""" Predicty · Sales Forecast API (v2.2 — teaching edition) ========================================================= Backend สำหรับหลักสูตร Non-Degree "นักวิเคราะห์ข้อมูลและแบบจำลองเชิงพยากรณ์" กรณีศึกษา: ENT Group ปรัชญาของเวอร์ชันนี้ — "อ่านผลอย่างซื่อสัตย์" ------------------------------------------------ v1 มีปัญหาเชิงการสอน 4 ข้อ ที่ v2 แก้ทั้งหมด: 1. confidence เดิมคือสูตรกุขึ้นเอง 1 - resid/mean → หน้าเว็บโชว์ 94% ทั้งที่ข้อมูลจริง ENT พยากรณ์ผิดเฉลี่ย ~30% v2: ความแม่นยำมาจาก "การทดสอบย้อนหลังจริง" (rolling-origin backtest) เท่านั้น 2. ช่วงความเชื่อมั่นเดิมใช้ค่าเบี่ยงเบนตัวเดียวคงที่ทุกเดือน v2: ช่วงมาจาก "การกระจายของความผิดพลาดจริงที่ระยะนั้น ๆ" → กว้างขึ้นตามระยะ 3. guardrails เดิมบีบค่าพยากรณ์เงียบ ๆ ไว้ใน [avg/3, avg*3] v2: ปิดโดยปริยาย และถ้าเปิดจะรายงานว่าเดือนไหนถูกตัดบ้าง 4. เลือกโมเดลจาก holdout ครั้งเดียว ≤3 เดือน แล้วไม่บอกผล v2: rolling-origin หลายจุดเริ่ม + ส่ง "ตารางอันดับ" กลับไปให้ผู้เรียนเห็นทุกโมเดล พร้อม skill score เทียบ baseline — ถ้าชนะ baseline ไม่ได้ ต้องกล้าบอก Endpoints --------- GET / ข้อมูลบริการ + รายการ endpoint GET /health health check GET /api/sample ชุดข้อมูลจริง ENT 90 เดือน (ไว้กดโหลดใน UI) POST /api/forecast พยากรณ์ + ตารางเทียบโมเดล + คำเตือนคุณภาพข้อมูล POST /api/backtest ทดสอบย้อนหลังอย่างเดียว (ไม่พยากรณ์อนาคต) POST /api/decompose แยกองค์ประกอบ STL: trend / seasonal / residual POST /api/diagnostics ADF stationarity, ACF/PACF, ตรวจคุณภาพข้อมูล POST /api/describe อธิบายข้อมูลสำหรับผู้เริ่มต้น + แผนการวิเคราะห์ 6 ขั้น POST /api/charts ชุดข้อมูลกราฟหลายแบบ (YoY / YTD / heatmap / growth / …) POST /api/hindcast ทำนายย้อนกลับทับเส้นจริง + ตรวจความสอดคล้องของ YoY POST /api/dashboard แดชบอร์ดตามบทบาท strategic / operational / analytical GET /api/sample.xlsx ดาวน์โหลดข้อมูลตัวอย่างเป็น Excel """ import hashlib import io import json import os import time import warnings import numpy as np import pandas as pd from flask import Flask, jsonify, request from flask_cors import CORS from statsmodels.tsa.holtwinters import ExponentialSmoothing from statsmodels.tsa.statespace.sarimax import SARIMAX warnings.filterwarnings("ignore") app = Flask(__name__) CORS(app, resources={r"/*": {"origins": "*"}}) # ค่า z สำหรับช่วงความเชื่อมั่นแบบ two-sided Z = {80: 1.2816, 90: 1.6449, 95: 1.9600} SEASONAL_PERIOD = 12 # ข้อมูลรายเดือน MIN_HISTORY = 6 # น้อยกว่านี้พยากรณ์ไม่ได้เลย MIN_TRAIN = 36 # ต้องมีอย่างน้อย 3 รอบปี ฤดูกาลถึงจะเทรนได้จริง SEASONAL_MIN = 36 # < 36 เดือน ปิดส่วนฤดูกาลทิ้ง (2 รอบปีไม่พอ SARIMA จะระเบิด) MAX_ORIGINS = 12 # จำกัดจำนวนจุดเริ่มใน backtest (คุมเวลาบน CPU ฟรีของ HF) MIN_ORIGINS = 3 # น้อยกว่านี้ถือว่าวัดความแม่นยำไม่ได้ — จะไม่รายงาน MAPE เลย BACKTEST_HORIZON = 6 # ทดสอบย้อนหลังที่ระยะ 1–6 เดือน _CACHE = {} # cache ผล backtest ตาม hash ของข้อมูล _CACHE_MAX = 32 # ══════════════════════════════════════════════════════════════════ # ส่วนที่ 1 · เตรียมข้อมูล + ตรวจคุณภาพ # ══════════════════════════════════════════════════════════════════ def to_series(rows): """แปลง [{date:'2026-01', sales:123}, ...] → pandas Series รายเดือน คืน (series, warnings) — warnings คือสิ่งที่ผู้เรียนควรรู้ก่อนเชื่อผลพยากรณ์ """ warns = [] df = pd.DataFrame(rows) if "date" not in df.columns or "sales" not in df.columns: raise ValueError("ต้องมีคอลัมน์ 'date' (YYYY-MM) และ 'sales'") df["date"] = pd.to_datetime(df["date"].astype(str).str.strip() + "-01", errors="coerce") df["sales"] = pd.to_numeric(df["sales"], errors="coerce") bad = int(df["date"].isna().sum()) if bad: warns.append(f"มี {bad} แถวที่วันที่อ่านไม่ออก — ถูกตัดทิ้ง") df = df.dropna(subset=["date"]) dup = int(df["date"].duplicated().sum()) if dup: warns.append(f"มีเดือนซ้ำ {dup} รายการ — รวมกันด้วยผลบวก") df = df.groupby("date", as_index=False)["sales"].sum() df = df.sort_values("date").set_index("date") s = df["sales"].astype(float).asfreq("MS") gaps = int(s.isna().sum()) if gaps: warns.append( f"มีเดือนที่ขาดหายไป {gaps} เดือน — เติมด้วยการประมาณค่าเชิงเส้น " f"(ระวัง: ค่าที่เติมไม่ใช่ข้อมูลจริง)" ) s = s.interpolate().ffill().bfill() return s, warns def data_quality(s): """ตรวจคุณภาพข้อมูล — สิ่งที่ต้องดูก่อนพยากรณ์เสมอ""" v = s.values.astype(float) n = len(v) mean, std = float(np.mean(v)), float(np.std(v, ddof=1)) if n > 1 else 0.0 cv = std / mean if mean else 0.0 # outlier แบบ MAD (ทนต่อค่าสุดโต่งกว่า z-score ธรรมดา) med = float(np.median(v)) mad = float(np.median(np.abs(v - med))) or 1e-9 zmod = 0.6745 * (v - med) / mad outliers = [ {"period": s.index[i].strftime("%Y-%m"), "value": float(v[i]), "z_mad": round(float(zmod[i]), 2)} for i in np.where(np.abs(zmod) > 3.5)[0] ] notes = [] if n < MIN_TRAIN: notes.append(f"ข้อมูลมี {n} เดือน — น้อยกว่า {MIN_TRAIN} เดือน (3 รอบปี) จับรูปแบบฤดูกาลได้ไม่น่าเชื่อถือ") if cv > 0.35: notes.append( f"ข้อมูลผันผวนสูงมาก (CV = {cv:.2f}) — คาดหวังความผิดพลาดระดับหลายสิบเปอร์เซ็นต์เป็นเรื่องปกติ" ) if outliers: notes.append(f"พบเดือนที่ค่าสุดโต่ง {len(outliers)} เดือน — ตรวจว่าเป็นดีลก้อนใหญ่จริงหรือข้อมูลผิด") if n >= 4: last, prev3 = float(v[-1]), float(np.mean(v[-4:-1])) if prev3 > 0 and last < prev3 * 0.5: notes.append( f"เดือนล่าสุด ({s.index[-1].strftime('%Y-%m')}) ต่ำกว่าค่าเฉลี่ย 3 เดือนก่อนหน้ามาก " f"— มักแปลว่าเดือนนั้นยังเก็บข้อมูลไม่ครบ ควรตัดออกก่อนฝึกโมเดล" ) return { "n_months": n, "start": s.index[0].strftime("%Y-%m"), "end": s.index[-1].strftime("%Y-%m"), "mean": round(mean, 2), "median": round(med, 2), "std": round(std, 2), "cv": round(cv, 3), "min": round(float(v.min()), 2), "max": round(float(v.max()), 2), "zero_months": int((v == 0).sum()), "outliers": outliers, "notes": notes, } # ══════════════════════════════════════════════════════════════════ # ส่วนที่ 2 · โมเดล (baseline อยู่ก่อน — เพราะต้องเอาไว้เทียบเสมอ) # ══════════════════════════════════════════════════════════════════ def fit_naive(train, h): """ทายว่าเดือนหน้าเท่ากับเดือนล่าสุด — baseline ที่ง่ายที่สุด""" return np.full(h, float(train.values[-1])) def fit_mean3(train, h): """ทายด้วยค่าเฉลี่ย 3 เดือนล่าสุด — baseline ที่ธุรกิจใช้จริงบ่อยที่สุด""" return np.full(h, float(np.mean(train.values[-3:]))) def fit_seasonal_naive(train, h): """ทายว่าเดือนนี้ปีนี้ = เดือนเดียวกันปีที่แล้ว — baseline มาตรฐานของข้อมูลมีฤดูกาล""" if len(train) < SEASONAL_PERIOD: return fit_mean3(train, h) last_year = train.values[-SEASONAL_PERIOD:] return np.tile(last_year, int(np.ceil(h / SEASONAL_PERIOD)))[:h].astype(float) def fit_linear(train, h): """ลากเส้นตรงผ่านข้อมูลทั้งหมดแล้วต่อไปข้างหน้า""" x = np.arange(len(train)) coef = np.polyfit(x, train.values, 1) return np.polyval(coef, np.arange(len(train), len(train) + h)) def fit_holtwinters(train, h): """Exponential Smoothing: ระดับ + แนวโน้ม + ฤดูกาล (ถ้าข้อมูลยาวพอ)""" use_seasonal = len(train) >= SEASONAL_MIN m = ExponentialSmoothing( train, trend="add", seasonal="add" if use_seasonal else None, seasonal_periods=SEASONAL_PERIOD if use_seasonal else None, initialization_method="estimated", ).fit(optimized=True) return np.asarray(m.forecast(h), dtype=float) def fit_sarima(train, h): """SARIMA(1,1,1)(1,1,1)[12] — โมเดลอนุกรมเวลามาตรฐาน""" seasonal_order = (1, 1, 1, SEASONAL_PERIOD) if len(train) >= SEASONAL_MIN else (0, 0, 0, 0) m = SARIMAX( train, order=(1, 1, 1), seasonal_order=seasonal_order, enforce_stationarity=False, enforce_invertibility=False, ).fit(disp=False) return np.asarray(m.get_forecast(h).predicted_mean, dtype=float) def _lag_frame(values, lags=(1, 2, 3, 12), months=None): """แปลงอนุกรมเวลาเป็นตารางแบบ supervised learning บทเรียน: ML ทั่วไปไม่รู้จัก "เวลา" เราต้องป้อนอดีตให้มันเองผ่าน lag features """ import numpy as _np v = _np.asarray(values, dtype=float) n, mx = len(v), max(lags) rows, ys = [], [] for t in range(mx, n): row = [v[t - L] for L in lags] if months is not None: row.append(months[t]) rows.append(row) ys.append(v[t]) return _np.array(rows, dtype=float), _np.array(ys, dtype=float) def fit_ml_rf(train, h): """Random Forest บน lag features — ตัวแทนฝั่ง Machine Learning พยากรณ์หลายงวดแบบ recursive: ทำนายเดือนถัดไป → เอาค่าที่ทำนายได้ไปเป็น input ของเดือนถัดไปอีกที ความผิดพลาดจึงสะสมตามระยะ ซึ่งเป็นข้อจำกัดจริงของวิธีนี้ """ from sklearn.ensemble import RandomForestRegressor LAGS = (1, 2, 3, 12) v = np.asarray(train.values, dtype=float) if len(v) < max(LAGS) + 8: return fit_mean3(train, h) months = list(pd.DatetimeIndex(train.index).month) X, y = _lag_frame(v, LAGS, months) model = RandomForestRegressor(n_estimators=200, max_depth=8, min_samples_leaf=3, random_state=7, n_jobs=1).fit(X, y) hist = list(v) last_month = months[-1] out = [] for _ in range(h): last_month = last_month % 12 + 1 row = [hist[-L] for L in LAGS] + [last_month] pred = float(model.predict(np.array([row], dtype=float))[0]) out.append(pred) hist.append(pred) return np.asarray(out, dtype=float) MODELS = { "naive": fit_naive, "mean3": fit_mean3, "seasonal_naive": fit_seasonal_naive, "linear": fit_linear, "holtwinters": fit_holtwinters, "sarima": fit_sarima, "ml_rf": fit_ml_rf, } # baseline = โมเดลง่าย ๆ ที่โมเดลจริงต้องเอาชนะให้ได้ ไม่งั้นถือว่าไม่มีประโยชน์ BASELINES = ["naive", "mean3", "seasonal_naive"] BENCHMARK = "seasonal_naive" MODEL_INFO = { "naive": {"th": "ทายเท่าเดือนล่าสุด", "kind": "baseline", "how": "ค่าพยากรณ์ทุกเดือน = ค่าของเดือนสุดท้ายในข้อมูล"}, "mean3": {"th": "ค่าเฉลี่ย 3 เดือนล่าสุด", "kind": "baseline", "how": "ค่าพยากรณ์ทุกเดือน = ค่าเฉลี่ยของ 3 เดือนสุดท้าย"}, "seasonal_naive": {"th": "ทายเท่าเดือนเดียวกันปีที่แล้ว", "kind": "baseline", "how": "ม.ค.2570 = ม.ค.2569 — จับฤดูกาลได้โดยไม่ต้องมีโมเดล"}, "linear": {"th": "เส้นแนวโน้มตรง", "kind": "model", "how": "ลากเส้นตรงที่พอดีกับข้อมูลที่สุด แล้วต่อไปข้างหน้า (ไม่มีฤดูกาล)"}, "holtwinters": {"th": "Holt-Winters (Exponential Smoothing)", "kind": "model", "how": "ให้น้ำหนักข้อมูลใหม่มากกว่าเก่า แยกเป็น ระดับ + แนวโน้ม + ฤดูกาล"}, "sarima": {"th": "SARIMA (1,1,1)(1,1,1)[12]", "kind": "model", "how": "ใช้ค่าในอดีตและความผิดพลาดในอดีตทำนาย พร้อมส่วนฤดูกาล 12 เดือน"}, "ml_rf": {"th": "Random Forest (Machine Learning)", "kind": "model", "how": "ป้อนค่าย้อนหลัง 1/2/3/12 เดือน + เดือนของปี ให้ต้นไม้ตัดสินใจหลายร้อยต้นโหวตกัน"}, } # ชื่อเดิมจาก v1 — รับไว้เพื่อไม่ให้ของเก่าพัง ALIASES = {"arima": "sarima", "hw": "holtwinters", "ets": "holtwinters"} # ══════════════════════════════════════════════════════════════════ # ส่วนที่ 3 · การวัดผล # ══════════════════════════════════════════════════════════════════ def _safe_ape(actual, pred): a = np.asarray(actual, dtype=float) p = np.asarray(pred, dtype=float) denom = np.where(np.abs(a) < 1e-9, np.nan, a) return np.abs((a - p) / denom) * 100 def score(actual, pred): """MAPE / MdAPE / MAE / RMSE MAPE = ผิดเฉลี่ยกี่ % — สื่อสารกับผู้บริหารง่ายที่สุด แต่ถูกเดือนที่ยอดต่ำดึงให้พองได้ MdAPE = ค่ากลางของ % ที่ผิด — ทนต่อเดือนสุดโต่งกว่า MAE = ผิดเฉลี่ยกี่บาท — ใช้ตัดสินใจธุรกิจได้ตรงกว่า % RMSE = ลงโทษความผิดพลาดก้อนใหญ่หนักกว่า MAE """ a = np.asarray(actual, dtype=float) p = np.asarray(pred, dtype=float) ape = _safe_ape(a, p) return { "mape": float(np.nanmean(ape)), "mdape": float(np.nanmedian(ape)), "mae": float(np.mean(np.abs(a - p))), "rmse": float(np.sqrt(np.mean((a - p) ** 2))), } def rolling_origin_backtest(s, horizon=BACKTEST_HORIZON, max_origins=MAX_ORIGINS, models=None, train_window=None, log_transform=False): """ทดสอบย้อนหลังแบบเลื่อนจุดเริ่ม — วิธีวัดความแม่นยำที่ถูกต้องของอนุกรมเวลา หลักการ: ทำเสมือนย้อนเวลากลับไปยืนที่จุดหนึ่งในอดีต แล้วพยากรณ์ไปข้างหน้า โดยเห็นเฉพาะข้อมูลก่อนจุดนั้น จากนั้นเทียบกับสิ่งที่เกิดขึ้นจริง — ทำซ้ำหลายจุด ทำไมต้องเลื่อนหลายจุด: วัดครั้งเดียวคือการวัด "ดวง" ไม่ใช่ "ฝีมือ" คืน: {model: {"metrics": {...}, "errors_by_h": {h: [error, ...]}}} """ models = models or list(MODELS.keys()) n = len(s) FLOOR = max(MIN_HISTORY, SEASONAL_PERIOD + 3) # เล็กกว่านี้เทรนอะไรไม่ได้เลย min_train = max(MIN_TRAIN, SEASONAL_PERIOD + 3) # อยากได้ 3 รอบปี ถ้าข้อมูลมีพอ # ต้องได้จุดทดสอบอย่างน้อย MIN_ORIGINS จุด — ถ้าไม่พอ ยอมย่อหน้าต่างเทรนลง want = n - horizon + 1 - MIN_ORIGINS shortened = False if want < min_train: new_min = max(FLOOR, want) shortened = new_min < min_train min_train = new_min if n < min_train + horizon: return None, "ข้อมูลสั้นเกินไปสำหรับการทดสอบย้อนหลัง" all_origins = list(range(min_train, n - horizon + 1)) if len(all_origins) < MIN_ORIGINS: # จุดทดสอบน้อยกว่านี้ = วัด "ดวง" ไม่ใช่ "ฝีมือ" — ยอมบอกว่าวัดไม่ได้ ดีกว่ารายงานตัวเลขที่เชื่อไม่ได้ return None, (f"มีจุดทดสอบย้อนหลังได้เพียง {len(all_origins)} จุด " f"(ต้องการอย่างน้อย {MIN_ORIGINS}) — วัดความแม่นยำอย่างน่าเชื่อถือไม่ได้") if len(all_origins) > max_origins: idx = np.linspace(0, len(all_origins) - 1, max_origins).round().astype(int) origins = [all_origins[i] for i in sorted(set(idx))] else: origins = all_origins out = {m: {"errors_by_h": {h: [] for h in range(1, horizon + 1)}, "actual": [], "pred": [], "agg_actual": [], "agg_pred": [], # ยอดรวมทั้งช่วง (เช่น รายไตรมาส) "failed": 0} for m in models} for o in origins: train, test = s.iloc[:o], s.iloc[o:o + horizon] if train_window and len(train) > train_window: train = train.iloc[-train_window:] # ใช้เฉพาะ N เดือนล่าสุดเป็นชุดเทรน fit_on = np.log(train) if log_transform else train for name in models: try: fc = MODELS[name](fit_on, horizon) if log_transform: fc = np.exp(fc) if not np.all(np.isfinite(fc)): raise ValueError("ผลพยากรณ์ไม่ใช่ตัวเลขที่ใช้ได้") except Exception: out[name]["failed"] += 1 continue out[name]["actual"].extend(test.values.tolist()) out[name]["pred"].extend(fc.tolist()) # ยอดรวมทั้งช่วง — ใช้พิสูจน์ว่า "พยากรณ์ยอดรวมแม่นกว่าพยากรณ์รายเดือน" out[name]["agg_actual"].append(float(np.sum(test.values))) out[name]["agg_pred"].append(float(np.sum(fc))) for h in range(1, horizon + 1): out[name]["errors_by_h"][h].append(float(test.values[h - 1] - fc[h - 1])) result = {} for name, d in out.items(): if len(d["actual"]) < horizon: continue result[name] = { "metrics": score(d["actual"], d["pred"]), "metrics_aggregate": score(d["agg_actual"], d["agg_pred"]), "errors_by_h": d["errors_by_h"], "n_origins": len(origins), "failed_fits": d["failed"], } meta = { "n_origins": len(origins), "horizon": horizon, "min_train_months": min_train, "train_window": train_window or "expanding (ใช้ข้อมูลทั้งหมดตั้งแต่ต้น)", "log_transform": bool(log_transform), "train_window_shortened": shortened, "origin_periods": [s.index[o - 1].strftime("%Y-%m") for o in origins], } if shortened: meta["note"] = ( f"หน้าต่างเทรนถูกย่อเหลือ {min_train} เดือน (ต่ำกว่า {MIN_TRAIN} เดือน = 3 รอบปี) " "เพื่อให้มีจุดทดสอบพอ — ตัวเลขความแม่นยำจึงมีความไม่แน่นอนสูง" ) return result, meta def build_leaderboard(bt): """เรียงอันดับโมเดลตาม MAPE + คำนวณ skill score เทียบ baseline skill = 1 - MAPE(model) / MAPE(seasonal_naive) > 0 ดีกว่า baseline = 0 เท่า baseline < 0 แย่กว่า baseline (โมเดลไม่มีประโยชน์ — ต้องกล้าบอก) """ if not bt: return [], None bench = bt.get(BENCHMARK) or bt.get("mean3") bench_mape = bench["metrics"]["mape"] if bench else None rows = [] for name, d in bt.items(): m = d["metrics"] skill = None if bench_mape and bench_mape > 0: skill = 1 - m["mape"] / bench_mape rows.append({ "model": name, "label": MODEL_INFO.get(name, {}).get("th", name), "kind": MODEL_INFO.get(name, {}).get("kind", "model"), "how": MODEL_INFO.get(name, {}).get("how", ""), "mape": round(m["mape"], 2), "mdape": round(m["mdape"], 2), "mae": round(m["mae"], 2), "rmse": round(m["rmse"], 2), "mape_total": round(d["metrics_aggregate"]["mape"], 2), "skill_vs_baseline": None if skill is None else round(skill, 3), "beats_baseline": None if skill is None else bool(skill > 0), }) rows.sort(key=lambda r: r["mape"]) return rows, bench_mape def reliability_label(mape, best_model, leaderboard): """แปลตัวเลข MAPE เป็นภาษาที่ผู้บริหารและ นศ. ใช้ตัดสินใจได้จริง""" beat = any(r["kind"] == "model" and r["beats_baseline"] for r in leaderboard) winner_is_baseline = MODEL_INFO.get(best_model, {}).get("kind") == "baseline" if mape < 10: level, th = "high", "แม่นสูง — ใช้วางแผนรายเดือนได้" elif mape < 20: level, th = "medium", "พอใช้ — ใช้ดูทิศทาง ไม่ควรผูกกับตัวเลขเป๊ะ ๆ" elif mape < 35: level, th = "low", "ต่ำ — ใช้ได้แค่ดูแนวโน้มกว้าง ๆ ห้ามใช้ตั้งเป้ารายเดือน" else: level, th = "very_low", "ต่ำมาก — ข้อมูลผันผวนเกินกว่าจะพยากรณ์รายเดือนได้" honest = [] if winner_is_baseline: honest.append( "โมเดลที่ชนะคือ baseline (วิธีง่าย ๆ ที่ไม่ต้องใช้ AI) " "— แปลว่าข้อมูลชุดนี้ยังไม่มีสัญญาณพอให้โมเดลซับซ้อนได้เปรียบ" ) if not beat: honest.append( "ไม่มีโมเดลใดเอาชนะ baseline ได้ — ผลลัพธ์ที่ซื่อสัตย์คือ " "\"ยังพยากรณ์รายเดือนได้ไม่ดีกว่าการเดาแบบง่าย\"" ) if mape >= 25: honest.append( f"ค่าพยากรณ์ผิดเฉลี่ย {mape:.0f}% — ควรรายงานเป็น 'ช่วง' ไม่ใช่ 'ตัวเลขเดียว' " "และควรรวมยอดเป็นรายไตรมาสซึ่งแม่นกว่ารายเดือน" ) return {"level": level, "th": th, "honest_notes": honest, "any_model_beats_baseline": beat} # ══════════════════════════════════════════════════════════════════ # ส่วนที่ 4 · ช่วงความเชื่อมั่นจากความผิดพลาดจริง # ══════════════════════════════════════════════════════════════════ def empirical_intervals(mean, errors_by_h, level, fallback_std): """สร้างช่วงความเชื่อมั่นจาก "ความผิดพลาดที่เคยเกิดขึ้นจริง" ที่ระยะนั้น ๆ นี่คือหัวใจเชิงการสอน: ช่วงกว้างขึ้นตามระยะ "เพราะวัดได้จริงว่ามันกว้างขึ้น" ไม่ใช่เพราะสูตรบอกให้กว้าง วิธีทำ 1. จาก backtest เก็บความผิดพลาดที่ระยะ h = 1, 2, 3, ... แยกกอง 2. σ(h) = ส่วนเบี่ยงเบนมาตรฐานของกองนั้น 3. บังคับให้ σ ไม่ลดลงตามระยะ (running max) — เพราะจุดทดสอบมีจำกัด σ ดิบจึงแกว่ง ถ้าไม่บังคับ จะได้ช่วงเดือนที่ 5 แคบกว่าเดือนที่ 2 ซึ่งไม่สมเหตุผล 4. เลยระยะที่ทดสอบไว้ → ขยายต่อด้วย √(h/h_max) ตามทฤษฎี random walk หมายเหตุที่ควรบอกผู้เรียน: ใช้ σ (สมมาตร) แทน quantile ดิบ เพราะจุดทดสอบระดับ ~10 จุดยังน้อยเกินกว่าจะประมาณ quantile หางได้เสถียร — บอกความไม่แน่นอน ของ "การประมาณความไม่แน่นอน" ตรง ๆ ดีกว่าแกล้งทำเป็นแม่น """ z = Z.get(int(level), Z[80]) max_h = max(errors_by_h.keys()) if errors_by_h else 0 # σ ต่อระยะ จากความผิดพลาดจริง sigma, sigma_raw, n_used, method = {}, {}, {}, "normal_approx" running = 0.0 for h in range(1, max_h + 1): e = np.asarray(errors_by_h.get(h, []), dtype=float) e = e[np.isfinite(e)] n_used[h] = int(len(e)) if len(e) >= 5: raw = float(np.std(e, ddof=1)) sigma_raw[h] = round(raw, 2) running = max(running, raw) sigma[h] = running method = "empirical_sigma_by_horizon" lower, upper, sigma_out = [], [], [] for i, m in enumerate(mean, start=1): if sigma: h = min(i, max(sigma.keys())) sd = sigma[h] if i > max(sigma.keys()): # เลยระยะที่ทดสอบ sd = sd * np.sqrt(i / max(sigma.keys())) else: sd = fallback_std * np.sqrt(i) spread = z * sd lower.append(max(0.0, float(m - spread))) upper.append(float(m + spread)) sigma_out.append(round(float(sd), 2)) detail = { "method": method, "z": z, "sigma_by_horizon": sigma_out, "sigma_raw_by_horizon": sigma_raw, "origins_per_horizon": n_used, "note": ( "σ ดิบวัดจากความผิดพลาดจริง แล้วบังคับไม่ให้ลดลงตามระยะ — " "ถ้า σ ดิบของเดือนที่ไกลกว่ากลับเล็กลง แปลว่าจุดทดสอบยังน้อย ไม่ใช่ว่าพยากรณ์ไกลแล้วแม่นขึ้น" ), } return np.array(lower), np.array(upper), detail def apply_guardrails(fc, history): """บีบค่าพยากรณ์ให้อยู่ในกรอบที่สมเหตุสมผล — ปิดโดยปริยาย ข้อควรระวังเชิงการสอน: การบีบค่าแบบนี้ทำให้กราฟ "ดูดี" ขึ้น แต่ซ่อนความจริงว่าโมเดลกำลังให้คำตอบที่เพี้ยน — ถ้าเปิดใช้ต้องรายงานเสมอ """ avg = float(np.mean(history)) if avg <= 0: return fc, [] lo, hi = avg / 3, avg * 3 clipped = [i for i, v in enumerate(fc) if v < lo or v > hi] return np.clip(fc, lo, hi), clipped def next_periods(last_date, n): return [(last_date + pd.DateOffset(months=i + 1)).strftime("%Y-%m") for i in range(n)] def _hash(rows, extra=""): return hashlib.md5((json.dumps(rows, sort_keys=True, default=str) + extra).encode()).hexdigest() def _cached_backtest(rows, s, horizon): key = _hash(rows, f"|bt{horizon}") if key in _CACHE: return _CACHE[key] t0 = time.time() bt, meta = rolling_origin_backtest(s, horizon=horizon) if isinstance(meta, dict): meta["elapsed_sec"] = round(time.time() - t0, 2) if len(_CACHE) >= _CACHE_MAX: _CACHE.pop(next(iter(_CACHE))) _CACHE[key] = (bt, meta) return bt, meta def explain_forecast(s, used, mean, labels, leaderboard, acc, ci_detail, quality, level): """อธิบายว่าทำไมผลพยากรณ์ถึงออกมาแบบนี้ — เป็นภาษาที่คนไม่ได้เรียนสถิติอ่านรู้เรื่อง ตัวเลขพยากรณ์เปล่า ๆ ไม่ช่วยให้ใครตัดสินใจ สิ่งที่ช่วยคือการรู้ว่า ค่านี้มาจากไหน · เชื่อได้แค่ไหน · และมันทำอะไรไม่ได้บ้าง """ v = np.asarray(s.values, dtype=float) reasons = [] # ① ทำไมถึงเลือกโมเดลนี้ ──────────────────────────────────────── if leaderboard: me = next((r for r in leaderboard if r["model"] == used), None) bench = next((r for r in leaderboard if r["model"] == BENCHMARK), None) if me: t = (f"จากการทดสอบย้อนหลัง โมเดล \"{me['label']}\" ทำผิดพลาดเฉลี่ย {me['mape']}% " f"ต่ำที่สุดในบรรดา {len(leaderboard)} วิธีที่ลอง") if bench and me["skill_vs_baseline"] is not None: if me["skill_vs_baseline"] > 0: t += (f" และดีกว่าการเดาแบบง่าย ({bench['label']} {bench['mape']}%) " f"อยู่ {me['skill_vs_baseline'] * 100:.0f}%") else: t += (f" แต่ยัง \"ไม่ดีกว่า\" การเดาแบบง่าย ({bench['label']} {bench['mape']}%) " "— แปลว่าข้อมูลชุดนี้ยังไม่มีสัญญาณพอให้โมเดลได้เปรียบ") reasons.append({"title": "ทำไมถึงเลือกโมเดลนี้", "text": t}) # ② ตัวเลขที่ได้มาจากอะไร ─────────────────────────────────────── if used == "naive": why = f"ทุกเดือนถูกตั้งให้เท่ากับเดือนล่าสุด ({v[-1]:,.0f} บาท) เส้นพยากรณ์จึงแบนราบ" elif used == "mean3": why = (f"ทุกเดือนถูกตั้งให้เท่ากับค่าเฉลี่ย 3 เดือนล่าสุด " f"({v[-3]:,.0f} · {v[-2]:,.0f} · {v[-1]:,.0f} → {np.mean(v[-3:]):,.0f} บาท) " "เส้นจึงแบนราบ") elif used == "seasonal_naive": ref = [(s.index[-SEASONAL_PERIOD + i].strftime("%b %Y"), v[-SEASONAL_PERIOD + i]) for i in range(min(len(mean), SEASONAL_PERIOD))] why = ("ค่าพยากรณ์ถูกคัดลอกมาจากเดือนเดียวกันของปีที่แล้วโดยตรง: " + " · ".join(f"{d} = {x:,.0f}" for d, x in ref[:4]) + (" …" if len(ref) > 4 else "") + " — รูปร่างกราฟจึงเหมือนปีที่แล้วเป๊ะ ๆ รวมทั้งเดือนที่สูงผิดปกติด้วย") elif used == "linear": x = np.arange(len(v)) slope, intercept = np.polyfit(x, v, 1) dirn = "เพิ่มขึ้น" if slope > 0 else "ลดลง" why = (f"ลากเส้นตรงที่พอดีกับข้อมูล {len(v)} เดือนที่สุด แล้วต่อออกไป " f"— เส้นนี้{dirn}เดือนละ {abs(slope):,.0f} บาท " f"(ประมาณ {abs(slope) * 12 / np.mean(v) * 100:.1f}% ต่อปี) " "ค่าพยากรณ์จึงค่อย ๆ ไต่ไปทางเดียว ไม่มีการขึ้นลงรายเดือน") elif used == "holtwinters": why = ("ให้น้ำหนักข้อมูลใหม่มากกว่าข้อมูลเก่าแบบลดหลั่น แล้วแยกจำ 3 อย่าง " "คือระดับ แนวโน้ม และรูปแบบฤดูกาล — ค่าที่ได้จึงเป็นระดับล่าสุด " "บวกแนวโน้ม บวกส่วนต่างประจำเดือนนั้น") elif used == "sarima": why = ("ใช้ทั้งค่าในอดีตและความผิดพลาดในอดีตของตัวเองมาทำนายเดือนถัดไป " "พร้อมส่วนฤดูกาล 12 เดือน") elif used == "ml_rf": why = ("ป้อนยอดย้อนหลัง 1 · 2 · 3 · 12 เดือน และเลขเดือนของปี ให้ต้นไม้ตัดสินใจ 200 ต้นโหวตกัน " "เดือนถัดไปทำนายจากค่าจริง ส่วนเดือนที่ไกลออกไปทำนายจากค่าที่ตัวเองเพิ่งทายไว้ " "— ความผิดพลาดจึงสะสมตามระยะ") else: why = "ค่าพยากรณ์คำนวณจากรูปแบบที่โมเดลจับได้จากข้อมูลในอดีต" reasons.append({"title": "ตัวเลขที่ได้มาจากอะไร", "text": why}) # ③ ทิศทาง — เทียบกับอดีตที่คนดูจำได้ ────────────────────────── last3, fc3 = float(np.mean(v[-3:])), float(np.mean(mean[:min(3, len(mean))])) ch3 = (fc3 - last3) / last3 * 100 if last3 else 0 t = (f"ค่าเฉลี่ย 3 เดือนแรกที่พยากรณ์ ({fc3:,.0f} บาท) " f"{'สูงกว่า' if ch3 >= 0 else 'ต่ำกว่า'} 3 เดือนล่าสุดที่เกิดขึ้นจริง ({last3:,.0f} บาท) " f"อยู่ {abs(ch3):.1f}%") if len(v) >= SEASONAL_PERIOD + 3: ly = float(np.mean(v[-SEASONAL_PERIOD - 3:-SEASONAL_PERIOD])) if ly: t += f" · เทียบช่วงเดียวกันของปีก่อน ({ly:,.0f} บาท) ต่างกัน {(fc3 - ly) / ly * 100:+.1f}%" reasons.append({"title": "ทิศทางเทียบกับของจริง", "text": t}) # ④ ทำไมช่วงถึงกว้างขนาดนี้ ───────────────────────────────────── width = float(np.mean(np.asarray(ci_detail["sigma_by_horizon"], dtype=float))) * 2 * ci_detail["z"] pct = width / float(np.mean(mean)) * 100 if np.mean(mean) else 0 t = (f"ช่วง {level}% กว้างเฉลี่ย {width:,.0f} บาท (ประมาณ {pct:.0f}% ของค่าพยากรณ์) " f"เพราะยอดรายเดือนจริงแกว่งแรงมาก — ค่าความผันผวน CV = {quality['cv']} " f"และเดือนต่ำสุดกับสูงสุดต่างกัน {quality['max'] / max(quality['min'], 1):.0f} เท่า") if ci_detail.get("method") == "empirical_sigma_by_horizon": t += " ความกว้างนี้วัดจากความผิดพลาดที่เกิดขึ้นจริงในการทดสอบย้อนหลัง ไม่ได้มาจากสูตร" reasons.append({"title": "ทำไมช่วงถึงกว้างขนาดนี้", "text": t}) # ⑤ สิ่งที่ผลนี้ทำไม่ได้ ──────────────────────────────────────── cant = [] if acc and acc["mape"] >= 20: cant.append(f"พยากรณ์รายเดือนผิดเฉลี่ย {acc['mape']:.0f}% จึงใช้ตั้งเป้ารายเดือนไม่ได้") if quality.get("outliers"): months = ", ".join(o["period"] for o in quality["outliers"][:3]) cant.append(f"ทำนายดีลก้อนใหญ่แบบที่เกิดใน {months} ไม่ได้ เพราะดีลเหล่านั้นไม่ได้เป็นรูปแบบซ้ำ") cant.append("ไม่รู้เรื่องราคาคู่แข่ง งบลูกค้า หรือ pipeline ที่กำลังจะปิด " "— ปัจจัยเหล่านี้ไม่ได้อยู่ในข้อมูลที่ป้อนเข้ามา") reasons.append({"title": "สิ่งที่ผลนี้ทำไม่ได้", "text": " · ".join(cant)}) # ⑥ พาดหัวหนึ่งประโยค ────────────────────────────────────────── lvl = acc["reliability"]["level"] if acc and acc.get("reliability") else "unknown" headline = { "high": "ผลนี้เชื่อถือได้ในระดับที่ใช้วางแผนรายเดือนได้", "medium": "ผลนี้ใช้ดูทิศทางได้ แต่อย่าผูกกับตัวเลขเป๊ะ ๆ", "low": "ผลนี้ใช้ได้แค่ดูแนวโน้มกว้าง ๆ ให้ตั้งเป้าเป็นยอดรวมไตรมาสแทนรายเดือน", "very_low": "ข้อมูลผันผวนเกินกว่าจะพยากรณ์รายเดือนได้ ให้ใช้เป็นช่วงเท่านั้น", }.get(lvl, "ยังประเมินความน่าเชื่อถือของผลนี้ไม่ได้ เพราะข้อมูลสั้นเกินไป") return {"headline": headline, "reasons": reasons} # ══════════════════════════════════════════════════════════════════ # ส่วนที่ 5 · Endpoints # ══════════════════════════════════════════════════════════════════ @app.route("/") def root(): return jsonify({ "status": "ok", "service": "predicty-forecast", "version": "2.2-teaching", "principle": "ความแม่นยำทุกตัวเลขในนี้มาจากการทดสอบย้อนหลังจริง ไม่มีค่าที่คำนวณขึ้นเองให้ดูดี", "endpoints": { "GET /health": "health check", "GET /api/sample": "ชุดข้อมูลจริง ENT 90 เดือน", "POST /api/forecast": "พยากรณ์ + ตารางเทียบโมเดล + คำเตือน", "POST /api/backtest": "ทดสอบย้อนหลังอย่างเดียว", "POST /api/decompose": "แยก trend / seasonal / residual (STL)", "POST /api/diagnostics": "ADF, ACF/PACF, คุณภาพข้อมูล", "POST /api/describe": "อธิบายข้อมูล: มาจากไหน ถึงไหน คอลัมน์แปลว่าอะไร พร้อมแผนวิเคราะห์ทีละขั้น", "POST /api/charts": "ชุดข้อมูลกราฟหลายแบบ: YoY, YTD, heatmap, growth, histogram, box plot", "POST /api/hindcast": "ทำนายย้อนกลับทับเส้นจริง + ตรวจความสอดคล้องของ YoY", "POST /api/dashboard": "แดชบอร์ดตามบทบาท: strategic / operational / analytical — คนละตัวเลข คนละข้อเสนอ", "GET /api/sample.xlsx": "ดาวน์โหลดข้อมูลตัวอย่าง 90 เดือนเป็นไฟล์ Excel พร้อมพจนานุกรมคอลัมน์", }, "roles": {k: v["th"] for k, v in ROLES.items()}, "models": MODEL_INFO, }) @app.route("/health") def health(): return jsonify({"status": "ok", "version": "2.2-teaching"}) @app.route("/api/sample") def sample(): """ข้อมูลจริง ENT — ให้ UI กดโหลดได้ในคลิกเดียว""" path = os.path.join(os.path.dirname(os.path.abspath(__file__)), "sample_ent.json") try: with open(path, encoding="utf-8") as f: return jsonify(json.load(f)) except FileNotFoundError: return jsonify({"error": "ไม่พบไฟล์ sample_ent.json ใน Space"}), 404 @app.route("/api/forecast", methods=["POST", "OPTIONS"]) def forecast(): if request.method == "OPTIONS": return ("", 204) try: body = request.get_json(force=True) or {} rows = body.get("data", []) periods = max(1, min(24, int(body.get("periods", 6)))) want = str(body.get("model", "auto")).lower() want = ALIASES.get(want, want) level = int(body.get("interval", 80)) level = level if level in Z else 80 use_guardrails = bool(body.get("guardrails", False)) drop_last = bool(body.get("drop_last_incomplete", False)) if len(rows) < MIN_HISTORY: return jsonify({"error": f"ต้องการข้อมูลย้อนหลังอย่างน้อย {MIN_HISTORY} เดือน"}), 400 s, warns = to_series(rows) if drop_last and len(s) > MIN_HISTORY: warns.append(f"ตัดเดือนสุดท้าย ({s.index[-1].strftime('%Y-%m')}) ออกตามที่ร้องขอ") s = s.iloc[:-1] if len(s) < MIN_HISTORY: return jsonify({"error": f"หลังทำความสะอาดแล้วเหลือ {len(s)} เดือน — ไม่พอ"}), 400 quality = data_quality(s) # ── ทดสอบย้อนหลัง (ใช้ทั้งเลือกโมเดล วัดความแม่น และสร้างช่วงความเชื่อมั่น) ── bt, bt_meta = _cached_backtest(rows if not drop_last else rows[:-1], s, min(BACKTEST_HORIZON, max(1, periods))) leaderboard, bench_mape = build_leaderboard(bt) if bt else ([], None) if bt and isinstance(bt_meta, dict) and bt_meta.get("train_window_shortened"): warns.append(bt_meta["note"]) if not bt: why = bt_meta if isinstance(bt_meta, str) else "ข้อมูลสั้นเกินไป" warns.append( f"{why} — ระบบจึงบอก 'ความแม่นยำ' ไม่ได้เลย " "ให้ถือว่าผลพยากรณ์นี้ยังพิสูจน์ไม่ได้ และห้ามนำไปตั้งเป้า" ) # ── เลือกโมเดล ── if want in MODELS: used, selection = want, "ผู้ใช้เลือกเอง" elif leaderboard: used, selection = leaderboard[0]["model"], "เลือกอัตโนมัติจาก MAPE ต่ำสุดในการทดสอบย้อนหลัง" else: used = "holtwinters" if len(s) >= SEASONAL_MIN else "linear" selection = "ข้อมูลสั้นเกินกว่าจะทดสอบย้อนหลัง — เลือกตามความยาวข้อมูล" # ── พยากรณ์อนาคตจริง (เทรนด้วยข้อมูลทั้งหมด) ── fallback_used = None try: mean = MODELS[used](s, periods) if not np.all(np.isfinite(mean)): raise ValueError("ผลพยากรณ์ไม่ใช่ตัวเลขที่ใช้ได้") except Exception as e: fallback_used = f"{used} ล้มเหลว ({type(e).__name__}) — ถอยไปใช้ seasonal_naive" used = "seasonal_naive" mean = MODELS[used](s, periods) # ── ช่วงความเชื่อมั่นจากความผิดพลาดจริง ── errors_by_h = bt.get(used, {}).get("errors_by_h", {}) if bt else {} resid_std = float(np.std(np.diff(s.values))) if len(s) > 1 else float(np.std(s.values)) lower, upper, ci_detail = empirical_intervals(mean, errors_by_h, level, resid_std) # ── guardrails (ปิดโดยปริยาย และรายงานเสมอ) ── clipped = [] if use_guardrails: mean, clipped = apply_guardrails(mean, s.values) lower = np.minimum(lower, mean) upper = np.maximum(upper, mean) labels = next_periods(s.index[-1], periods) # ── สรุปแนวโน้ม ── last3 = float(np.mean(s.values[-3:])) fc3 = float(np.mean(mean[:min(3, periods)])) change = (fc3 - last3) / last3 if last3 else 0.0 trend = "up" if change > 0.05 else "down" if change < -0.05 else "stable" # ── ความแม่นยำของโมเดลที่ใช้จริง ── acc = None if bt and used in bt: m = bt[used]["metrics"] acc = { "mape": round(m["mape"], 2), "mdape": round(m["mdape"], 2), "mae": round(m["mae"], 2), "rmse": round(m["rmse"], 2), "method": "rolling-origin backtest", "n_origins": bt_meta.get("n_origins"), "horizon_tested": bt_meta.get("horizon"), "baseline_mape": None if bench_mape is None else round(bench_mape, 2), } acc["reliability"] = reliability_label(m["mape"], used, leaderboard) explanation = explain_forecast(s, used, mean, labels, leaderboard, acc, ci_detail, quality, level) # confidence เก่า — เก็บไว้เพื่อความเข้ากันได้ แต่คำนวณจาก MAPE จริงแล้ว confidence = None if acc: confidence = round(max(0.0, 1 - min(acc["mape"], 100) / 100), 3) # ยอดรวมทั้งช่วง — ตัวเลขที่ผู้บริหารใช้ตัดสินใจได้จริงกว่ารายเดือน agg_mape = None if bt and used in bt: agg_mape = round(bt[used]["metrics_aggregate"]["mape"], 2) total = { "periods": f"{labels[0]} → {labels[-1]}", "predicted": round(float(np.sum(mean)), 2), "lower": round(float(max(0.0, np.sum(mean) - Z[level] * ci_detail["sigma_by_horizon"][-1] * np.sqrt(periods))), 2), "upper": round(float(np.sum(mean) + Z[level] * ci_detail["sigma_by_horizon"][-1] * np.sqrt(periods)), 2), "mape_backtested": agg_mape, "note": ( "ยอดรวมทั้งช่วงมักแม่นกว่ารายเดือน เพราะเดือนที่ทายสูงเกินกับต่ำเกินหักล้างกัน " "— ถ้าจะเอาไปตั้งเป้า ให้ตั้งเป็นยอดรวมไตรมาส/ครึ่งปี ไม่ใช่รายเดือน" ), } return jsonify({ "forecast": [ {"period": p, "predicted": round(float(mv), 2), "lower": round(float(lo), 2), "upper": round(float(up), 2)} for p, mv, lo, up in zip(labels, mean, lower, upper) ], "total": total, "trend": trend, "trend_change_pct": round(change * 100, 1), "confidence": confidence, "confidence_note": ( "ค่านี้คำนวณจาก MAPE ที่วัดได้จริง (1 − MAPE) ไม่ใช่ 'ความมั่นใจ' ทางสถิติ " "— ให้ดู accuracy.mape เป็นหลัก" ), "accuracy": acc, "explanation": explanation, "leaderboard": leaderboard, "data_quality": quality, "warnings": warns + quality["notes"], "meta": { "used_model": used, "used_model_th": MODEL_INFO.get(used, {}).get("th", used), "selection_reason": selection, "fallback": fallback_used, "n_history": len(s), "history_range": f"{quality['start']} → {quality['end']}", "interval_level": level, "interval_method": ci_detail["method"], "interval_detail": ci_detail, "guardrails": use_guardrails, "guardrails_clipped_periods": [labels[i] for i in clipped], "backtest": bt_meta if isinstance(bt_meta, dict) else {"note": bt_meta}, "version": "2.2-teaching", }, }) except Exception as e: return jsonify({"error": f"{type(e).__name__}: {e}"}), 500 @app.route("/api/backtest", methods=["POST", "OPTIONS"]) def backtest_endpoint(): """ทดสอบย้อนหลังอย่างเดียว — สำหรับหน้าจอ 'เทียบโมเดล' ในห้องเรียน""" if request.method == "OPTIONS": return ("", 204) try: body = request.get_json(force=True) or {} rows = body.get("data", []) horizon = max(1, min(12, int(body.get("horizon", BACKTEST_HORIZON)))) # ── พารามิเตอร์สำหรับ "ทดลอง" เท่านั้น ──────────────────────────── tw = body.get("train_window") tw = int(tw) if tw not in (None, "", "expanding") else None if tw is not None: tw = max(SEASONAL_PERIOD + 3, min(240, tw)) logt = bool(body.get("log_transform", False)) if len(rows) < MIN_HISTORY: return jsonify({"error": f"ต้องการข้อมูลอย่างน้อย {MIN_HISTORY} เดือน"}), 400 s, warns = to_series(rows) if tw is None and not logt: bt, meta = _cached_backtest(rows, s, horizon) else: key = _hash(rows, f"|bt{horizon}|w{tw}|l{int(logt)}") if key in _CACHE: bt, meta = _CACHE[key] else: if logt and float(np.min(s.values)) <= 0: return jsonify({"error": "log_transform ใช้ไม่ได้เมื่อมีเดือนที่ยอด ≤ 0"}), 400 bt, meta = rolling_origin_backtest(s, horizon=horizon, train_window=tw, log_transform=logt) if len(_CACHE) >= _CACHE_MAX: _CACHE.pop(next(iter(_CACHE))) _CACHE[key] = (bt, meta) warns.append( "กำลังใช้ค่าตั้งแบบทดลอง (train_window / log_transform) — " "การไล่ลองหลายค่าแล้วเลือกตัวที่ MAPE ต่ำสุดจากชุดทดสอบชุดเดียวกัน " "คือการ overfit ขั้นตอนเลือกค่าตั้ง ตัวเลขที่ได้จะดีเกินจริง" ) if not bt: return jsonify({"error": meta if isinstance(meta, str) else "ทดสอบย้อนหลังไม่ได้"}), 400 leaderboard, bench = build_leaderboard(bt) # ความผิดพลาดแยกตามระยะ — สอนว่า "ยิ่งไกลยิ่งแย่" เห็นเป็นตัวเลข by_h = {} for name, d in bt.items(): by_h[name] = { str(h): round(float(np.mean(np.abs(e))), 2) for h, e in d["errors_by_h"].items() if e } monthly_vs_total = [ {"model": r["model"], "label": r["label"], "mape_monthly": r["mape"], "mape_total": r["mape_total"], "improvement_pct_points": round(r["mape"] - r["mape_total"], 2)} for r in leaderboard ] return jsonify({ "leaderboard": leaderboard, "monthly_vs_total": monthly_vs_total, "mae_by_horizon": by_h, "benchmark": {"model": BENCHMARK, "mape": None if bench is None else round(bench, 2)}, "experiment": { "train_window": tw or "expanding", "log_transform": logt, "is_default": tw is None and not logt, "how_to_check_honestly": ( "ถ้าจะเลือกค่าตั้งจริง ต้องแบ่งเวลาออกเป็นสองช่วง: ใช้ช่วงแรกเลือกค่าตั้ง " "แล้วเอาค่าที่เลือกไปวัดกับช่วงหลังที่ยังไม่เคยเห็น " "ถ้าค่าตั้งที่ชนะในช่วงแรกไม่ชนะในช่วงหลัง แปลว่าที่ชนะคือความบังเอิญ" ), }, "interpretation": reliability_label(leaderboard[0]["mape"], leaderboard[0]["model"], leaderboard), "warnings": warns, "meta": meta, }) except Exception as e: return jsonify({"error": f"{type(e).__name__}: {e}"}), 500 @app.route("/api/decompose", methods=["POST", "OPTIONS"]) def decompose(): """แยกอนุกรมเวลาเป็น แนวโน้ม + ฤดูกาล + ส่วนที่เหลือ (STL) ค่าความแรง (strength) ตามนิยามของ Hyndman: strength = max(0, 1 - Var(residual) / Var(residual + component)) > 0.6 ถือว่าองค์ประกอบนั้นเด่นชัด """ if request.method == "OPTIONS": return ("", 204) try: from statsmodels.tsa.seasonal import STL body = request.get_json(force=True) or {} rows = body.get("data", []) if len(rows) < 2 * SEASONAL_PERIOD: return jsonify({"error": f"ต้องการอย่างน้อย {2 * SEASONAL_PERIOD} เดือนจึงจะแยกฤดูกาลได้"}), 400 s, warns = to_series(rows) res = STL(s, period=SEASONAL_PERIOD, robust=True).fit() tr, se, rs = res.trend, res.seasonal, res.resid def strength(comp): v_r, v_rc = np.var(rs), np.var(rs + comp) return round(float(max(0.0, 1 - v_r / v_rc)) if v_rc > 0 else 0.0, 3) st_trend, st_seas = strength(tr), strength(se) # ดัชนีฤดูกาลเฉลี่ยรายเดือน seas_idx = pd.Series(se.values, index=s.index.month).groupby(level=0).mean() month_th = ["ม.ค.", "ก.พ.", "มี.ค.", "เม.ย.", "พ.ค.", "มิ.ย.", "ก.ค.", "ส.ค.", "ก.ย.", "ต.ค.", "พ.ย.", "ธ.ค."] reading = [] reading.append( f"ความแรงของแนวโน้ม {st_trend} — " + ("แนวโน้มชัดเจน" if st_trend > 0.6 else "แนวโน้มอ่อน ข้อมูลแกว่งรอบค่าเฉลี่ยเป็นหลัก") ) reading.append( f"ความแรงของฤดูกาล {st_seas} — " + ("รูปแบบรายเดือนซ้ำได้ชัด ใช้โมเดลฤดูกาลคุ้ม" if st_seas > 0.6 else "รูปแบบรายเดือนไม่ซ้ำพอ — โมเดลฤดูกาลอาจไม่ช่วย และอาจ overfit") ) var_share = float(np.var(rs) / np.var(s.values)) if np.var(s.values) > 0 else 0 reading.append( f"ส่วนที่อธิบายไม่ได้ (residual) กินความผันผวนไป {var_share*100:.0f}% " + ("— นี่คือเพดานของการพยากรณ์ด้วยข้อมูลชุดนี้" if var_share > 0.5 else "") ) return jsonify({ "periods": [d.strftime("%Y-%m") for d in s.index], "observed": [round(float(x), 2) for x in s.values], "trend": [round(float(x), 2) for x in tr.values], "seasonal": [round(float(x), 2) for x in se.values], "residual": [round(float(x), 2) for x in rs.values], "strength": {"trend": st_trend, "seasonal": st_seas}, "seasonal_index": [ {"month": int(m), "month_th": month_th[int(m) - 1], "effect": round(float(v), 2)} for m, v in seas_idx.items() ], "residual_variance_share": round(var_share, 3), "reading": reading, "warnings": warns, }) except Exception as e: return jsonify({"error": f"{type(e).__name__}: {e}"}), 500 @app.route("/api/diagnostics", methods=["POST", "OPTIONS"]) def diagnostics(): """ADF stationarity + ACF/PACF + คุณภาพข้อมูล — ใช้ก่อนเลือกพารามิเตอร์ SARIMA""" if request.method == "OPTIONS": return ("", 204) try: from statsmodels.tsa.stattools import acf, adfuller, pacf body = request.get_json(force=True) or {} rows = body.get("data", []) nlags = max(6, min(24, int(body.get("nlags", 24)))) if len(rows) < MIN_HISTORY: return jsonify({"error": f"ต้องการข้อมูลอย่างน้อย {MIN_HISTORY} เดือน"}), 400 s, warns = to_series(rows) v = s.values.astype(float) nlags = min(nlags, len(v) // 2 - 1) def adf(x, label): stat, p, lags, nobs, crit, _ = adfuller(x, autolag="AIC") return { "series": label, "statistic": round(float(stat), 4), "p_value": round(float(p), 4), "lags_used": int(lags), "critical_5pct": round(float(crit["5%"]), 4), "is_stationary": bool(p < 0.05), "reading": ("นิ่งแล้ว (p < 0.05) — ไม่ต้อง differencing เพิ่ม" if p < 0.05 else "ยังไม่นิ่ง (p ≥ 0.05) — ควร differencing"), } adf_raw = adf(v, "ข้อมูลดิบ") adf_d1 = adf(np.diff(v), "หลัง differencing 1 ครั้ง") if len(v) > 3 else None a = acf(v, nlags=nlags, fft=False) p_ = pacf(v, nlags=min(nlags, len(v) // 2 - 1)) bound = 1.96 / np.sqrt(len(v)) sig_seasonal = [ int(k) for k in [12, 24] if k <= nlags and abs(float(a[k])) > bound ] hints = [] d_sug = 0 if adf_raw["is_stationary"] else 1 hints.append(f"แนะนำ d = {d_sug} (จากผล ADF)") if sig_seasonal: hints.append(f"ACF ที่ lag {sig_seasonal} เกินเส้นนัยสำคัญ — มีสัญญาณฤดูกาล 12 เดือน ควรตั้ง D = 1") else: hints.append("ACF ที่ lag 12/24 ไม่เกินเส้นนัยสำคัญ — สัญญาณฤดูกาลอ่อน อาจไม่ต้องใส่ส่วนฤดูกาล") sig_early = [int(k) for k in range(1, min(4, nlags + 1)) if abs(float(p_[k])) > bound] hints.append( f"PACF ตัดหลัง lag {max(sig_early)} — ลอง p = {max(sig_early)}" if sig_early else "PACF ไม่มี lag ต้น ๆ ที่เด่น — ลอง p = 0 หรือ 1" ) return jsonify({ "adf": [x for x in [adf_raw, adf_d1] if x], "acf": [{"lag": i, "value": round(float(a[i]), 4), "significant": bool(abs(float(a[i])) > bound)} for i in range(len(a))], "pacf": [{"lag": i, "value": round(float(p_[i]), 4), "significant": bool(abs(float(p_[i])) > bound)} for i in range(len(p_))], "significance_bound": round(float(bound), 4), "sarima_hints": hints, "data_quality": data_quality(s), "warnings": warns, }) except Exception as e: return jsonify({"error": f"{type(e).__name__}: {e}"}), 500 # ══════════════════════════════════════════════════════════════════ # ส่วนที่ 6 · ชุดข้อมูลกราฟ และการทำนายย้อนกลับ # ══════════════════════════════════════════════════════════════════ def _year_table(s): """ตารางปี × เดือน พร้อมธงบอกว่าปีไหน/เดือนไหนข้อมูลยังไม่ครบ""" df = pd.DataFrame({"v": s.values, "y": s.index.year, "m": s.index.month}) piv = df.pivot_table(index="y", columns="m", values="v", aggfunc="sum") piv = piv.reindex(columns=range(1, 13)) return piv def _nn(x): """แปลง NaN เป็น None เพื่อให้ JSON อ่านได้""" return None if x is None or (isinstance(x, float) and not np.isfinite(x)) else round(float(x), 2) @app.route("/api/charts", methods=["POST", "OPTIONS"]) def charts(): """ชุดข้อมูลพร้อมวาดกราฟหลายแบบจากอนุกรมเดียวกัน คืนเป็น "ข้อมูลที่พร้อมวาด" ทุกบล็อก — หน้าเว็บเลือกหยิบไปวาดได้เลย ทุกบล็อกที่อิงรายปีจะมีธง complete บอกว่าปีนั้นข้อมูลครบ 12 เดือนหรือยัง เพื่อไม่ให้กราฟหลอกตาว่า "ปีนี้ยอดตก" ทั้งที่ยังไม่จบปี """ if request.method == "OPTIONS": return ("", 204) try: body = request.get_json(force=True) or {} rows = body.get("data", []) drop_last = bool(body.get("drop_last_incomplete", False)) if len(rows) < 3: return jsonify({"error": "ต้องการข้อมูลอย่างน้อย 3 เดือน"}), 400 s, warns = to_series(rows) if drop_last and len(s) > 3: warns.append(f"ตัดเดือนสุดท้าย ({s.index[-1].strftime('%Y-%m')}) ออกตามที่ร้องขอ") s = s.iloc[:-1] piv = _year_table(s) years = [int(y) for y in piv.index] month_th = ["ม.ค.", "ก.พ.", "มี.ค.", "เม.ย.", "พ.ค.", "มิ.ย.", "ก.ค.", "ส.ค.", "ก.ย.", "ต.ค.", "พ.ย.", "ธ.ค."] # ── 1. ยอดรวมรายปี + อัตราเติบโต YoY ────────────────────────── totals, counts = piv.sum(axis=1), piv.notna().sum(axis=1) yoy_annual = [] prev = None for i, y in enumerate(years): tot, cnt = float(totals.iloc[i]), int(counts.iloc[i]) growth = None if prev in (None, 0) else round((tot - prev) / prev * 100, 2) yoy_annual.append({ "year": y, "total": round(tot, 2), "months_with_data": cnt, "complete": cnt == 12, "growth_pct": growth, "avg_per_month": round(tot / cnt, 2) if cnt else None, }) prev = tot # ── 2. เทียบรายเดือนแยกปี (multi-line / grouped bar) ────────── yoy_monthly = { "months": month_th, "series": [{"year": int(y), "values": [_nn(piv.loc[y, m]) for m in range(1, 13)]} for y in years], } # ── 3. YTD pace — สะสมตั้งแต่ต้นปี เทียบจังหวะข้ามปี ────────── ytd = {"months": month_th, "series": []} for y in years: run, acc = [], 0.0 for m in range(1, 13): v = piv.loc[y, m] if pd.isna(v): run.append(None) else: acc += float(v) run.append(round(acc, 2)) ytd["series"].append({"year": int(y), "values": run}) # ── 4. heatmap ปี × เดือน (ดัชนีเทียบค่าเฉลี่ยของปีนั้น) ────── heat = [] for y in years: row = piv.loc[y] mean = row.mean() heat.append({"year": int(y), "values": [None if pd.isna(row[m]) or not mean else round(float(row[m]) / mean, 3) for m in range(1, 13)]}) # ── 5. เส้นจริง + ค่าเฉลี่ยเคลื่อนที่ ──────────────────────── ma = { "periods": [d.strftime("%Y-%m") for d in s.index], "actual": [round(float(x), 2) for x in s.values], "ma3": [_nn(x) for x in s.rolling(3).mean().values], "ma12": [_nn(x) for x in s.rolling(12).mean().values], } # ── 6. อัตราเติบโต MoM และ YoY รายเดือน ────────────────────── mom = s.pct_change() * 100 yoy_m = s.pct_change(12) * 100 growth = { "periods": ma["periods"], "mom_pct": [_nn(x) for x in mom.values], "yoy_pct": [_nn(x) for x in yoy_m.values], } # ── 7. การกระจายของยอดรายเดือน (histogram) ─────────────────── cnts, edges = np.histogram(s.values, bins=min(12, max(5, len(s) // 7))) dist = { "bins": [{"from": round(float(edges[i]), 2), "to": round(float(edges[i + 1]), 2), "count": int(cnts[i])} for i in range(len(cnts))], "mean": round(float(s.mean()), 2), "median": round(float(s.median()), 2), } # ── 8. โปรไฟล์รายเดือน (box plot) — ฤดูกาลซ้ำจริงไหม ───────── prof = [] norm = pd.DataFrame({"v": s.values, "y": s.index.year, "m": s.index.month}) norm["idx"] = norm.groupby("y")["v"].transform(lambda x: x / x.mean()) for m in range(1, 13): g = norm.loc[norm.m == m, "idx"].dropna() if len(g) == 0: continue q1, q3 = float(g.quantile(.25)), float(g.quantile(.75)) prof.append({"month": m, "month_th": month_th[m - 1], "n": int(len(g)), "min": round(float(g.min()), 3), "q1": round(q1, 3), "median": round(float(g.median()), 3), "q3": round(q3, 3), "max": round(float(g.max()), 3), "iqr": round(q3 - q1, 3), "repeatable": bool(q3 - q1 < 0.35)}) # ── 9. แยกตามหมวด (เฉพาะเมื่อข้อมูลขาเข้ามีคอลัมน์ category) ── by_category = None cats = [r for r in rows if isinstance(r, dict) and r.get("category")] if cats: cdf = pd.DataFrame(cats) cdf["sales"] = pd.to_numeric(cdf["sales"], errors="coerce").fillna(0) cdf["ym"] = cdf["date"].astype(str).str.strip() tot = cdf.groupby("category")["sales"].sum().sort_values(ascending=False) share = (tot / tot.sum() * 100).round(2) by_category = { "totals": [{"category": str(k), "total": round(float(v), 2), "share_pct": float(share[k])} for k, v in tot.items()], "monthly": [{"category": str(c), "periods": sorted(g["ym"].unique().tolist()), "values": [round(float(g.loc[g.ym == p, "sales"].sum()), 2) for p in sorted(g["ym"].unique().tolist())]} for c, g in cdf.groupby("category")], "note": ("เกิน 3 หมวดให้ใช้ bar เรียงลำดับ ไม่ใช่ pie " "— ตาคนเทียบความยาวแท่งได้แม่นกว่ามุมของชิ้นพาย"), } partial = [r["year"] for r in yoy_annual if not r["complete"]] if partial: warns.append( f"ปี {partial} ยังมีข้อมูลไม่ครบ 12 เดือน — ห้ามเทียบยอดรวมรายปีตรง ๆ " "ให้ใช้ค่าเฉลี่ยต่อเดือนหรือ YTD แทน" ) return jsonify({ "yoy_annual": yoy_annual, "yoy_monthly": yoy_monthly, "ytd": ytd, "heatmap": heat, "moving_average": ma, "growth": growth, "distribution": dist, "month_profile": prof, "by_category": by_category, "data_quality": data_quality(s), "warnings": warns + data_quality(s)["notes"], "chart_guide": { "yoy_annual": "bar — เทียบยอดรวมรายปี (ระวังปีที่ยังไม่ครบ)", "yoy_monthly": "line หลายเส้น หรือ grouped bar — เทียบเดือนเดียวกันข้ามปี", "ytd": "line — เทียบ 'จังหวะ' การสะสมยอด ปีนี้เร็วกว่าปีที่แล้วไหม", "heatmap": "heatmap ปี × เดือน — มองหาคอลัมน์ที่เข้ม/อ่อนทั้งแนวตั้ง", "moving_average": "line — เส้นจริง + เส้นเรียบ 3 และ 12 เดือน", "growth": "bar มีค่าบวกลบ — MoM และ YoY รายเดือน", "distribution": "histogram — ยอดรายเดือนกระจายตัวอย่างไร", "month_profile": "box plot — ฤดูกาลซ้ำจริงหรือแค่บังเอิญปีเดียว", }, }) except Exception as e: return jsonify({"error": f"{type(e).__name__}: {e}"}), 500 @app.route("/api/hindcast", methods=["POST", "OPTIONS"]) def hindcast(): """ทำนายย้อนกลับ — ให้โมเดลทายอดีตทีละเดือน โดยเห็นเฉพาะข้อมูลก่อนหน้า ต่างจาก /api/backtest ตรงที่คืน "เส้นกราฟ" ให้วาดทับกับของจริงได้ ทุกค่าที่คืนเป็น out-of-sample ล้วน ไม่มีการมองอนาคตแม้แต่จุดเดียว และตอบคำถามสำคัญ: อัตราเติบโต YoY ที่โมเดลทำนาย สอดคล้องกับ YoY ที่เกิดขึ้นจริงหรือไม่ """ if request.method == "OPTIONS": return ("", 204) try: body = request.get_json(force=True) or {} rows = body.get("data", []) horizon = max(1, min(6, int(body.get("horizon", 1)))) drop_last = bool(body.get("drop_last_incomplete", False)) want = body.get("models") or ["mean3", "seasonal_naive", "linear", "holtwinters", "ml_rf"] want = [ALIASES.get(str(m).lower(), str(m).lower()) for m in want] want = [m for m in want if m in MODELS] if not want: return jsonify({"error": "ไม่มีชื่อโมเดลที่ใช้ได้"}), 400 s, warns = to_series(rows) if drop_last and len(s) > MIN_HISTORY: warns.append(f"ตัดเดือนสุดท้าย ({s.index[-1].strftime('%Y-%m')}) ออกตามที่ร้องขอ") s = s.iloc[:-1] n = len(s) min_train = max(MIN_TRAIN, SEASONAL_PERIOD + 3) if n < min_train + horizon + 2: min_train = max(SEASONAL_PERIOD + 3, n - horizon - 6) if n < min_train + horizon: return jsonify({"error": f"ต้องการข้อมูลอย่างน้อย {min_train + horizon} เดือน"}), 400 periods = [d.strftime("%Y-%m") for d in s.index] ck = _hash(rows, f"|hc{horizon}|{drop_last}|{','.join(sorted(want))}") if ck in _CACHE: return jsonify(_CACHE[ck]) preds = {m: [None] * n for m in want} t0 = time.time() for o in range(min_train, n - horizon + 1): train = s.iloc[:o] for m in want: try: fc = MODELS[m](train, horizon) if np.all(np.isfinite(fc)): preds[m][o + horizon - 1] = round(float(fc[horizon - 1]), 2) except Exception: pass elapsed = round(time.time() - t0, 2) actual = [round(float(x), 2) for x in s.values] # ── ความผิดพลาดของแต่ละโมเดล เฉพาะจุดที่ทำนายได้ ───────────── summary = {} for m in want: pairs = [(a, p) for a, p in zip(actual, preds[m]) if p is not None] if not pairs: continue a = np.array([x[0] for x in pairs], dtype=float) p = np.array([x[1] for x in pairs], dtype=float) sc = score(a, p) summary[m] = { "label": MODEL_INFO.get(m, {}).get("th", m), "kind": MODEL_INFO.get(m, {}).get("kind", "model"), "n_points": len(pairs), "mape": round(sc["mape"], 2), "mae": round(sc["mae"], 2), "rmse": round(sc["rmse"], 2), "bias": round(float(np.mean(p - a)), 2), # บวก = ทายสูงเกินจริงเป็นระบบ } # ── ตรวจความสอดคล้องของ YoY จริง เทียบ YoY ที่โมเดลทำนาย ───── ydf = pd.DataFrame({"period": periods, "actual": actual}) ydf["year"] = [int(str(p)[:4]) for p in periods] for m in want: ydf[m] = preds[m] yoy_check = [] yrs = sorted(ydf["year"].unique()) for i in range(1, len(yrs)): cur, prv = yrs[i], yrs[i - 1] rows_cur = ydf[ydf.year == cur] rows_prv = ydf[ydf.year == prv] # เทียบเฉพาะเดือนที่ทั้งสองปีมีค่าทำนาย เพื่อไม่ให้เทียบคนละฐาน entry = {"year": int(cur), "vs_year": int(prv), "models": {}} for m in want: cm = rows_cur.dropna(subset=[m]) if len(cm) < 3: continue months = set(cm["period"].str[5:]) pm = rows_prv[rows_prv["period"].str[5:].isin(months)] if len(pm) < 3: continue a_now, a_prev = float(cm["actual"].sum()), float(pm["actual"].sum()) p_now = float(cm[m].sum()) if a_prev == 0: continue g_act = (a_now - a_prev) / a_prev * 100 g_pred = (p_now - a_prev) / a_prev * 100 entry["actual_growth_pct"] = round(float(g_act), 2) entry["months_compared"] = int(len(cm)) entry["models"][m] = { "predicted_growth_pct": round(float(g_pred), 2), "gap_pct_points": round(float(g_pred - g_act), 2), "same_direction": bool((g_act >= 0) == (g_pred >= 0)), } if entry["models"]: yoy_check.append(entry) # ── สรุปเป็นภาษาคน ──────────────────────────────────────────── reading = [] if summary: best = min(summary, key=lambda m: summary[m]["mape"]) reading.append( f"โมเดลที่ทายย้อนหลังได้ใกล้ความจริงที่สุดคือ {summary[best]['label']} " f"(MAPE {summary[best]['mape']}%)" ) biased = [m for m, v in summary.items() if abs(v["bias"]) > 0.1 * float(np.mean(actual))] if biased: reading.append( "โมเดลที่ทายเบี่ยงไปทางเดียวอย่างเป็นระบบ (bias เกิน 10% ของค่าเฉลี่ย): " + ", ".join(summary[m]["label"] for m in biased) + " — bias แก้ได้ด้วยการปรับค่าคงที่ ต่างจากความผิดพลาดแบบสุ่มที่แก้ไม่ได้" ) if yoy_check: ok = sum(1 for e in yoy_check for v in e["models"].values() if v["same_direction"]) tot = sum(len(e["models"]) for e in yoy_check) reading.append( f"ทิศทางการเติบโต YoY: โมเดลทายถูกทิศ {ok} จาก {tot} ครั้ง " + ("— ใช้บอกทิศทางได้ แม้ตัวเลขจะไม่ตรง" if tot and ok / tot >= 0.6 else "— ยังบอกแม้แต่ทิศทางไม่ได้อย่างน่าเชื่อถือ") ) reading.append( "ทุกค่าในกราฟนี้เป็น out-of-sample ล้วน — ณ แต่ละจุด โมเดลเห็นเฉพาะข้อมูลก่อนหน้านั้น" ) payload = { "periods": periods, "actual": actual, "predicted": preds, "summary": summary, "yoy_check": yoy_check, "reading": reading, "warnings": warns, "meta": { "horizon": horizon, "min_train_months": min_train, "first_predicted_period": periods[min_train + horizon - 1], "models": want, "elapsed_sec": elapsed, "note": ("จุดก่อนหน้า first_predicted_period เป็น null เพราะยังไม่มีข้อมูลพอเทรน " "— ไม่ใช่ข้อผิดพลาด"), }, } if len(_CACHE) >= _CACHE_MAX: _CACHE.pop(next(iter(_CACHE))) _CACHE[ck] = payload return jsonify(payload) except Exception as e: return jsonify({"error": f"{type(e).__name__}: {e}"}), 500 @app.route("/api/describe", methods=["POST", "OPTIONS"]) def describe(): """อธิบายข้อมูลชุดนี้ให้คนที่ไม่เคยวิเคราะห์ข้อมูลมาก่อนเข้าใจ ตอบ 4 คำถามที่ผู้เริ่มต้นถามเสมอ: 1. ข้อมูลนี้คืออะไร จากไหน ถึงไหน 2. แต่ละคอลัมน์หมายถึงอะไร 3. ข้อมูลพร้อมใช้หรือยัง ติดอะไรบ้าง 4. แล้วต้องทำอะไรต่อ ตามลำดับไหน """ if request.method == "OPTIONS": return ("", 204) try: body = request.get_json(force=True) or {} rows = body.get("data", []) unit = str(body.get("unit", "บาท")) subject = str(body.get("subject", "ยอดขาย")) if len(rows) < 2: return jsonify({"error": "ต้องการข้อมูลอย่างน้อย 2 เดือน"}), 400 s, warns = to_series(rows) q = data_quality(s) v = np.asarray(s.values, dtype=float) years = sorted({d.year for d in s.index}) # ── 1. เล่าให้ฟังเป็นภาษาคน ──────────────────────────────── overview = [ f"ข้อมูลชุดนี้คือ{subject} สรุปเป็น รายเดือน เดือนละ 1 ค่า", f"ครอบคลุมตั้งแต่ {q['start']} ถึง {q['end']} รวม {q['n_months']} เดือน " f"({len(years)} ปี: {years[0]}–{years[-1]})", f"ค่าเฉลี่ยเดือนละ {q['mean']:,.0f} {unit} · ต่ำสุด {q['min']:,.0f} · สูงสุด {q['max']:,.0f}", f"หนึ่งแถว = หนึ่งเดือน ไม่ใช่หนึ่งรายการขาย — รายการขายทั้งหมดในเดือนนั้นถูกบวกรวมกันแล้ว", ] # ── 2. พจนานุกรมคอลัมน์ ──────────────────────────────────── dictionary = [ {"column": "date", "th": "เดือน", "type": "ข้อความ รูปแบบ YYYY-MM", "example": q["start"], "meaning": "เดือนที่ข้อมูลนั้นเกิดขึ้น เช่น 2025-03 คือ มีนาคม 2025"}, {"column": "sales", "th": f"{subject} ({unit})", "type": "ตัวเลข", "example": f"{v[0]:,.0f}", "meaning": f"ยอดรวมทั้งเดือน หน่วยเป็น{unit}"}, ] if any(isinstance(r, dict) and r.get("category") for r in rows): dictionary.append({"column": "category", "th": "หมวดสินค้า", "type": "ข้อความ", "example": "Computer/PC", "meaning": "กลุ่มสินค้า ใช้แยกดูว่าหมวดไหนโตหรือหด (ไม่บังคับ)"}) # ── 3. ตัวอย่างข้อมูลจริง หัวและท้าย ─────────────────────── def peek(idx): return [{"date": s.index[i].strftime("%Y-%m"), "sales": round(float(v[i]), 2)} for i in idx] preview = { "first": peek(range(min(5, len(v)))), "last": peek(range(max(0, len(v) - 5), len(v))), "note": "แสดง 5 แถวแรกและ 5 แถวสุดท้าย จากทั้งหมด %d แถว" % len(v), } # ── 4. เช็คลิสต์ความพร้อมของข้อมูล ───────────────────────── def item(label, ok, detail): return {"check": label, "status": "ok" if ok else "warn", "detail": detail} full = pd.period_range(s.index.min().to_period("M"), s.index.max().to_period("M"), freq="M") checklist = [ item("เดือนต่อเนื่องไม่ขาด", len(full) == q["n_months"], "ครบทุกเดือน" if len(full) == q["n_months"] else f"ควรมี {len(full)} เดือน แต่มีจริง {q['n_months']} เดือน"), item("ไม่มีเดือนที่ยอดเป็นศูนย์", q["zero_months"] == 0, "ไม่มี" if q["zero_months"] == 0 else f"พบ {q['zero_months']} เดือน — ตรวจว่าไม่ได้ขายจริง หรือลืมบันทึก"), item("ยาวพอฝึกโมเดลฤดูกาล", q["n_months"] >= MIN_TRAIN, f"{q['n_months']} เดือน (ต้องการ ≥ {MIN_TRAIN})"), item("ความผันผวนอยู่ในระดับที่พยากรณ์ได้ดี", q["cv"] <= 0.35, f"CV = {q['cv']}" + ("" if q["cv"] <= 0.35 else " — สูง คาดหวังความผิดพลาดหลายสิบเปอร์เซ็นต์")), item("ไม่มีเดือนค่าสุดโต่ง", not q["outliers"], "ไม่มี" if not q["outliers"] else "พบ " + ", ".join(o["period"] for o in q["outliers"]) + " — ตรวจว่าเป็นดีลจริงหรือข้อมูลผิด"), item("เดือนสุดท้ายเก็บข้อมูลครบ", not any("เดือนล่าสุด" in n for n in q["notes"]), "ดูปกติ" if not any("เดือนล่าสุด" in n for n in q["notes"]) else f"{q['end']} ต่ำผิดปกติ — น่าจะยังเก็บไม่ครบเดือน ควรตัดออกก่อนฝึกโมเดล"), ] # ── 5. แผนการวิเคราะห์ ทีละขั้น ──────────────────────────── plan = [ {"step": 1, "title": "ทำความรู้จักข้อมูล", "question": "ข้อมูลนี้คืออะไร ครบไหม เชื่อได้ไหม", "endpoint": "POST /api/describe", "look_at": "เช็คลิสต์ด้านบน — ทุกข้อที่ขึ้นเตือน ต้องตัดสินใจก่อนไปต่อ", "why": "ข้อมูลเสียทำให้ทุกอย่างหลังจากนี้ผิดหมด และผิดแบบดูไม่ออก"}, {"step": 2, "title": "ดูภาพรวมด้วยกราฟ", "question": "ยอดขึ้นลงอย่างไร ปีไหนดี เดือนไหนแรง", "endpoint": "POST /api/charts", "look_at": "เริ่มที่ yoy_annual (ยอดรายปี) → yoy_monthly (เทียบเดือนข้ามปี) → heatmap", "why": "ตาเห็นรูปแบบก่อน แล้วค่อยเอาตัวเลขมายืนยัน ไม่ใช่กลับกัน"}, {"step": 3, "title": "ตรวจว่าพยากรณ์ได้แค่ไหน", "question": "ข้อมูลนี้มีแนวโน้มและฤดูกาลจริงหรือเปล่า", "endpoint": "POST /api/decompose และ POST /api/diagnostics", "look_at": "ความแรงฤดูกาล (>0.6 = ชัด) และสัดส่วน residual (ยิ่งสูง ยิ่งพยากรณ์ยาก)", "why": "รู้เพดานก่อนลงมือ ประหยัดเวลาลองผิดลองถูกได้ทั้งวัน"}, {"step": 4, "title": "เทียบโมเดลกับวิธีเดาแบบง่าย", "question": "โมเดลที่จะใช้ ดีกว่าการเดาง่าย ๆ จริงไหม", "endpoint": "POST /api/backtest", "look_at": "คอลัมน์ skill — ต้องเป็นบวก ถ้าติดลบแปลว่าโมเดลไม่มีประโยชน์", "why": "MAPE 27% จะดีหรือแย่ ตอบไม่ได้จนกว่าจะรู้ว่าวิธีเดาง่าย ๆ ได้เท่าไหร่"}, {"step": 5, "title": "ทำนายย้อนกลับดูของจริง", "question": "ถ้าย้อนเวลาไปใช้โมเดลนี้จริง มันจะทายถูกแค่ไหน", "endpoint": "POST /api/hindcast", "look_at": "เส้นทำนายทับเส้นจริง และตาราง yoy_check ว่าทายถูกทิศหรือไม่", "why": "เห็นกับตาว่าโมเดลพลาดตรงไหน น่าเชื่อถือกว่าตัวเลข MAPE ตัวเดียว"}, {"step": 6, "title": "พยากรณ์อนาคต และอ่านผลให้เป็น", "question": "เดือนหน้าเป็นอย่างไร และเชื่อได้แค่ไหน", "endpoint": "POST /api/forecast", "look_at": "explanation (ทำไมได้ผลแบบนี้) · ช่วงความเชื่อมั่น · total (ยอดรวมทั้งช่วง)", "why": "ตัวเลขเดียวไม่ช่วยตัดสินใจ ช่วง + เหตุผล + ข้อจำกัด คือสิ่งที่ช่วย"}, ] return jsonify({ "overview": overview, "dictionary": dictionary, "preview": preview, "checklist": checklist, "analysis_plan": plan, "summary_table": { "จำนวนเดือน": q["n_months"], "ช่วงเวลา": f"{q['start']} → {q['end']}", "จำนวนปี": len(years), f"ค่าเฉลี่ยต่อเดือน ({unit})": q["mean"], f"ค่ากลาง ({unit})": q["median"], f"ต่ำสุด ({unit})": q["min"], f"สูงสุด ({unit})": q["max"], "ความผันผวน (CV)": q["cv"], "เดือนที่ขาดหาย": len(full) - q["n_months"], "เดือนค่าสุดโต่ง": len(q["outliers"]), }, "data_quality": q, "warnings": warns + q["notes"], }) except Exception as e: return jsonify({"error": f"{type(e).__name__}: {e}"}), 500 # ══════════════════════════════════════════════════════════════════ # ส่วนที่ 7 · Dashboard ตามบทบาทผู้ใช้ # ══════════════════════════════════════════════════════════════════ # # แนวคิด (ตามหลัก Few, S. — Information Dashboard Design): # แดชบอร์ดหน้าเดียวเสิร์ฟทุกคนไม่ได้ ต้องถามก่อนว่า "ใครใช้ และเขาตัดสินใจอะไร" # # Strategic ผู้บริหารระดับสูง ภาพรวมทั้งองค์กร รอบเดือน–ไตรมาส # Operational หัวหน้างาน / ทีม สถานะงานรายวัน รอบวัน–สัปดาห์ # Analytical นักวิเคราะห์ข้อมูล เจาะลึกหาสาเหตุ ตามต้องการ # # ทั้งสามมองข้อมูลชุดเดียวกัน แต่ได้ตัวเลขคนละชุด และได้ข้อเสนอคนละแบบ ROLES = { "strategic": { "th": "เชิงกลยุทธ์", "en": "Strategic", "user": "ผู้บริหารระดับสูง (CEO / CFO / กรรมการ)", "sees": "ภาพรวมทั้งองค์กร ทิศทางระยะยาว", "cadence": "ทบทวนรอบเดือน – ไตรมาส", "question": "เรากำลังไปทางไหน ควรตั้งเป้าเท่าไหร่ และต้องเตรียมเงินสดแค่ไหน", }, "operational": { "th": "เชิงปฏิบัติการ", "en": "Operational", "user": "หัวหน้าฝ่ายขาย / หัวหน้าทีม", "sees": "สถานะล่าสุดเทียบกับที่ควรจะเป็น", "cadence": "ทบทวนรอบวัน – สัปดาห์", "question": "เดือนนี้ผิดปกติไหม ต้องเข้าไปแก้อะไรตอนนี้", }, "analytical": { "th": "เชิงวิเคราะห์", "en": "Analytical", "user": "นักวิเคราะห์ข้อมูล / ทีม Data", "sees": "เบื้องหลังตัวเลข — โมเดล ความผิดพลาด และเพดานของข้อมูล", "cadence": "ใช้ตามต้องการ ปรับ filter เองได้", "question": "ตัวเลขนี้เชื่อได้แค่ไหน และจะทำให้ดีขึ้นได้อย่างไร", }, } def _kpi(label, value, sub, tone="neutral", explain="", unit=""): return {"label": label, "value": value, "unit": unit, "sub": sub, "tone": tone, "explain": explain} def _forecast_core(rows, s, periods, level): """คำนวณพยากรณ์แบบเดียวกับ /api/forecast — ใช้ร่วมกันในแดชบอร์ด""" bt, bt_meta = _cached_backtest(rows, s, min(BACKTEST_HORIZON, max(1, periods))) leaderboard, bench = build_leaderboard(bt) if bt else ([], None) used = leaderboard[0]["model"] if leaderboard else ( "holtwinters" if len(s) >= SEASONAL_MIN else "linear") try: mean = MODELS[used](s, periods) if not np.all(np.isfinite(mean)): raise ValueError except Exception: used = "seasonal_naive" mean = MODELS[used](s, periods) errs = bt.get(used, {}).get("errors_by_h", {}) if bt else {} resid_std = float(np.std(np.diff(s.values))) if len(s) > 1 else float(np.std(s.values)) lower, upper, ci = empirical_intervals(mean, errs, level, resid_std) return {"bt": bt, "bt_meta": bt_meta, "leaderboard": leaderboard, "bench": bench, "used": used, "mean": mean, "lower": lower, "upper": upper, "ci": ci} def _coverage_from_bt(bt, model, level): """ตรวจว่าช่วงความเชื่อมั่นครอบคลุมความจริงกี่ % — คำนวณจากความผิดพลาดใน backtest""" if not bt or model not in bt: return None z = Z.get(int(level), Z[80]) hit = tot = 0 run = 0.0 for h in sorted(bt[model]["errors_by_h"]): e = np.asarray(bt[model]["errors_by_h"][h], dtype=float) e = e[np.isfinite(e)] if len(e) < 3: continue run = max(run, float(np.std(e, ddof=1))) hit += int(np.sum(np.abs(e) <= z * run)) tot += len(e) return None if not tot else round(100 * hit / tot, 1) @app.route("/api/dashboard", methods=["POST", "OPTIONS"]) def dashboard(): """แดชบอร์ดตามบทบาท — ข้อมูลชุดเดียวกัน แต่คนละมุมมองและคนละข้อเสนอ body: {data, role: "strategic"|"operational"|"analytical", periods, interval, drop_last_incomplete} """ if request.method == "OPTIONS": return ("", 204) try: body = request.get_json(force=True) or {} rows = body.get("data", []) role = str(body.get("role", "strategic")).lower() if role not in ROLES: return jsonify({"error": f"role ต้องเป็นหนึ่งใน {list(ROLES)}"}), 400 periods = max(1, min(24, int(body.get("periods", 6)))) level = int(body.get("interval", 80)) level = level if level in Z else 80 drop_last = bool(body.get("drop_last_incomplete", True)) if len(rows) < MIN_HISTORY: return jsonify({"error": f"ต้องการข้อมูลอย่างน้อย {MIN_HISTORY} เดือน"}), 400 s, warns = to_series(rows) used_rows = rows if drop_last and len(s) > MIN_HISTORY: warns.append(f"ตัดเดือนสุดท้าย ({s.index[-1].strftime('%Y-%m')}) ออกก่อนคำนวณ") s = s.iloc[:-1] used_rows = rows[:-1] q = data_quality(s) v = np.asarray(s.values, dtype=float) n = len(v) fc = _forecast_core(used_rows, s, periods, level) acc = fc["leaderboard"][0] if fc["leaderboard"] else None kpis, charts, alerts, solutions, limits = [], [], [], [], [] # ══════════════ STRATEGIC ══════════════ if role == "strategic": last12 = float(np.sum(v[-12:])) if n >= 12 else float(np.sum(v)) prev12 = float(np.sum(v[-24:-12])) if n >= 24 else None yoy = None if not prev12 else (last12 - prev12) / prev12 * 100 tot_fc = float(np.sum(fc["mean"])) sd_tot = float(fc["ci"]["sigma_by_horizon"][-1]) * np.sqrt(periods) worst = max(0.0, tot_fc - Z[level] * sd_tot) best = tot_fc + Z[level] * sd_tot agg_mape = (round(fc["bt"][fc["used"]]["metrics_aggregate"]["mape"], 1) if fc["bt"] and fc["used"] in fc["bt"] else None) kpis = [ _kpi("รายได้ 12 เดือนล่าสุด", round(last12, 2), "เทียบ 12 เดือนก่อนหน้า " + ("ไม่มีข้อมูลพอ" if yoy is None else f"{yoy:+.1f}%"), "good" if (yoy or 0) >= 0 else "bad", unit="บาท", explain="ยอดรวมจริงที่เก็บได้ ไม่ใช่ค่าพยากรณ์"), _kpi(f"คาดการณ์ {periods} เดือนข้างหน้า", round(tot_fc, 2), f"ช่วงที่เป็นไปได้ {worst:,.0f} – {best:,.0f} บาท", "neutral", unit="บาท", explain="ตัวเลขกลาง ไม่ใช่คำสัญญา — ให้ดูช่วงประกอบเสมอ"), _kpi("กรณีแย่ที่ควรวางแผนรองรับ", round(worst, 2), f"ขอบล่างของช่วง {level}%", "warn", unit="บาท", explain="ใช้ตัวเลขนี้วางแผนกระแสเงินสด ไม่ใช่ตัวเลขกลาง"), _kpi("ความคลาดเคลื่อนของยอดรวม", "ไม่ทราบ" if agg_mape is None else agg_mape, "วัดจากการทดสอบย้อนหลังจริง", "neutral", unit="%", explain="ยอดรวมทั้งช่วงแม่นกว่ารายเดือนเสมอ เพราะความผิดพลาดหักล้างกัน"), ] charts = [ {"block": "yoy_annual", "title": "ยอดรวมรายปีและอัตราเติบโต", "why": "เห็นทิศทางระยะยาวในภาพเดียว — ระวังปีที่ยังไม่ครบ 12 เดือน"}, {"block": "ytd", "title": "จังหวะสะสมของปีนี้เทียบปีก่อน", "why": "ตอบคำถาม \"ปีนี้เร็วกว่าหรือช้ากว่าปีที่แล้ว\" ได้ตรงที่สุด"}, {"block": "moving_average", "title": "แนวโน้มระยะยาว (เส้นเฉลี่ย 12 เดือน)", "why": "ตัดความแกว่งรายเดือนออก เหลือเฉพาะทิศทาง"}, ] if yoy is not None and yoy < 0: alerts.append({"level": "warn", "text": f"รายได้ 12 เดือนล่าสุดลดลง {abs(yoy):.1f}% จากช่วงเดียวกันปีก่อน", "action": "เปิดมุมมองเชิงปฏิบัติการเพื่อดูว่าเดือนไหนเป็นตัวฉุด"}) if agg_mape is not None and agg_mape > 20: alerts.append({"level": "warn", "text": f"ความคลาดเคลื่อนของยอดรวมอยู่ที่ {agg_mape}% — สูงเกินกว่าจะผูก KPI แบบตายตัว", "action": "ตั้งเป้าเป็นช่วง ไม่ใช่ตัวเลขเดียว"}) solutions = [ {"decision": "ตั้งเป้ายอดขาย", "do": f"ตั้งเป้าเป็นยอดรวม {periods} เดือน ไม่ใช่รายเดือน", "because": "พยากรณ์ยอดรวมคลาดเคลื่อนน้อยกว่ารายเดือนอย่างมีนัยสำคัญ", "owner": "ฝ่ายบริหาร + ฝ่ายขาย"}, {"decision": "วางแผนกระแสเงินสด", "do": f"ใช้ตัวเลขกรณีแย่ {worst:,.0f} บาท เป็นฐานการวางแผน", "because": "ถ้าวางแผนด้วยค่ากลาง มีโอกาสราวครึ่งหนึ่งที่เงินจะไม่พอ", "owner": "CFO"}, {"decision": "รอบการทบทวน", "do": "ทบทวนตัวเลขทุกเดือน และปรับเป้าทุกไตรมาส", "because": "พยากรณ์คือการประมาณ ณ เวลาหนึ่ง ไม่ใช่คำสัญญาที่ตายตัว", "owner": "ฝ่ายบริหาร"}, {"decision": "ลงทุนเพื่อให้พยากรณ์แม่นขึ้น", "do": "สั่งให้เริ่มเก็บ pipeline รายดีลพร้อมวันคาดปิดและมูลค่า", "because": "ความคลาดเคลื่อนที่เหลือมาจากข้อมูลที่ยังไม่ได้เก็บ ไม่ใช่จากโมเดล", "owner": "ฝ่ายบริหาร + IT"}, ] limits = ["บอกไม่ได้ว่าเดือนไหนจะสูงหรือต่ำ — ใช้ดูภาพรวมเท่านั้น", "ไม่รวมผลของดีลก้อนใหญ่ที่ยังไม่เกิด", "ไม่ใช่เครื่องมือติดตามงานรายวัน ให้ใช้มุมมองเชิงปฏิบัติการแทน"] # ══════════════ OPERATIONAL ══════════════ elif role == "operational": last = float(v[-1]) ly = float(v[-13]) if n >= 13 else None avg3 = float(np.mean(v[-4:-1])) if n >= 4 else None vs_ly = None if not ly else (last - ly) / ly * 100 vs_avg3 = None if not avg3 else (last - avg3) / avg3 * 100 below = int(np.sum(v[-12:] < np.mean(v[-12:]))) if n >= 12 else 0 nxt = float(fc["mean"][0]) nxt_lo, nxt_hi = float(fc["lower"][0]), float(fc["upper"][0]) kpis = [ _kpi(f"ยอดเดือนล่าสุด ({s.index[-1].strftime('%Y-%m')})", round(last, 2), "เทียบเดือนเดียวกันปีก่อน " + ("ไม่มีข้อมูล" if vs_ly is None else f"{vs_ly:+.1f}%"), "good" if (vs_ly or 0) >= 0 else "bad", unit="บาท", explain="เทียบกับเดือนเดียวกันปีก่อน ไม่ใช่เดือนก่อนหน้า เพราะตัดผลฤดูกาลออก"), _kpi("เทียบค่าเฉลี่ย 3 เดือนก่อนหน้า", "ไม่มีข้อมูล" if vs_avg3 is None else round(vs_avg3, 1), "" if avg3 is None else f"ค่าเฉลี่ย 3 เดือนก่อน {avg3:,.0f} บาท", "good" if (vs_avg3 or 0) >= 0 else "warn", unit="%", explain="บอกว่าโมเมนตัมระยะสั้นกำลังขึ้นหรือลง"), _kpi("คาดการณ์เดือนถัดไป", round(nxt, 2), f"ช่วงที่เป็นไปได้ {nxt_lo:,.0f} – {nxt_hi:,.0f} บาท", "neutral", unit="บาท", explain="ถ้ายอดจริงหลุดออกนอกช่วงนี้ ถือว่าผิดปกติ ต้องหาสาเหตุ"), _kpi("เดือนที่ต่ำกว่าค่าเฉลี่ย (12 เดือนล่าสุด)", below, f"จาก {min(12, n)} เดือน", "warn" if below >= 7 else "neutral", unit="เดือน", explain="ถ้าเกินครึ่ง แปลว่ายอดกระจุกอยู่ที่ไม่กี่เดือนใหญ่"), ] charts = [ {"block": "moving_average", "title": "ยอดรายเดือน 12–24 เดือนล่าสุด", "why": "เห็นจังหวะขึ้นลงระยะสั้นที่ต้องเข้าไปจัดการ"}, {"block": "growth", "title": "อัตราเติบโต MoM และ YoY", "why": "แท่งติดลบติดกันหลายเดือน = สัญญาณที่ต้องรีบดู"}, {"block": "month_profile", "title": "เดือนไหนแรงเดือนไหนอ่อนเป็นปกติ", "why": "ป้องกันการตกใจกับเดือนที่ปกติก็ต่ำอยู่แล้ว"}, ] if n >= 13 and vs_ly is not None and vs_ly < -20: alerts.append({"level": "critical", "text": f"เดือนล่าสุดต่ำกว่าเดือนเดียวกันปีก่อน {abs(vs_ly):.0f}%", "action": "ตรวจ pipeline ว่ามีดีลค้างที่ควรปิดแล้วยังไม่ปิดหรือไม่"}) for o in q["outliers"][-2:]: alerts.append({"level": "info", "text": f"{o['period']} เป็นเดือนที่ยอดสูงผิดปกติ ({o['value']:,.0f} บาท)", "action": "ตรวจว่าเป็นดีลก้อนใหญ่จริง แล้วอย่าใช้เดือนนั้นเป็นฐานตั้งเป้า"}) if any("เดือนล่าสุด" in x for x in q["notes"]): alerts.append({"level": "warn", "text": "เดือนล่าสุดมียอดต่ำผิดปกติ — น่าจะยังบันทึกข้อมูลไม่ครบ", "action": "ตรวจกับฝ่ายบัญชีว่าปิดยอดเดือนนั้นครบหรือยังก่อนสรุป"}) solutions = [ {"decision": "ติดตามรายเดือน", "do": f"ตั้งเกณฑ์เตือนที่ขอบล่างของช่วง คือ {nxt_lo:,.0f} บาท", "because": "ยอดที่ต่ำกว่านี้ถือว่าผิดปกติจริง ไม่ใช่แค่ความแกว่งตามธรรมชาติ", "owner": "หัวหน้าฝ่ายขาย"}, {"decision": "อ่านยอดที่ตกให้ถูก", "do": "เทียบกับเดือนเดียวกันปีก่อนเสมอ ไม่ใช่เทียบเดือนก่อนหน้า", "because": "การเทียบเดือนต่อเดือนทำให้ตกใจกับผลของฤดูกาลที่เป็นเรื่องปกติ", "owner": "หัวหน้าทีม"}, {"decision": "ตั้งเป้ารายทีม", "do": "กระจายเป้าตามน้ำหนักเดือนในกราฟโปรไฟล์รายเดือน ไม่ใช่หาร 12 เท่ากัน", "because": "แต่ละเดือนมีศักยภาพต่างกันโดยธรรมชาติของธุรกิจ", "owner": "หัวหน้าฝ่ายขาย"}, {"decision": "คุณภาพข้อมูล", "do": "ปิดยอดให้ครบก่อนวันสรุปทุกเดือน", "because": "เดือนที่บันทึกไม่ครบทำให้ทั้งรายงานและโมเดลอ่านผิด", "owner": "ฝ่ายบัญชี"}, ] limits = ["ไม่ได้บอกว่าดีลไหนกำลังจะปิด — ต้องดูจากระบบ CRM", "ไม่รู้เหตุผลเบื้องหลังตัวเลข บอกได้แค่ว่าผิดปกติหรือไม่", "ไม่เหมาะกับการรายงานผู้บริหาร ให้ใช้มุมมองเชิงกลยุทธ์แทน"] # ══════════════ ANALYTICAL ══════════════ else: st_trend = st_seas = resid_share = None try: from statsmodels.tsa.seasonal import STL r = STL(s, period=SEASONAL_PERIOD, robust=True).fit() def _stg(c): a, b = np.var(r.resid), np.var(r.resid + c) return round(float(max(0.0, 1 - a / b)), 3) if b > 0 else 0.0 st_trend, st_seas = _stg(r.trend), _stg(r.seasonal) resid_share = round(float(np.var(r.resid) / np.var(v)), 3) if np.var(v) else None except Exception: pass cov = _coverage_from_bt(fc["bt"], fc["used"], level) beats = sum(1 for x in fc["leaderboard"] if x["kind"] == "model" and x["beats_baseline"]) kpis = [ _kpi("ความคลาดเคลื่อนรายเดือน", None if not acc else acc["mape"], "" if not acc else f"โมเดล {acc['label']}", "neutral", unit="%", explain="วัดด้วย rolling-origin backtest ทุกค่าเป็น out-of-sample"), _kpi("skill เทียบ baseline", None if not acc else acc["skill_vs_baseline"], f"โมเดลที่ชนะ baseline {beats} ตัว", "good" if acc and (acc["skill_vs_baseline"] or 0) > 0 else "bad", explain="เป็นบวก = คุ้มที่จะใช้ · เป็นลบ = แพ้การเดาแบบง่าย"), _kpi("สัดส่วนที่อธิบายไม่ได้", None if resid_share is None else round(resid_share * 100, 1), f"ความแรงฤดูกาล {st_seas} · แนวโน้ม {st_trend}", "bad" if (resid_share or 0) > 0.5 else "neutral", unit="%", explain="นี่คือเพดานของงาน — เปลี่ยนโมเดลไม่ช่วย ต้องหาข้อมูลใหม่"), _kpi(f"ช่วง {level}% ครอบคลุมจริง", "ไม่ทราบ" if cov is None else cov, f"ตั้งใจไว้ {level}%", "good" if cov is not None and abs(cov - level) <= 10 else "warn", unit="%", explain="ต่ำกว่าที่ตั้งใจ = ช่วงแคบเกินจริง = มั่นใจเกินเหตุ"), ] charts = [ {"block": "leaderboard", "title": "ตารางอันดับโมเดลทั้งหมด", "why": "เทียบทุกโมเดลในสนามเดียวกัน พร้อม skill score", "endpoint": "POST /api/backtest"}, {"block": "hindcast", "title": "เส้นทำนายย้อนหลังทับเส้นจริง", "why": "เห็นกับตาว่าโมเดลพลาดช่วงไหน และพลาดไปทางไหน", "endpoint": "POST /api/hindcast"}, {"block": "decompose", "title": "แยก trend / seasonal / residual", "why": "หาว่าเพดานของข้อมูลอยู่ตรงไหน", "endpoint": "POST /api/decompose"}, {"block": "distribution", "title": "การกระจายของยอดรายเดือน", "why": "ดูว่าข้อมูลเบ้หรือมีหางยาว ซึ่งกระทบการเลือกมาตรวัด"}, ] if acc and (acc["skill_vs_baseline"] or 0) <= 0: alerts.append({"level": "critical", "text": "โมเดลที่ดีที่สุดยังไม่ชนะ baseline", "action": "อย่าเพิ่งนำไปใช้ — รายงานตามจริงว่ายังพยากรณ์ได้ไม่ดีกว่าการเดา"}) if resid_share is not None and resid_share > 0.5: alerts.append({"level": "warn", "text": f"ความผันผวน {resid_share*100:.0f}% อธิบายไม่ได้ด้วยแนวโน้มหรือฤดูกาล", "action": "หา feature ภายนอกเพิ่ม เช่น pipeline หรือฤดูกาลงบประมาณลูกค้า"}) if cov is not None and cov < level - 10: alerts.append({"level": "critical", "text": f"ช่วง {level}% ครอบคลุมจริงแค่ {cov}% — ช่วงแคบเกินจริง", "action": "ขยายช่วงหรือเพิ่มจุดทดสอบ ก่อนนำตัวเลขไปรายงาน"}) solutions = [ {"decision": "จะปรับปรุงโมเดลต่อไหม", "do": ("ลองเพิ่มตัวแปรภายนอกก่อน แล้วค่อยลองโมเดลที่ซับซ้อนขึ้น" if (resid_share or 0) > 0.5 else "ปรับพารามิเตอร์ของโมเดลที่ชนะอยู่"), "because": "สัดส่วนที่อธิบายไม่ได้สูง แปลว่าเพดานอยู่ที่ข้อมูล ไม่ใช่ที่โมเดล", "owner": "ทีม Data"}, {"decision": "หน่วยเวลาที่ควรรายงาน", "do": "รายงานเป็นยอดรวมไตรมาส และแนบช่วงความเชื่อมั่นทุกครั้ง", "because": "ความผิดพลาดรายเดือนหักล้างกันเมื่อรวมยอด", "owner": "ทีม Data"}, {"decision": "ตรวจสอบก่อนส่งมอบ", "do": "รัน coverage test ทุกครั้งที่เปลี่ยนโมเดลหรือข้อมูล", "because": "ช่วงที่ครอบคลุมต่ำกว่าที่ตั้งใจ อันตรายกว่าการไม่มีช่วงเลย", "owner": "ทีม Data"}, {"decision": "สื่อสารกับผู้บริหาร", "do": "ส่งมุมมองเชิงกลยุทธ์ให้ผู้บริหาร ไม่ใช่หน้านี้", "because": "ตัวเลข MAPE และ skill score ไม่ใช่ภาษาที่ใช้ตัดสินใจเชิงธุรกิจ", "owner": "ทีม Data"}, ] limits = ["ไม่ใช่หน้าจอสำหรับตัดสินใจธุรกิจโดยตรง", "ตัวเลขทุกตัวขึ้นกับจำนวนจุดทดสอบ — เปลี่ยนจำนวนจุด ตัวเลขเปลี่ยน", "ไม่ได้ตรวจว่าข้อมูลต้นทางถูกบันทึกถูกต้องหรือไม่"] order = ["strategic", "operational", "analytical"] return jsonify({ "role": role, "role_info": ROLES[role], "kpis": kpis, "charts": charts, "alerts": alerts, "solutions": solutions, "limits": limits, "other_roles": [{"role": r, "th": ROLES[r]["th"], "user": ROLES[r]["user"], "question": ROLES[r]["question"]} for r in order if r != role], "shared": { "model_used": fc["used"], "model_used_th": MODEL_INFO.get(fc["used"], {}).get("th", fc["used"]), "periods": periods, "interval_level": level, "history_range": f"{q['start']} → {q['end']}", "n_months": n, "forecast": [ {"period": p, "predicted": round(float(m), 2), "lower": round(float(lo), 2), "upper": round(float(hi), 2)} for p, m, lo, hi in zip(next_periods(s.index[-1], periods), fc["mean"], fc["lower"], fc["upper"]) ], }, "note": ("ทั้งสามมุมมองใช้ข้อมูลและโมเดลชุดเดียวกัน — ต่างกันที่ " "เลือกแสดงตัวเลขคนละชุด และเสนอการตัดสินใจคนละแบบ ตามสิ่งที่ผู้ใช้บทบาทนั้นทำได้จริง"), "warnings": warns + q["notes"], }) except Exception as e: return jsonify({"error": f"{type(e).__name__}: {e}"}), 500 @app.route("/api/sample.xlsx") def sample_xlsx(): """ดาวน์โหลดข้อมูลตัวอย่างเป็นไฟล์ Excel พร้อมพจนานุกรมคอลัมน์และวิธีใช้""" try: from openpyxl import Workbook from openpyxl.styles import Alignment, Font, PatternFill from openpyxl.utils import get_column_letter path = os.path.join(os.path.dirname(os.path.abspath(__file__)), "sample_ent.json") with open(path, encoding="utf-8") as f: src = json.load(f) data, extra = src["data"], {e["date"]: e for e in src.get("extra", [])} wb = Workbook() HEAD = PatternFill("solid", fgColor="1E2761") HF_ = Font(color="FFFFFF", bold=True, size=11) def style_header(ws, ncol): for c in range(1, ncol + 1): cell = ws.cell(row=1, column=c) cell.fill, cell.font = HEAD, HF_ cell.alignment = Alignment(horizontal="center", vertical="center") ws.freeze_panes = "A2" # แผ่นที่ 1 — ข้อมูลรายเดือน ws = wb.active ws.title = "ข้อมูลรายเดือน" ws.append(["date", "sales", "qt_count", "qt_value", "win_rate"]) for r in data: e = extra.get(r["date"], {}) ws.append([r["date"], r["sales"], e.get("qt_count"), e.get("qt_value"), e.get("win_rate")]) style_header(ws, 5) for col, w in zip("ABCDE", [12, 16, 12, 16, 12]): ws.column_dimensions[col].width = w for row in ws.iter_rows(min_row=2, min_col=2, max_col=2): for c in row: c.number_format = "#,##0.00" for row in ws.iter_rows(min_row=2, min_col=4, max_col=4): for c in row: c.number_format = "#,##0.00" for row in ws.iter_rows(min_row=2, min_col=5, max_col=5): for c in row: c.number_format = "0.0%" # แผ่นที่ 2 — พจนานุกรมคอลัมน์ ws2 = wb.create_sheet("พจนานุกรมคอลัมน์") ws2.append(["คอลัมน์", "ชื่อไทย", "ชนิดข้อมูล", "ตัวอย่าง", "ความหมาย"]) for row in [ ["date", "เดือน", "ข้อความ YYYY-MM", data[0]["date"], "เดือนที่ข้อมูลเกิดขึ้น หนึ่งแถวคือหนึ่งเดือน"], ["sales", "รายได้ปิดจริง (บาท)", "ตัวเลข", f"{data[0]['sales']:,.2f}", "ยอดรวมจากใบเสร็จทั้งเดือน — คอลัมน์หลักที่ใช้พยากรณ์"], ["qt_count", "จำนวนใบเสนอราคา", "ตัวเลข", "38", "จำนวนใบเสนอราคาที่ออกในเดือนนั้น (ต้นกรวยการขาย)"], ["qt_value", "มูลค่าใบเสนอราคา (บาท)", "ตัวเลข", "2,500,000.00", "มูลค่ารวมของใบเสนอราคาในเดือนนั้น"], ["win_rate", "อัตราชนะดีล", "ตัวเลข 0–1", "0.65", "สัดส่วนใบเสนอราคาที่ปิดได้ในเดือนนั้น"], ]: ws2.append(row) style_header(ws2, 5) for col, w in zip("ABCDE", [16, 26, 20, 22, 62]): ws2.column_dimensions[col].width = w for r in ws2.iter_rows(min_row=2): r[4].alignment = Alignment(wrap_text=True, vertical="top") # แผ่นที่ 3 — วิธีใช้และแผนการวิเคราะห์ ws3 = wb.create_sheet("วิธีใช้") ws3.append(["หัวข้อ", "รายละเอียด"]) for row in [ ["ชุดข้อมูลนี้คืออะไร", "ยอดขายรายเดือนของบริษัทตัวอย่าง (เรียกว่า บริษัท ABC) จากข้อมูลจริงที่ปกปิดชื่อแล้ว"], ["ช่วงเวลา", f"{data[0]['date']} ถึง {data[-1]['date']} รวม {len(data)} เดือน"], ["หนึ่งแถวคืออะไร", "หนึ่งเดือน ไม่ใช่หนึ่งรายการขาย — รายการทั้งหมดในเดือนนั้นถูกบวกรวมแล้ว"], ["ข้อควรระวังข้อแรก", "เดือนสุดท้ายมักยังบันทึกข้อมูลไม่ครบ ทำให้ดูเหมือนยอดตก ต้องตัดออกก่อนฝึกโมเดล"], ["ข้อควรระวังข้อสอง", "ข้อมูลผันผวนสูง (CV ประมาณ 0.40) ความผิดพลาดระดับหลายสิบเปอร์เซ็นต์เป็นเรื่องปกติ"], ["ขั้นที่ 1", "ทำความรู้จักข้อมูล — ตรวจว่าเดือนครบไหม มีค่าสุดโต่งไหม (POST /api/describe)"], ["ขั้นที่ 2", "ดูภาพรวมด้วยกราฟ — ยอดรายปี เทียบเดือนข้ามปี ตารางความร้อน (POST /api/charts)"], ["ขั้นที่ 3", "ตรวจว่าพยากรณ์ได้แค่ไหน — แนวโน้มและฤดูกาลมีจริงไหม (POST /api/decompose)"], ["ขั้นที่ 4", "เทียบโมเดลกับวิธีเดาแบบง่าย — ดูคอลัมน์ skill ต้องเป็นบวก (POST /api/backtest)"], ["ขั้นที่ 5", "ทำนายย้อนกลับดูของจริง — เส้นทำนายทับเส้นจริง (POST /api/hindcast)"], ["ขั้นที่ 6", "พยากรณ์อนาคตและอ่านผลให้เป็น — ดูช่วงและเหตุผลประกอบ (POST /api/forecast)"], ["แดชบอร์ดตามบทบาท", "POST /api/dashboard พร้อม role = strategic / operational / analytical"], ["หมายเหตุความเป็นส่วนตัว", "ไฟล์นี้เป็นยอดรวมรายเดือน ไม่มีชื่อลูกค้า เลขผู้เสียภาษี หรือชื่อพนักงานขาย"], ]: ws3.append(row) style_header(ws3, 2) ws3.column_dimensions["A"].width = 30 ws3.column_dimensions["B"].width = 100 for r in ws3.iter_rows(min_row=2): r[1].alignment = Alignment(wrap_text=True, vertical="top") buf = io.BytesIO() wb.save(buf) buf.seek(0) from flask import send_file return send_file(buf, mimetype="application/vnd.openxmlformats-officedocument.spreadsheetml.sheet", as_attachment=True, download_name="sample_ABC_90months.xlsx") except ImportError: return jsonify({"error": "ต้องติดตั้ง openpyxl ก่อน — เพิ่ม openpyxl ลงใน requirements.txt"}), 500 except Exception as e: return jsonify({"error": f"{type(e).__name__}: {e}"}), 500 if __name__ == "__main__": app.run(host="0.0.0.0", port=int(os.environ.get("PORT", 7860)))