Økonomisk prognostisering 101: Et innblikk i selskapets fremtid

Økonomisk prognostisering er som å få spådd sin økonomiske fremtid av en håndleser, men langt mer pålitelig. Du legger inn et par rimelige antakelser i et prognoseverktøy, og det kan fortelle deg hvordan resultatregnskapet, balansen og andre regnskaper vil se ut på en bestemt dato i fremtiden.

De faktiske regnskapene dine vil sjelden se ut som de prognostiserte regnskapene, men det er helt greit – målet er å komme så nær som mulig. I denne veiledningen hjelper jeg deg med å forstå modellene, metodene og prosessene du kan bruke til å utarbeide prognoser for selskapets økonomi.

Hva er økonomisk prognostisering?

Økonomisk prognostisering viser til praksisen med å anslå selskapets økonomiske situasjon basert på faktorer som inntektsvekst, frafallsrate og fortjenestemarginer. 

CFO-er og økonomiteam støtter seg på prognoser for å ta økonomiske beslutninger om budsjettering, forretningsplanlegging, ressursallokering og overordnet forretningsstrategi.

Estimatene som brukes i en økonomisk prognose, utarbeides ved hjelp av historiske data og en vurdering av selskapets fremtidige økonomiske utsikter. Det er for eksempel rimelig å anslå positiv inntektsvekst i fremtiden hvis selskapets vekst har akselerert de siste to årene, og det er høy etterspørsel etter SaaS-løsningen deres.

Du kan velge å anslå tallene for hver enkelt linjepost i resultatregnskapet, balansen og kontantstrømoppstillingen, men generelt avhenger tiden du bruker på hver post av formålet med prognosen.

Du kan gjøre brede antakelser om alle linjepostene hvis du utarbeider en prognose for å få en generell oversikt over den økonomiske situasjonen, men hvis du lager en økonomisk prognose i forkant av en fusjon eller et oppkjøp, er det viktig å være grundig med antakelsene for alt du ser på.

Modeller for økonomisk prognostisering

En prognosemodell er et systematisk rammeverk som brukes til å forutsi økonomiske resultater basert på historiske data, antakelser og ulike matematiske og statistiske teknikker.

Merknad fra forfatteren

Jeg har inkludert en kort oppsummering av prognosemodeller. Les den omfattende veiledningen om prognosemodeller for en grundig gjennomgang.

Prognosemodeller deles hovedsakelig inn i kvalitative og kvantitative modeller.

Kvalitative prognosemodeller

Kvalitative prognosemetoder er basert på ekspertuttalelser og skjønn. De to mest populære kvalitative prognosemetodene er:

• Delphi-metoden: Delphi-metoden innebærer samarbeid med bransjeeksperter som kan analysere markedet og forutsi selskapets økonomiske resultater. Med mindre du har en svært kvalifisert ekspert i nettverket ditt, anbefaler jeg å bruke markedsundersøkelser eller, enda bedre, en kvantitativ tilnærming i stedet.
• Markedsundersøkelser: Markedsundersøkelser hjelper deg med å utarbeide økonomiske prognoser basert på konkurranse, forbrukertrender og økonomiske forhold. 

Kvantitative prognosemodeller

Analytikere bruker vanligvis kvantitative prognoser fordi de er mer objektive. Kvantitative metoder kan videre deles inn i tidsseriemetoder og assosiative metoder. Her er eksempler på begge:

• Tidsserier:
  • Rett linje: Metoden med rett linje brukes når du tror at tidligere trender vil fortsette. Hvis inntektene dine for eksempel har vokst med 5 % per år de siste tre årene, og du tror at inntektene vil vokse med 5 % neste år, bruker du metoden med rett linje.
  • Glidende gjennomsnitt: Metoden med glidende gjennomsnitt bruker det glidende gjennomsnittet fra tidligere perioder til å utarbeide prognoser for økonomiske nøkkeltall på kort eller mellomlang sikt.
  • Eksponentiell utjevning: Eksponentiell utjevning ligner på modellen med glidende gjennomsnitt, bortsett fra at nyere perioder får større vekt når gjennomsnittet beregnes. Hvis inntektsveksten for eksempel var 5 % i 2022 og 8 % i 2023, kan du tildele 8 % en vekt på 0,6 og 5 % en vekt på 0,4 for å beregne gjennomsnittet, som ville blitt 6,8 %.
  • Trendfremskriving: Trendfremskriving innebærer å bruke historiske data og statistiske metoder for å finne og ekstrapolere trender, slik at fremtidige verdier kan forutsies. Analytikere bruker vanligvis metoder som minste kvadraters metode, Box-Jenkins og skjønnsmessig prognostisering til trendfremskriving.
• Assosiative:
  • Enkel lineær regresjon: Enkel regresjonsanalyse bidrar til å undersøke forholdet mellom en avhengig variabel (for eksempel salg) og en uavhengig variabel (for eksempel annonsekostnader). Forholdet (uttrykt som et tall) brukes til å utarbeide prognoser for fremtidige verdier.
  • Multippel lineær regresjon: Multippel regresjonsanalyse bidrar til å undersøke forholdet mellom én avhengig variabel og flere uavhengige variabler. Vi kunne for eksempel lagt til kundebevaringsgrad som en annen uavhengig variabel i eksempelet med enkel lineær regresjon. På samme måte som ved enkel lineær regresjon uttrykkes forholdet som et tall og brukes til å utarbeide prognoser for fremtidige verdier.

Slik utarbeider du økonomiske prognoser

Det er noen flere ting du bør ta stilling til før du åpner Excel-regnearket og utarbeider en prognose for selskapets regnskaper. Slik går du trinnvis frem for å utarbeide økonomiske prognoser:

Fastsett formålet

Når du arbeider målrettet, kan du konsentrere deg om det som betyr noe. Utarbeider du prognoser for regnskapet for å se om du har nok kontanter? Eller er det fordi du planlegger et salg av virksomheten og ønsker å verdsette den?

Samle inn historiske data

Hvis du har drevet virksomhet i noen år, er nesten alle dataene du trenger – som inntekter, resultat og vekst – tilgjengelige i regnskapet ditt.

Tre til fem år med historiske data er ideelt, men det kan hende du må bruke historiske data fra flere år, avhengig av faktorer som:

• Prognosehorisont: Du trenger mer historiske data for å fange opp trender hvis du lager prognoser to eller tre år frem i tid. Kortere prognoser krever derimot nyere data.
• Relevansen til dataene: Eldre data fra perioder med betydelige endringer i produktet ditt, forretningsmodellen eller markedsforholdene er ikke like relevante som nyere data, som gjenspeiler den nåværende virksomheten din mer nøyaktig.
• Stabilitet og konsistens i dataene: Bruk en lengre historisk periode hvis virksomhetens resultater eller markedsforholdene har hatt betydelige svingninger.
• Markedsdynamikk: Er bransjen utsatt for raske endringer? Hvis den er det, bør du legge større vekt på nyere data.

Hvis du er en oppstartsbedrift og ikke har historiske data, bør du vurdere å bruke en kvalitativ prognosemodell eller bransjereferanser fra SaaS Capital og lignende kilder.

Definer en tidsramme

Hvor langt frem i tid ønsker du å utarbeide prognoser for regnskapet ditt? Ett år er et ganske vanlig valg, men du kan velge en annen tidsramme basert på dine spesifikke behov.

Hvis du for eksempel skal hente inn kapital om seks måneder, kan du utarbeide prognoser for regnskapet for de neste to kvartalene. Du kan også velge å utarbeide prognoser for en periode på ett år for å forstå hvordan innhenting av ny kapital vil endre kapitalstrukturen og på andre måter påvirke virksomheten din.

Én ting du bør merke deg når du fastsetter tidsrammen, er at nøyaktigheten reduseres når du øker tidsrammen fordi det er mer tid for uavhengige variabler, som økonomien, til å endre seg. Dette kan virke åpenbart, men blir ofte oversett.

Avviket mellom prognoserte og faktiske resultater kan være betydelig, ifølge en rapport fra KPMG:

Velg en prognosemetode

Ingen enkelt metode vil være best i alle situasjoner. Velg en økonomisk prognosemetode som oppfyller formålet med prognosen din.

Lineær metode krever færre ressurser hvis du bare ønsker en generell idé om fremtidige inntekter og fortjeneste, basert på forventede abonnementer og fornyelser neste år.

Lineær regresjon kan derimot være et bedre valg hvis du planlegger en større endring i kostnadsstrukturen for driften for å bli lønnsom i løpet av det neste året.

Når du har funnet den beste prognosemetoden for ditt bruksområde, utarbeider du proforma-regnskaper ved hjelp av denne metoden. Bruk disse regnskapene som grunnlag for økonomisk planlegging og strategiske beslutninger.

Praktisk tips

Alle kvantitative metoder fokuserer på tidligere resultater, noe som ikke alltid er en pålitelig måte å vurdere selskapets fremtidige økonomiske situasjon på.

 

Hvis du kombinerer en kvalitativ metode, for eksempel erfarne lederes fremsyn, med forutsetningene dine, får du mer nøyaktige prognoser.

Analyser prognosen

Se på tallene og vurder om de forteller en historie du liker. Hvis de gjør det, er det et godt utgangspunkt. Hvis ikke, må du finne ut hvorfor.

Prøv å oppdage potensielle problemer i historien – ting som at du ikke har nok kontanter til vekst – ved hjelp av hva-hvis-scenarioer.

Eksperimenter litt ved å stressteste tallene for å forstå hvilken innvirkning uavhengige variabler, som økonomien, har på viktige nøkkeltall.

La oss se på et sannsynlig scenario.

La oss anta at det opprinnelige formålet med prognosen var å se om selskapet kunne oppleve en likviditetskrise i løpet av neste kvartal. Prognosen viser at du vil ha positiv kontantbeholdning gjennom hele kvartalet, men at kontantbeholdningen vil bli redusert fra dagens nivå.

Det er et problem … men ingen grunn til panikk.

Med denne informasjonen går du inn i den prognostiserte kontantstrømoppstillingen for å se hvor kontantene lekker ut. 

• Hvis du taper kontanter på driftsaktiviteter, er det et alvorlig problem, siden det signaliserer at driften ikke genererer nok kontanter.
• På den annen side kan kontantbeholdningen også bli redusert fordi du planlegger å investere i en ny eiendel eller betale ned gjeld. Dette er et langt enklere problem å løse, fordi investeringer og nedbetaling av gjeld ikke er gjentakende aktiviteter.

Nytten av prognosen din – selv om alt i den er korrekt – avhenger fortsatt av at du bruker dataene på riktig måte.

Følg med på de faktiske tallene

Når du har prognosen, må du følge med på de faktiske regnskapene dine og sammenligne dem med prognosen.

Beveger de faktiske tallene seg mot prognosen som forventet?

Hvis ikke, bør du undersøke forskjellene gjennom avviksanalyse, slik at du kan forberede deg på potensielle problemer før det er for sent.

Eksempel på økonomisk prognose

La oss gå gjennom et forenklet eksempel på hvordan økonomiske prognoser fungerer.

La oss anta at du ønsker å lage en prognose for resultatregnskapet for neste kvartal. Du forventer en betydelig økning i etterspørselen som følge av en ny og svært effektiv markedskampanje.

Du forventer at inntektene vil øke med 20 %, og ønsker å lage en prognose for resultatregnskapet for å se om virksomheten vil bli lønnsom innen utgangen av kvartalet.

Her er dataene fra resultatregnskapet for regnskapsperioden som avsluttes i Q3 2023:

Slik kan den finansielle modellen se ut, forutsatt en inntektsvekst på 20 % og at driftskostnadene og de ikke-driftsrelaterte kostnadene forblir uendret:

Med den økte etterspørselen kan virksomheten gå med overskudd i løpet av neste kvartal.

Jeg vil understreke at dette er et forenklet eksempel som illustrerer hvordan du kan lage en prognose for et regnskap. Jeg har forutsatt at driftskostnadene og de ikke-driftsrelaterte kostnadene forblir uendret, noe som sjelden er tilfellet i virkeligheten.

Hvis du føler deg klar til å begynne å lage prognoser for regnskapene dine, hvorfor ikke prøve å bygge en modell med tre regnskapsoppstillinger?

Prognoseprogramvarens rolle

Jeg ville gjort en dårlig jobb om jeg ikke nevnte hvor mye enklere alt dette kan bli med god teknologi.

Prognoseprogramvare gjør prosessen rask og enkel, og de beste løsningene integreres med regnskapsprogramvare for automatisk å hente historiske data for det antallet år du velger. En annen fordel med prognoseprogramvare er at den også tilbyr innebygde funksjoner som salgsanalyse og etterspørselsprognoser, slik at du kan gjøre datadrevne antakelser om fremtiden.

Prognoseprogramvare har eksistert en stund. Det som kommer, er enda mer spennende—AI-baserte verktøy for FP&A vil snart revolusjonere måten FP&A-team lager prognoser for finansielle data på.

AI-modeller kan bruke historiske data til å utarbeide antakelser om fremtiden og generere prognoser på sekunder. Selv om disse prognosene fortsatt krever en CFOs innsikt, gjør de prosessen betydelig raskere og sparer økonomiteamet for verdifull tid.

«AI-modeller vil automatisk legge grunnlaget for eller generere prognoser basert på historiske data og trenddata, og dermed gi et utgangspunkt som økonomiteamene kan videreutvikle med sin kontekst og vurdering av forretningsmessige og økonomiske forhold. Økonomer trenger dermed ikke å lage prognoser fra bunnen av; de videreutvikler og kvalitetssikrer dem, noe som forkorter prognoseprosessen drastisk.»

-Oracle

Klar for å få spådd fremtiden?

Økonomisk prognostisering kan føles vanskelig første gang. Det krever ferdigheter, erfaring og fremsyn å gjøre rimelige antakelser om fremtiden—egenskaper som kommer med tiden. 

Men den andre, mer mekaniske delen av prognostiseringen—å bygge en modell—er enkel å automatisere ved hjelp av programvare. Jeg anbefaler å la programvaren ta seg av modellbyggingen, slik at du kan fokusere på de strategiske aspektene ved økonomisk prognostisering.

Og husk at den økonomiske prognosen din ikke er hugget i stein. 

Når du har prognosen, kan du endre antakelsene dine for å vurdere den økonomiske situasjonen under ulike scenarioer. Bruk denne innsikten til å minimere risiko og styrke den økonomiske posisjonen din.

Hvis du derimot er interessert i å analysere hvor vellykkede tidligere resultater har vært, vil programvare for økonomisk analyse passe bedre til dette formålet.

Klar til å videreutvikle evnene dine som økonomileder? Abonner på nyhetsbrevet vårt for ekspertråd, veiledninger og anbefalinger fra økonomilederne som former teknologibransjen.