Gartner: 70% ขององค์กรขนาดใหญ่จะใช้ AI พยากรณ์ความต้องการภายในปี 2030

การพยากรณ์ความต้องการมักเป็นสาขาที่การวางแผนห่วงโซ่อุปทานพิสูจน์คุณค่าหรือทำลายกำไรอย่างเงียบๆ ทำได้ถูกต้องและสินค้าคงคลังไหลอย่างราบรื่น ทำผิดพลาดและคุณจะถือครองสินค้าผิดมากเกินไปในขณะที่ขาดสินค้าที่ถูกต้อง การคาดการณ์ของ Gartner ในเดือนกันยายน 2025 ว่า 70% ขององค์กรขนาดใหญ่จะนำการพยากรณ์ห่วงโซ่อุปทานโดย AI มาใช้ภายในปี 2030 วางกรอบสี่ปีข้างหน้าเป็นช่วงเวลาแห่งการเปลี่ยนแปลงที่เด็ดขาด ไม่ใช่วิวัฒนาการแบบค่อยเป็นค่อยไป

การคาดการณ์ที่แท้จริงพูดว่าอะไร

ตัวเลขหัวข้อ 70% ขององค์กรขนาดใหญ่ ครอบคลุมองค์กรที่มีโครงสร้างพื้นฐานข้อมูลและขนาดการดำเนินงานที่จะได้รับประโยชน์มากที่สุดจากการพยากรณ์ ML Jan Snoeckx นักวิเคราะห์ผู้อำนวยการในแผนกห่วงโซ่อุปทานของ Gartner อธิบายคุณค่าที่นำเสนอดังนี้ การพยากรณ์โดย AI ให้ "การตัดสินใจเชิงกลยุทธ์ที่ดีขึ้น การตอบสนองต่อการเปลี่ยนแปลงของตลาดเร็วขึ้น และเวิร์กโฟลว์การทำงานร่วมกันที่ดีขึ้น"

กลไกคือการเปลี่ยนแปลงจากเอ็นจินสถิติแบบดั้งเดิม เช่น วิธี time-series อย่าง ARIMA การปรับเรียบแบบเอ็กซ์โพเนนเชียล และการแยกฤดูกาลแบบง่าย ไปสู่โมเดล ML ที่สามารถตรวจจับรูปแบบที่ไม่เป็นเชิงเส้น รวมสัญญาณภายนอก และฝึกใหม่อย่างต่อเนื่องเมื่อสภาพการณ์เปลี่ยนแปลง เป้าหมายคือสิ่งที่ Gartner เรียกว่า "การพยากรณ์แบบไม่ต้องสัมผัส" การพยากรณ์อัตโนมัติที่ต้องการการแทรกแซงของมนุษย์น้อยลงในการสร้าง การแก้ไขด้วยตนเองน้อยลง และความแม่นยำที่สม่ำเสมอแม้สำหรับการเปิดตัวผลิตภัณฑ์ใหม่หรือสถานการณ์การส่งเสริมการขายที่มีข้อมูลประวัติจำกัด

การคาดการณ์ Gartner ควบคู่กันที่ออกในเดือนเมษายน 2026 ประมาณการว่าซอฟต์แวร์การจัดการห่วงโซ่อุปทานที่รวม AI แบบ agentic จะถึงการใช้จ่าย 53 พันล้านดอลลาร์ภายในปี 2030 การคาดการณ์ทั้งสองร่วมกันชี้ว่าไม่เพียงแต่ AI กำลังเข้าสู่เวิร์กโฟลว์การวางแผน แต่กำลังปรับโครงสร้างเศรษฐศาสตร์ของเลเยอร์ซอฟต์แวร์ห่วงโซ่อุปทานทั้งหมด

เหตุใดโมเดลสถิติจึงถึงขีดจำกัดของตนเอง

วิธีการพยากรณ์ทางสถิติถูกสร้างขึ้นสำหรับสภาพแวดล้อมความต้องการที่เสถียรพร้อมฤดูกาลที่สม่ำเสมอและการกระแทกภายนอกน้อยที่สุด คำอธิบายนั้นไม่ได้บรรยายห่วงโซ่อุปทานระดับโลกอย่างถูกต้องตั้งแต่ปี 2020 เป็นอย่างน้อย การพุ่งสูงของความต้องการในยุคการระบาด การเบี่ยงเส้นทางในทะเลแดง ข้อพิพาทแรงงานท่าเรือ และความผันผวนทางภูมิรัฐศาสตร์ที่ต่อเนื่องได้สร้างสัญญาณความต้องการที่โมเดลสถิติดิ้นรนแยกแยะจากสัญญาณรบกวน

แนวทาง ML จัดการกับสิ่งนี้แตกต่างออกไป แทนที่จะปรับโค้งพาราเมตริกกับข้อมูลประวัติ โมเดลเหล่านี้สามารถรับสัญญาณที่ไม่มีโครงสร้าง เช่น ความรู้สึกในข่าว รูปแบบสภาพอากาศ ความตั้งใจซื้อในโซเชียลมีเดีย การกำหนดราคาของคู่แข่ง และถ่วงน้ำหนักแบบไดนามิก เมื่อมีการพยากรณ์ว่าพายุไต้ฝุ่นจะรบกวนภูมิภาคการผลิต โมเดลสามารถปรับความคาดหวังความต้องการสำหรับผลิตภัณฑ์ทดแทนในตลาดปลายทางโดยไม่ต้องให้นักวิเคราะห์ปรับพารามิเตอร์ของเอ็นจินสถิติด้วยตนเอง

การปรับปรุงความละเอียดก็มีนัยสำคัญเช่นกัน โมเดล ML สามารถสร้างการพยากรณ์ที่บ่อยขึ้นในความละเอียดของผลิตภัณฑ์และภูมิศาสตร์ที่ละเอียดกว่าวิธีดั้งเดิม ช่วยให้ทีมวางแผนตรวจจับการเปลี่ยนแปลงความต้องการในระยะเริ่มต้นในระดับ SKU และรหัสไปรษณีย์แทนที่จะรอให้สัญญาณรวมรายเดือนแสดงการเคลื่อนไหว

อุปสรรคการนำไปใช้ที่ Gartner ระบุ

Gartner ระบุชัดเจนว่าแม้ตัวเลขในแง่ดี แต่การนำไปใช้ในปัจจุบันยังมีจำกัด อุปสรรคเชิงโครงสร้างสามประการครอบงำ:

• ข้อมูลที่ไม่สมบูรณ์: โมเดล ML ต้องการข้อมูลประวัติที่สะอาด ครอบคลุม รูปแบบสม่ำเสมอในทุก SKU ช่องทาง และภูมิศาสตร์ องค์กรหลายแห่งมีข้อมูล ERP หลายปีที่เต็มไปด้วยช่องว่าง การจัดประเภทใหม่ และการย้ายระบบ
• กลยุทธ์ที่ขาดหายไป: การนำเครื่องมือพยากรณ์ ML ไปใช้โดยไม่มีแผนการจัดการข้อมูลและการเปลี่ยนแปลงที่สอดคล้องกัน มักให้โมเดลที่ซับซ้อนที่ไม่มีใครไว้ใจ
• การต่อต้านระบบอัตโนมัติ: นักวางแผนความต้องการที่มีประสบการณ์ซึ่งสร้างอาชีพจากการปรับการพยากรณ์ด้วยตนเองเข้าใจได้ว่าจะสงสัยระบบที่อ้างว่าทำงานของพวกเขาโดยไม่ต้องมีพวกเขา ความท้าทายคือการออกแบบการทำงานร่วมกันระหว่างมนุษย์และ AI ที่เสริมแทนที่จะข้ามการตัดสินใจของนักวางแผน

เส้นทางที่ Gartner แนะนำประกอบด้วยสามขั้นตอนต่อเนื่อง ได้แก่ ประเมินกระบวนการทำงานร่วมกันในปัจจุบันและระบุว่าการแทรกแซงด้วยตนเองกำลังเพิ่มสัญญาณรบกวนแทนสัญญาณที่ใด สร้างกลยุทธ์ข้อมูลที่รวมทั้งข้อมูลธุรกรรมภายในและสัญญาณตลาดภายนอก และสร้างแผนงานเทคโนโลยีที่แบ่งระยะการพยากรณ์โดย AI ควบคู่กับโครงสร้างพื้นฐานการวางแผนที่มีอยู่ แทนที่จะแทนที่ทั้งหมด

ความหมายของการนำไปใช้ 70% ภายในปี 2030 สำหรับทีมด้านการมองเห็น

ผลกระทบต่อทีมมองเห็นการขนส่งเป็นรองแต่มีนัยสำคัญ การพยากรณ์ความต้องการที่ดีขึ้นหมายถึงปริมาณคำสั่งซื้อที่คาดการณ์ได้มากขึ้น ซึ่งแปลเป็นแผนการขนส่งขาเข้าที่คาดการณ์ได้มากขึ้น เมื่อการจัดซื้อและการวางแผนดำเนินการจากสัญญาณความต้องการที่สร้างโดย AI ปริมาณและเวลาของการจองเรือทางทะเลจะมีความผันผวนน้อยลง ลดการเร่งรัดในนาทีสุดท้าย การม้วนเรือในช่วงความต้องการสูงสุด และค่าใช้จ่ายในการจัดการข้อยกเว้นที่ผูกทีมปฏิบัติการ

ในทางกลับกัน แพลตฟอร์มการมองเห็นต้องป้อนข้อมูล milestone ที่แม่นยำให้ระบบพยากรณ์ความต้องการ หากโมเดลพยากรณ์ AI กำลังเรียนรู้จากรูปแบบการขายในอดีตที่รวมความล่าช้าในการดำเนินการ การพยากรณ์ของมันจะประเมินความต้องการของลูกค้าต่ำกว่าความเป็นจริงอย่างเป็นระบบ โดยสับสนระหว่างการส่งมอบล่าช้ากับความต้องการที่ลดลง ข้อมูล milestone ที่สะอาดและทำให้เป็นมาตรฐานในสายเรือที่ไหลจากเครื่องมือการมองเห็นกลับเข้าสู่ระบบการวางแผนคือสิ่งที่ช่วยให้เลเยอร์การพยากรณ์แยกแยะระหว่างสัญญาณความต้องการและการหยุดชะงักของอุปทาน

การบรรจบกันของการพยากรณ์และการมองเห็น

ขอบฟ้าปี 2030 ที่ Gartner อธิบายไม่ใช่แค่เรื่องราวการพยากรณ์ แต่เป็นเรื่องราวการผสาน การรับรู้ความต้องการโดย AI เชื่อมต่อต้นน้ำกับการดำเนินการด้านอุปทานและโลจิสติกส์ และการเชื่อมต่อนั้นขึ้นอยู่กับคุณภาพของข้อมูลการดำเนินงานแบบเรียลไทม์ที่ระบบเหล่านั้นผลิต องค์กรที่ลงทุนในทั้งสองเลเยอร์ สัญญาณความต้องการที่แม่นยำและสัญญาณสถานะการขนส่งที่แม่นยำ สร้างโครงสร้างพื้นฐานการวางแผนที่ปรับตัวได้อย่างแท้จริงแทนที่จะซับซ้อนแบบแยกส่วน

สำหรับผู้ส่งสินค้าและ 3PL ที่ดำเนินการในหลายสายเรือและเส้นทางการค้า จุดเริ่มต้นเชิงปฏิบัติคือแพลตฟอร์มการมองเห็นที่ผลิตข้อมูล milestone ที่สม่ำเสมอและมีการประทับเวลาในเครือข่ายสายเรือ ข้อมูลนั้น เมื่อป้อนเข้าเลเยอร์การพยากรณ์ความต้องการ ปิดวงจรระหว่างสิ่งที่ลูกค้าสั่งและสิ่งที่กำลังเคลื่อนที่จริง ทำให้ตัวเลข 70% ของการนำไปใช้ที่ Gartner อธิบายเป็นน้อยกว่าการคาดการณ์และมากกว่าความคาดหวังพื้นฐาน

แหล่งที่มา: Gartner