Prognosemodelle erklärt: Wie Sie Finanzprognosen nutzen können
Wenn ein Investor Sie fragt, was Sie im nächsten Geschäftsjahr zu verdienen erwarten und Sie keine fundierte Antwort haben, sind Sie auf verlorenem Posten.
Erfolg im komplexen und wettbewerbsintensiven modernen Geschäftsumfeld erfordert eine zukunftsorientierte Strategie. Auf Basis historischer Leistungen, Marktrecherche und aktueller Trends können datengestützte Prognosemodelle Unternehmen einen Wettbewerbsvorteil verschaffen.
Es gibt viele verschiedene Prognosemodelle und noch mehr Softwarelösungen, um diese zu implementieren.
Want more from The CFO Club?
Create a free account to finish this piece and join a community of modern CFOs and finance executives accessing proven frameworks, tools, and insights to navigate AI-driven finance.
Have an account? Log In
In diesem Leitfaden stelle ich einige nützliche Prognosemodelle vor – und erkläre, wie Sie sie nutzen können, um sich einen Vorteil in Ihrer Branche zu verschaffen.
Was ist ein Prognosemodell?
Prognosemodelle sind Werkzeuge zur Vorhersage künftiger Entwicklungen auf Basis historischer und aktueller Daten. Im Geschäfts- und Finanzbereich bezieht sich der Begriff Prognose fast immer auf Finanzprognosen.
Ein Prognosemodell verwendet eine statistische Methodik, beziehungsweise Formeln und Annahmen, um zukünftige Entwicklungen wie Umsatz, Kundennachfrage und Churn Rate vorherzusagen.
Genauer gesagt werden diese Modelle eingesetzt, um zu bestimmen, wie sich Änderungen bestimmter Variablen und Parameter voraussichtlich auf die Performance auswirken (im Gegensatz zu Budgets, mit denen Sie Ihren Cashflow zuweisen). Beispielsweise könnte eine Restaurantkette ein Modell nutzen, um herauszufinden, wie sich geänderte Öffnungszeiten oder saisonale Muster auf den Umsatz auswirken.
Es gibt unzählige Prognosemodelle (die unten ausführlich besprochen werden), aber sie verfolgen alle dasselbe Ziel: historische Daten, Annahmen und aktuelle Trends zu nutzen, um die künftige Entwicklung vorherzusagen.
Diese Werkzeuge können für ein endloses Spektrum möglicher Szenarien eingesetzt werden und sind entscheidend für Finanz-, Marketing- und Führungsteams. Im weiteren Verlauf dieses Leitfadens konzentriere ich mich explizit auf finanzielle Prognosemodelle.
Prognosemethoden
Die Wahl der richtigen Modellierungstechnik (und des passenden Prognosemodells) ist sehr wichtig. Bevor Sie sich jedoch entscheiden können, benötigen Sie einige grundlegende Informationen über diese Modelle und wie sie funktionieren.
Es gibt zwei Hauptkategorien von Prognosemodellen: quantitativ und qualitativ.
Qualitative Prognosemethoden
Qualitative Prognosen basieren auf Expertenmeinungen und Urteilen. Sie sind:
- Von Natur aus subjektiv
- Nicht auf vergangene Daten oder Trends gestützt
- Wird zur Analyse nicht-numerischer Daten genutzt
Qualitative Methoden werden eingesetzt, wenn das Analyseobjekt nicht gemessen oder gezählt werden kann. Möchte ein Unternehmen zum Beispiel die Beweggründe und Überzeugungen verstehen, die das Kundenverhalten und deren Kaufentscheidungen beeinflussen, liefern quantitative Daten dazu keine Antworten. Qualitative Prognosen stützen sich auf Meinungen von Einzelpersonen, Forschung und Studien.
Quantitative Prognosemethoden
Quantitative Prognosen verwenden Zahlenmuster in historischen Daten, um die künftige Entwicklung vorherzusagen. Quantitative Modelle:
- Sind objektiver Natur
- Basieren auf historischen Daten (z. B. Umsatzerlöse, Personalbestand usw.)
- Analysieren numerische Daten
Innerhalb der quantitativen Kategorie gibt es zwei weitere Unterkategorien:
Zeitreihen
Zeitreihenmodelle konzentrieren sich auf Muster und Variationen, basierend auf historischen Daten.
Wenn ein Unternehmen beispielsweise plant, in einem neuen Land zu starten, könnte es Daten aus einer früheren Markteinführung (einschließlich Verkaufsdaten, Belegschaftstrends usw.) heranziehen, um ein Budget für den neuen Markteintritt aufzustellen.
Assoziative/Kausale Modelle
Assoziative oder auch kausale Modelle sind fortgeschrittener und fokussieren sich auf mehrere hochspezifische und detaillierte Informationsquellen. Sie nutzen historische Daten und zeichnen sich dadurch aus, dass sie scheinbar unterschiedliche Daten in Bezug zur Zielsetzung der Prognose setzen können.
Sie können auch verwendet werden, um assoziative Beziehungen zwischen den Finanzkennzahlen eines Unternehmens und externen Variablen herzustellen. Zum Beispiel könnte ein Gerätehersteller ein Modell erstellen, das den Verkauf von Geräten auf Basis der Anzahl neuer Baugenehmigungen in einem bestimmten Gebiet vorhersagt.
Im Folgenden erläutere ich die Grundlagen einiger der heute am häufigsten von Unternehmen genutzten Prognosemodelle.
Gängige quantitative Prognosemodelle
Quantitative Prognosemodelle verlassen sich auf historische Daten, um Vorhersagen über die Zukunft zu treffen.
Beispielsweise könnte ein Einzelhändler die Verkaufsdaten aus dem vierten Quartal der letzten drei Jahre betrachten, um das Umsatzvolumen für die Feiertagssaison während der Hochphase vorauszusagen.
Wenn Sie keine eigenen internen Daten besitzen (zum Beispiel, wenn Sie ein ganz neuer Einzelhändler sind), könnten Sie dennoch quantitative Prognoseverfahren nutzen – Sie müssten lediglich über vergleichbare Daten aus Ihrer Branche verfügen.
Innerhalb der quantitativen Prognosemethoden gibt es mehrere beliebte Modelle – ich erkläre sie im Folgenden.
Zeitreihen
Zeitreihenmodelle werden eingesetzt, wenn Daten über mehrere Jahre hinweg vorliegen. Sie sind besonders hilfreich, wenn die Beziehungen zwischen den Datenpunkten (zum Beispiel durchschnittlicher Preis und Verkaufsvolumen) relativ stabil und Trends leicht zu erkennen sind.
So kann ein Unternehmen Zeitreihenmodelle nutzen, um das Wachstum einer bestehenden Produktlinie zu prognostizieren.
Nehmen wir an, die betreffende Produktlinie wurde vor vier Jahren eingeführt und wächst seitdem stetig. Das Unternehmen könnte diese Daten nehmen und darauf ein Zeitreihenmodell anwenden, um vorherzusagen, wohin sich das Verkaufsvolumen im nächsten Jahr (oder in den kommenden Jahren) entwickeln könnte.
Lineare Prognose
Die lineare Prognose ist eine einfache Methode, die Schätzungen über künftige Umsätze oder andere Finanzkennzahlen liefert, indem sie vergangene Werte betrachtet und davon ausgeht, dass sich diese Trends fortsetzen.
Wenn ein Unternehmen beispielsweise in den letzten vier Jahren ein jährliches Umsatzwachstum von 3,6 % verzeichnet hat und erwartet, dass der aktuelle Trend anhält, kann es ein lineares Modell nutzen, um den zu erwartenden Umsatz in der Zukunft zu prognostizieren.
Wie der Name schon sagt, geht das Linearmodell von einer konstanten und vorhersehbaren Entwicklung aus. Es ist einfach, kann aber dennoch ein guter Ausgangspunkt sein, um eine Vielzahl von Finanzkennzahlen und Szenarien zu prognostizieren.
Was ist der Unterschied zwischen Zeitreihen- und linearer Prognose?
Zeitreihenmodelle werden typischerweise eingesetzt, um Trendzyklen, zyklische Schwankungen und Saisonalität zu verstehen, während die lineare Prognose in der Regel zur Vorhersage von stabilem Wachstum (oder Rückgang) genutzt wird.
Stellen Sie sich Zeitreihenprognosen als einen in sich geschlossenen Kreis oder eine Spirale vor; eine lineare Prognose ist dagegen – wie der Name schon verrät – eine gerade Linie!
Gleitender Durchschnitt
Das Modell des gleitenden Durchschnitts ist dem oben beschriebenen linearen Modell ähnlich, arbeitet aber mit kleineren Datensätzen und bezieht sich auf kürzere bis mittelfristige Zeiträume.
Unternehmen können gleitende Durchschnittswerte verwenden, um zum Beispiel die Nachfrage während der Feiertage vorherzusagen. Das Unternehmen könnte dann die durchschnittlichen Umsätze aus dem vierten Quartal der Jahre 2019, 2020, 2021 und 2022 betrachten.
Hierfür ließe sich eine einfache Formel anwenden, um den gleitenden Durchschnitt zu berechnen:
(A1 + A2 + A3 + A4) / N
wobei
A = Durchschnitt für einen bestimmten Zeitraum
und
N = Gesamtanzahl der Zeiträume
Das Unternehmen kann dann diesen gleitenden Durchschnitt nutzen, um eine Prognose für die erwarteten Umsatzzahlen in der anstehenden Feiertagssaison zu erstellen.
Diese Formel benötigt einen guten Datensatz; in meinem oben aufgeführten Beispiel werden vier Jahre an Daten verwendet. Wichtig ist dabei, dass sie nicht-Q4-Verkaufsdaten ignoriert, da diese für die spezifische Prognose der Feiertagsverkäufe weitgehend unerheblich sind.
Exponentielle Glättung
Exponentielle Glättungsmodelle ähneln den gleitenden Durchschnittsmodellen, wenden jedoch eine Gewichtungsmethodik an, wobei neueren Daten mehr Gewicht zukommt.
Nehmen wir das oben erwähnte Beispiel: Das Unternehmen hat vier Jahre historische Verkaufsdaten für die Feiertage – aber während dieses Zeitraums ist das Unternehmen kontinuierlich gewachsen.
Daher sind die Daten aus den älteren Jahren weniger aussagekräftig als die aktuelleren Werte der beiden letzten Jahre.
Exponentielle Glättungsmodelle gewichten die neueren Daten stärker. Dies hilft Unternehmen dabei, ihre Prognosen besser an aktuelle Trends anzupassen.
Auch wenn es verlockend sein mag, ältere Daten heranzuziehen, falls diese ein optimistischeres Bild zeichnen (2021-Bewertungen vs. 2022-Bewertungen – kennen Sie das?), ist es unerlässlich, die jeweils geeigneten Daten zu nutzen, um einen realistischen Ausblick zu erhalten.
Trendprojektion
Die Trendprojektion passt eine Trendlinie an eine mathematische Gleichung an und nutzt dann die Gleichung, um diese Trendlinie in die Zukunft zu projizieren.
Ein Trendprojektionsmodell betrachtet vergangene Daten – zum Beispiel Verkaufszahlen von Wochenenden, Wochentagen oder bestimmten Jahreszeiten – um Vorhersagen über die zukünftige Nachfrage in diesen Zeiträumen zu treffen.
Es kann ähnlich wie das Modell der Geradengleichung angewendet werden, je nachdem, mit welchen Datensätzen Sie arbeiten. Es gibt mehrere Unterkategorien innerhalb der Trendprojektion, darunter Logarithmen, Polynome und die Steigungs-Charakteristik-Methode.
Assoziative Modelle
Assoziative Modelle, auch Kausalmodelle genannt, verknüpfen eine bestimmte betriebswirtschaftliche Kennzahl (wie den Umsatz) mit einer separaten unabhängigen Variablen (wie dem Bevölkerungswachstum in einer Stadt).
Kausalmodelle sind hilfreich, um zukünftige Erwartungen der Geschäftsabläufe mit klar abgegrenzten Variablen – sowohl innerhalb als auch außerhalb des Unternehmens – zu verbinden.
Zum Beispiel könnte ein Foodtruck-Besitzer ein Modell verwenden, um die Nachfrage auf einem Sommerfest basierend auf der Wettervorhersage für das Wochenende zu prognostizieren. Alternativ könnte ein Immobilienentwicklungsunternehmen das Kausalmodell nutzen, um die zukünftige Nachfrage nach neu gebauten Häusern in einer Gemeinde vorherzusagen, basierend auf dem erwarteten Bevölkerungswachstum in der Region.
Außerdem können assoziative Modelle genutzt werden, um eine bestimmte Variable aufgrund ihres Zusammenhangs mit anderen, verwandten Variablen vorherzusagen. Beispielsweise könnte ein Unternehmen das Kausalmodell dazu einsetzen, den geschätzten Gewinn zu prognostizieren, der sich aus erhöhten Werbeausgaben ergeben würde.
Per Definition sind assoziative Modelle komplexer als Zeitreihenmodelle.
Assoziative Modelle können externe Daten heranziehen und versuchen, eine Beziehung zwischen einer relativ standardisierten Kennzahl (z. B. Umsatz) und einer Kennzahl, die viele Unternehmen nicht einmal berücksichtigen (z. B. das typische jährliche Haushaltseinkommen einer Stadt), herzustellen.
Obwohl sie komplexer sind, können Kausalmodelle äußerst nützlich sein, um genauere Prognosen zu erstellen – und der Konkurrenz einen Schritt voraus zu sein.
Einfache lineare Regression
Die einfache lineare Regression hilft Unternehmen zu untersuchen, wie eine abhängige Variable (z. B. der Umsatz) mit einer unabhängigen Variable (z. B. Werbeausgaben) zusammenhängt.
Oder, um das Beispiel mit externen Daten zu nutzen: Die einfache lineare Regression könnte auch herangezogen werden, um zu bestimmen, wie eine abhängige Variable (wie beispielsweise der Umsatz pro Standort) mit einer unabhängigen Variable (wie dem Haushaltseinkommen in einem bestimmten Landkreis) korreliert.
Die einfache lineare Regression lässt sich visualisieren, indem ein Liniendiagramm mit einer Kennzahl auf der Y-Achse und einer anderen auf der X-Achse dargestellt wird. Aber wie der Name schon sagt, muss es einfach bleiben; diese Modelle unterstützen nur den Vergleich zwischen zwei Variablen.
Multiple lineare Regression
Wie man vermuten kann, baut die multiple lineare Regression auf der einfachen linearen Regression auf, indem mehrere Geschäftsvariablen in die Gleichung einbezogen werden.
Es gibt weiterhin eine einzige abhängige Variable (z. B. Umsatz), aber es können nun mehrere unabhängige Variablen einfließen, die von internen, externen oder beiden Datenquellen stammen.
Die multiple lineare Regression ist komplex und erfordert in der Regel statistische Analyse-Software. Außerdem ist die verwendete Datenbasis (Anzahl der Datenelemente, betrachteter Zeitraum, getroffene Entscheidungen im Datenbereinigungsprozess) entscheidend für die Genauigkeit der resultierenden Regressionsformel.
Beim Einsatz der linearen Regressionsprognose müssen Sie die Ergebnisse kritisch hinterfragen, um nicht erfasste Variablen zu berücksichtigen und abzuschätzen, ob diese fehlenden Variablen dazu führen, dass das Modell die Auswirkungen einer unabhängigen Variable über- oder unterschätzt.
Gängige qualitative Prognosemodelle
Qualitative Prognosemodelle nutzen subjektive, qualitative Daten. Sie werden oft eingesetzt, wenn keine quantitativen Daten zur Verfügung stehen.
Ein qualitatives Modell könnte zum Beispiel von der Einschätzung eines Experten oder den Ergebnissen einer Umfrage potenzieller Kunden abhängen.
Qualitative Prognosen sind von Natur aus subjektiver, aber dennoch sehr hilfreich – insbesondere in Fällen, in denen es keine verlässlichen Datenquellen gibt. PS: Ich finde es übrigens immer noch seltsam, dass "Daten" der Plural ist.
Wie auch immer.
Alle qualitativen Prognosemodelle erfordern eine Art der Datenerhebung (Experteninterviews, Panels, Umfragen usw.), unterscheiden sich jedoch darin, wie diese Daten gesammelt und anschließend für die Prognose verwendet werden. Sie sind in der Regel weniger hilfreich für finanzielle Prognosen, da Sie im Grunde genommen mit allen Methoden einfach ausprobieren, welche funktioniert; manche sind dabei einfach etwas genauer als andere.
Delphi-Methode
Schon einmal vom Orakel von Delphi gehört? Ihre ganze Aufgabe bestand darin, Vorhersagen über die Zukunft zu treffen – gar nicht so unähnlich zu einer CFO... oder?
Ja, Sie dürfen sich ab sofort als das Orakel Ihres Unternehmens bezeichnen. Nein, Sie können nicht behaupten, ich hätte es erlaubt.
Die Delphi-Methode stützt sich auf Expertenmeinungen, wobei in der Regel eine kleine Gruppe thematischer Experten befragt wird. Zum Beispiel könnte ein privates Bildungsunternehmen mit einer Gruppe von Professoren sprechen, um Daten über das Verhalten von Studierenden zu sammeln.
Bei der Delphi-Methode werden Experten unabhängig voneinander interviewt, um Daten zu sammeln. Entscheidend ist, dass jedes Experteninterview separat durchgeführt wird und die Daten erst im Nachhinein zusammengeführt werden. Das hilft, Gruppendenken und Vorurteile zu vermeiden und ermöglicht eine freie Meinungsäußerung.
Die Delphi-Methode nutzt "Runden" der Datenerhebung. Die erste Runde ist individuell, spätere Runden sind gemeinschaftlich. Die Antworten jedes Experten werden dann der gesamten Gruppe vorgestellt und zur Diskussion geöffnet. Experten können in späteren Runden ihre Meinung oder Schätzung ändern.
Da bei der Delphi-Methode meist kleine Expertengruppen eingesetzt werden, ist es wichtig, die richtigen Personen auszuwählen, da die Qualität der Daten direkt vom Fachwissen der Beteiligten abhängt.
Marktforschung
Wetten, dass Sie das noch nie gehört haben— hey, ich sehe schon, wie Sie mit den Augen rollen!
Die Marktforschung ist eine sehr häufig verwendete Prognosemethode, mit der Unternehmen die Meinungen potenzieller Kunden einholen. Beispielsweise könnte ein Lebensmittelhersteller, der eine neue kalorienarme Eismarke auf den Markt bringt, Kunden per Online-Umfrage zu ihren Abnehmzielen und Essgewohnheiten befragen.
Bei der Marktforschung spielen quantitative Ergebnisse eine große Rolle – je mehr Rückmeldungen Sie aus der Öffentlichkeit bekommen, desto besser.
Marktforschung kann telefonisch, per E-Mail, SMS, in persönlichen Interviews und auf viele andere Arten durchgeführt werden. Oft wird sie mithilfe von Marktforschungsunternehmen durchgeführt, die das Befragen und die Datenerhebung übernehmen.
Panel-Konsens
Beim Panel-Konsens wird eine Fokusgruppe eingesetzt, die auf die Meinungen von Experten und Mitarbeitern zurückgreift. Oft wird dabei ein Panel aus Mitarbeitenden aller Hierarchieebenen des Unternehmens zusammengestellt, nicht nur aus Führungskräften.
Einzigartig an dieser Methode ist, dass sie die Meinungen von ausgewiesenen Experten und „Semi-Experten“ gleichermaßen einbezieht und gleichwertig gewichtet. Beispielsweise kann ein Team, das die saisonale Nachfrage nach einem bestimmten Getränk prognostizieren möchte, Mitarbeiter aus Vertrieb, Marketing oder sogar dem Einzelhandel einbeziehen.
Wie der Name vermuten lässt, muss das Panel zu einer Konsensschätzung gelangen. Die Gruppe kann Meinungen austauschen und diskutieren, aber letztlich einen Konsens finden.
Visionäre Prognose
Die visionäre Prognose stützt sich auf die Einsichten und Meinungen einer einzelnen Person – ich fand es übrigens interessant, dass das nicht die Delphi-Methode genannt wurde, da es ja auch nur eine Person ist... aber sie hatte immerhin die Unterstützung der Götter (und es hat mich ja keiner gefragt).
Die betreffende Vordenkerin oder der Vordenker könnte Sie selbst, ein anderes Mitglied Ihres Führungsteams, eine externe Beraterin bzw. ein externer Berater oder eine Branchenspezialistin/oder ein Branchenspezialist sein.
Da dieses Prognosemodell nur auf einer einzigen Person beruht, ist es anfällig für Bestätigungsfehler und sollte daher am besten zusammen mit anderen Methoden eingesetzt werden.
Sales Force Composite
Die Sales Force Composite-Methode konzentriert sich darauf, qualitative Informationen von Vertriebsmitarbeitenden zu sammeln. Sie bezieht in der Regel die Meinungen mehrerer Teammitglieder ein, idealerweise von jenen, die mit dem betreffenden Produkttyp im Vertrieb betraut sind.
Wenn etwa ein Automobilhersteller über ein neues Modell nachdenkt, könnte er unter seinen Vertriebsmitarbeiterinnen und -mitarbeitern eine Umfrage durchführen, um Informationen über Kundenmeinungen, Bedürfnisse, typische Fragen, Budgets usw. zu sammeln.
Die Idee dahinter ist, dass Vertriebsmitarbeitende unmittelbaren Kundenkontakt haben (und wissen, was den Verkauf wirklich antreibt) und deshalb wertvolle Einblicke in das tatsächliche Verhalten und die Wünsche der Kundschaft liefern können.
Die Sales Force Composite-Methode kann zudem nützlich sein, um regionale und lokale Trends zu identifizieren.
Die obige Liste ist zwar nicht vollständig, deckt aber viele der am häufigsten verwendeten Prognosemodelle ab. Dennoch sind einige davon sicherlich populärer als andere.
Was sind die gebräuchlichsten Prognosemodelle?
Insgesamt werden Zeitreihenmodelle (insbesondere das Geradlinige und das gleitende Durchschnittsmodell) am häufigsten verwendet.
Das liegt unter anderem daran, dass Zeitreihenmodelle objektivere Vorhersagen auf Grundlage historischer Daten ermöglichen. Sie sind nicht von Expertenmeinungen oder Rückmeldungen von Kundschaft abhängig, die unbeständig und anfällig für Verzerrungen sein können. Stattdessen nutzen Zeitreihenmodelle harte Fakten und ermöglichen so verlässliche Prognosen für zukünftige Leistungskennzahlen.
Diese Modelle sind auch deshalb beliebt, weil sie relativ einfach zu verwenden sind und oft keine spezielle Software erfordern. Einige Softwarelösungen, die Sie möglicherweise bereits nutzen, wie Ihr Enterprise-Resource-Planning-System, haben diese statistischen Modellierungsfunktionen meist schon integriert. Einfache Trendanalysen (Straight-Line-Modellierung) lassen sich mit etwas Übung sogar direkt von Hand in Excel durchführen.
Assoziative (kausale) Modellierungen werden ebenfalls häufig eingesetzt, sind jedoch etwas komplexer und benötigen oft eine entsprechende Software oder zumindest eine gewisse Einarbeitung. Diese Methode ist besonders nützlich, wenn Beziehungen zwischen sehr unterschiedlichen Variablen verfolgt werden sollen – sei es nur eine unabhängige Variable (einfache lineare Regression) oder mehrere (multiple lineare Regression).
Bei qualitativen Prognosemodellen ist Marktforschung in der Regel am weitesten verbreitet. Viele Unternehmen führen Umfragen durch und sammeln Feedback von Kunden, um mithilfe dieser Daten strategische Entscheidungen zu treffen. Andere beauftragen externe Marktforschungsunternehmen mit der Durchführung umfassender Kundenumfragen.
Warum ist Prognose wichtig?
Wie ich am Anfang dieses Artikels bereits andeutete, ist Prognose der Schlüssel, damit Sie nicht:
- Investoren verlieren und dann
- gefeuert werden
Nur Spaß. Irgendwie.
Prognosen sind wichtig, weil sie es Unternehmen ermöglichen, für die Zukunft zu planen. Das Grundprinzip der Prognose besteht darin, Informationen aus verschiedenen Quellen zu sammeln und diese Erkenntnisse für bessere Entscheidungen zu nutzen.
Ein Unternehmen, das Einzelhändler mit Spezialwaren beliefert, könnte beispielsweise ein Prognosemodell einsetzen, um die Nachfrage für die umsatzstarke Weihnachtssaison vorherzusagen. Die so erstellten Prognosen liefern bessere Einschätzungen für den Bedarf und ermöglichen es, rechtzeitig die Lagerbestände zu erhöhen und die Nachfrage in der Saison zu decken.
Oder ein Unternehmen könnte ein Prognosemodell verwenden, um die finanziellen Auswirkungen verschiedener Preisstrategien oder Verkaufswege zu analysieren, die für die Einführung eines neuen Produkts erwogen werden. Diese Ergebnisse könnten mit saisonalen Prognosen kombiniert werden, um so nicht nur die beste Verkaufsstrategie, sondern auch den optimalen Zeitpunkt für saisonale Aktionen und Rabatte zu bestimmen.
Letztlich, unabhängig davon, welcher Messwert betrachtet wird, besteht die Idee der Prognose darin, Einblick in zukünftige Trends oder Finanzkennzahlen zu erhalten und sich auf das Kommende vorzubereiten.
Wie nutzt man Prognosemodelle?
Jedes Prognosemodell wird auf eine andere Weise eingesetzt. Die allgemeine Herangehensweise sieht jedoch folgendermaßen aus:
- Definieren Sie Ihr Ziel genau. Ist zum Beispiel das Ziel, den besten Zeitpunkt für eine neue Finanzierungsrunde zu bestimmen? Dann konzentrieren Sie sich auf die Prognose der Cashflows und machen Sie konservative Annahmen.
- Wählen Sie das passende Modell aus. Ich habe oben zu den Finanzprognosemodellen bereits spezifische Anwendungsfälle beschrieben. Viele Unternehmen setzen mehrere Modelle ein – zur Übersicht empfiehlt sich jedoch, zunächst ein oder zwei Modelle auszuwählen.
- Datenerhebung. Quantitative Modelle verwenden historische Daten (in der Regel Unternehmenskennzahlen), während qualitative Modelle subjektive Daten verwenden, die von Kunden oder Experten aus der Branche gesammelt wurden.
- Erstellen Sie das Modell. Je nach gewähltem Modell gestaltet sich dieser Schritt sehr unterschiedlich. Viele Prognosemodelle lassen sich in Excel oder ähnlichen Standardanwendungen abbilden. Einige Modelle hingegen benötigen spezielle Statistik- oder Prognosesoftware.
- Bestimmen Sie Ihr Vertrauensniveau. Konfidenzintervalle drücken die Unsicherheit einer Prognose aus. Am gebräuchlichsten sind Intervallgrößen von 90 %, 95 % und 99 %. Je höher das Vertrauensniveau, desto verlässlicher die Prognose. Wie zu erwarten ist, steigt das Vertrauensniveau mit der Objektivität der Daten.
- Setzen Sie das Modell um. Anschließend implementieren Sie das Modell nach den empfohlenen Richtlinien und ziehen die relevantesten verfügbaren Datenquellen heran.
- Analysieren Sie die Ergebnisse. Vergleichen Sie die berechneten Ergebnisse mit anderen vorhandenen Schätzungen oder Prognosen. Möglicherweise möchten Sie auch weitere Modelle auf dieselben Daten anwenden, um Unterschiede festzustellen.
Manche Prognosemodelle erfordern Expertenkenntnisse in Statistik oder Finanzprognose, andere wiederum sind sehr viel einfacher durchzuführen. Letztlich hängen die Komplexität und Herausforderungen der Prognose vom gewählten Modell und der Menge & Qualität der verfügbaren Daten ab.
Welche Software wird für Prognosen genutzt?
Für Prognosen können verschiedenste Softwaretypen verwendet werden, von einfachen Tabellenkalkulationsprogrammen bis hin zu KI-basierten und Machine-Learning-gestützten Tools.
Während viele Finanzmodelle in Microsoft Excel oder Google Sheets ausgeführt werden können, benötigen viele ERP-Software, EPM-Software oder andere spezialisierte Software.
Bevor Sie neue Software kaufen, prüfen Sie unbedingt die Funktionsliste Ihrer bestehenden Tools. Manche Bestandsverwaltungssoftware verfügt über Funktionen zur Nachfrageprognose und weitere Tools zur Planung der Lagerbestände. Und Ihr Lohnabrechnungsdienst könnte Funktionen zur Personalbedarfsprognose bieten.
Für qualitative Prognosen gibt es nicht viele empfehlenswerte Softwareoptionen, da die meisten Unternehmen auf externe Forschungsunternehmen und Berater zurückgreifen, die auf die Durchführung und Veröffentlichung von Marktforschungen spezialisiert sind.
Letztendlich gibt es aufgrund der breiten Definition von „Prognose“ viele verschiedene Softwarelösungen, die eingesetzt werden können.
Prognosemodelle verschaffen Ihrem Unternehmen einen Vorteil
Wenn Sie wissen, wann, wo und wie Sie Finanzprognosen einsetzen, können Sie sich im Wettbewerb einen Vorsprung verschaffen.
Mit geeigneten Prognosemodellen und präzisen Daten können Unternehmen genauere Budgets erstellen, ihre Ziele und Wettbewerbsstrategien optimieren und sind besser auf die Zukunft vorbereitet.
Möchten Sie Ihre Fähigkeiten als CFO oder in einer ähnlichen Finanzposition ausbauen? Der CFO Club ist eine Community gleichgesinnter SaaS- und Tech-Finanzleiter, die in ihrem Bereich erfolgreich sein wollen. Abonnieren Sie den Newsletter des CFO Clubs für Branchen-Insights und weitere Inhalte wie diesen.