At opnå succes i det komplekse og konkurrenceprægede moderne erhvervsmiljø kræver en fremadskuende strategi. Ved at trække på historiske resultater, markedsundersøgelser og aktuelle tendenser kan virksomheder ved hjælp af datadrevne finansielle prognosemodeller opnå en konkurrencefordel.
Der findes mange forskellige prognosemodeller at vælge imellem og endnu flere softwareløsninger, der kan hjælpe med at implementere dem. I denne vejledning 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 erhvervslivet og finansverdenen henviser begrebet prognosticering næsten altid til finansiel prognosticering.
En prognosemodel anvender en statistisk metode eller formler og antagelser til at forudsige fremtidige resultater, herunder omsætning, kundernes efterspørgsel og kundeafgangsrater.
Mere specifikt bruges disse modeller til at afgøre, hvordan ændringer i bestemte variable og parametre sandsynligvis vil påvirke resultaterne (i modsætning til budgetter, som hjælper dig med at fordele din likviditet). En restaurantkæde kan for eksempel anvende en model til at afgøre, hvordan ændringer i en butiks åbningstider eller sæsonmønstre vil påvirke salgsomsætningen.
Der findes alle mulige prognosemodeller (som gennemgås grundigt 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 uendeligt antal mulige scenarier og er afgørende for finans-, markedsførings- og ledelsesteams. I resten af denne vejledning skærer jeg det øvrige fra og fokuserer specifikt på finansielle 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. De er:
- Subjektive af natur
- Ikke baseret på historiske data eller tendenser
- Bruges til at analysere ikke-numeriske data
Kvalitative metoder bruges, når fokus for analysen ikke kan måles eller tælles. Hvis en virksomhed for eksempel ønsker at forstå de motivationer og overbevisninger, der driver forbrugeradfærd og påvirker deres købsbeslutninger, kan ingen kvantitative data afsløre disse forhold. Kvalitativ prognosticering bygger på individuelle meninger, forskning og undersøgelser.
Kvantitative prognosemetoder
Kvantitativ prognosticering bruger numeriske mønstre i historiske data til at forudsige fremtidige resultater. Kvantitative modeller:
- Er mere objektive af natur
- Bygger 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 bygger 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.
Sammenhængs-/årsagsmodeller
Sammenhængsmodeller, også kendt som årsagsmodeller, er mere avancerede og fokuserer på flere datastrømme med meget detaljerede og specifikke oplysninger. De anvender historiske data og er gode til at tage data, der tilsyneladende ikke hænger sammen, og knytte dem tilbage 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 for eksempel 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 historiske data for at lave forudsigelser om fremtiden.
En detailhandler kan for eksempel se på salgsdata fra fjerde kvartal i de seneste tre år for at forudsige salgsvolumen i julehandlens højsæson.
Hvis du ikke har interne data (for eksempel hvis du er en helt ny detailhandler), kan du stadig potentielt anvende kvantitativ prognosticering – du skal blot have adgang til sammenlignelige data fra din branche.
Inden for kvantitativ prognosticering findes der flere populære modeller, som du kan bruge – jeg forklarer dem nedenfor.
Tidsserier
Tidsseriemodeller bruges, når der er data tilgængelige for flere år. De er mest nyttige, når relationerne mellem datapunkterne (for eksempel gennemsnitspris og salgsvolumen) er relativt stabile, og tendenserne er lette at identificere.
En virksomhed kan for eksempel 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 fremme).
Lineær model
Lineær modellering er en enkel teknik, der giver estimater for fremtidig omsætning eller andre finansielle nøgletal ved at tage højde for tidligere tal og antage, at disse tendenser fortsætter.
Hvis en virksomhed for eksempel har oplevet en årlig salgsvækst på 3.6% i de seneste fire år og forventer, at de nuværende tendenser fortsætter, kan den anvende en lineær model til at forudsige, hvor stor salgsomsætning virksomheden sandsynligvis vil generere i fremtiden.
Som navnet antyder, antager den lineære model en konstant og forudsigelig ændring. Den er enkel, men kan stadig være et godt udgangspunkt for at forudsige en række finansielle nøgletal og scenarier.
Hvad er forskellen på tidsserieprognoser og lineære prognoser?
Tidsseriemodeller anvendes typisk til at forstå trendcyklusser, cykliske udsving og sæsonudsving, mens lineær prognosticering typisk bruges til at forudsige stabil vækst (eller tilbagegang).
Se tidsserieprognoser som en selvstændig cirkel eller spiral; tænk på en lineær prognose som, ja, en lige linje!
Glidende gennemsnit
Modellen med glidende gennemsnit minder til dels om den lineære model, der er beskrevet ovenfor, men den arbejder med mindre datasæt og fokuserer på korte til mellemlange tidsintervaller.
Virksomheder kan for eksempel bruge prognosemodeller med glidende gennemsnit til at forudsige efterspørgslen i julehandlen. Virksomheden kan derefter se på omsætningstallene baseret på glidende gennemsnit fra fjerde kvartal i henholdsvis 2019, 2020, 2021 og 2022.
De kan anvende en simpel formel for at beregne 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 det forventede salg i julehandlen i år.
Denne formel kræver et godt datasæt at arbejde med; i eksemplet ovenfor anvendes data fra fire år. Men afgørende er det, at den ignorerer salgsdata uden for fjerde kvartal, som stort set er irrelevante, når man specifikt forudsiger salget i julehandlen.
Eksponentiel udjævning
Modeller for eksponentiel udjævning minder om modeller med glidende gennemsnit, men de anvender en vægtningsmetode, der giver nyere data større vægt.
Overvej for eksempel det samme eksempel som ovenfor. Virksomheden har fire års historiske salgsdata for julehandlen – men den har oplevet konstant vækst i denne periode.
Derfor er data fra de ældre år mindre relevante end de nyere data fra de seneste to år.
Modeller for eksponentiel udjævning giver 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 rosenrødt 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 kommer til at ske.
Trendfremskrivning
Trendfremskrivning tilpasser en trendlinje til en matematisk ligning og bruger derefter ligningen til at fremskrive denne trendlinje ind i fremtiden.
En trendfremskrivningsmodel ser på tidligere data – f.eks. salgstal fra weekender, hverdage eller bestemte sæsoner – for at lave forudsigelser om den fremtidige efterspørgsel på disse tidspunkter.
Den kan anvendes på en måde, der minder om modellering med en ret linje, afhængigt af de datasæt, du arbejder med. Der findes flere underkategorier inden for trendfremskrivninger, herunder logaritmer, polynomier og metoden baseret på hældningskarakteristik.
Associative modeller
Associative modeller, også kaldet kausale modeller, forbinder en bestemt forretningsmåling (f.eks. omsætning) med en separat uafhængig variabel (f.eks. befolkningsvækst i en by).
Kausale modeller er nyttige til at forbinde forventninger til fremtidig forretningsdrift med forskellige variabler både inden for og uden for virksomheden.
En foodtruck-ejer kan f.eks. bruge en model til at forudsige efterspørgslen på en sommerfestival baseret på den forventede vejrudsigt for weekenden. Alternativt kan en ejendomsudviklingsvirksomhed bruge kausal modellering til at forudsige den fremtidige efterspørgsel efter nybyggede boliger i et lokalområde baseret på den forventede befolkningsvækst i området.
Når det er sagt, kan associative modeller også bruges til at forudsige en bestemt variabel baseret på dens forbindelse til andre relaterede variabler. En virksomhed kan f.eks. bruge kausal modellering til at forudsige den estimerede fortjenstmargen, der vil følge af øgede udgifter til annoncering.
Per definition er associative modeller mere komplekse end tidsseriemodeller.
Associative modeller kan bruges til at inddrage eksterne data og forsøge at fastslå 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 (f.eks. salgsomsætning) korrelerer med en uafhængig variabel (f.eks. penge brugt på annoncering).
Eller, hvis vi bruger eksemplet med eksterne data, kan simpel lineær regression også bruges til at fastslå, hvordan en afhængig variabel (f.eks. salgsomsætning pr. lokation) korrelerer med en uafhængig variabel (f.eks. husstandsindkomst i et bestemt amt).
Simpel lineær regression kan visualiseres ved at plotte 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 komme fra interne eller eksterne datakilder eller fra begge dele.
Multipel lineær regression er kompleks og kræver typisk software til statistisk analyse for at kunne gennemføres. De anvendte data (antallet af dataelementer, længden af den analyserede periode og de beslutninger, der træffes under datarensningsfasen) er også vigtige for nøjagtigheden af den resulterende regressionsformel.
Ved brug af prognoser med lineær regression skal du se kritisk på resultaterne for at overveje variabler, der ikke er medtaget i de data, der blev brugt i regressionen, samt om disse manglende variabler vil få modellen til at overvurdere eller undervurdere effekten af 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 f.eks. virksomheder, der ønsker at forudsige fremtidig omsætning (forudsat kontinuerlig vækst), vil det ikke være en god måde at forudsige effektiviteten af fremtidige medarbejdere på baggrund af tidligere medarbejderes resultater.
Almindelige kvalitative prognosemodeller
Kvalitative prognosemodeller anvender subjektive, kvalitative data. De bruges ofte i situationer, hvor kvantitative data ikke er tilgængelige.
En kvalitativ model kan for eksempel 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 findes solide data at trække på. PS: Jeg synes stadig, det er mærkeligt, at "data" er flertal.
Nå, men.
Alle kvalitative prognosemodeller kræver en eller anden form for dataindsamling (ekspertinterviews, paneler, undersøgelser osv.), men de adskiller sig fra hinanden ved, hvordan dataene indsamles og derefter bruges til at udarbejde prognoser. Disse modeller er typisk mindre nyttige til økonomiske prognoser, da man i bund og grund kaster spaghetti mod væggen med dem alle sammen; nogle er bare mere præcise end andre.
Delphimetoden
Har du nogensinde hørt om oraklet i Delfi? Hele hendes job bestod i at forudsige fremtiden – ikke så forskelligt fra en økonomidirektør ... vel?
Ja, du må gerne begynde at omtale dig selv som oraklet for din virksomhed. Nej, du må ikke sige, at jeg gav dig tilladelse.
Delphimetoden bygger på ekspertudtalelser, typisk ved hjælp af en lille gruppe fageksperter. En privat uddannelsesvirksomhed kan for eksempel rådføre sig med en gruppe professorer for at indsamle data om studerendes vaner.
I Delphimetoden interviewes eksperter for at indsamle data. Det afgørende er, at hver ekspert interviewes uafhængigt, hvorefter dataene samles. Det hjælper med at forhindre gruppebias og giver fuld ytringsfrihed.
Delphimetoden bruger "runder" med dataindsamling. Den første runde er individuel, men de senere runder er fælles. Hver eksperts svar deles med den større gruppe, så de kan diskuteres. Eksperterne kan frit ændre deres meninger eller estimater i senere runder.
Da Delphimetoden normalt benytter små grupper af eksperter, er det vigtigt at vælge de rigtige personer at interviewe, eftersom dataene kun er så gode som eksperternes viden.
Markedsundersøgelse
Jeg vil vædde på, at du aldrig har 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 holdninger. En fødevareproducent, der lancerer et nyt mærke fedtfattig is, kan for eksempel spørge kunderne om deres mål for vægttab og kostvaner via en onlineundersøgelse.
Markedsundersøgelser er som regel et spørgsmål om antal, 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 udføres ofte med hjælp fra markedsundersøgelsesvirksomheder, som står for interviewene og dataindsamlingen.
Panelkonsensus
Panelkonsensus benytter en fokusgruppesituation, der bygger på eksperters og medarbejderes holdninger. Den gennemføres ofte med et panel af medarbejdere fra alle niveauer i virksomheden i stedet for udelukkende ledere.
Det særlige ved denne metode er, at den kombinerer – og tillægger lige stor vægt til – holdningerne fra både egentlige eksperter og "semi-eksperter". Et team, der forsøger at forudsige den sæsonbestemte efterspørgsel på en bestemt drik med en bestemt smag, kan for eksempel omfatte medarbejdere fra salg, marketing eller endda butiksgulvet.
Som navnet antyder, skal panelet nå frem til et konsensusestimat. Gruppen kan dele holdninger og diskutere, men skal i sidste ende nå til enighed.
Visionær prognose
Visionær prognosticering bygger på indsigter og holdninger fra én enkelt person – jeg fandt det interessant, at dette ikke blev kaldt Delphimetoden, når der nu kun er tale om én person ... men så havde hun selvfølgelig gudernes hjælp (og ingen spurgte mig).
Den pågældende visionær kan være dig, et andet medlem af din ledelse, en ekstern konsulent eller en brancheekspert.
Da denne prognosemodel bygger på én enkelt visionær, er den tilbøjelig til bekræftelsesbias og anvendes bedst sammen med andre metoder.
Sammensat prognose for salgsstyrken
Sammensatte prognoser for salgsstyrken fokuserer på at indsamle kvalitative data fra salgspersonalet. De bygger typisk på holdninger fra flere teammedlemmer – ideelt set personer, der arbejder med den type salg, som er relateret til det pågældende produkt.
Hvis en bilproducent for eksempel overvejede en ny model, kunne virksomheden gennemføre en undersøgelse blandt salgspersonalet for at indsamle oplysninger om kundernes holdninger, behov, almindelige spørgsmål, budgetter osv.
Idéen er her, 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.
Modellering af salgsstyrkens samlede vurdering 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.
Hvilke prognosemodeller er de mest almindelige?
Samlet set anvendes tidsseriemodellering (nemlig lineære modeller og modeller med glidende gennemsnit) oftest.
Det skyldes delvist, at tidsseriemodeller muliggør mere objektiv prognosticering baseret på historiske data. De er ikke afhængige af ekspertvurderinger eller kundefeedback, som kan være omskiftelig og præget af bias. I stedet bruger de konkrete data til at konstruere pålidelige modeller for fremtidige resultatmål.
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, såsom dit enterprise resource planning-system, har sandsynligvis disse funktioner til statistisk modellering indbygget. Lineær modellering kan endda udføres manuelt i Excel med forholdsvis stor lethed.
Associativ (kausal) modellering anvendes også ofte, men den er lidt mere kompliceret og kræver ofte software eller et vist niveau af oplæring. Den er særligt nyttig, når man forsøger at følge relationer mellem meget forskellige variabler, hvad enten det blot er 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, indsamler feedback fra kunder og bruger disse data til at informere strategiske beslutninger fremadrettet. Andre vælger at engagere eksterne markedsundersøgelsesfirmaer til at gennemføre mere omfattende undersøgelser af kunder.
More Articles
Hvorfor er prognosticering vigtigt?
Som jeg antydede helt i begyndelsen af denne artikel, er prognosticering nøglen til at forhindre, at du:
- Mister investorer og derefter
- Bliver fyret
Bare for sjov. Sådan da.
Prognosticering er vigtigt, fordi det giver virksomheder mulighed for at planlægge fremtiden. Hele idéen bag prognosticering er at indsamle oplysninger fra forskellige kilder og derefter bruge disse oplysninger til at træffe bedre beslutninger.
En virksomhed, der forsyner detailhandlere med specialvarer, kan for eksempel bruge en prognosemodel til at forudsige efterspørgslen i den travle julehandelssæson. Modelleringsarbejdet kan give et bedre grundlag for efterspørgselsestimater, hvilket kan gøre det muligt for virksomheden at skalere op og opbygge lagerbeholdningen for at imødekomme sæsonens efterspørgsel.
En virksomhed kan også vælge at bruge en prognosemodel til at analysere den økonomiske effekt 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 blot at finde den bedste salgsstrategi, men også det ideelle tidspunkt at lancere sæsonudsalg og kampagner på.
Uanset hvilket mål der undersøges, er idéen bag prognosticering i sidste ende at få et indblik i fremtidige tendenser eller økonomiske nøgletal, så man kan 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 tydelig om dit formål. Er målet at fastslå, hvornår du har brug for at 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 finansielle prognosemodeller, der er anført ovenfor. I sidste ende vælger mange virksomheder 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 (som regel virksomhedens økonomiske data), 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 tilsvarende udbredte værktøjer. Andre kan kræve specialiseret statistik- eller prognosesoftware.
- Fastlæg 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 mere objektive data tendens til at medføre et højere konfidensniveau.
- Anvend modellen. Anvend derefter modellen ved hjælp af den anbefalede fremgangsmåde for den pågældende model, og træk på de mest relevante data, du kan samle.
- Analysér resultaterne. Tag de resultater, du finder, og sammenlign dem med andre estimater eller prognoser, som du måske allerede har. Det kan også være en god idé at køre andre modeller med de samme data for at identificere forskelle.
Nogle prognosemodeller kræver ekspertuddannelse inden for statistik eller økonomisk prognosticering, mens andre er langt enklere at anvende. I sidste ende afhænger kompleksiteten og udfordringerne ved prognosticering af den valgte model samt mængden og kvaliteten af de data, du arbejder med.
Hvilken software bruges til prognosticering?
Der kan bruges mange forskellige typer software til prognosticering, lige fra grundlæggende regneark til maskinlæring og AI-drevne værktøjer.
Selvom mange finansielle 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 sørge for at undersøge funktionssættet i dine eksisterende værktøjer. Noget software til lagerstyring indeholder funktioner til efterspørgselsprognoser og andre værktøjer, der kan hjælpe med at planlægge lagerniveauer. Og din lønadministrationstjeneste tilbyder måske funktioner til prognosticering af arbejdsstyrken.
Hvad angår kvalitativ prognosticering, er der ikke så mange softwaremuligheder, der er værd at overveje, da de fleste virksomheder er afhængige af eksterne analysevirksomheder og konsulenter, der specialiserer sig i at gennemføre og udgive markedsundersøgelser.
I sidste ende er der, fordi “prognosticering” er et så bredt begreb, mange forskellige softwareløsninger, der kan anvendes, men prognosticeringssoftware tilbyder specifikke fordele for din virksomhed.
Prognosemodeller kan give din virksomhed en fordel
Viden om, hvornår, hvor og hvordan du anvender økonomisk prognosticering, kan give virksomheder en fordel.
Med de rette prognosemodeller og nøjagtige datainput kan virksomheder udarbejde mere præcise budgetter, finjustere deres mål og konkurrencemæssige strategier samt være bedre forberedt på fremtiden.
Vil du skærpe dine færdigheder som CFO eller i en beslægtet økonomisk stilling? The CFO Club er et fællesskab af ligesindede økonomiledere inden for SaaS og teknologi, der ønsker at udmærke sig inden for deres respektive områder. Tilmeld dig nyhedsbrevet fra The CFO Club for brancheindsigt og mere indhold som dette.
