Financiële voorspellingsmodellen: een complete handleiding
Succes behalen in de complexe en concurrerende moderne bedrijfsomgeving vereist een toekomstgerichte strategie. Op basis van historische prestaties, marktonderzoek en huidige trends kunnen datagedreven financiële prognosemodellen bedrijven helpen een concurrentievoordeel te behalen.
Er zijn veel verschillende prognosemodellen om uit te kiezen en nog meer softwareoplossingen om ze te helpen implementeren. In deze gids bespreek ik enkele nuttige prognosemodellen en leg ik uit hoe je ze kunt gebruiken om een voorsprong in jouw sector te behalen.
Wat is een prognosemodel?
Prognosemodellen zijn hulpmiddelen die worden gebruikt om toekomstige prestaties te voorspellen op basis van historische en actuele gegevens. In de bedrijfs- en financiële wereld verwijst de term prognose vrijwel altijd naar financiële prognoses.
Create a Free Account to Read More
You'll also get access to a growing community of modern CFOs and finance executives accessing proven frameworks, tools, and insights to navigate AI-driven finance.
Have an account? Log In
Een prognosemodel gebruikt een statistische methodologie, of formules en aannames, om toekomstige prestaties te voorspellen, waaronder omzet, klantvraag en klantverlooppercentages.
Meer specifiek worden deze modellen gebruikt om te bepalen hoe veranderingen in bepaalde variabelen en parameters waarschijnlijk van invloed zullen zijn op de prestaties (in tegenstelling tot budgetten, die je helpen je kasstroom toe te wijzen). Een restaurantketen kan bijvoorbeeld een model gebruiken om te bepalen hoe veranderingen in de openingstijden van een vestiging of seizoenspatronen de verkoopomzet zullen beïnvloeden.
Er zijn allerlei prognosemodellen (die hieronder uitgebreid worden besproken), maar ze hebben allemaal hetzelfde doel: historische gegevens, aannames en huidige trends gebruiken om toekomstige prestaties te voorspellen.
Deze hulpmiddelen kunnen worden toegepast op een eindeloze reeks mogelijke scenario's en zijn cruciaal voor financiële, marketing- en managementteams. Voor de rest van deze gids laat ik de overige toepassingen buiten beschouwing en richt ik me specifiek op financiële prognosemodellen.
Prognosemethoden
Het kiezen van het juiste type modelleringstechniek (en het specifieke prognosemodel) is zeer belangrijk. Voordat je echter een keuze kunt maken, heb je wat basisinformatie nodig over deze modellen en hoe ze werken.
Er zijn twee brede categorieën prognosemodellen: kwantitatieve en kwalitatieve.
Kwalitatieve prognosemethoden
Kwalitatieve prognoses zijn gebaseerd op deskundige meningen en beoordelingen. Ze zijn:
- Van nature subjectief
- Niet gebaseerd op gegevens of trends uit het verleden
- Worden gebruikt om niet-numerieke gegevens te analyseren
Kwalitatieve methoden worden gebruikt wanneer de focus van de analyse niet kan worden gemeten of geteld. Als een bedrijf bijvoorbeeld inzicht wil krijgen in de motivaties en overtuigingen die consumentengedrag sturen en hun aankoopbeslissingen beïnvloeden, kunnen geen kwantitatieve gegevens deze zaken aan het licht brengen. Kwalitatieve prognoses zijn gebaseerd op individuele meningen, onderzoek en studies.
Kwantitatieve prognosemethoden
Kwantitatieve prognoses gebruiken numerieke patronen in historische gegevens om toekomstige prestaties te voorspellen. Kwantitatieve modellen:
- Zijn objectiever van aard
- Steunen op historische gegevens (bijv. verkoopomzet, personeelsbestand, enz.)
- Analyseren numerieke gegevens
Binnen de kwantitatieve categorie zijn er nog twee subcategorieën:
Tijdreeksen
Tijdreeksmodellen richten zich op patronen en hun variaties en steunen op historische gegevens.
Een bedrijf dat bijvoorbeeld activiteiten in een nieuw land voorbereidt, kan gegevens van zijn vorige lancering (waaronder verkoopgegevens, trends in het personeelsbestand, enz.) gebruiken om een budget voor de nieuwe lancering op te stellen.
Associatief/causaal
Associatieve modellen, ook wel causale modellen genoemd, zijn geavanceerder en richten zich op meerdere reeksen zeer verfijnde en specifieke informatie. Ze maken gebruik van historische gegevens en zijn uitstekend in het nemen van gegevens die ogenschijnlijk niets met elkaar te maken hebben en deze te koppelen aan het beoogde doel van de prognose.
Ze kunnen ook worden gebruikt om verbanden te leggen tussen de financiële maatstaven van een bedrijf en externe variabelen. Zo kan een fabrikant van huishoudelijke apparaten een model bouwen dat de verkoop van apparaten voorspelt op basis van het aantal nieuwe bouwvergunningen in een bepaald gebied.
Hieronder bespreek ik de basisprincipes van enkele van de meest voorkomende prognosemodellen die bedrijven tegenwoordig gebruiken.
Veelgebruikte kwantitatieve prognosemodellen
Kwantitatieve prognosemodellen baseren zich op gegevens uit het verleden om voorspellingen over de toekomst te doen.
Een detailhandelaar kan bijvoorbeeld de verkoopgegevens van het vierde kwartaal van de afgelopen drie jaar bekijken om het verkoopvolume tijdens het drukke winkelseizoen rond de feestdagen te voorspellen.
Als je geen interne gegevens hebt (bijvoorbeeld omdat je een gloednieuwe detailhandelaar bent), kun je mogelijk nog steeds kwantitatieve prognoses gebruiken — je moet dan alleen toegang hebben tot vergelijkbare gegevens uit jouw sector.
Binnen de wereld van kwantitatieve prognoses zijn er verschillende populaire modellen die je kunt gebruiken — hieronder leg ik ze uit.
Tijdreeksen
Tijdreeksmodellen worden gebruikt wanneer er gegevens over meerdere jaren beschikbaar zijn. Ze zijn vooral nuttig wanneer de verbanden tussen gegevenspunten (bijvoorbeeld de gemiddelde prijs en het verkoopvolume) relatief stabiel zijn en trends gemakkelijk herkenbaar zijn.
Een bedrijf kan er bijvoorbeeld voor kiezen tijdreeksmodellen te gebruiken om de groei van een bestaande productlijn te projecteren.
Stel dat de betreffende productlijn vier jaar geleden werd gelanceerd en sindsdien een gestage groei heeft doorgemaakt. Het bedrijf kan die gegevens gebruiken en vervolgens een tijdreeksmodel toepassen om te voorspellen wat het verkoopvolume volgend jaar (of over meerdere jaren) zou kunnen zijn.
Rechte lijn
Modellering met een rechte lijn is een eenvoudige techniek die schattingen van toekomstige inkomsten of andere financiële maatstaven oplevert door cijfers uit het verleden te bekijken en ervan uit te gaan dat die trends zich voortzetten.
Als een bedrijf bijvoorbeeld de afgelopen vier jaar een jaarlijkse omzetgroei van 3.6% heeft doorgemaakt en verwacht dat de huidige trends zich voortzetten, kan het een model met een rechte lijn gebruiken om te voorspellen hoeveel verkoopinkomsten het bedrijf in de toekomst waarschijnlijk zal genereren.
Zoals de naam al suggereert, gaat het model met een rechte lijn uit van een consistente en voorspelbare verandering. Het is eenvoudig, maar kan nog steeds een goed uitgangspunt zijn om verschillende financiële maatstaven en scenario's te voorspellen.
Wat is het verschil tussen prognoses met tijdreeksen en prognoses met een rechte lijn?
Tijdreeksmodellen worden doorgaans gebruikt om trendcycli, cyclische schommelingen en seizoensinvloeden te begrijpen, terwijl prognoses met een rechte lijn doorgaans worden gebruikt om stabiele groei (of afname) te voorspellen.
Zie prognoses met tijdreeksen als een op zichzelf staande cirkel of spiraal; en denk bij prognoses met een rechte lijn aan, nou ja, een rechte lijn!
Voortschrijdend gemiddelde
Het model met het voortschrijdend gemiddelde lijkt enigszins op het hierboven beschreven model met een rechte lijn, maar werkt met kleinere gegevensverzamelingen en richt zich op perioden van korte tot middellange duur.
Bedrijven kunnen bijvoorbeeld prognosemodellen met voortschrijdende gemiddelden gebruiken om de vraag tijdens de feestdagen te voorspellen. Het bedrijf kan vervolgens de verkoopinkomsten op basis van het voortschrijdend gemiddelde uit het vierde kwartaal van respectievelijk 2019, 2020, 2021 en 2022 in aanmerking nemen.
Ze kunnen een eenvoudige formule toepassen om het voortschrijdend gemiddelde te berekenen:
(A1 + A2 + A3 + A4) / N
waarbij
A = Gemiddelde voor een bepaalde periode
en
N = Totaal aantal perioden
Het bedrijf kan dit voortschrijdende gemiddelde vervolgens gebruiken om een prognose te maken van de verwachte verkoopcijfers tijdens de feestdagen van dit jaar.
Deze formule vereist een goede gegevensverzameling; in het bovenstaande voorbeeld worden vier jaar aan gegevens gebruikt. Cruciaal is echter dat de formule verkoopgegevens buiten het vierde kwartaal negeert, die grotendeels irrelevant zijn wanneer specifiek de verkoop tijdens de feestdagen wordt voorspeld.
Exponentiële afvlakking
Modellen voor exponentiële afvlakking lijken op modellen met voortschrijdende gemiddelden, maar passen een wegingsmethode toe waarbij recentere gegevens zwaarder wegen.
Neem bijvoorbeeld hetzelfde voorbeeld als hierboven. Het bedrijf beschikt over vier jaar aan historische verkoopgegevens voor de feestdagen — maar heeft in die periode een consistente groei doorgemaakt.
Daarom zijn de gegevens uit oudere jaren minder relevant dan de recente gegevens uit de afgelopen twee jaar.
Modellen voor exponentiële afvlakking kennen een hoger gewicht toe aan recentere gegevens. Dit is nuttig omdat bedrijven hun prognoses zo kunnen aanpassen aan recentere gegevenstrends.
Hoewel het verleidelijk kan zijn om oudere gegevens te gebruiken als die een rooskleuriger beeld laten zien (waarderingen uit 2021 versus waarderingen uit 2022, bijvoorbeeld?), is het van essentieel belang dat je de meest geschikte gegevens gebruikt om een goed beeld te krijgen van wat er komen gaat.
Trendprojectie
Bij trendprojectie wordt een trendlijn afgestemd op een wiskundige vergelijking, waarna de vergelijking wordt gebruikt om die trendlijn naar de toekomst door te trekken.
Een trendprojectiemodel kijkt naar gegevens uit het verleden—zoals verkoopcijfers van weekenden, weekdagen of specifieke seizoenen—om voorspellingen te doen over de toekomstige vraag tijdens die periodes.
Afhankelijk van de gegevenssets waarmee je werkt, kan dit op een vergelijkbare manier worden toegepast als modellering met een rechte lijn. Binnen trendprojecties bestaan verschillende subcategorieën, waaronder logaritmen, veeltermen en de methode op basis van hellingskenmerken.
Associatieve modellen
Associatieve modellen, ook wel causale modellen genoemd, koppelen een bepaalde bedrijfsmaatstaf (zoals omzet) aan een afzonderlijke onafhankelijke variabele (zoals bevolkingsgroei in een stad).
Causale modellen zijn nuttig om verwachtingen over toekomstige bedrijfsactiviteiten te verbinden met afzonderlijke variabelen, zowel binnen als buiten het bedrijf.
Een foodtruckeigenaar kan bijvoorbeeld een model gebruiken om de vraag op een zomerfestival te voorspellen op basis van de verwachte weersomstandigheden voor het weekend. Een vastgoedontwikkelaar kan daarentegen causale modellering gebruiken om de toekomstige vraag naar nieuwbouwwoningen in een gemeenschap te voorspellen, op basis van de verwachte bevolkingsgroei in het gebied.
Dat gezegd hebbende, kunnen associatieve modellen ook worden gebruikt om een bepaalde variabele te voorspellen op basis van de samenhang met andere gerelateerde variabelen. Een bedrijf kan bijvoorbeeld causale modellering gebruiken om de geschatte winstmarge te voorspellen die het gevolg zou zijn van hogere advertentie-uitgaven.
Per definitie zijn associatieve modellen complexer dan tijdreeksmodellen.
Associatieve modellen kunnen worden gebruikt om externe gegevens toe te voegen en een verband vast te stellen tussen een relatief standaard bedrijfsmaatstaf (bijv. omzet) en een maatstaf waar veel bedrijven misschien niet eens rekening mee houden (bijv. het gemiddelde jaarlijkse huishoudinkomen in een stad).
Hoewel causale modellen complexer zijn, kunnen ze uiterst nuttig zijn om nauwkeurigere voorspellingen te maken—en concurrenten voor te blijven.
Enkelvoudige lineaire regressie
Enkelvoudige lineaire regressie helpt bedrijven te onderzoeken hoe een afhankelijke variabele (zoals verkoopomzet) samenhangt met een onafhankelijke variabele (zoals aan advertenties besteed geld).
Als we het voorbeeld van externe gegevens gebruiken, kan enkelvoudige lineaire regressie ook worden gebruikt om vast te stellen hoe een afhankelijke variabele (zoals verkoopomzet per locatie) samenhangt met een onafhankelijke variabele (zoals het huishoudinkomen in een bepaald district).
Enkelvoudige lineaire regressie kan worden gevisualiseerd door een lijngrafiek te maken met één maatstaf op de Y-as en een andere op de X-as. Maar zoals de naam al aangeeft, moet je het eenvoudig houden; deze modellen ondersteunen alleen vergelijkingen tussen twee variabelen.
Meervoudige lineaire regressie
Zoals je misschien al had geraden, bouwt meervoudige lineaire regressie voort op enkelvoudige lineaire regressie door meerdere bedrijfsvariabelen aan de vergelijking toe te voegen.
Er is nog steeds één afhankelijke variabele (bijv. verkoopomzet), maar er kunnen meerdere onafhankelijke variabelen zijn die afkomstig zijn uit interne, externe of beide soorten gegevensbronnen.
Meervoudige lineaire regressie is complex en vereist doorgaans software voor statistische analyse om te worden uitgevoerd. Ook zijn de gebruikte gegevens (het aantal gegevenselementen, de geanalyseerde periode en de beslissingen die tijdens het opschonen van de gegevens zijn genomen) belangrijk voor de nauwkeurigheid van de resulterende regressieformule.
Bij het maken van voorspellingen met lineaire regressie moet je de resultaten kritisch bekijken om rekening te houden met variabelen die niet in de gebruikte gegevens zijn opgenomen en om te bepalen of deze ontbrekende variabelen ertoe leiden dat het model de impact van een onafhankelijke variabele over- of onderschat.
Veelgebruikte kwalitatieve voorspellingsmodellen
Kwalitatieve voorspellingsmodellen maken gebruik van subjectieve, kwalitatieve gegevens. Ze worden vaak gebruikt in situaties waarin kwantitatieve gegevens niet beschikbaar zijn.
Een kwalitatief model kan bijvoorbeeld afhankelijk zijn van input van een expert of van de resultaten van een enquête onder potentiële klanten.
Kwalitatieve prognoses zijn subjectiever van aard, maar ze zijn nog steeds heel nuttig—met name voor situaties waarin er geen solide gegevens zijn om uit te putten. PS: ik vind het nog steeds vreemd dat "data" het meervoud is.
Hoe dan ook.
Voor alle kwalitatieve prognosemodellen is een bepaalde vorm van gegevensverzameling nodig (interviews met experts, panels, enquêtes enzovoort), maar ze verschillen in de manier waarop die gegevens worden verzameld en vervolgens worden gebruikt om prognoses te onderbouwen. Deze modellen zijn doorgaans minder nuttig voor financiële prognoses, omdat je met al deze modellen in feite spaghetti tegen de muur gooit; sommige zijn alleen nauwkeuriger dan andere.
Delphi-methode
Heb je weleens gehoord van het Orakel van Delphi? Haar hele taak bestond uit het doen van voorspellingen over de toekomst—niet zo heel anders dan die van een CFO... toch?
Ja, je mag naar jezelf gaan verwijzen als het Orakel van jouw bedrijf. Nee, je mag niet zeggen dat ik je daarvoor toestemming heb gegeven.
De Delphi-methode maakt gebruik van de meningen van experts, doorgaans een kleine groep deskundigen op het betreffende gebied. Zo kan een particuliere onderwijsinstelling een groep professoren raadplegen om gegevens over de gewoonten van studenten te verzamelen.
Bij de Delphi-methode worden experts geïnterviewd om gegevens te verzamelen. Belangrijk is dat elke expert afzonderlijk wordt geïnterviewd en dat de gegevens pas achteraf worden samengevoegd. Dit helpt groepsbias te voorkomen en biedt volledige vrijheid van meningsuiting.
De Delphi-methode maakt gebruik van meerdere "rondes" van gegevensverzameling. De eerste ronde is individueel, maar de latere rondes zijn gezamenlijk. De antwoorden van elke expert worden gedeeld met de grotere groep, waardoor discussie ontstaat. Experts mogen hun mening of schattingen in latere rondes aanpassen.
Omdat bij de Delphi-methode doorgaans kleine groepen experts worden gebruikt, is het belangrijk om de juiste mensen voor de interviews te selecteren, aangezien de gegevens slechts zo goed zijn als de kennis van de experts.
Marktonderzoek
Ik wed dat je nog nooit van deze methode hebt gehoord—hé, ik zie je met je ogen rollen!
Marktonderzoek is een veelgebruikte prognosemethode waarmee bedrijven de meningen van potentiële klanten verzamelen. Zo kan een levensmiddelenproducent die een nieuw caloriearm ijsmerk lanceert, klanten via een online enquête vragen naar hun doelstellingen voor gewichtsverlies en voedingskeuzes.
Marktonderzoek draait doorgaans om aantallen, dus hoe meer reacties je bij het publiek kunt verzamelen, hoe beter.
Marktonderzoek kan worden uitgevoerd via telefoon, e-mail, sms, persoonlijke interviews en meer. Het gebeurt vaak met hulp van marktonderzoeksbureaus, die de interviews en gegevensverzameling verzorgen.
Panelconsensus
Bij panelconsensus wordt gebruikgemaakt van een focusgroep die steunt op de meningen van experts en medewerkers. Dit gebeurt vaak met een panel van medewerkers uit alle lagen van het bedrijf, in plaats van alleen met leidinggevenden.
Deze methode combineert op unieke wijze de meningen van echte experts en "semi-experts" en kent daaraan evenveel gewicht toe. Zo kan een team dat de seizoensgebonden vraag naar een bepaalde drank met een specifieke smaak probeert te voorspellen, medewerkers van verkoop, marketing of zelfs de winkelvloer omvatten.
Zoals de naam al doet vermoeden, moet het panel tot een consensusraming komen. De groep kan meningen delen en debatteren, maar moet uiteindelijk consensus bereiken.
Visionaire prognose
Visionaire prognoses zijn gebaseerd op de inzichten en meningen van één persoon—ik vond het interessant dat dit niet de Delphi-methode werd genoemd, aangezien zij maar één persoon is... maar goed, ze had de hulp van de goden (en niemand heeft het aan mij gevraagd).
De betreffende visionair kan jij zijn, een ander lid van je managementteam, een externe consultant of een expert uit de sector.
Omdat dit prognosemodel afhankelijk is van één visionair, is het vatbaar voor bevestigingsbias en kan het het best worden gebruikt in combinatie met andere methoden.
Samengestelde verkoopprognose
Bij een samengestelde verkoopprognose ligt de nadruk op het verzamelen van kwalitatieve gegevens van verkoopmedewerkers. Daarbij wordt doorgaans gebruikgemaakt van de meningen van meerdere teamleden, bij voorkeur van degenen die betrokken zijn bij het soort verkoop dat verband houdt met het betreffende product.
Als een voertuigfabrikant bijvoorbeeld een nieuw model overweegt, kan het bedrijf een enquête onder zijn verkoopmedewerkers houden om informatie te verzamelen over de mening van klanten, hun behoeften, veelgestelde vragen, budgetten enzovoort.
Het idee hierachter is dat verkoopmedewerkers praktische ervaring hebben met het omgaan met klanten (en weten wat verkoop echt stimuleert) en daardoor waardevollere inzichten hebben in het daadwerkelijke gedrag en de wensen van klanten.
Modellering met samengestelde verkoopprognoses kan ook nuttig zijn bij het identificeren van regionale en lokale trends.
Hoewel de bovenstaande lijst niet volledig is, behandelt deze veel van de meest gebruikte prognosemodellen. Dat gezegd hebbende, zijn sommige modellen zeker populairder dan andere.
Wat zijn de meest voorkomende prognosemodellen?
Over het algemeen worden tijdreeksmodellen (namelijk rechte-lijnmodellen en modellen met voortschrijdende gemiddelden) het vaakst gebruikt.
Dit komt deels doordat tijdreeksmodellen voorspellingen op basis van historische gegevens objectiever maken. Ze zijn niet afhankelijk van de mening van experts of feedback van klanten, die veranderlijk kunnen zijn en gevoelig kunnen zijn voor vooroordelen. In plaats daarvan gebruiken ze harde gegevens om betrouwbare modellen voor toekomstige prestatie-indicatoren op te stellen.
Deze modellen zijn ook populair omdat ze relatief eenvoudig te gebruiken zijn en vaak geen gespecialiseerde software vereisen. Sommige software die je misschien al gebruikt, zoals je systeem voor enterprise resource planning, beschikt waarschijnlijk over deze ingebouwde functies voor statistische modellering. Rechte-lijnmodellering kan zelfs relatief eenvoudig handmatig in Excel worden uitgevoerd.
Associatieve (causale) modellering wordt ook veel gebruikt, maar is iets ingewikkelder en vereist vaak software of een bepaald opleidingsniveau. Deze methode is vooral nuttig wanneer je relaties tussen zeer verschillende variabelen probeert te volgen, of het nu gaat om slechts één onafhankelijke variabele (enkelvoudige lineaire regressie) of meerdere (meervoudige lineaire regressie).
Wat kwalitatieve voorspellingsmodellen betreft, is marktonderzoek meestal het meest gebruikelijk. Veel bedrijven voeren enquêtes uit, verzamelen feedback van klanten en gebruiken deze gegevens om strategische beslissingen voor de toekomst te onderbouwen. Andere bedrijven kiezen ervoor externe marktonderzoeksbureaus in te schakelen voor uitgebreidere klantonderzoeken.
Waarom is voorspellen belangrijk?
Zoals ik helemaal aan het begin van dit artikel al aangaf, is voorspellen de sleutel om te voorkomen dat je:
- Investeerders verliest en vervolgens
- Ontslagen wordt
Grapje. Een beetje dan.
Voorspellen is belangrijk omdat het bedrijven in staat stelt plannen te maken voor de toekomst. Het hele idee achter voorspellen is informatie uit verschillende bronnen te verzamelen en die informatie vervolgens te gebruiken om betere beslissingen te nemen.
Een bedrijf dat speciaalzaken voorziet van bijzondere goederen kan bijvoorbeeld een voorspellingsmodel gebruiken om de vraag tijdens het drukke feestdagenseizoen te voorspellen. Hun modelleringsinspanningen kunnen de vraagramingen verbeteren, waardoor ze hun voorraadniveaus kunnen verhogen en aanvullen om aan de seizoensgebonden vraag te voldoen.
Of een bedrijf kan ervoor kiezen een voorspellingsmodel te gebruiken om de financiële impact te analyseren van verschillende prijsniveaus of verkoopstrategieën die worden overwogen voor een aanstaande productlancering. Deze inspanningen kunnen worden gecombineerd met voorspellingen van de seizoensgebonden vraag om niet alleen de beste verkoopstrategie te bepalen, maar ook het ideale moment om seizoensgebonden verkopen en promoties te lanceren.
Uiteindelijk is het idee achter voorspellen, ongeacht de onderzochte indicator, een blik te werpen op toekomstige trends of financiële indicatoren om je voor te bereiden op wat komen gaat.
Hoe gebruik je voorspellingsmodellen?
Elk voorspellingsmodel wordt op een andere manier ingezet. De algemene strategie is echter als volgt:
- Wees duidelijk over je doel. Is bepalen wanneer je je volgende financieringsronde moet ophalen het doel? Richt je dan op het voorspellen van de kasstroom en hanteer conservatieve aannames.
- Selecteer het juiste model. Ik heb hierboven specifieke toepassingen besproken voor de financiële voorspellingsmodellen. Uiteindelijk zullen veel bedrijven ervoor kiezen meerdere modellen te gebruiken, maar het is nuttig om in het begin de keuze te beperken tot één of twee.
- Verzamel gegevens. Kwantitatieve modellen gebruiken historische gegevens (meestal de financiële gegevens van het bedrijf), terwijl kwalitatieve modellen subjectieve gegevens gebruiken die zijn verzameld bij klanten of deskundigen uit de sector.
- Bouw het model op. Dit proces verschilt aanzienlijk afhankelijk van het specifieke model dat wordt ingezet. Veel modellen kunnen worden opgezet in Excel of vergelijkbare alom beschikbare hulpmiddelen. Voor andere modellen kan gespecialiseerde statistische of voorspellingssoftware nodig zijn.
- Bepaal je betrouwbaarheidsniveau. Betrouwbaarheidsintervallen worden gebruikt om de mate van onzekerheid uit te drukken die met een voorspelling gepaard gaat. De meest gebruikte betrouwbaarheidsintervallen zijn 90%, 95% en 99%. Hoe hoger het betrouwbaarheidsniveau, hoe betrouwbaarder de voorspelling. Zoals je zou verwachten, geldt dat hoe objectiever de gegevens zijn, hoe hoger het betrouwbaarheidsniveau doorgaans is.
- Gebruik het model. Gebruik het model vervolgens volgens het aanbevolen protocol voor dat specifieke model en maak gebruik van de meest relevante gegevens die je kunt verzamelen.
- Analyseer de resultaten. Neem de resultaten die je vindt en vergelijk ze met andere ramingen of voorspellingen waarover je mogelijk al beschikt. Je kunt ook andere modellen met dezelfde gegevens uitvoeren om verschillen vast te stellen.
Voor sommige prognosemodellen is training op expertniveau in statistiek of financiële prognoses vereist, terwijl andere veel eenvoudiger uit te voeren zijn. Uiteindelijk zijn de complexiteit en uitdagingen van prognoses afhankelijk van het gekozen model en de hoeveelheid & kwaliteit van de gegevens waarmee je werkt.
Welke software wordt gebruikt voor prognoses?
Er kunnen veel verschillende soorten software voor prognoses worden gebruikt, van eenvoudige spreadsheets tot hulpmiddelen voor machine learning en kunstmatige intelligentie.
Hoewel veel financiële modellen in Microsoft Excel of Google Sheets kunnen worden uitgevoerd, vereisen veel modellen ERP-software, EPM-software of andere gespecialiseerde software.
Voordat je nieuwe software aanschaft, is het verstandig om de functies van je bestaande hulpmiddelen te controleren. Sommige software voor voorraadbeheer heeft functies voor vraagprognoses en andere hulpmiddelen om voorraadniveaus te helpen plannen. En je salarisadministratiedienst biedt mogelijk functies voor personeelsprognoses.
Voor kwalitatieve prognoses zijn er niet veel softwareopties die het overwegen waard zijn, aangezien de meeste bedrijven vertrouwen op externe onderzoeksbureaus en consultants die gespecialiseerd zijn in het uitvoeren en publiceren van marktonderzoek.
Omdat “prognoses” uiteindelijk zo’n brede term is, zijn er veel verschillende softwareoplossingen die kunnen worden gebruikt, maar prognosesoftware biedt specifieke voordelen voor je bedrijf.
Prognosemodellen kunnen je bedrijf een voorsprong geven
Weten wanneer, waar en hoe je financiële prognoses inzet kan bedrijven een voorsprong geven.
Met de juiste prognosemodellen en nauwkeurige gegevensinvoer kunnen bedrijven nauwkeurigere begrotingen opstellen, hun doelstellingen en concurrentiestrategieën verfijnen en beter voorbereid zijn op de toekomst.
Wil je je vaardigheden als CFO aanscherpen of je verder ontwikkelen in een vergelijkbare financiële functie? The CFO Club is een gemeenschap van gelijkgestemde financiële leiders in de SaaS- en technologiesector die willen uitblinken in hun vakgebied. Abonneer je op de nieuwsbrief van The CFO Club voor inzichten uit de sector en meer content zoals deze.
