At opnå succes i det komplekse og konkurrenceprægede moderne erhvervsmiljø kræver en fremadskuende strategi. Ved at trække på tidligere resultater, markedsundersøgelser og aktuelle tendenser kan datadrevne økonomiske prognosemodeller hjælpe virksomheder med at opnå en konkurrencemæssig fordel.
Der findes mange forskellige prognosemodeller at vælge imellem og endnu flere softwareløsninger, der kan hjælpe med at implementere dem. I denne guide gennemgår jeg nogle nyttige prognosemodeller – og forklarer, hvordan du kan bruge dem til at opnå en fordel i din branche.
Hvad er en prognosemodel?
Prognosemodeller er værktøjer, der bruges til at forudsige fremtidige resultater baseret på historiske og aktuelle data. I erhvervs- og finansverdenen henviser begrebet prognose næsten altid til økonomiske prognoser.
En prognosemodel anvender en statistisk metode eller formler og antagelser til at forudsige fremtidige resultater, herunder omsætning, kundeefterspørgsel og frafaldsprocenter.
Mere specifikt bruges disse modeller til at fastslå, hvordan ændringer i bestemte variabler og parametre sandsynligvis vil påvirke resultaterne (i modsætning til budgetter, som hjælper dig med at fordele dit cash flow). En restaurantkæde kan for eksempel anvende en model til at fastslå, hvordan ændringer i en butiks åbningstider eller sæsonmønstre vil påvirke salgsomsætningen.
Der findes alle mulige prognosemodeller (som gennemgås udførligt nedenfor), men de har alle det samme mål: at bruge historiske data, antagelser og aktuelle tendenser til at forudsige fremtidige resultater.
Disse værktøjer kan anvendes på et ubegrænset antal mulige scenarier og er afgørende for økonomi-, marketing- og ledelsesteams. I resten af denne guide ser jeg bort fra de øvrige områder og fokuserer specifikt på økonomiske prognosemodeller.
Prognosemetoder
Det er meget vigtigt at vælge den rigtige type modelleringsteknik (og den specifikke prognosemodel). Før du kan vælge, har du dog brug for nogle grundlæggende oplysninger om disse modeller og om, hvordan de fungerer.
Der findes to overordnede kategorier af prognosemodeller: kvantitative og kvalitative.
Kvalitative prognosemetoder
Kvalitativ prognosticering er baseret på ekspertudtalelser og vurderinger. Den er:
- Subjektiv af natur
- Ikke baseret på tidligere data eller tendenser
- Bruges til at analysere ikke-numeriske data
Kvalitative metoder anvendes, når fokus for analysen ikke kan måles eller tælles. Hvis en virksomhed for eksempel ønsker at forstå de motiver og overbevisninger, der driver forbrugeradfærd og påvirker deres købsbeslutninger, kan ingen kvantitative data afsløre disse forhold. Kvalitativ prognosticering bygger på individuelle meninger, research og undersøgelser.
Kvantitative prognosemetoder
Kvantitativ prognosticering bruger numeriske mønstre i historiske data til at forudsige fremtidige resultater. Kvantitative modeller:
- Er mere objektive af natur
- Er baseret på historiske data (f.eks. salgsomsætning, antal medarbejdere osv.)
- Analyserer numeriske data
Inden for den kvantitative kategori findes der yderligere to underkategorier:
Tidsserier
Tidsseriemodeller fokuserer på mønstre og deres variationer og er baseret på historiske data.
En virksomhed, der for eksempel forbereder sig på at starte aktiviteter i et nyt land, kan bruge data fra sin tidligere lancering (herunder salgsdata, udvikling i arbejdsstyrken osv.) til at udarbejde et budget for den nye lancering.
Associative/kausale
Associative modeller, også kendt som kausale modeller, er mere avancerede og fokuserer på flere informationslinjer med meget detaljerede og specifikke oplysninger. De anvender tidligere data og er særligt gode til at tage data, der tilsyneladende ikke hænger sammen, og relatere dem til prognosens tilsigtede formål.
De kan også bruges til at skabe sammenhænge mellem en virksomheds finansielle nøgletal og eksterne variabler. En producent af husholdningsapparater kan f.eks. opbygge en model, der forudsiger salget af husholdningsapparater baseret på antallet af nye byggetilladelser i et bestemt område.
Nedenfor gennemgår jeg det grundlæggende i nogle af de mest almindelige prognosemodeller, som virksomheder bruger i dag.
Have an account? Log In
Almindelige kvantitative prognosemodeller
Kvantitative prognosemodeller baserer sig på tidligere data for at lave forudsigelser om fremtiden.
En detailhandler kan f.eks. se på salgsdata fra Q4 i de seneste tre år for at forudsige salgsvolumen i højsæsonen for julehandlen.
Hvis du ikke har interne data (f.eks. hvis du er en helt ny detailhandler), kan du stadig potentielt anvende kvantitativ prognoseudarbejdelse – du skal blot have adgang til sammenlignelige data fra din branche.
Inden for kvantitativ prognoseudarbejdelse findes der flere populære modeller, som kan bruges – dem forklarer jeg nedenfor.
Tidsserier
Tidsseriemodeller bruges, når der er data til rådighed for flere år. De er mest nyttige, når relationerne mellem datapunkter (f.eks. gennemsnitspris og salgsvolumen) er relativt stabile, og tendenserne er lette at identificere.
En virksomhed kan f.eks. vælge at anvende tidsseriemodeller til at fremskrive væksten i en eksisterende produktlinje.
Lad os sige, at den pågældende produktlinje blev lanceret for fire år siden og har oplevet stabil vækst lige siden. Virksomheden kan tage disse data og derefter anvende en tidsseriemodel til at forudsige, hvor salgsvolumen kan befinde sig næste år (eller flere år ude i fremtiden).
Lige linje
Modellering med en lige linje er en enkel teknik, der giver estimater for fremtidige indtægter eller andre finansielle nøgletal ved at tage højde for tidligere tal og antage, at disse tendenser fortsætter.
Hvis en virksomhed f.eks. har oplevet en årlig salgsvækst på 3.6% gennem de seneste fire år og forventer, at de nuværende tendenser fortsætter, kan den anvende en model med en lige linje til at forudsige, hvor store salgsindtægter virksomheden sandsynligvis vil generere i fremtiden.
Som navnet antyder, antager modellen med en lige linje en konstant og forudsigelig ændring. Den er enkel, men kan stadig være et godt udgangspunkt for at udarbejde prognoser for en række finansielle nøgletal og scenarier.
Hvad er forskellen mellem tidsserieprognoser og prognoser med en lige linje?
Tidsseriemodeller anvendes typisk til at forstå trendcyklusser, cykliske udsving og sæsonudsving, mens prognoser med en lige linje typisk bruges til at forudsige stabil vækst (eller tilbagegang).
Forestil dig tidsserieprognoser som en selvstændig cirkel eller spiral; tænk på en prognose med en lige linje som, ja, en lige linje!
Glidende gennemsnit
Modellen med glidende gennemsnit minder til en vis grad om modellen med en lige linje, der er beskrevet ovenfor, men den arbejder med mindre datasæt og fokuserer på korte til mellemlange tidsperioder.
Virksomheder kan f.eks. bruge prognosemodeller med glidende gennemsnit til at forudsige efterspørgslen i julehandlen. Virksomheden kan derefter se på salgstallene baseret på glidende gennemsnit fra Q4 i henholdsvis 2019, 2020, 2021 og 2022.
De kan anvende en simpel formel for at nå frem til det glidende gennemsnit:
(A1 + A2 + A3 + A4) / N
hvor
A = Gennemsnit for en bestemt periode
og
N = Det samlede antal perioder
Virksomheden kan derefter bruge dette glidende gennemsnit til at udarbejde en prognose for årets forventede salgstal i julehandlen.
Denne formel kræver et godt datasæt at arbejde med; i eksemplet ovenfor anvendes der data fra fire år. Men afgørende er det, at den ser bort fra salgsdata uden for Q4, som i høj grad er irrelevante, når man specifikt udarbejder prognoser for salget i julehandlen.
Eksponentiel udjævning
Modeller med eksponentiel udjævning minder om modeller med glidende gennemsnit, men de anvender en vægtningsmetode, der giver nyere data større vægt.
Overvej f.eks. det samme eksempel som ovenfor. Virksomheden har historiske salgsdata for julehandlen fra fire år – men den har oplevet konstant vækst i denne periode.
Derfor er dataene fra de ældre år mindre relevante end de nye data fra de seneste to år.
Modeller med eksponentiel udjævning tildeler nyere data en højere vægt. Det er nyttigt, fordi det hjælper virksomheder med at tilpasse deres prognoser, så de afspejler nyere datatendenser.
Selvom det kan være fristende at bruge ældre data, hvis de viser et mere positivt billede (værdiansættelser fra 2021 sammenlignet med værdiansættelser fra 2022, for eksempel?), er det afgørende, at du bruger de mest relevante data for at få en god idé om, hvad der venter.
Trendfremskrivning
Trendfremskrivning tilpasser en tendenslinje til en matematisk ligning og bruger derefter ligningen til at fremskrive denne tendenslinje ind i fremtiden.
En trendfremskrivningsmodel ser på tidligere data – såsom salgstal fra weekender, hverdage eller bestemte årstider – for eksempel for at lave forudsigelser om den fremtidige efterspørgsel på disse tidspunkter.
Den kan anvendes på en lignende måde som lineær modellering, afhængigt af de datasæt, du arbejder med. Der findes flere underkategorier inden for trendfremskrivninger, herunder logaritmer, polynomier og hældningskarakteristikmetoden.
Associative modeller
Associative modeller, også kaldet kausale modeller, forbinder en bestemt forretningsmåling (såsom omsætning) med en separat uafhængig variabel (såsom befolkningsvækst i en by).
Kausale modeller er nyttige til at forbinde forventninger til fremtidige forretningsaktiviteter med særskilte variabler både inden for og uden for virksomheden.
En foodtruck-ejer kan for eksempel bruge en model til at forudsige efterspørgslen på en sommerfestival baseret på den forventede vejrudsigt for weekenden. Alternativt kan et ejendomsudviklingsselskab bruge kausal modellering til at forudsige den fremtidige efterspørgsel efter nybyggede boliger i et lokalområde baseret på den forventede befolkningsvækst i området.
Associative modeller kan også bruges til at forudsige en bestemt variabel baseret på dens forbindelse til andre relaterede variabler. En virksomhed kan for eksempel bruge kausal modellering til at forudsige den estimerede fortjenstmargen, der ville følge af øgede annonceudgifter.
Per definition er associative modeller mere komplekse end tidsseriemodeller.
Associative modeller kan bruges til at inddrage eksterne data og forsøge at etablere en sammenhæng mellem en relativt standardiseret forretningsmåling (f.eks. omsætning) og en måling, som mange virksomheder måske ikke engang overvejer (f.eks. en bys typiske årlige husstandsindkomst).
Selvom de er mere komplekse, kan kausale modeller være yderst nyttige til at udarbejde mere præcise prognoser – og holde sig foran konkurrenterne.
Simpel lineær regression
Simpel lineær regression hjælper virksomheder med at undersøge, hvordan en afhængig variabel (såsom salgsomsætning) korrelerer med en uafhængig variabel (såsom penge brugt på annoncering).
Eller med eksemplet med eksterne data kan simpel lineær regression også bruges til at fastslå, hvordan en afhængig variabel (såsom salgsomsætning pr. lokation) korrelerer med en uafhængig variabel (såsom husstandsindkomst i et bestemt amt).
Simpel lineær regression kan visualiseres ved at tegne en linjegraf med én måling på Y-aksen og en anden på X-aksen. Men som navnet antyder, skal du holde det simpelt; disse modeller kan kun understøtte sammenligninger mellem to variabler.
Multipel lineær regression
Som du måske har gættet, bygger multipel lineær regression videre på simpel lineær regression ved at tilføje flere forretningsvariabler til ligningen.
Der er stadig én afhængig variabel (f.eks. salgsomsætning), men der kan være flere uafhængige variabler, som kan stamme fra interne, eksterne eller begge typer datakilder.
Multipel lineær regression er kompleks og kræver typisk software til statistisk analyse for at kunne gennemføres. De anvendte data (antallet af dataelementer, den analyserede tidsperiode og de beslutninger, der blev truffet under datarensningsfasen) er også vigtige for nøjagtigheden af den resulterende regressionsformel.
Brug af prognoser baseret på lineær regression kræver, at du ser kritisk på resultaterne for at overveje variabler, der ikke er opfanget af de data, der blev brugt i regressionen, og om disse manglende variabler vil få modellen til at over- eller undervurdere påvirkningen fra en uafhængig variabel.
Author's Tip
Det er værd at bemærke, at både simple og multiple lineære regressionsmodeller antager, at fortiden kan hjælpe med at forudsige fremtiden. Selvom dette kan være nyttigt for eksempelvis virksomheder, der ønsker at forudsige fremtidige indtægter (forudsat kontinuerlig vækst), ville det ikke være en god måde at forudsige effektiviteten af fremtidige ansættelser på baggrund af tidligere ansattes resultater.
Almindelige kvalitative prognosemodeller
Kvalitative prognosemodeller anvender subjektive, kvalitative data. De bruges ofte i situationer, hvor kvantitative data ikke er tilgængelige.
For eksempel kan en kvalitativ model afhænge af input fra en ekspert eller resultaterne af en undersøgelse blandt potentielle kunder.
Kvalitativ prognosticering er mere subjektiv af natur, men den er stadig ganske nyttig – især i situationer, hvor der ikke er solide data at trække på. PS: Jeg synes stadig, det er mærkeligt, at "data" er flertal.
Nå.
Alle kvalitative prognosemodeller kræver en eller anden form for dataindsamling (ekspertinterviews, paneler, undersøgelser osv.), men de adskiller sig i måden, dataene indsamles på, og derefter bruges til at informere prognoserne. Disse er typisk mindre nyttige til økonomiske prognoser, da man grundlæggende kaster spaghetti mod væggen med dem alle; nogle er bare mere præcise end andre.
Delphi-metoden
Har du nogensinde hørt om Oraklet i Delfi? Hele hendes job var at komme med forudsigelser om fremtiden – ikke så forskelligt fra en CFO... vel?
Ja, du må gerne begynde at omtale dig selv som din virksomheds orakel. Nej, du må ikke sige, at jeg gav dig lov.
Delphi-metoden bygger på ekspertudtalelser og bruger typisk en lille gruppe fageksperter. For eksempel kan en privat uddannelsesvirksomhed rådføre sig med en gruppe professorer for at indsamle data om studerendes vaner.
I Delphi-metoden interviewes eksperter for at indsamle data. Det er afgørende, at hver ekspert interviewes uafhængigt, hvorefter dataene aggregeres. Det hjælper med at forhindre gruppebias og giver fuld ytringsfrihed.
Delphi-metoden bruger “runder” af dataindsamling. Den første runde er individuel, mens de senere runder er fælles. Hver eksperts svar deles med den større gruppe, hvilket åbner for diskussion. Eksperterne kan frit ændre deres meninger eller estimater i de senere runder.
Da Delphi-metoden normalt bruger små grupper af eksperter, er det vigtigt at vælge de rigtige personer at interviewe, eftersom dataene kun er lige så gode som eksperternes viden.
Markedsundersøgelse
Du har helt sikkert aldrig hørt om denne før – hey, jeg kan se, at du ruller med øjnene!
Markedsundersøgelser er en meget almindelig prognosemetode, som virksomheder bruger til at indsamle potentielle kunders meninger. For eksempel kan en fødevareproducent, der lancerer et nyt kaloriefattigt ismærke, spørge kunderne om deres mål for vægttab og kostvaner via en onlineundersøgelse.
Markedsundersøgelser er normalt et spørgsmål om tal, så jo flere svar du kan indhente fra offentligheden, desto bedre.
Markedsundersøgelser kan gennemføres via telefon, e-mail, sms, personlige interviews og meget mere. De gennemføres ofte med hjælp fra markedsanalysevirksomheder, som står for interviewene og dataindsamlingen.
Panelkonsensus
Panelkonsensus benytter en fokusgruppe, der bygger på ekspert- og medarbejderudtalelser. Den gennemføres ofte med et panel af medarbejdere fra alle niveauer i virksomheden frem for udelukkende ledere.
Det særlige ved denne metode er, at den kombinerer – og tillægger lige stor vægt til – meningerne fra både egentlige eksperter og “semi-eksperter”. For eksempel kan et team, der forsøger at forudsige sæsonbestemt efterspørgsel efter en bestemt drik med en særlig smag, inkludere medarbejdere fra salg, marketing eller endda butiksgulvet.
Som navnet antyder, skal panelet nå frem til et konsensusestimat. Gruppen kan dele meninger og debattere, men skal i sidste ende nå til enighed.
Visionær prognose
Visionær prognosticering bygger på indsigter og meninger fra én enkelt person – jeg syntes, det var interessant, at dette ikke blev kaldt Delphi-metoden, når hun nu kun er én person... men på den anden side havde hun gudernes hjælp (og ingen spurgte mig).
Den pågældende visionære kan være dig, et andet medlem af din ledelse, en ekstern konsulent eller en brancheekspert.
Da denne prognosemodel bygger på én enkelt visionær person, er den tilbøjelig til bekræftelsesbias og bruges bedst sammen med andre metoder.
Sammensat prognose fra salgsstyrken
Sammensatte prognoser fra salgsstyrken fokuserer på at indsamle kvalitative data fra salgspersonalet. De bygger typisk på meninger fra flere teammedlemmer – helst personer, der arbejder med den type salg, som er relateret til det pågældende produkt.
Hvis en bilproducent for eksempel overvejede en ny model, kunne de gennemføre en undersøgelse blandt deres salgspersonale for at indsamle oplysninger om kundernes holdninger, behov, almindelige spørgsmål, budgetter osv.
Idéen her er, at salgsrepræsentanter har praktisk erfaring med at interagere med kunder (og ved, hvad der virkelig driver salget) og derfor har mere værdifuld indsigt i kundernes adfærd og ønsker i den virkelige verden.
Sammensat modellering baseret på salgsstyrken kan også være nyttig til at identificere regionale og lokale tendenser.
Selvom listen ovenfor ikke er udtømmende, dækker den mange af de mest almindeligt anvendte prognosemodeller. Når det er sagt, er nogle bestemt mere populære end andre.
Hvad er de mest almindelige prognosemodeller?
Overordnet set anvendes tidsseriemodellering (nemlig modeller med lige linjer og glidende gennemsnit) oftest.
Det skyldes delvist, at tidsseriemodeller muliggør mere objektiv prognosticering baseret på historiske data. De er ikke afhængige af ekspertudtalelser eller kundefeedback, som kan være omskiftelig og tilbøjelig til bias. I stedet bruger de konkrete data til at konstruere pålidelige modeller for fremtidige præstationsmålinger.
Disse modeller er også populære, fordi de er relativt enkle at bruge og ofte ikke kræver specialiseret software. Noget software, som du måske allerede bruger, f.eks. dit ERP-system, har sandsynligvis disse statistiske modelleringsfunktioner indbygget. Modellering med lige linjer kan endda udføres manuelt i Excel med relativ lethed.
Associativ (kausal) modellering anvendes også ofte, men den er lidt mere kompliceret og kræver ofte software eller et vist uddannelsesniveau. Den er særligt nyttig, når man forsøger at følge relationer mellem meget forskellige variabler, uanset om der blot er tale om én uafhængig variabel (simpel lineær regression) eller flere (multipel lineær regression).
Hvad angår kvalitative prognosemodeller, er markedsundersøgelser typisk de mest almindelige. Mange virksomheder gennemfører undersøgelser og indsamler feedback fra kunder og bruger disse data til at informere strategiske beslutninger fremadrettet. Andre vælger at indgå kontrakt med eksterne markedsundersøgelsesfirmaer for at gennemføre mere omfattende kundeundersøgelser.
More Articles
Hvorfor er prognosticering vigtig?
Som jeg antydede helt i begyndelsen af denne artikel, er prognosticering nøglen til at forhindre, at du:
- Mister investorer og derefter
- Bliver fyret
Jeg laver bare sjov. Lidt.
Prognosticering er vigtig, fordi den giver virksomheder mulighed for at planlægge fremtiden. Hele idéen med prognosticering er at indsamle oplysninger fra forskellige kilder og derefter bruge disse oplysninger til at træffe bedre beslutninger.
En virksomhed, der leverer specialvarer til detailhandlere, kan for eksempel bruge en prognosemodel til at forudsige efterspørgslen i den travle julehandelsperiode. Modelleringsarbejdet kan give et bedre grundlag for estimater af efterspørgslen, hvilket kan gøre det muligt for virksomheden at øge og opbygge lagerbeholdningen, så den kan imødekomme sæsonens efterspørgsel.
Eller en virksomhed kan vælge at bruge en prognosemodel til at analysere den økonomiske indvirkning af forskellige prisniveauer eller salgsstrategier, der overvejes i forbindelse med lanceringen af et kommende produkt. Den kan kombinere dette arbejde med prognoser for sæsonbestemt efterspørgsel for ikke kun at finde den bedste salgsstrategi, men også det ideelle tidspunkt til at lancere sæsonbaserede salgskampagner og tilbud.
Uanset hvilken måling der undersøges, er idéen bag prognosticering i sidste ende at få et indblik i fremtidige tendenser eller økonomiske målinger for at forberede sig på det, der venter forude.
Sådan bruger du prognosemodeller
Hver prognosemodel anvendes på en forskellig måde. Den generelle strategi er dog som følger:
- Vær klar over dit formål. Er målet at afgøre, hvornår du skal rejse din næste finansieringsrunde? Så fokuser på at prognosticere pengestrømmen, og lav konservative antagelser.
- Vælg den rette model. Jeg har gennemgået specifikke anvendelsesområder for de økonomiske prognosemodeller, der er nævnt ovenfor. I sidste ende vil mange virksomheder vælge at bruge flere modeller – men det er en hjælp at begrænse valget til én eller to til at begynde med.
- Indsaml data. Kvantitative modeller bruger historiske data (normalt virksomhedens økonomiske oplysninger), mens kvalitative modeller bruger subjektive data indsamlet fra kunder eller eksperter i branchen.
- Konstruer modellen. Denne proces varierer betydeligt afhængigt af den specifikke model, der anvendes. Mange modeller kan opsættes i Excel eller lignende udbredte værktøjer. Andre kan kræve specialiseret statistisk software eller prognosesoftware.
- Fastslå dit konfidensniveau. Konfidensintervaller bruges til at udtrykke graden af usikkerhed, der er forbundet med en prognose. De mest almindeligt anvendte konfidensintervaller er 90 %, 95 % og 99 %. Jo højere konfidensniveauet er, desto mere pålidelig er prognosen. Som man kunne forvente, har objektive data en tendens til at give et højere konfidensniveau.
- Anvend modellen. Anvend derefter modellen ved hjælp af den anbefalede fremgangsmåde for den pågældende model, og brug de mest relevante data, du kan samle.
- Analysér resultaterne. Tag de resultater, du finder, og sammenlign dem med andre estimater eller prognoser, du måske allerede har. Du kan også vælge at køre andre modeller med de samme data for at identificere forskelle.
Nogle prognosemodeller kræver træning på ekspertniveau i statistik eller økonomiske prognoser, mens andre er meget enklere at anvende. I sidste ende afhænger kompleksiteten og udfordringerne ved prognosticering af den valgte model samt mængden & kvaliteten af de data, du arbejder med.
Hvilken software bruges til prognosticering?
Der findes mange forskellige typer software, der kan bruges til prognosticering, lige fra grundlæggende regneark til maskinlærings- og AI-drevne værktøjer.
Selvom mange økonomiske modeller kan køres i Microsoft Excel eller Google Sheets, kræver mange ERP-software, EPM-software eller anden specialiseret software.
Før du går ud og køber ny software, bør du undersøge funktionssættet i dine eksisterende værktøjer. Noget software til lagerstyring har funktioner til efterspørgselsprognoser og andre værktøjer, der kan hjælpe med at planlægge lagerniveauer. Og din løntjeneste tilbyder muligvis funktioner til prognosticering af arbejdsstyrken.
Ved kvalitativ prognosticering er der ikke så mange softwaremuligheder, der er værd at overveje, da de fleste virksomheder benytter eksterne analysevirksomheder og konsulenter, som specialiserer sig i at udføre og offentliggøre markedsundersøgelser.
I sidste ende er der, fordi "prognosticering" er et så bredt begreb, mange forskellige softwareløsninger, der kan anvendes, men prognosesoftware giver specifikke fordele for din virksomhed.
Prognosemodeller kan give din virksomhed en fordel
Viden om, hvornår, hvor og hvordan man anvender økonomiske prognoser, kan give virksomheder en fordel.
Med de rette prognosemodeller og nøjagtige data kan virksomheder udarbejde mere præcise budgetter, finjustere deres mål og konkurrencestrategier samt være bedre forberedt på fremtiden.
Ønsker du at skærpe dine færdigheder som CFO eller i en relateret økonomisk stilling? The CFO Club er et fællesskab af ligesindede finansielle ledere inden for SaaS og teknologi, der ønsker at udmærke sig inden for deres respektive områder. Abonner på The CFO Clubs nyhedsbrev for brancheindsigt og mere indhold som dette.
