်း အနာဂတ်ကာလအပိုင်းအခြားတစ်ခုအတွက် ကြိုတင်ခန့်မှန်းခြင်းပဲဖြစ်ပါတယ်။ Naive forecasting methods ဟာ အနာဂတ်ကာလအတွက် ခန့်မှန်းတဲ့နေရာမှာ ရာသီအလိုက်အပြောင်းအလဲတွေ၊ အတက်အကျတွေ၊ ဆက်စပ်နေမှုတွေ စတာတွေကို ပြန်ညှိတာမျိုး လုံးဝမလုပ်ပဲ အတိတ်ကာလအချက်အလက်တွေကိုပဲ အတည်ယူဆောင်ရွက်တာဖြစ်ပါတယ်။ ဒါကြောင့် Naive forecasting methods များကို အခြားပိုမိုရှုပ်ထွေးတဲ့ ကြိုတင်ခန့်မှန်းမှုနည်းလမ်းများရဲ့ ရလာဒ်များကို ဆန်းစစ်ဖို့အတွက် ” စံ ” (Benchmark) အဖြစ် နှိုင်းယှဉ်အသုံးပြုကြလေ့ရှိပါတယ်။

(၂) အရည်အသွေးနှင့်အရည်အတွက် ကြိုတင်ခန့်မှန်းမှု နည်းလမ်းများ
(Qualitative & quantitative forecasting methods)
အရည်အသွေးကြိုတင်ခန့်မှန်းမှုနည်းလမ်းများ (Qualitative forecasting methods) များဟာ အတိတ်ကာလအချက်အလက်များ မရရှိနိုင်တဲ့အခါ အသုံးပြုလေ့ရှိပြီး သုံးစွဲသူများနှင့် သက်ဆိုင်ရာကျွမ်းကျင်သူများရဲ့သဘောထား၊ ဝေဖန်ဆုံးဖြတ်ချက်များအပေါ် အခြေခံပြီး ကြိုတင်ခန့်မှန်းတဲ့နည်းလမ်းများဖြစ်ပါတယ်။ Qualitative forecasting methods များကို ကာလရှည်နဲ့ အလယ်အလတ်ကာလ ဆုံးဖြတ်ချက်များအတွက် အသုံးကြလေ့ရှိပါတယ်။ အရေအတွက်ကြိုတင်ခန့်မှန်းမှုနည်းလမ်းများ (Quantitative forecasting methods) များကို အတိတ်ကာလ ကိန်းဂဏန်းအချက်အလက်များ ရရှိနိုင်တဲ့အခါနဲ့ အတိတ်ကာလအချက်အလက်အချို့ဟာ အနာဂတ်မှာပါဖြစ်နိုင်ခြေရှိတယ်လို့ ယူဆတဲ့အခါ အသုံးပြုကြလေ့ရှိပါတယ်။ Quantitative forecasting methods များကို ကာလတိုနဲ့ အလယ်အလတ်ကာလဆုံးဖြတ်ချက်များအတွက် အသုံးပြုကြလေ့ရှိပါတယ်။

(၃) ကြောင်းကျိုးဆက်စပ် ကြိုတင်ခန့်မှန်းမှုနည်းလမ်းများ
(Causal forecasting methods)
ကြောင်းကျိုးဆက်စပ် ကြိုတင်ခန့်မှန်းမှုနည်းလမ်းများဟာ အတိတ်ကာလ ကိန်းဂဏန်းအချက်အလက်များအရ ပေါ်ထွက်လာတဲ့ရလာဒ်များအပေါ်မှာပဲ အခြေတည်အမှီသဟဲပြုပြီး ခန့်မှန်းခြင်းမျိုးမဟုတ်ပါဘူး။ ဖြစ်လာနိုင်တဲ့အပြောင်းအလဲများအပေါ် အကျိုးသက်ရောက်နိုင်တဲ့ ငုတ်လျှိုးနေတဲ့ အကြောင်းခြင်းရာတွေကိုပါ ကြောင်းကျိုးဆက်စပ်ပြီး ကြိုတင်ခန့်မှန်းခြင်းဖြစ်ပါတယ်။ Causal forecasting methods တွေမှာ ကိန်းဂဏန်းအချက်အလက်တွေက အဓိကမဟုတ်ပဲ ကြိုတင်ခန့်မှန်းသူရဲ့ သဘောထားအမြင်က အဓိကဖြစ်ပါတယ်။

(၄) ဝေဖန်ပိုင်းခြား ကြိုတင်ခန့်မှန်းမှုနည်းလမ်းများ
(Judgmental forecasting methods)
ဝေဖန်ပိုင်းခြား ကြိုတင်ခန့်မှန်းမှုနည်းလမ်းများမှာ သုံးစွဲသူသဘောထားစစ်တမ်းများ၊ ကျွမ်းကျင်သူအဖွဲ့များ၏ သဘောထား၊ လုပ်ငန်းဆိုင်ရာမန်နေဂျာများ၏အမြင် စသည်တို့အပေါ် အခြေခံကာ ကြိုတင်ခန့်မှန်းခြင်းဖြစ်ပါတယ်။ ဝေဖန်ပိုင်းခြား ကြိုတင်ခန့်မှန်းမှုနည်းလမ်းများကို အတိတ်ကိန်းဂဏန်းအချက်အလက်များ မရနိုင်တဲ့အခါ၊ ကုန်ပစ္စည်းအမယ်သစ် ဈေးကွက်တင်တဲ့အခါနဲ့ ဈေးကွက်အတွင်းထူးခြားတဲ့ အခြေအနေနဲ့ အလားတူပစ္စည်းမရှိတဲ့အခြေအနေမျိုးမှာ အသုံးပြုလေ့ရှိပါတယ်။

(၅) စဉ်ဆက်မပြတ် ကြိုတင်ခန့်မှန်းမှုနည်းလမ်းများ
(Time series forecasting methods)
စဉ်ဆက်မပြတ် ကြိုတင်ခန့်မှန်းမှုနည်းလမ်းများဟာ အတိတ်ကာလအချက်အလက်များကို အခြေခံပြီး အနာဂတ်ဖြစ်ပေါ်လာနိုင်တာကို ကြိုတင်ခန့်မှန်းခြင်းဖြစ်ပါတယ်။ Time series forecasting methods မှာ သတ်မှတ်ထားတဲ့ ကာလအပိုင်းအခြားတစ်ရပ် (ဥပမာအားဖြင့် ၂၀၀၀ ပြည့်နှစ်မှ ယခုအထိ သုံးလပတ်အလိုက် ရောင်းချခဲ့ရမှုစာရင်း စသည်)မှ အချက်အလက်တသီတတန်းကြီးကို အခြေခံပြီး နောင်ကာလရှည် (ဥပမာ ၅နှစ်၊ ၁၀နှစ်၊ ၁၅နှစ် အတွက်) ကြိုတင်ခန့်မှန်းရာမှာ အသုံးပြုလေ့ရှိကြပါတယ်။

#SuperLight #Logistics #Educating #Types_of_Forecasting_methods

Share on facebook
Share
Share on linkedin
Share
Share on twitter
Twitter
en_USEN