Modeller för ekonomiska prognoser: En komplett guide

Att nå framgång i den komplexa och konkurrensutsatta moderna affärsmiljön kräver en framåtblickande strategi. Genom att utgå från historiska resultat, marknadsundersökningar och aktuella trender kan datadrivna finansiella prognosmodeller hjälpa företag att skaffa sig en konkurrensfördel.

Det finns många olika prognosmodeller att välja mellan och ännu fler programvarulösningar som hjälper till att implementera dem. I den här guiden går jag igenom några användbara prognosmodeller – och förklarar hur du kan använda dem för att skaffa dig ett försprång i din bransch.

Vad är en prognosmodell?

Prognosmodeller är verktyg som används för att förutsäga framtida resultat baserat på historiska och aktuella data. Inom affärs- och finansvärlden syftar begreppet prognostisering nästan alltid på finansiell prognostisering.

En prognosmodell använder en statistisk metod eller formler och antaganden för att förutsäga framtida resultat, inklusive intäkter, kundernas efterfrågan och bortfallsfrekvenser.

Mer specifikt används dessa modeller för att fastställa hur förändringar i vissa variabler och parametrar sannolikt kommer att påverka resultatet (till skillnad från budgetar, som hjälper dig att fördela ditt kassaflöde). En restaurangkedja kan till exempel använda en modell för att fastställa hur förändringar av en butiks öppettider eller säsongsmönster kommer att påverka försäljningsintäkterna.

Det finns alla möjliga prognosmodeller (som diskuteras mer ingående nedan), men de har alla samma mål: att använda historiska data, antaganden och aktuella trender för att förutsäga framtida resultat.

Dessa verktyg kan användas för ett oändligt antal möjliga scenarier och är avgörande för ekonomi-, marknadsförings- och ledningsgrupper. I resten av den här guiden lämnar jag övriga områden åt sidan och fokuserar specifikt på finansiella prognosmodeller.

Prognosmetoder

Det är mycket viktigt att välja rätt typ av modelleringsteknik (och den specifika prognosmodellen). Innan du kan välja behöver du dock grundläggande information om dessa modeller och hur de fungerar.

Det finns två breda kategorier av prognosmodeller: kvantitativa och kvalitativa.

Kvalitativa prognosmetoder

Kvalitativ prognostisering bygger på expertutlåtanden och bedömningar. Den är:

• Subjektiv till sin natur
• Inte baserad på tidigare data eller trender
• Används för att analysera icke-numeriska data

Kvalitativa metoder används när analysens fokus inte kan mätas eller räknas. Om ett företag till exempel vill förstå de drivkrafter och övertygelser som påverkar konsumentbeteendet och inverkar på deras köpbeslut kan inga kvantitativa data avslöja detta. Kvalitativ prognostisering bygger på individuella åsikter, forskning och studier.

Kvantitativa prognosmetoder

Kvantitativ prognostisering använder numeriska mönster i historiska data för att förutsäga framtida resultat. Kvantitativa modeller:

• Är mer objektiva till sin natur
• Förlitar sig på historiska data (t.ex. försäljningsintäkter, antal anställda osv.)
• Analyserar numeriska data

Inom den kvantitativa kategorin finns ytterligare två underkategorier:

Tidsserier

Tidsseriemodeller fokuserar på mönster och deras variationer och förlitar sig på historiska data.

Ett företag som förbereder sig för att inleda verksamhet i ett nytt land kan till exempel använda data från sin tidigare lansering (inklusive försäljningsdata, trender för personalstyrkan osv.) för att ta fram en budget för den nya lanseringen.

Associativa/kausala

Associativa modeller, även kallade kausala modeller, är mer avancerade och fokuserar på flera informationslinjer med hög precision och specificitet. De använder tidigare data och är särskilt bra på att ta till synes separata data och koppla dem till prognosens avsedda syfte.

De kan också användas för att skapa samband mellan ett företags finansiella nyckeltal och externa variabler. Till exempel kan en tillverkare av hushållsapparater bygga en modell som förutsäger försäljningen av hushållsapparater utifrån antalet nya bygglov för bostäder i ett visst område.

Nedan går jag igenom grunderna i några av de vanligaste prognosmodellerna som företag använder idag.

Vanliga kvantitativa prognosmodeller

Kvantitativa prognosmodeller bygger på tidigare data för att göra förutsägelser om framtiden.

En återförsäljare kan till exempel titta på försäljningsdata från fjärde kvartalet under de senaste tre åren för att förutsäga försäljningsvolymen under julhandeln, årets mest intensiva shoppingperiod.

Om du inte har interna data (om du till exempel är en helt nystartad återförsäljare) kan du ändå potentiellt använda kvantitativ prognostisering – du behöver bara ha tillgång till jämförbara data från din bransch.

Inom kvantitativ prognostisering finns det flera populära modeller att använda – jag förklarar dem nedan.

Tidsserier

Tidsseriemodeller används när det finns data för flera år tillgängliga. De är mest användbara när sambanden mellan datapunkter (till exempel genomsnittligt pris och försäljningsvolym) är relativt stabila och trenderna är lätta att identifiera.

Ett företag kan till exempel välja att använda tidsseriemodeller för att prognostisera tillväxten för en befintlig produktlinje.

Anta att produktlinjen i fråga lanserades för fyra år sedan och har haft en stadig tillväxt ända sedan dess. Företaget kan använda dessa data och sedan tillämpa en tidsseriemodell för att förutsäga hur försäljningsvolymen kan komma att se ut nästa år (eller flera år framåt).

Linjär modell

Linjär modellering är en enkel teknik som ger uppskattningar av framtida intäkter eller andra finansiella nyckeltal genom att beakta tidigare siffror och anta att dessa trender kommer att fortsätta.

Om ett företag till exempel har haft en årlig försäljningstillväxt på 3.6% under de senaste fyra åren och förväntar sig att de nuvarande trenderna ska fortsätta, kan det använda en linjär modell för att förutsäga hur stora försäljningsintäkter företaget sannolikt kommer att generera i framtiden.

Som namnet antyder förutsätter den linjära modellen en jämn och förutsägbar förändring. Den är enkel, men kan ändå vara en bra utgångspunkt för att prognostisera en rad finansiella nyckeltal och scenarier.

Vad är skillnaden mellan tidsserieprognostisering och linjär prognostisering?

Tidsseriemodeller används vanligtvis för att förstå trendcykler, cykliska variationer och säsongsvariationer, medan linjär prognostisering vanligtvis används för att förutsäga stabil tillväxt (eller nedgång).

Föreställ dig tidsserieprognoser som en sluten cirkel eller spiral; tänk på linjär prognostisering som, ja, en rak linje!

Glidande medelvärde

Modellen med glidande medelvärde liknar i viss mån den linjära modell som beskrivs ovan, men den fungerar med mindre datamängder och fokuserar på korta till medellånga tidsperioder.

Företag kan till exempel använda prognosmodeller med glidande medelvärde för att förutsäga efterfrågan under julhandeln. Företaget kan då beakta försäljningsintäkterna enligt det glidande medelvärdet från fjärde kvartalet 2019, 2020, 2021 respektive 2022.

De kan använda en enkel formel för att beräkna det glidande medelvärdet:

(A1 + A2 + A3 + A4) / N

där

A = Genomsnitt för en specifik period

och

N = Totalt antal perioder

Företaget kan sedan använda detta glidande medelvärde för att skapa en prognos för årets förväntade försäljningssiffror under julhandeln.

Den här formeln kräver en bra datamängd att arbeta med; i exemplet ovan använder de data för fyra år. Men avgörande är att den ignorerar försäljningsdata utanför fjärde kvartalet, vilket till stor del är irrelevant när man specifikt prognostiserar försäljningen under julhandeln.

Exponentiell utjämning

Modeller för exponentiell utjämning liknar modeller med glidande medelvärde, men de använder en viktning för att ge större vikt åt nyare data.

Tänk till exempel på samma exempel som ovan. Företaget har historiska försäljningsdata för julhandeln från fyra år – men under den perioden har försäljningen ökat stadigt.

Därför är data från äldre år mindre relevanta än de färska data som samlats in under de senaste två åren.

Modeller för exponentiell utjämning tilldelar nyare data en högre vikt. Detta är användbart eftersom det hjälper företag att anpassa sina prognoser så att de återspeglar nyare datatrender.

Även om det kan vara frestande att använda äldre data om den visar en ljusare bild (värderingar från 2021 jämfört med värderingar från 2022, någon?), är det avgörande att använda de mest relevanta uppgifterna för att få en god uppfattning om vad som väntar.

Trendprojektion

Trendprojektion anpassar en trendlinje till en matematisk ekvation och använder sedan ekvationen för att projicera den trenden in i framtiden.

En trendprognosmodell tittar på tidigare data – till exempel försäljningssiffror från helger, vardagar eller specifika årstider – för att göra förutsägelser om framtida efterfrågan under dessa perioder.

Den kan tillämpas på ett liknande sätt som rätlinjig modellering, beroende på vilka datamängder du arbetar med. Det finns flera underkategorier inom trendprojektion, bland annat logaritmer, polynom och metoden med lutningskarakteristik.

Associativa modeller

Associativa modeller, även kallade kausala modeller, kopplar ett visst affärsmått (som intäkter) till en separat oberoende variabel (som befolkningstillväxten i en stad).

Kausala modeller är användbara för att koppla samman förväntningar på framtida verksamhet med särskilda variabler, både inom och utanför företaget.

En ägare av en matvagn kan till exempel använda en modell för att förutsäga efterfrågan vid en sommarmarknad baserat på den prognostiserade väderleken för helgen. Alternativt kan ett fastighetsutvecklingsföretag använda kausal modellering för att förutsäga framtida efterfrågan på nybyggda bostäder i ett samhälle, baserat på den beräknade befolkningstillväxten i området.

Med det sagt kan associativa modeller också användas för att förutsäga en viss variabel baserat på dess koppling till andra relaterade variabler. Ett företag kan till exempel använda kausal modellering för att prognostisera den beräknade vinstmarginal som skulle följa av ökade reklamutgifter.

Per definition är associativa modeller mer komplexa än tidsseriemodeller.

Associativa modeller kan användas för att ta in extern data och försöka fastställa ett samband mellan ett relativt standardiserat affärsmått (t.ex. intäkter) och ett mått som många företag kanske inte ens överväger (t.ex. en stads typiska årliga hushållsinkomst).

Även om de är mer komplexa kan kausala modeller vara mycket användbara för att skapa mer träffsäkra prognoser – och ligga steget före konkurrenterna.

Enkel linjär regression

Enkel linjär regression hjälper företag att undersöka hur en beroende variabel (som försäljningsintäkter) korrelerar med en oberoende variabel (som pengar som spenderas på reklam).

Eller, med hjälp av exemplet med extern data, kan enkel linjär regression också användas för att avgöra hur en beroende variabel (som försäljningsintäkter per plats) korrelerar med en oberoende variabel (som hushållsinkomsten i ett visst län).

Enkel linjär regression kan visualiseras genom att rita ett linjediagram med ett mått på Y-axeln och ett annat på X-axeln. Men som namnet antyder måste du hålla det enkelt; dessa modeller kan endast stödja jämförelser mellan två variabler.

Multipel linjär regression

Som du kanske har gissat bygger multipel linjär regression vidare på enkel linjär regression genom att lägga till flera affärsvariabler i ekvationen.

Det finns fortfarande en enda beroende variabel (t.ex. försäljningsintäkter), men det kan finnas flera oberoende variabler som hämtas från interna, externa eller både interna och externa datakällor.

Multipel linjär regression är komplex och kräver vanligtvis programvara för statistisk analys för att genomföras. Även de data som används (antalet dataelement, den analyserade tidsperiodens längd och besluten som fattas under datarensningsfasen) är viktiga för noggrannheten hos den resulterande regressionsformeln.

Att använda linjär regressionsprognostisering kräver att du granskar resultaten kritiskt för att ta hänsyn till variabler som inte fångas upp av de data som används i regressionen, samt om dessa saknade variabler får modellen att över- eller underskatta effekten av en oberoende variabel.

Author's Tip

Det är värt att notera att både enkla och multipla linjära regressionsmodeller utgår från att det förflutna kan bidra till att förutsäga framtiden. Även om detta kan vara användbart för exempelvis företag som vill förutsäga framtida intäkter (under antagandet att tillväxten fortsätter), skulle det inte vara ett bra sätt att förutsäga hur effektiva framtida nyanställningar blir baserat på tidigare anställdas prestationer.

Vanliga kvalitativa prognosmodeller

Kvalitativa prognosmodeller använder subjektiva, kvalitativa data. De används ofta i situationer där kvantitativa data inte är tillgängliga.

Exempelvis kan en kvalitativ modell vara beroende av information från en expert eller resultatet av en undersökning bland potentiella kunder.

Kvalitativa prognoser är mer subjektiva till sin natur, men de är fortfarande mycket användbara – särskilt i situationer där det inte finns några tillförlitliga data att utgå från. PS: Jag tycker fortfarande att det är märkligt att ”data” är plural.

I alla fall.

Alla kvalitativa prognosmodeller kräver någon form av datainsamling (expertintervjuer, paneler, undersökningar och så vidare), men de skiljer sig åt när det gäller hur dessa data samlas in och sedan används för att ligga till grund för prognoser. Dessa modeller är vanligtvis mindre användbara för finansiella prognoser, eftersom man i princip kastar spaghetti på väggen med allihop; vissa är bara mer träffsäkra än andra.

Delphimetoden

Har du någonsin hört talas om oraklet i Delfi? Hela hennes jobb var att förutsäga framtiden – inte helt olikt en ekonomichef ... eller hur?

Ja, du får börja kalla dig själv för oraklet för ditt företag. Nej, du får inte säga att jag gav dig tillåtelse.

Delphimetoden bygger på expertutlåtanden, vanligtvis från en liten grupp ämnesexperter. Exempelvis kan ett privat utbildningsföretag rådfråga en grupp professorer för att samla in data om studenters vanor.

Med Delphimetoden intervjuas experter för att samla in data. Det är viktigt att varje expert intervjuas självständigt och att data sedan sammanställs i efterhand. Detta bidrar till att förhindra grupprädsla och ger alla full frihet att uttrycka sig.

Delphimetoden använder ”omgångar” av datainsamling. Den första omgången genomförs individuellt, medan de senare omgångarna genomförs gemensamt. Varje experts svar delas med den större gruppen, vilket öppnar för diskussion. Experterna kan fritt ändra sina åsikter eller uppskattningar i senare omgångar.

Eftersom Delphimetoden vanligtvis använder små expertgrupper är det viktigt att välja rätt personer att intervjua, eftersom kvaliteten på data bara är så god som experternas kunskaper.

Marknadsundersökningar

Jag slår vad om att du aldrig har hört talas om den här förut – hej, jag ser hur du himlar med ögonen!

Marknadsundersökningar är en mycket vanlig prognosmetod som företag använder för att samla in potentiella kunders åsikter. Exempelvis kan en livsmedelstillverkare som lanserar ett nytt varumärke av kalorifattig glass fråga kunder om deras mål för viktnedgång och kostvanor via en onlineundersökning.

Marknadsundersökningar handlar vanligtvis om mängden svar, så ju fler svar du kan få in från allmänheten, desto bättre.

Marknadsundersökningar kan genomföras via telefon, e-post, sms, personliga intervjuer och mer därtill. De genomförs ofta med hjälp av marknadsundersökningsföretag som hanterar intervjuerna och datainsamlingen.

Panelkonsensus

Panelkonsensus använder en fokusgruppsbaserad metod som bygger på experters och anställdas åsikter. Den genomförs ofta med en panel av anställda från alla nivåer i företaget, snarare än enbart chefer.

Det unika med denna metod är att den kombinerar – och ger lika stor vikt åt – åsikterna från både verkliga experter och ”halvexperter”. Exempelvis kan ett team som försöker förutse säsongsbetonad efterfrågan på en viss smaksatt dryck inkludera personal från försäljning, marknadsföring eller till och med butiksgolvet.

Som namnet antyder måste panelen komma fram till en gemensam uppskattning. Gruppen kan dela åsikter och debattera, men måste slutligen nå konsensus.

Visionär prognos

Visionära prognoser bygger på insikter och åsikter från en enda person – jag tyckte det var intressant att det här inte kallades Delphimetoden, med tanke på att hon bara är en person ... men å andra sidan hade hon gudarnas hjälp (och ingen frågade mig).

Den aktuella visionären kan vara du, en annan medlem av din ledningsgrupp, en extern konsult eller en branschexpert.

Eftersom denna prognosmodell bygger på en enda visionär är den benägen att påverkas av bekräftelsebias och används bäst tillsammans med andra metoder.

Sammansatt försäljningsstyrka

Prognoser baserade på en sammansatt försäljningsstyrka fokuserar på att samla in kvalitativa data från säljpersonal. De bygger vanligtvis på åsikter från flera teammedlemmar, helst personer som arbetar med den typ av försäljning som är kopplad till produkten i fråga.

Om en fordonstillverkare exempelvis övervägde en ny modell skulle den kunna genomföra en undersökning bland sin säljpersonal för att samla in information om kundernas åsikter, behov, vanliga frågor, budgetar och så vidare.

Tanken här är att säljrepresentanter har praktisk erfarenhet av att interagera med kunder (och vet vad som verkligen driver försäljningen) och därför har mer värdefulla insikter i kundernas beteende och önskemål i verkligheten.

Modellering med hjälp av en sammansatt försäljningsstyrka kan också vara användbar för att identifiera regionala och lokala trender.

Även om listan ovan inte är heltäckande omfattar den många av de vanligaste prognosmodellerna. Med det sagt är vissa definitivt mer populära än andra.

Vilka är de vanligaste prognosmodellerna?

Överlag tenderar tidsseriemodellering (nämligen modeller med rak linje och glidande medelvärde) att användas oftast.

Det beror delvis på att tidsseriemodeller möjliggör mer objektiva prognoser baserade på historiska data. De förlitar sig inte på expertutlåtanden eller kundfeedback, som kan vara nyckfulla och benägna att påverkas av fördomar. I stället använder de hårda data för att skapa tillförlitliga modeller för framtida resultatmått.

Dessa modeller är också populära eftersom de är relativt enkla att använda och ofta inte kräver någon specialiserad programvara. Vissa program som du kanske redan använder, till exempel ditt system för resursplanering för företag, har sannolikt dessa funktioner för statistisk modellering inbyggda. Modellering med rak linje kan till och med göras för hand i Excel med relativt liten ansträngning.

Associativ (kausal) modellering används också ofta, men den är något mer komplicerad och kräver ofta programvara eller någon form av utbildning. Den är särskilt användbar när man försöker kartlägga samband mellan mycket olika variabler, oavsett om det bara gäller en oberoende variabel (enkel linjär regression) eller flera (multipel linjär regression).

När det gäller kvalitativa prognosmodeller är marknadsundersökningar oftast vanligast. Många företag genomför enkäter, samlar in feedback från kunder och använder dessa data som underlag för strategiska beslut framåt. Andra väljer att anlita externa marknadsundersökningsföretag för att genomföra mer omfattande undersökningar av kunder.

Varför är prognostisering viktigt?

Som jag antydde alldeles i början av den här artikeln är prognostisering nyckeln till att förhindra att du:

1. Förlorar investerare och sedan
2. Blir avskedad

Jag skojar bara. Typ.

Prognostisering är viktigt eftersom det gör det möjligt för företag att planera för framtiden. Hela idén bakom prognostisering är att samla in information från olika källor och sedan använda informationen för att fatta bättre beslut.

Ett företag som till exempel levererar specialvaror till återförsäljare kan använda en prognosmodell för att förutsäga efterfrågan under den intensiva julhandeln. Modellarbetet kan ge bättre underlag för efterfrågeuppskattningar, vilket kan göra det möjligt för företaget att öka och bygga upp lagernivåerna för att möta säsongsefterfrågan.

Eller så kan ett företag välja att använda en prognosmodell för att analysera den ekonomiska effekten av olika prisnivåer eller försäljningsstrategier som övervägs inför en kommande produktlansering. Företaget kan kombinera detta arbete med prognoser för säsongsefterfrågan för att hitta inte bara den bästa försäljningsstrategin utan också den idealiska tidpunkten för att lansera säsongsförsäljning och kampanjer.

Oavsett vilket mått som undersöks är tanken bakom prognostisering i slutändan att få en inblick i framtida trender eller finansiella mått för att förbereda sig inför det som väntar.

Så använder du prognosmodeller

Varje prognosmodell används på olika sätt. Den övergripande strategin är dock följande:

• Var tydlig med ditt syfte. Är målet att avgöra när du behöver ta in nästa finansieringsrunda? Fokusera då på att prognostisera kassaflödet och gör konservativa antaganden.
• Välj rätt modell. Jag har diskuterat specifika användningsområden för de finansiella prognosmodeller som anges ovan. I slutändan väljer många företag att använda flera modeller – men det är bra att begränsa urvalet till en eller två att börja med.
• Samla in data. Kvantitativa modeller använder historiska data (vanligtvis företagets ekonomiuppgifter), medan kvalitativa modeller använder subjektiva data som samlats in från kunder eller experter inom branschen.
• Bygg modellen. Den här processen varierar avsevärt beroende på den specifika modell som används. Många modeller kan konfigureras i Excel eller liknande allmänt tillgängliga verktyg. Andra kan kräva specialiserad statistisk programvara eller prognosprogramvara.
• Fastställ din konfidensnivå. Konfidensintervall används för att uttrycka graden av osäkerhet som är förknippad med en prognos. De vanligaste konfidensintervallen är 90 %, 95 % och 99 %. Ju högre konfidensnivå, desto mer tillförlitlig är prognosen. Som du kan förvänta dig tenderar konfidensnivån att vara högre ju mer objektiva data är.
• Använd modellen. Använd sedan modellen enligt det rekommenderade tillvägagångssättet för just den modellen och utgå från de mest relevanta data du kan sammanställa.
• Analysera resultaten. Ta resultaten du får fram och jämför dem med andra uppskattningar eller prognoser som du kanske redan har. Du kan också vilja köra andra modeller med samma data för att upptäcka skillnader.

Vissa prognosmodeller kräver utbildning på expertnivå inom statistik eller finansiell prognostisering, medan andra är mycket enklare att använda. I slutändan beror prognostiseringens komplexitet och utmaningar på den valda modellen samt mängden och kvaliteten på data som du arbetar med.

Vilken programvara används för prognostisering?

Många olika typer av programvara kan användas för prognostisering, från grundläggande kalkylblad till maskininlärnings- och AI-drivna verktyg.

Även om många finansiella modeller kan köras i Microsoft Excel eller Google Sheets kräver många ERP-programvara, EPM-programvara eller annan specialiserad programvara.

Innan du köper någon ny programvara bör du kontrollera funktionerna i dina befintliga verktyg. Vissa program för lagerhantering har funktioner för efterfrågeprognoser och andra verktyg som hjälper till att planera lagernivåerna. Din lönetjänst kan också erbjuda funktioner för personalprognoser.

För kvalitativ prognostisering finns det inte särskilt många programvarualternativ som är värda att överväga, eftersom de flesta företag förlitar sig på externa undersökningsföretag och konsulter som är specialiserade på att genomföra och publicera marknadsundersökningar.

I slutändan finns det, eftersom ”prognostisering” är ett så brett begrepp, många olika programvarulösningar som kan användas, men prognostiseringsprogramvara erbjuder specifika fördelar för ditt företag.

Prognosmodeller kan ge ditt företag en konkurrensfördel

Att veta när, var och hur man använder finansiell prognostisering kan ge företag en konkurrensfördel.

Med korrekta prognosmodeller och exakta dataindata kan företag ta fram mer träffsäkra budgetar, finjustera sina mål och konkurrensstrategier samt vara bättre förberedda inför framtiden.

Vill du vässa dina färdigheter som CFO eller inom en närliggande ekonomisk befattning? The CFO Club är en gemenskap av likasinnade finansiella ledare inom SaaS och teknik som vill utmärka sig inom sina respektive områden. Prenumerera på nyhetsbrevet från The CFO Club för branschinsikter och mer innehåll som detta.