Succes boeken 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 zakelijke en financiële wereld verwijst de term prognose vrijwel altijd naar financiële prognoses.
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 zijn op de prestaties (in tegenstelling tot budgetten, die je helpen je kasstroom toe te wijzen). Zo kan een restaurantketen een model gebruiken om te bepalen hoe veranderingen in de openingstijden van een vestiging of seizoenspatronen de omzet zullen beïnvloeden.
Er bestaan 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 erg belangrijk. Voordat je echter een keuze kunt maken, heb je basisinformatie nodig over deze modellen en de manier waarop ze werken.
Er zijn twee brede categorieën prognosemodellen: kwantitatieve en kwalitatieve.
Kwalitatieve prognosemethoden
Kwalitatieve prognoses zijn gebaseerd op de meningen en het oordeel van experts. Ze zijn:
- Subjectief van aard
- Niet gebaseerd op gegevens of trends uit het verleden
- Bedoeld 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 die zaken aan het licht brengen. Kwalitatieve prognoses zijn afhankelijk van 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. omzet, 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 van plan is activiteiten in een nieuw land te starten, kan gegevens van een eerdere 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 goed in het combineren van ogenschijnlijk uiteenlopende gegevens met het beoogde doel van de prognose.
Ze kunnen ook worden gebruikt om associatieve relaties te creëren tussen de financiële maatstaven van een bedrijf en externe variabelen. Een fabrikant van huishoudelijke apparaten kan bijvoorbeeld 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 voorspellingsmodellen die bedrijven tegenwoordig gebruiken.
Have an account? Log In
Veelgebruikte kwantitatieve voorspellingsmodellen
Kwantitatieve voorspellingsmodellen 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 als je een gloednieuwe detailhandelaar bent), kun je mogelijk toch kwantitatieve voorspellingen gebruiken—je moet dan wel toegang hebben tot vergelijkbare gegevens uit jouw sector.
Binnen de wereld van kwantitatieve voorspellingen zijn er verschillende populaire modellen die je kunt gebruiken—ik leg ze hieronder uit.
Tijdreeksen
Tijdreeksmodellen worden gebruikt wanneer er gegevens van meerdere jaren beschikbaar zijn. Ze zijn vooral nuttig wanneer relaties 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 is 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) zal 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 aan te nemen dat die trends zich zullen 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 voor het voorspellen van een reeks financiële maatstaven en scenario's.
Wat is het verschil tussen voorspellen met tijdreeksen en met een rechte lijn?
Tijdreeksmodellen worden doorgaans gebruikt om trendcycli, cyclische schommelingen en seizoensinvloeden te begrijpen, terwijl voorspellen met een rechte lijn doorgaans wordt gebruikt om stabiele groei (of krimp) te voorspellen.
Zie tijdreeksvoorspellingen als een zelfstandige cirkel of spiraal; denk bij een rechte lijn aan, tja, een rechte lijn!
Voortschrijdend gemiddelde
Het model met een voortschrijdend gemiddelde lijkt enigszins op het hierboven beschreven model met een rechte lijn, maar werkt met kleinere datasets en richt zich op korte- tot middellangetermijnperiodes.
Bedrijven kunnen bijvoorbeeld modellen met een voortschrijdend gemiddelde gebruiken om de vraag tijdens de feestdagen te voorspellen. Het bedrijf kan dan de verkoopinkomsten op basis van het voortschrijdend gemiddelde voor het vierde kwartaal van respectievelijk 2019, 2020, 2021 en 2022 in overweging nemen.
Ze kunnen een eenvoudige formule toepassen om het voortschrijdend gemiddelde te berekenen:
(A1 + A2 + A3 + A4) / N
waarbij
A = Gemiddelde voor een specifieke periode
en
N = Totaal aantal perioden
Het bedrijf kan dit voortschrijdend gemiddelde vervolgens gebruiken om een voorspelling te maken van de verwachte verkoopcijfers tijdens de feestdagen van dit jaar.
Deze formule heeft een goede dataset nodig om mee te werken; 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 een voortschrijdend gemiddelde, maar passen een wegingsmethode toe om recentere gegevens zwaarder mee te laten tellen.
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 van de afgelopen twee jaar.
Modellen voor exponentiële afvlakking kennen een hoger gewicht toe aan recentere gegevens. Dit is nuttig, omdat bedrijven hun voorspellingen 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 essentieel dat je de meest geschikte gegevens gebruikt om een goed beeld te krijgen van wat er gaat komen.
Trendprojectie
Bij trendprojectie wordt een trendlijn aan een wiskundige vergelijking aangepast, 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.
Het kan op een vergelijkbare manier worden toegepast als modellering met een rechte lijn, afhankelijk van de gegevenssets waarmee je werkt. Binnen trendprojecties bestaan verschillende subcategorieën, waaronder logaritmen, polynomen en de methode op basis van de hellingskarakteristiek.
Associatieve modellen
Associatieve modellen, ook wel causale modellen genoemd, koppelen een bepaalde bedrijfsmetriek (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 zomerbraderie te voorspellen op basis van de weersverwachting 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 relatie met andere, verwante variabelen. Zo kan een bedrijf 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 externe gegevens integreren en proberen een verband vast te stellen tussen een relatief gangbare bedrijfsmetriek (bijv. omzet) en een metriek die veel bedrijven mogelijk niet eens in overweging nemen (bijv. het gebruikelijke jaarlijkse huishoudinkomen van een stad).
Hoewel causale modellen complexer zijn, kunnen ze bijzonder nuttig zijn voor het opstellen van nauwkeurigere prognoses en om 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 het aan reclame bestede geld).
Of, met het voorbeeld van externe gegevens, kan enkelvoudige lineaire regressie ook worden gebruikt om te bepalen 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 metriek op de Y-as en een andere op de X-as. Maar zoals de naam al suggereert, moet je het eenvoudig houden; deze modellen kunnen alleen vergelijkingen tussen twee variabelen ondersteunen.
Meervoudige lineaire regressie
Zoals je misschien al hebt 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, beslissingen die tijdens de fase van gegevensopschoning zijn genomen) belangrijk voor de nauwkeurigheid van de uiteindelijke regressieformule.
Voor prognoses met lineaire regressie moet je de resultaten kritisch bekijken om rekening te houden met variabelen die niet zijn vastgelegd in de voor de regressie gebruikte gegevens en om te bepalen of deze ontbrekende variabelen ertoe leiden dat het model de impact van een onafhankelijke variabele over- of onderschat.
Author's Tip
Het is de moeite waard om op te merken dat zowel enkelvoudige als meervoudige lineaire regressiemodellen ervan uitgaan dat het verleden kan helpen de toekomst te voorspellen. Hoewel dit nuttig kan zijn voor bijvoorbeeld bedrijven die toekomstige inkomsten willen voorspellen (uitgaande van aanhoudende groei), zou het geen goede manier zijn om de effectiviteit van toekomstige medewerkers te voorspellen op basis van de prestaties van eerdere medewerkers.
Veelgebruikte kwalitatieve voorspellingsmodellen
Kwalitatieve voorspellingsmodellen maken gebruik van subjectieve, kwalitatieve gegevens. Ze worden vaak gebruikt in situaties waarin geen kwantitatieve gegevens beschikbaar zijn.
Een kwalitatief model kan bijvoorbeeld afhankelijk zijn van input van een deskundige of van de resultaten van een enquête onder potentiële klanten.
Kwalitatieve prognoses zijn subjectiever van aard, maar ze zijn nog steeds behoorlijk nuttig—vooral in 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 deskundigen, 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 gewoon nauwkeuriger dan andere.
Delphi-methode
Heb je ooit gehoord van het orakel van Delphi? Haar hele taak bestond uit het doen van voorspellingen over de toekomst—niet eens zo heel anders dan die van een CFO... toch?
Ja, je mag jezelf vanaf nu het orakel van je bedrijf noemen. Nee, je mag niet zeggen dat ik je daar toestemming voor heb gegeven.
De Delphi-methode maakt gebruik van de meningen van deskundigen, doorgaans een kleine groep experts op een bepaald vakgebied. Zo kan een particuliere onderwijsinstelling bijvoorbeeld een groep hoogleraren raadplegen om gegevens over het gedrag van studenten te verzamelen.
Bij de Delphi-methode worden deskundigen geïnterviewd om gegevens te verzamelen. Cruciaal is dat elke deskundige afzonderlijk wordt geïnterviewd en dat de gegevens pas daarna worden samengevoegd. Dit helpt groepsbias te voorkomen en biedt volledige vrijheid van meningsuiting.
De Delphi-methode maakt gebruik van “rondes” van gegevensverzameling. De eerste ronde is individueel, maar de latere rondes zijn gezamenlijk. De antwoorden van elke deskundige worden met de bredere groep gedeeld, waardoor ruimte ontstaat voor discussie. Deskundigen kunnen hun mening of schattingen in latere rondes vrijelijk aanpassen.
Omdat bij de Delphi-methode doorgaans kleine groepen deskundigen worden gebruikt, is het belangrijk om de juiste mensen voor de interviews te selecteren, aangezien de kwaliteit van de gegevens niet beter is dan de kennis van de deskundigen.
Marktonderzoek
Ik wed dat je nog nooit van deze hebt gehoord—hé, ik zie je met je ogen rollen!
Marktonderzoek is een zeer gangbare prognosemethode die bedrijven gebruiken om de mening van potentiële klanten te verzamelen. Zo kan een voedingsmiddelenproducent die een nieuw caloriearm ijsmerk op de markt brengt, klanten via een online enquête vragen stellen over hun doelstellingen voor gewichtsverlies en hun voedingskeuzes.
Bij marktonderzoek draait het 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 wordt vaak uitgevoerd met hulp van marktonderzoeksbureaus, die de interviews en gegevensverzameling verzorgen.
Panelconsensus
Bij panelconsensus wordt gebruikgemaakt van een focusgroep die voortbouwt op de meningen van deskundigen en medewerkers. Dit gebeurt vaak met een panel van medewerkers uit alle lagen van het bedrijf, in plaats van alleen leidinggevenden.
Deze methode combineert op unieke wijze de meningen van echte deskundigen en “semi-deskundigen” en kent aan beide evenveel gewicht toe. Zo kan een team dat de seizoensgebonden vraag naar een bepaalde drankvariant probeert te voorspellen, medewerkers van de verkoop, marketing of zelfs de winkelvloer opnemen.
Zoals de naam al doet vermoeden, moet het panel tot één consensusschatting 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 kreeg hulp van de goden (en niemand vroeg het aan mij).
De betreffende visionair kan jij zijn, een ander lid van je managementteam, een externe consultant of een deskundige uit de sector.
Omdat dit prognosemodel afhankelijk is van één visionair, is het vatbaar voor bevestigingsbias en kan het het best in combinatie met andere methoden worden gebruikt.
Samengestelde verkoopprognose
Bij samengestelde verkoopprognoses ligt de focus op het verzamelen van kwalitatieve gegevens van verkoopmedewerkers. Meestal wordt hierbij gebruikgemaakt van de meningen van meerdere teamleden, idealiter 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 onder zijn verkoopmedewerkers een enquête houden om informatie te verzamelen over de mening, behoeften, veelgestelde vragen, budgetten enzovoort van klanten.
Het idee hierachter is dat verkoopmedewerkers praktijkervaring hebben met het contact met klanten (en weten wat verkoop echt stimuleert) en daardoor waardevollere inzichten hebben in het gedrag en de wensen van klanten in de echte wereld.
Modellering op basis van samengestelde verkoopprognoses kan ook nuttig zijn bij het identificeren van regionale en lokale trends.
Hoewel bovenstaande lijst niet volledig is, behandelt deze wel 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 wordt tijdreeksmodellering (namelijk modellen voor rechte lijnen en voortschrijdende gemiddelden) het vaakst gebruikt.
Dit komt deels doordat tijdreeksmodellen objectievere prognoses mogelijk maken op basis van historische gegevens. Ze zijn niet afhankelijk van de mening van experts of feedback van klanten, die wisselvallig 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 enterprise resource-planningssysteem, beschikt waarschijnlijk over deze ingebouwde functies voor statistische modellering. Modellering met een rechte lijn kan zelfs relatief eenvoudig handmatig in Excel worden uitgevoerd.
Associatieve (causale) modellering wordt ook vaak gebruikt, maar is iets ingewikkelder en vereist vaak software of enige training. Deze methode is vooral nuttig wanneer je relaties tussen zeer uiteenlopende variabelen wilt volgen, of het nu gaat om slechts één onafhankelijke variabele (enkelvoudige lineaire regressie) of meerdere (meervoudige lineaire regressie).
Wat kwalitatieve prognosemodellen betreft, komt marktonderzoek het meest voor. 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 om externe marktonderzoeksbureaus in te schakelen voor uitgebreidere onderzoeken onder klanten.
More Articles
Waarom is prognosticeren belangrijk?
Zoals ik helemaal aan het begin van dit artikel al aangaf, is prognosticeren de sleutel om te voorkomen dat je:
- Investeerders verliest en vervolgens
- Ontslagen wordt
Grapje. Min of meer.
Prognosticeren is belangrijk omdat het bedrijven in staat stelt de toekomst te plannen. Het hele idee achter prognosticeren is informatie uit verschillende bronnen te verzamelen en die informatie vervolgens te gebruiken om betere beslissingen te nemen.
Een bedrijf dat bijvoorbeeld speciaalzaken van bijzondere goederen voorziet, kan een prognosemodel gebruiken om de vraag tijdens het drukke kerstinkopenseizoen te voorspellen. Hun modelleringsinspanningen kunnen de vraagramingen verbeteren, waardoor ze hun voorraadniveaus kunnen verhogen en aanvullen om aan de seizoensgebonden vraag te voldoen.
Een bedrijf kan er ook voor kiezen een prognosemodel te gebruiken om de financiële impact te analyseren van verschillende prijsniveaus of verkoopstrategieën die worden overwogen voor de lancering van een nieuw product. Ze kunnen deze inspanningen combineren met prognoses 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 prognosticeren, 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 prognosemodellen?
Elk prognosemodel wordt op een andere manier toegepast. De algemene strategie is echter als volgt:
- Wees duidelijk over je doel. Is het doel bepalen wanneer je je volgende financieringsronde wilt ophalen? Richt je dan op het prognosticeren van de kasstroom en hanteer conservatieve aannames.
- Selecteer het juiste model. Ik heb hierboven specifieke toepassingen besproken voor de financiële prognosemodellen. Uiteindelijk zullen veel bedrijven ervoor kiezen meerdere modellen te gebruiken, maar het is nuttig om te beginnen met één of twee modellen.
- Verzamel gegevens. Kwantitatieve modellen gebruiken historische gegevens (meestal financiële gegevens van het bedrijf), terwijl kwalitatieve modellen subjectieve gegevens gebruiken die bij klanten of experts uit de sector zijn verzameld.
- Bouw het model op. Dit proces verschilt aanzienlijk afhankelijk van het specifieke model dat wordt toegepast. Veel modellen kunnen worden opgezet in Excel of vergelijkbare algemeen gebruikte hulpmiddelen. Voor andere modellen zijn mogelijk gespecialiseerde statistische of prognosesoftware nodig.
- Bepaal je betrouwbaarheidsniveau. Betrouwbaarheidsintervallen worden gebruikt om de mate van onzekerheid uit te drukken die met een prognose gepaard gaat. De meest gebruikte betrouwbaarheidsintervallen zijn 90%, 95% en 99%. Hoe hoger het betrouwbaarheidsniveau, hoe betrouwbaarder de prognose. Zoals je zou verwachten, geldt meestal: hoe objectiever de gegevens, hoe hoger het betrouwbaarheidsniveau.
- Pas het model toe. Pas het model vervolgens toe volgens het aanbevolen protocol voor dat specifieke model en gebruik de meest relevante gegevens die je kunt verzamelen.
- Analyseer de resultaten. Neem de resultaten die je vindt en vergelijk ze met andere ramingen of prognoses waarover je mogelijk al beschikt. Je kunt ook andere modellen met dezelfde gegevens uitvoeren om verschillen vast te stellen.
Sommige voorspellingsmodellen vereisen training op expertniveau in statistiek of financiële prognoses, terwijl andere veel eenvoudiger uit te voeren zijn. Uiteindelijk zijn de complexiteiten 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?
Veel verschillende soorten software kunnen worden gebruikt voor prognoses, van eenvoudige spreadsheets tot machine learning- en AI-gestuurde tools.
Hoewel veel financiële modellen in Microsoft Excel of Google Spreadsheets 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 tools te controleren. Sommige software voor voorraadbeheer beschikt over functies voor vraagprognoses en andere tools om voorraadniveaus te plannen. En je salarisadministratiedienst biedt mogelijk functies voor personeelsprognoses.
Voor kwalitatieve prognoses zijn er niet veel softwareopties die het overwegen waard zijn, omdat de meeste bedrijven vertrouwen op externe onderzoeksbureaus en consultants die gespecialiseerd zijn in het uitvoeren en publiceren van marktonderzoek.
Uiteindelijk zijn er, omdat ‘prognoses’ zo’n brede term is, 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 gebruikt, kan bedrijven een voorsprong geven.
Met de juiste prognosemodellen en nauwkeurige gegevensinvoer kunnen bedrijven nauwkeurigere budgetten opstellen, hun doelen en concurrentiestrategieën verfijnen en beter voorbereid zijn op de toekomst.
Wil je je vaardigheden als CFO aanscherpen of je ontwikkelen in een vergelijkbare financiële functie? The CFO Club is een community 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.
