Finanzielle Prognosemodelle: Ein vollständiger Leitfaden
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 in der komplexen und wettbewerbsintensiven Geschäftswelt von heute setzt eine vorausschauende Strategie voraus. Auf Basis historischer Leistungen, Marktforschung und aktueller Trends können datenbasierte Prognosemodelle Unternehmen einen Wettbewerbsvorteil verschaffen.
Es gibt viele verschiedene Prognosemodelle zur Auswahl und noch mehr Softwarelösungen, um sie einzusetzen.
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, die verwendet werden, um die künftige Entwicklung auf Basis historischer und aktueller Daten vorherzusagen. In der Geschäftswelt und im Finanzwesen bezieht sich der Begriff Prognose fast immer auf die Finanzprognose.
Ein Prognosemodell verwendet eine statistische Methodik, also Formeln und Annahmen, um die zukünftige Entwicklung wie Umsatz, Kundennachfrage und Churn-Raten vorherzusagen.
Genauer gesagt werden diese Modelle genutzt, um zu bestimmen, wie sich Veränderungen bestimmter Variablen und Parameter wahrscheinlich auf die Entwicklung auswirken werden (anders als Budgets, die bei der Zuteilung des Cashflows helfen). Zum Beispiel könnte eine Restaurantkette ein Modell einsetzen, um zu ermitteln, wie sich Änderungen der Öffnungszeiten oder saisonale Muster auf den Umsatz auswirken.
Es gibt viele Arten von Prognosemodellen (unten ausführlich behandelt), aber sie verfolgen alle dasselbe Ziel: historische Daten, Annahmen und aktuelle Trends zu nutzen, um die künftige Entwicklung vorherzusagen.
Diese Werkzeuge können für eine endlose Bandbreite an Szenarien genutzt werden und sind entscheidend für Finanz-, Marketing- und Führungsteams. Im weiteren Verlauf dieses Leitfadens fokussiere ich mich ausschließlich auf Finanzprognosemodelle.
Prognosemethoden
Die Wahl der richtigen Art von Modellierungstechnik (und des konkreten Prognosemodells) ist sehr wichtig. Bevor Sie eine Auswahl treffen können, benötigen Sie jedoch einige grundlegende Informationen über diese Modelle und deren Funktionsweise.
Es gibt zwei große Kategorien von Prognosemodellen: quantitativ und qualitativ.
Qualitative Prognosemethoden
Qualitative Prognosen basieren auf Expertenmeinungen und Urteilen. Sie sind:
- Von Natur aus subjektiv
- Nicht auf vergangenen Daten oder Trends basierend
- Werden verwendet zur Analyse nicht-numerischer Daten
Qualitative Methoden werden eingesetzt, wenn der Schwerpunkt der Analyse nicht gemessen oder gezählt werden kann. Möchte ein Unternehmen zum Beispiel die Beweggründe und Überzeugungen verstehen, die das Kundenverhalten bestimmen und deren Kaufentscheidungen beeinflussen, können keine quantitativen Daten dies aufdecken. Qualitative Prognosen stützen sich auf individuelle Meinungen, Untersuchungen und Studien.
Quantitative Prognosemethoden
Quantitative Prognosen nutzen Zahlenmuster in historischen Daten, um die künftige Entwicklung vorherzusagen. Quantitative Modelle:
- Sind objektiver
- Stützen sich auf historische Daten (z. B. Umsatz, Mitarbeiterzahl etc.)
- Analysieren numerische Daten
Innerhalb der quantitativen Kategorie gibt es zwei weitere Unterkategorien:
Zeitreihen
Zeitreihenmodelle richten sich auf Muster und deren Schwankungen und basieren auf historischen Daten.
Zum Beispiel könnte ein Unternehmen, das einen Markteintritt in einem neuen Land plant, auf Daten aus einem früheren Markteintritt (einschließlich Verkaufszahlen, Entwicklung der Belegschaft usw.) zurückgreifen, um ein Budget für den neuen Start zu erstellen.
Assoziative/ursächliche Modelle
Assoziative Modelle, auch als kausale Modelle bekannt, sind fortgeschrittener und konzentrieren sich auf mehrere Linien hochspezifischer und detaillierter Informationen. Sie nutzen vergangene Daten und sind besonders gut darin, scheinbar unabhängige Daten auf den prognostizierten Zweck zurückzuführen.
Sie können auch verwendet werden, um assoziative Beziehungen zwischen den finanziellen Kennzahlen eines Unternehmens und externen Variablen herzustellen. Beispielsweise könnte ein Haushaltsgerätehersteller ein Modell erstellen, das den Verkauf von Geräten auf Grundlage der Anzahl neu erteilter Baugenehmigungen in einer bestimmten Region vorhersagt.
Im Folgenden erläutere ich die Grundlagen einiger der am häufigsten verwendeten Prognosemodelle, die Unternehmen heute einsetzen.
Gängige quantitative Prognosemodelle
Quantitative Prognosemodelle stützen sich auf vergangene Daten, um Vorhersagen über die Zukunft zu treffen.
Ein Einzelhändler könnte zum Beispiel die Verkaufszahlen des 4. Quartals der letzten drei Jahre betrachten, um das Verkaufsvolumen während der umsatzstarken Feiertagssaison vorherzusagen.
Wenn Sie keine internen Daten haben (zum Beispiel als neu gegründeter Einzelhändler), könnten Sie trotzdem quantitative Prognosemodelle nutzen – Sie benötigen dann jedoch Zugriff auf vergleichbare Daten aus Ihrer Branche.
Innerhalb der Welt der quantitativen Prognosemodelle gibt es mehrere beliebte Ansätze – ich erkläre sie im Folgenden.
Zeitreihenmodelle
Zeitreihenmodelle werden verwendet, wenn Daten aus mehreren Jahren zur Verfügung stehen. Sie sind besonders hilfreich, wenn die Beziehungen zwischen den Datenpunkten (zum Beispiel durchschnittlicher Verkaufspreis und Verkaufsvolumen) relativ stabil sind und Trends leicht erkennbar sind.
Ein Unternehmen könnte zum Beispiel Zeitreihenmodelle einsetzen, um das Wachstum einer bestehenden Produktlinie zu prognostizieren.
Angenommen, die betreffende Produktlinie wurde vor vier Jahren eingeführt und weist seitdem ein stetiges Wachstum auf. Das Unternehmen könnte diese Daten nehmen und ein Zeitreihenmodell anwenden, um vorherzusagen, wo das Verkaufsvolumen im nächsten Jahr (oder in einigen Jahren) liegen könnte.
Lineare Trendmodelle (Straight-line)
Das Modell des linearen Trends ist eine einfache Technik, die Schätzungen zukünftiger Umsätze oder anderer Finanzkennzahlen liefert, indem es vergangene Werte betrachtet und davon ausgeht, dass sich diese Trends fortsetzen.
Hat ein Unternehmen beispielsweise in den letzten vier Jahren ein jährliches Umsatzwachstum von 3,6 % erzielt und erwartet, dass dieser Trend anhält, kann es mit dem linearen Trendmodell prognostizieren, wie hoch der künftige Umsatz voraussichtlich sein wird.
Wie der Name schon sagt, geht das Modell von einem konstanten und vorhersehbaren Wandel aus. Es ist einfach, kann aber dennoch ein guter Ausgangspunkt sein, um eine Reihe von Finanzkennzahlen und Szenarien zu prognostizieren.
Was ist der Unterschied zwischen Zeitreihen- und linearen Trendprognosen?
Zeitreihenmodelle werden typischerweise genutzt, um Trendzyklen, zyklische Schwankungen und Saisonalität zu verstehen, während das lineare Trendmodell üblicherweise für die Vorhersage eines stabilen Wachstums (oder Rückgangs) eingesetzt wird.
Stellen Sie sich Zeitreihenprognosen wie einen geschlossenen Kreis oder eine Spirale vor; denken Sie beim linearen Trendmodell einfach an eine gerade Linie!
Gleitender Durchschnitt
Das Modell des gleitenden Durchschnitts ist dem oben beschriebenen linearen Modell etwas ähnlich, arbeitet jedoch mit kleineren Datensätzen und konzentriert sich auf kurzfristige bis mittelfristige Zeiträume.
Unternehmen nutzen gleitende Durchschnittsmodelle zum Beispiel, um die Feiertagsnachfrage zu prognostizieren. Das Unternehmen könnte dann die Durchschnittswerte der Umsätze im 4. Quartal der Jahre 2019, 2020, 2021 und 2022 betrachten.
Sie können eine einfache Formel anwenden, um den gleitenden Durchschnitt zu berechnen:
(A1 + A2 + A3 + A4) / N
wobei
A = Durchschnitt für einen bestimmten Zeitraum
und
N = Gesamtzahl der Zeiträume
Der gleitende Durchschnitt kann dann verwendet werden, um die erwarteten Umsatzzahlen für die diesjährigen Feiertage zu prognostizieren.
Für diese Formel wird ein guter Datensatz benötigt; im Beispiel oben werden vier Jahre herangezogen. Wesentlich ist jedoch, dass sie andere Quartalsdaten außer Q4 außer Acht lässt, die im Hinblick auf die spezielle Prognose von Feiertagsverkäufen weitgehend irrelevant sind.
Exponentielle Glättung
Exponentielle Glättungsmodelle ähneln den Modellen des gleitenden Durchschnitts, wenden jedoch eine Gewichtungsmethodik an, bei der neueren Daten stärkeres Gewicht beigemessen wird.
Betrachten wir das gleiche Beispiel wie oben: Das Unternehmen verfügt über vier Jahre historische Verkaufsdaten für Feiertage – allerdings gibt es in diesem Zeitraum ein konstantes Wachstum.
Deshalb sind die älteren Daten weniger relevant als die neuen Zahlen aus den zwei jüngsten Jahren.
Exponentielle Glättungsmodelle weisen aktuellen Daten ein höheres Gewicht zu. Das ist hilfreich, weil es Unternehmen unterstützt, ihre Prognosen stärker an die aktuellen Entwicklungen anzupassen.
Auch wenn es verlockend sein mag, ältere Daten zu verwenden, wenn diese ein schöneres Bild zeichnen (wer erinnert sich nicht an die Bewertungen von 2021 im Vergleich zu 2022?), ist es unerlässlich, die geeignetsten Daten zu nutzen, um ein realistisches Bild der kommenden Entwicklung zu erhalten.
Trendprojektion
Die Trendprojektion passt eine Trendlinie an eine mathematische Gleichung an und verwendet dann diese Gleichung, um die Trendlinie in die Zukunft zu projizieren.
Ein Trendprojektion-Modell betrachtet vergangene Daten – beispielsweise Verkaufszahlen an Wochenenden, Werktagen oder in bestimmten Jahreszeiten –, um Vorhersagen über die zukünftige Nachfrage in diesen Zeiträumen zu treffen.
Es kann ähnlich wie das lineare Modell angewendet werden, abhängig von den verwendeten Datensätzen. Innerhalb der Trendprojektion gibt es mehrere Unterkategorien wie Logarithmen, Polynome und die Methode der Steigungscharakteristik.
Assoziative Modelle
Assoziative Modelle, auch kausale Modelle genannt, verbinden eine bestimmte betriebswirtschaftliche Kennzahl (wie Umsatz) mit einer separaten unabhängigen Variablen (wie Bevölkerungswachstum in einer Stadt).
Kausale Modelle sind hilfreich, um die Erwartungen an zukünftige Geschäftsaktivitäten mit klaren Variablen zu verknüpfen – sowohl unternehmensinterne als auch externe.
Zum Beispiel könnte ein Foodtruck-Besitzer ein Modell nutzen, um die Nachfrage auf einem Sommerfest auf Basis der vorhergesagten Wetterlage für das Wochenende zu prognostizieren. Alternativ kann ein Immobilienentwicklungsunternehmen durch kausale Modellierung die künftige Nachfrage nach neu gebauten Wohnungen in einer Gemeinde vorhersagen, abhängig vom prognostizierten Bevölkerungswachstum der Region.
Gleichzeitig können assoziative Modelle auch verwendet werden, um eine bestimmte Variable anhand ihrer Beziehung zu anderen, verwandten Variablen vorherzusagen. Beispielsweise kann ein Unternehmen kausale Modellierung verwenden, um die geschätzte Gewinnspanne zu prognostizieren, die sich aus höheren Werbeausgaben ergibt.
Per Definition sind assoziative Modelle komplexer als Zeitreihenmodelle.
Assoziative Modelle können eingesetzt werden, um externe Daten einzubeziehen und eine Beziehung zwischen einer vergleichsweise gängigen Unternehmenskennzahl (z. B. Umsatzerlöse) und einer Größe, die viele Unternehmen gar nicht berücksichtigen (z. B. das durchschnittliche jährliche Haushaltseinkommen einer Stadt), herzustellen.
Auch wenn sie komplexer sind, können kausale Modelle äußerst nützlich sein, um präzisere Prognosen zu erstellen – und den Wettbewerbern voraus zu bleiben.
Einfache lineare Regression
Die einfache lineare Regression hilft Unternehmen dabei, zu untersuchen, wie eine abhängige Variable (wie Umsatz) mit einer unabhängigen Variablen (wie Werbeausgaben) korreliert.
Oder, um das Beispiel mit externen Daten aufzugreifen: Die einfache lineare Regression kann auch eingesetzt werden, um zu analysieren, wie eine abhängige Variable (wie Umsatz pro Standort) mit einer unabhängigen Variablen (wie dem Haushaltseinkommen in einem bestimmten Landkreis) zusammenhängt.
Die einfache lineare Regression lässt sich visualisieren, indem man ein Liniendiagramm mit einer Kennzahl auf der Y-Achse und einer anderen auf der X-Achse erstellt. Aber, wie der Name bereits sagt: Es muss einfach bleiben; diese Modelle können nur Vergleiche zwischen zwei Variablen darstellen.
Multiple lineare Regression
Wie man vielleicht schon vermutet, baut die multiple lineare Regression auf der einfachen linearen Regression auf, indem sie mehrere betriebliche Variablen in die Gleichung einbezieht.
Es gibt nach wie vor eine einzige abhängige Variable (z. B. Umsatz), aber es können zahlreiche unabhängige Variablen einbezogen werden, die aus internen, externen oder aus beiden Datenquellen stammen.
Multiple lineare Regression ist komplex und erfordert in der Regel Statistik-Analyse-Software. Außerdem ist die Art der Daten (Anzahl der Datenelemente, Analysezeitraum, Entscheidungen bei der Datenbereinigung) entscheidend für die Genauigkeit der resultierenden Regressionsformel.
Wenn man Prognosen mittels linearer Regression erstellt, sollte man kritisch beurteilen, welche Einflussgrößen durch die genutzten Daten nicht erfasst wurden und ob das Fehlen dieser Variablen dazu führen könnte, dass der Effekt einer unabhängigen Variablen überschätzt oder unterschätzt wird.
Gängige qualitative Prognosemodelle
Qualitative Prognosemodelle nutzen subjektive, qualitative Daten. Sie werden häufig in Situationen eingesetzt, in denen keine quantitativen Daten zur Verfügung stehen.
Zum Beispiel könnte sich ein qualitatives Modell auf die Einschätzung durch einen Fachexperten oder die Ergebnisse einer Umfrage potenzieller Kunden stützen.
Qualitative Prognosen sind naturgemäß subjektiver, aber dennoch durchaus nützlich – insbesondere in Situationen, in denen keine belastbaren Daten zur Verfügung stehen. PS: Ich finde es übrigens immer noch merkwürdig, dass „Daten“ der Plural ist.
Egal.
Alle qualitativen Prognosemodelle erfordern irgendeine Form der Datenerhebung (Expert:inneninterviews, Panels, Umfragen etc.), unterscheiden sich jedoch darin, wie diese Daten erhoben und anschließend zur Informationsgewinnung für Prognosen verwendet werden. Sie sind in der Regel weniger hilfreich für Finanzprognosen, da Sie mit allen im Prinzip nur "ins Blaue raten"; einige sind dabei allerdings genauer als andere.
Delphi-Methode
Schon einmal vom Orakel von Delphi gehört? Ihr ganzer Job bestand darin, Vorhersagen über die Zukunft zu treffen – gar nicht so unähnlich zur Arbeit einer CFO ... oder doch?
Ja, Sie dürfen sich jetzt als das Orakel Ihres Unternehmens bezeichnen. Nein, Sie können nicht behaupten, ich hätte Ihnen die Erlaubnis dazu gegeben.
Die Delphi-Methode greift auf die Meinungen von Expert:innen zurück, meist in einer kleinen Gruppe themenspezifischer Fachleute. Beispielsweise könnte ein privates Bildungsunternehmen eine Gruppe von Professor:innen konsultieren, um Daten über das Verhalten von Studierenden zu sammeln.
Bei der Delphi-Methode werden Expert:innen einzeln interviewt, um Daten zu erheben. Entscheidend ist, dass jede:r Expert:in unabhängig voneinander befragt wird und die Daten anschließend zusammengeführt werden. Das verhindert Gruppendenken und ermöglicht uneingeschränkte Meinungsäußerung.
Die Delphi-Methode verwendet "Runden" der Datenerhebung. Die erste Runde erfolgt individuell, die späteren Runden gemeinschaftlich. Die Antworten der einzelnen Expert:innen werden der gesamten Gruppe zugänglich gemacht, was Raum für Diskussionen bietet. In späteren Runden können Expert:innen ihre Einschätzungen oder Meinungen ändern.
Da die Delphi-Methode üblicherweise auf kleinen Expert:innengruppen basiert, ist die Auswahl der richtigen Personen entscheidend – die Qualität der Daten ist nur so gut wie das Fachwissen.
Marktforschung
Wetten, Sie haben von dieser Methode noch nie gehört – hey, ich sehe doch, wie Sie mit den Augen rollen!
Die Marktforschung ist eine sehr verbreitete Prognosemethode von Unternehmen, um die Meinungen potenzieller Kund:innen einzuholen. Beispielsweise könnte ein Lebensmittelhersteller, der eine neue kalorienarme Eismarke einführt, Kund:innen mittels Online-Befragung nach ihren Zielen beim Abnehmen und ihren Ernährungsgewohnheiten fragen.
Bei der Marktforschung spielt die Anzahl der Antworten eine wichtige Rolle – je mehr Rückmeldungen aus der Öffentlichkeit, desto besser.
Marktforschung kann per Telefon, E-Mail, SMS, persönlichen Interviews und vielem mehr erfolgen. Oft werden hierfür Marktforschungsinstitute beauftragt, die Interviews und Datenerhebung durchführen.
Panelkonsens
Der Panelkonsens bedient sich der Meinungen von Expert:innen und Mitarbeitenden in einer Fokusgruppe. Typischerweise besteht das Panel nicht nur aus Führungskräften, sondern auch aus Mitarbeitenden aller Unternehmensebenen.
Einzigartig an dieser Methodik ist, dass die Meinungen von echten Expert:innen und "Halbexpert:innen" kombiniert und gleich gewichtet werden. Beispielsweise kann ein Team, das die saisonale Nachfrage nach einem bestimmten Getränk abschätzen will, Mitarbeitende aus Vertrieb, Marketing oder sogar aus dem Verkauf beteiligen.
Wie der Name schon sagt, muss das Panel zu einer Konsensschätzung gelangen. Die Gruppe kann Meinungen austauschen und diskutieren, muss aber letztlich einen gemeinsamen Konsens finden.
Visionäre Prognose
Bei der Visionären Prognose werden die Einsichten und Meinungen einer einzelnen Person genutzt – ich fand es interessant, dass das nicht Delphi-Methode genannt wird, wo sie doch auch alleine war ... aber immerhin hatte sie die Hilfe der Götter (und mich hat ja niemand gefragt).
Die visionäre Person kann Sie selbst sein, ein anderes Mitglied des Führungsteams, eine externe Beratung oder ein Branchenexperte sein.
Da dieses Prognosemodell auf einer Einzelperson basiert, ist es anfällig für Bestätigungsfehler und eignet sich am besten in Kombination mit anderen Methoden.
Zusammengesetzte Vertriebsschätzung
Bei der zusammengesetzten Vertriebsschätzung werden qualitative Daten vom Vertriebspersonal erhoben. In der Regel werden dazu die Meinungen mehrerer Teammitglieder eingeholt – idealerweise von denen, die direkt mit dem jeweiligen Produktverkauf zu tun haben.
Wenn beispielsweise ein Fahrzeughersteller ein neues Modell in Betracht zieht, könnte er eine Umfrage unter dem Vertriebspersonal durchführen, um Informationen über Kund:innenmeinungen, Bedürfnisse, typische Fragen, Budgets usw. zu sammeln.
Die Idee dabei ist, dass Vertriebsmitarbeitende durch den direkten Kund:innenkontakt (und weil sie wissen, was den Verkauf wirklich antreibt) wertvollere Einblicke in das tatsächliche Verhalten und die Wünsche der Kundschaft liefern können.
Mit der zusammengesetzten Vertriebsschätzung lassen sich auch regionale und lokale Trends gut erkennen.
Die obige Liste ist zwar nicht vollständig, aber sie deckt viele der am häufigsten genutzten Prognosemodelle ab. Dennoch sind einige davon beliebter als andere.
Was sind die gebräuchlichsten Prognosemodelle?
Insgesamt werden Zeitreihenmodelle (insbesondere die Geradeaus- und gleitender Durchschnitt-Modelle) am häufigsten verwendet.
Das liegt unter anderem daran, dass Zeitreihenmodelle eine objektivere Prognose auf Basis historischer Daten ermöglichen. Sie sind nicht auf Expert:innenmeinungen oder Kund:innenfeedback angewiesen, das unbeständig und fehleranfällig sein kann. Stattdessen werden harte Fakten verwendet, um verlässliche Modelle für zukünftige Leistungskennzahlen zu erstellen.
Diese Modelle sind auch beliebt, weil sie relativ einfach anzuwenden sind und meist keine spezielle Software erfordern. Einige Programme, die Sie möglicherweise bereits nutzen – wie Ihr Enterprise Resource Planning System – verfügen wahrscheinlich über diese statistischen Modellierungsfunktionen. Lineare Modelle können sogar mit geringem Aufwand per Hand in Excel erstellt werden.
Assoziative (kausale) Modellierung wird ebenfalls häufig verwendet, ist jedoch etwas komplexer und erfordert oft spezielle Software oder ein gewisses Maß an Schulung. Diese Methode ist besonders nützlich, wenn Beziehungen zwischen sehr unterschiedlichen Variablen erfasst werden sollen – sei es nur eine unabhängige Variable (einfache lineare Regression) oder mehrere (multiple lineare Regression).
Unter den qualitativen Prognosemodellen ist Marktforschung am weitesten verbreitet. Viele Unternehmen führen Umfragen durch und sammeln Kundenfeedback, um diese Daten zur Unterstützung strategischer Entscheidungen heranzuziehen. Andere beauftragen externe Marktforschungsunternehmen, um umfassendere Kundenumfragen durchführen zu lassen.
Warum ist Prognose wichtig?
Wie ich ganz zu Beginn dieses Artikels andeutete, ist Prognose der Schlüssel, der Sie davor bewahrt:
- Investoren zu verlieren und dann
- gefeuert zu werden
Nur ein Scherz. Irgendwie.
Prognose ist wichtig, weil es Unternehmen ermöglicht, für die Zukunft zu planen. Die zentrale Idee dahinter ist, Informationen aus unterschiedlichen Quellen zu sammeln und diese zu nutzen, um bessere Entscheidungen zu treffen.
Ein Unternehmen, das Einzelhändler mit Spezialwaren beliefert, könnte beispielsweise ein Prognosemodell verwenden, um die Nachfrage für die geschäftige Weihnachtssaison vorherzusagen. Die Ergebnisse des Modells können helfen, die erwartete Nachfrage besser einzuschätzen, sodass rechtzeitig Lagerbestände aufgebaut werden können, um den saisonalen Bedarf zu decken.
Oder ein Unternehmen nutzt ein Prognosemodell, um die finanziellen Auswirkungen verschiedener Preisgestaltungen oder Vertriebsstrategien für eine bevorstehende Produkteinführung zu analysieren. Diese Maßnahmen können mit saisonalen Nachfrageprognosen kombiniert werden, um nicht nur die beste Verkaufsstrategie, sondern auch den optimalen Launchzeitpunkt für saisonale Aktionen und Werbekampagnen zu bestimmen.
Letztendlich – egal welche Kennzahl betrachtet wird – zielt Prognose darauf ab, einen Einblick in künftige Trends oder Finanzkennzahlen zu erhalten, um besser vorbereitet zu sein.
Wie nutzt man Prognosemodelle?
Jedes Prognosemodell kommt unterschiedlich zum Einsatz. Grundsätzlich verfolgt man jedoch diese Strategie:
- Definieren Sie klar Ihr Ziel. Möchten Sie herausfinden, wann Sie die nächste Finanzierungsrunde einwerben müssen? Dann konzentrieren Sie sich auf die Prognose des Cashflows und gehen dabei konservativ vor.
- Wählen Sie das passende Modell aus. Oben habe ich konkrete Einsatzmöglichkeiten für die genannten finanziellen Prognosemodelle beschrieben. Viele Unternehmen nutzen letztlich mehrere Modelle – für den Anfang ist es jedoch hilfreich, sich auf ein oder zwei zu konzentrieren.
- Sammeln Sie Daten. Quantitative Modelle verwenden historische Daten (meist Unternehmenskennzahlen), während qualitative Modelle auf subjektiven Einschätzungen beruhen, die von Kunden oder Branchenexperten eingeholt werden.
- Modell aufbauen. Dieser Prozess unterscheidet sich je nach Modell erheblich. Viele Modelle lassen sich in Excel oder ähnlichen Programmen einrichten. Andere benötigen spezielle Statistik- oder Forecasting-Software.
- Bestimmen Sie Ihr Vertrauensniveau. Konfidenzintervalle geben an, wie groß die Unsicherheit bei einer Prognose ist. Die üblichen Intervalle sind 90 %, 95 % und 99 %. Je höher das Vertrauensniveau, desto verlässlicher die Prognose. Wie zu erwarten steigt das Vertrauensniveau mit der Objektivität der verwendeten Daten.
- Modell implementieren. Implementieren Sie das Modell entsprechend der empfohlenen Vorgehensweise für das jeweils gewählte Modell und greifen Sie auf die relevantesten verfügbaren Daten zurück.
- Ergebnisse analysieren. Vergleichen Sie die Ergebnisse mit anderen Ihnen vorliegenden Prognosen oder Schätzungen. Sie können auch weitere Modelle mit denselben Daten rechnen, um Unterschiede festzustellen.
Einige Prognosemodelle erfordern Expertenwissen in Statistik oder Finanzplanung. Andere sind deutlich einfacher umzusetzen. Letztendlich hängen die Komplexität und Herausforderungen der Prognose vom gewählten Modell sowie von Menge und Qualität der verwendeten Daten ab.
Welche Software wird für Prognosen genutzt?
Für Prognosen kommen verschiedenste Softwarelösungen zum Einsatz – von einfachen Tabellenkalkulationen bis hin zu Machine-Learning- und KI-gestützten Tools.
Während viele Finanzmodelle in Microsoft Excel oder Google Sheets laufen können, erfordern manche Modelle ERP-Software, EPM-Software oder eine andere spezialisierte Software.
Bevor Sie eine neue Software kaufen, sollten Sie unbedingt die Funktionen Ihrer bestehenden Tools überprüfen. So verfügen manche Bestandsverwaltungssoftwares über Funktionen zur Nachfrageprognose und weitere Tools zur Planung des Lagerbestands. Und Ihr Gehaltsabrechnungsdienst könnte Funktionen für Personalprognosen anbieten.
Für qualitative Prognosen gibt es nicht viele empfehlenswerte Softwareoptionen, da die meisten Unternehmen auf Drittanbieter und Beratungsfirmen zurückgreifen, die auf die Durchführung und Veröffentlichung von Marktforschungen spezialisiert sind.
Weil der Begriff „Prognose“ letztlich sehr weit gefasst ist, gibt es viele verschiedene Softwarelösungen, die genutzt werden können – aber Prognosesoftware bietet spezifische Vorteile für Ihr Unternehmen.
Prognosemodelle können Ihrem Unternehmen einen Vorteil verschaffen
Wenn Sie wissen, wann, wo und wie Sie Finanzprognosen nutzen, können Unternehmen sich einen Vorsprung verschaffen.
Mit passenden Prognosemodellen und präzisen Daten können Unternehmen genauere Budgets erstellen, ihre Ziele und Wettbewerbsstrategien anpassen und besser auf die Zukunft vorbereitet sein.
Möchten Sie Ihre Fähigkeiten als CFO oder in einer verwandten Finanzposition verbessern? Der CFO Club ist eine Community von Gleichgesinnten aus der SaaS- und Tech-Finanzwelt, die in ihrem Bereich erfolgreich sein wollen. Abonnieren Sie den CFO Club Newsletter für Brancheneinblicke und mehr Inhalte wie diesen.