AI Forecast Demand แม่นกว่าคนจริงไหม: คำตอบขึ้นอยู่กับสิ่งที่คุณป้อนเข้าไป มากกว่าตัวอัลกอริทึม

AI ช่วย Forecast Demand แม่นกว่าคนเพราะอ่าน pattern และสัญญาณหลายร้อยตัวพร้อมกัน แต่ต้องมี data สะอาดและเชื่อม RMS ก่อน — ไม่งั้น garbage in garbage out

โดย BoydWee

ในวงโรงแรมไทยมีความเชื่อสองขั้วที่ผิดพอกัน ขั้วหนึ่งบอกว่า “AI แม่นกว่าคนแน่นอน ซื้อมาแล้วจบ” อีกขั้วบอกว่า “เครื่องไม่มีทางเข้าใจตลาดเราเท่าคนที่อยู่หน้างาน” ความจริงอยู่ตรงกลาง และมันขึ้นอยู่กับตัวแปรที่คนมักไม่พูดถึง — คุณภาพของข้อมูลที่ป้อนเข้าไป ไม่ใช่ความฉลาดของอัลกอริทึม

ลองคิดแบบนี้: revenue manager เก่งคนหนึ่งทำ Forecast ด้วยการดู STLY (same time last year) บวกความรู้สึกจากประสบการณ์ เขาทำได้ดีกับ pattern ที่เคยเห็น แต่เมื่อต้องอ่านสัญญาณ 200 ตัวพร้อมกัน — ราคาคู่แข่งทุกราย, look-to-book รายชั่วโมง, การจองเที่ยวบินเข้าเมือง, อีเวนต์ในรัศมี — สมองคนเดียวตามไม่ทันโดยธรรมชาติ ไม่ใช่เพราะไม่เก่ง แต่เพราะปริมาณข้อมูลมันเกินขีดของการทำมือ นี่คือจุดที่ AI ได้เปรียบจริง

แต่ที่น่าสนใจกว่านั้นคือ — AI ที่ป้อนข้อมูลรกๆ เข้าไป มักทำนายแย่กว่า revenue manager ที่ใช้ Excel สะอาดๆ ด้วยซ้ำ เพราะฉะนั้นคำถามจริงไม่ใช่ “AI แม่นกว่าคนไหม” แต่เป็น “เราพร้อมป้อนข้อมูลที่ดีให้มันหรือยัง”

AI อ่าน pattern อะไรที่คนอ่านไม่ทัน

หัวใจของ Demand forecasting ที่ขับด้วย machine learning ไม่ได้อยู่ที่ “ทำนายอนาคต” แบบหมอดู แต่อยู่ที่ “หาความสัมพันธ์ที่ซ่อนอยู่ในข้อมูล” แล้วใช้ความสัมพันธ์นั้นคาดการณ์ ลองดูว่าโมเดลอ่านอะไรบ้างที่ตาคนมองไม่เห็น:

• Pace และ Pickup ในมุมหลายมิติ — ไม่ใช่แค่ “ตอนนี้จองมาเท่าไหร่” แต่ “จองเข้ามาเร็วหรือช้ากว่าปกติแค่ไหน เทียบกับวันเดียวกันในหลายปี แยกตาม Segment และ Length of Stay” รายละเอียดพื้นฐานเรื่องนี้อยู่ใน OTB / Pace / Pickup
• Look-to-book ratio — สัดส่วนคนดูเทียบคนจองจริง เป็นสัญญาณความตั้งใจซื้อแบบ real-time ที่บอกว่า Demand ที่เห็นนั้น “จริง” แค่ไหน
• ความสัมพันธ์ข้ามตัวแปร — เช่น เมื่อราคาคู่แข่งขยับพร้อมกับเที่ยวบินเข้าเมืองเพิ่ม โมเดลเรียนรู้ว่า pattern นี้มักนำไปสู่ Demand พุ่งในอีกกี่วัน
• สัญญาณภายนอก — อีเวนต์ท้องถิ่น, วันหยุด, สภาพอากาศ, market compression (ตลาดทั้งย่านเริ่มเต็ม)

จุดต่างที่แท้จริงจากการทำมือคือ โมเดลปรับน้ำหนักของแต่ละสัญญาณเองเมื่อตลาดเปลี่ยน ไม่ใช่แค่ลากเส้น STLY แล้วบวกเปอร์เซ็นต์ตายตัว เมื่อ pattern ของตลาดเปลี่ยนไป (เช่น พฤติกรรมจองสั้นลงหลังยุคโควิด) โมเดลที่เรียนต่อเนื่องจับการเปลี่ยนนั้นได้เร็วกว่าสูตรที่คนตั้งไว้ครั้งเดียว

Forecast ที่แม่นขึ้นไม่ได้มีค่าในตัวมันเอง — มันมีค่าเพราะเป็น “วัตถุดิบ” ของการตั้งราคา Forecast ที่ดีนำไปสู่การตัดสินใจราคาที่ดี ซึ่งเราเจาะไว้ใน AI pricing เพราะ pricing ที่ฉลาดต้องยืนอยู่บน Forecast ที่เชื่อถือได้ก่อน

เงื่อนไขข้อ 1: data ต้องสะอาด — ไม่งั้นยิ่งฉลาดยิ่งเพี้ยน

นี่คือเงื่อนไขที่คนขายระบบมักไม่เน้น แต่มันชี้ขาดผลลัพธ์มากกว่าตัวอัลกอริทึม machine learning เรียนจาก input — input แย่ ผลลัพธ์ก็แย่ และที่อันตรายกว่านั้นคือ โมเดลจะทำนายผิดอย่าง “มั่นใจ” โดยไม่มีสัญญาณเตือน ต่างจากคนที่พอจะรู้สึกได้ว่า “ตัวเลขนี้แปลกๆ”

ข้อมูลที่ทำให้ Forecast เพี้ยนบ่อยที่สุด:

• Segment tag ที่มั่ว — ถ้าใน PMS แท็กลูกค้า corporate ปนกับ leisure ปนกับ OTA แบบไม่มีวินัย โมเดลก็เรียน pattern ของแต่ละกลุ่มผิด แล้วทำนายผิดตาม
• ประวัติ Pace/Pickup ที่ไม่ครบหรือไม่ต่อเนื่อง — โมเดลต้องการประวัติที่ยาวพอและสม่ำเสมอเพื่อเรียน pattern ตามฤดูกาล ข้อมูลที่ขาดช่วงทำให้มันเดาช่วงนั้นได้แย่
• rate ที่ค้างหรือไม่ตรงข้าม channel — ถ้าราคาในระบบไม่สะท้อนราคาขายจริง ความสัมพันธ์ระหว่างราคากับ Demand ที่โมเดลเรียนก็บิดเบี้ยว
• ข้อมูล cancellation และ no-show ที่ไม่บันทึก — Forecast ที่ดีต้องเข้าใจ pattern การยกเลิกด้วย ไม่ใช่แค่ยอดจองดิบ

เราเขียนเรื่องนี้ละเอียดไว้ใน data สะอาด = AI ฉลาด เพราะมันคือพื้นฐานที่ขาดไม่ได้ก่อนลงทุนเทคโนโลยีใดๆ หลักคิดสั้นๆ คือ — ข้อมูลที่สะอาดคือทรัพย์สินที่ทำให้ AI ในอนาคตทำงานได้ ส่วนข้อมูลที่รกคือหนี้ที่ทำให้ทุกระบบทำงานเพี้ยน โรงแรมที่จัดบ้านข้อมูลให้ดีก่อน มักได้ผลจาก AI ดีกว่าโรงแรมที่ซื้อระบบแพงแต่ป้อนขยะเข้าไป

เงื่อนไขข้อ 2: Forecast ต้องเชื่อมกับระบบที่เอาไปใช้จริง

Forecast ที่แม่นแต่ไม่ถูกนำไปใช้ ก็เป็นแค่ตัวเลขสวยๆ บนหน้าจอ เงื่อนไขข้อสองคือ Forecast ต้องไหลเข้าสู่ระบบที่ตัดสินใจและลงมือได้จริง — โดยทั่วไปคือ RMS (revenue management system) ที่เอา Forecast ไปแปลงเป็นคำแนะนำราคาและการจัดสรร inventory

ห่วงโซ่ที่สมบูรณ์เป็นแบบนี้:

1. PMS + Channel Manager ป้อนข้อมูลจริงที่สะอาดเข้าระบบ — ยอดจอง, Segment, Pace, ราคา
2. โมเดล AI อ่านข้อมูลนั้นบวกสัญญาณภายนอก แล้วสร้าง Demand forecast
3. RMS เอา Forecast ไปคำนวณราคาและ inventory ที่เหมาะสม
4. คนกำกับ ตรวจว่าคำแนะนำสมเหตุผลไหม ปรับสิ่งที่โมเดลมองไม่เห็น (ดีลระยะยาว, เหตุการณ์ที่ไม่เคยเกิด)

ถ้าขาดการเชื่อมต่อช่วงใดช่วงหนึ่ง คุณค่าของ Forecast ก็รั่ว — เช่น มีโมเดลทำนายเก่งแต่ไม่เชื่อมกับ Channel Manager ทำให้กว่าจะปรับราคาตามที่ Forecast บอกก็ช้าไปแล้ว หรือมี RMS แต่ป้อน Forecast จากข้อมูลที่ไม่สะอาด คำแนะนำที่ออกมาก็เชื่อถือไม่ได้ ประเด็นคือ AI forecasting ไม่ใช่กล่องเดี่ยวที่ซื้อมาวาง แต่เป็นชั้นหนึ่งในระบบที่ต้องต่อกันให้ครบ

ตัวอย่างประกอบ: AI แม่นกว่าคน “ภายใต้เงื่อนไข”

สมมติโรงแรม 100 ห้องในหัวเมืองท่องเที่ยว เทียบสามสถานการณ์ (ตัวเลขและสถานการณ์เป็นตัวอย่างประกอบ ไม่ใช่เคสจริงของลูกค้า):

ข้อสรุปจากตารางนี้ตรงไปตรงมา: AI ไม่ได้แม่นกว่าคนโดยอัตโนมัติ มันแม่นกว่าเมื่อเงื่อนไขครบ — ข้อมูลสะอาดและเชื่อมเข้าระบบที่ใช้ได้จริง คอลัมน์กลาง (AI + ข้อมูลรก) คือกับดักที่โรงแรมจำนวนมากตกลงไป เพราะซื้อเทคโนโลยีก่อนจัดบ้านข้อมูล

สรุป — เริ่มจากบ้านข้อมูลก่อน แล้วไปต่อด้วยกัน

AI Demand forecasting แม่นกว่าคนได้จริง แต่ไม่ใช่เพราะอัลกอริทึมวิเศษ — เป็นเพราะมันประมวลสัญญาณปริมาณมหาศาลที่เกินกำลังคนทำมือ ภายใต้เงื่อนไขสองข้อที่ขาดไม่ได้: ข้อมูลสะอาด และเชื่อมเข้าระบบที่นำ Forecast ไปใช้ได้จริง ขาดข้อใดข้อหนึ่ง ความฉลาดของโมเดลก็กลายเป็นความมั่นใจที่ผิดทาง

ถ้าจะเริ่ม อย่าเริ่มที่การเลือก vendor ให้เริ่มที่คำถามนี้กับทีม: ข้อมูล Pace, Pickup, Segment ของเราสะอาดและต่อเนื่องพอให้เครื่องเรียนได้ไหม? และถ้ามี Forecast ที่แม่นแล้ว เรามีระบบที่เอาไปปรับราคาได้ทันจริงหรือเปล่า? สองคำตอบนี้จะบอกเองว่าควรลงทุน AI ตอนนี้ หรือควรจัดบ้านข้อมูลให้เสร็จก่อน

อยากเดินต่อ? อ่าน Demand forecasting พื้นฐาน เพื่อปูรากความเข้าใจ, data สะอาด = AI ฉลาด เพื่อจัดบ้านข้อมูลก่อนลงทุน, AI pricing เพื่อเห็นว่า Forecast แปลงเป็นราคายังไง หรือกลับไปที่ hub Hotel AI เพื่อเห็นภาพรวมทั้งระบบ แล้วคอมเมนต์มาเล่าได้ว่าโรงแรมคุณติดตรงไหน เราจะหาทางออกไปด้วยกัน