Modeller för ekonomiska prognoser: En komplett guide

En prognostiseringsmodell använder en statistisk metod eller formler och antaganden för att förutsäga framtida resultat, inklusive intäkter, kundefterfrågan och kundbortfallsfrekvenser.

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

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

Dessa verktyg kan tillämpas på ett oändligt antal möjliga scenarier och är avgörande för ekonomi-, marknadsförings- och ledningsgrupper. I resten av den här guiden utelämnar jag det övriga och fokuserar uttryckligen på ekonomiska prognostiseringsmodeller.

Prognostiseringsmetoder

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

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

Kvalitativa prognostiseringsmetoder

Kvalitativ prognostisering bygger på expertutlåtanden och bedömningar. De är:

• Subjektiva till sin natur
• Inte baserade 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 prognostiseringsmetoder

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

• Är mer objektiva till sin natur
• Bygger 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 bygger på historiska data.

Ett företag som förbereder sig för att starta 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 informationsområden med hög grad av förfining och specificitet. De använder tidigare data och är särskilt bra på att koppla samman till synes orelaterade data med prognosens avsedda syfte.

De kan också användas för att skapa samband mellan ett företags finansiella mått och externa variabler. En tillverkare av hushållsapparater kan till exempel bygga en modell som förutsäger försäljningen av hushållsapparater baserat på antalet nya bygglov i ett visst område.

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

Get Free Access

Join North America’s most innovative collective of Tech CFOs.

Create Free Account

Have an account? Log In

Vanliga kvantitativa prognosmodeller

Kvantitativa prognosmodeller använder historiska 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 årets högsta shoppingperiod.

Om du inte har interna data (om du till exempel är en helt nystartad återförsäljare) kan du fortfarande 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.

Tidsserie

Tidsseriemodeller används när det finns data från flera år tillgängliga. De är mest användbara när relationerna 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 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).

Rak linje

Modellering med rak linje är en enkel teknik som ger uppskattningar av framtida intäkter eller andra finansiella mått genom att ta hänsyn till 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 aktuella trenderna fortsätter, kan det använda en modell med rak linje för att förutsäga hur stora försäljningsintäkter företaget sannolikt kommer att generera i framtiden.

Som namnet antyder utgår modellen med rak linje från en konsekvent och förutsägbar förändring. Den är enkel, men kan ändå vara en bra utgångspunkt för att prognostisera en rad finansiella mått och scenarier.

Vad är skillnaden mellan tidsserieprognostisering och prognostisering med rak linje?

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

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

Glidande medelvärde

Modellen med glidande medelvärde liknar i viss mån modellen med rak linje som beskrevs ovan, men den arbetar med mindre datamängder och fokuserar på korta till medellånga tidsperioder.

Företag kan till exempel använda prognosmodeller med glidande medelvärde för att förutsäga efterfrågan under högtider. Företaget kan sedan ta hänsyn till försäljningsintäkterna beräknade med glidande medelvärde från fjärde kvartalet 2019, 2020, 2021 respektive 2022.

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

(A1 + A2 + A3 + A4) / N

där

A = Genomsnitt för en viss period

och

N = Totalt antal perioder

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

Den här formeln behöver en bra datauppsättning att arbeta med; i exemplet ovan använder de data från fyra år. Men avgörande är att den ignorerar försäljningsdata från andra kvartal än Q4, vilket i stor utsträckning är irrelevant när man specifikt prognostiserar försäljningen under högtider.

Exponentiell utjämning

Modeller för exponentiell utjämning liknar modeller med glidande medelvärde, men de tillämpar en viktning som ger större vikt åt nyare data.

Tänk till exempel på samma exempel som ovan. Företaget har fyra års historiska försäljningsdata för högtider – men under den perioden har det haft en stadig tillväxt.

Därför är data från äldre år mindre relevanta än de färska data från de två föregående 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 mer positiv bild (värderingar från 2021 jämfört med värderingar från 2022, någon?), är det avgörande att du använder de mest relevanta uppgifterna för att få en god uppfattning om vad som väntar.

Trendprognos

Trendprognoser anpassar en trendlinje till en matematisk ekvation och använder sedan ekvationen för att projicera trendlinjen 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 linjär modellering, beroende på vilka datamängder du arbetar med. Det finns flera underkategorier inom trendprognoser, inklusive 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 affärsverksamhet med specifika variabler, både inom och utanför företaget.

En ägare av en foodtruck kan till exempel använda en modell för att förutsäga efterfrågan på en sommarfestival baserat på den prognostiserade väderleken under helgen. Alternativt kan ett fastighetsutvecklingsföretag använda kausal modellering för att förutsäga framtida efterfrågan på nybyggda bostäder i ett område, baserat på den prognostiserade 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 skulle till exempel kunna använda kausal modellering för att prognostisera den beräknade vinstmarginalen som skulle bli resultatet av ökade reklamutgifter.

Associativa modeller är definitionsmässigt mer komplexa än tidsseriemodeller.

Associativa modeller kan användas för att ta in externa data och försöka fastställa ett samband mellan ett relativt vanligt affärsmått (t.ex. intäkter) och ett mått som många företag kanske inte ens beaktar (t.ex. den typiska årliga hushållsinkomsten i en stad).

Även om de är mer komplexa kan kausala modeller vara mycket användbara för att skapa mer träffsäkra prognoser – och hålla sig 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 externa data, kan enkel linjär regression också användas för att fastställa 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 kommer från interna, externa eller både interna och externa datakällor.

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

Att använda linjär regressionsprognostisering kräver att du granskar resultaten kritiskt för att ta hänsyn till variabler som inte fångats upp av de data som används i regressionen, samt om dessa saknade variabler kommer att få 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 hjälpa 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 effektiviteten hos framtida nyanställningar 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 bygga på synpunkter från en expert eller resultaten från en undersökning bland potentiella kunder.

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

Nåväl.

Alla kvalitativa prognosmodeller kräver någon form av datainsamling (expertintervjuer, paneler, undersökningar osv.), men de skiljer sig åt i hur dessa data samlas in och sedan används för att ta fram prognoser. Dessa modeller är vanligtvis mindre användbara för ekonomiska prognoser, eftersom man i princip kastar spaghetti på väggen med dem alla; vissa är bara mer träffsäkra än andra.

Delphimetoden

Har du någonsin hört talas om Oraklet i Delfi? Hennes uppgift 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.

Inom Delphimetoden intervjuas experter för att samla in data. Det är avgörande att varje expert intervjuas självständigt och att data därefter sammanställs. Detta bidrar till att förhindra gruppbias och ger alla full frihet att uttrycka sig.

Delphimetoden använder ”omgångar” av datainsamling. Den första omgången är individuell, medan de senare omgångarna är gemensamma. 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 grupper av experter är det viktigt att välja rätt personer att intervjua, eftersom kvaliteten på data bara är lika hög som experternas kunskaper.

Marknadsundersökningar

Jag slår vad om att du aldrig har hört talas om den här förut – hej, jag ser att 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 viktminskning och kostval via en webbundersökning.

Marknadsundersökningar är vanligtvis ett siffer­spel, så ju fler svar du kan få in från allmänheten, desto bättre.

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

Panelkonsensus

Panelkonsensus använder en fokusgruppsmodell som bygger på synpunkter från experter och medarbetare. Den genomförs ofta med en panel av medarbetare 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 prognostisera säsongsefterfrågan på en viss dryckessmak 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 i slutändan nå konsensus.

Visionär prognos

Visionära prognoser bygger på insikter och åsikter från en enda person – jag tyckte att 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 företagets ledning, en extern konsult eller en branschexpert.

Eftersom denna prognosmodell bygger på en enda visionär är den känslig för bekräftelsebias och används bäst tillsammans med andra metoder.

Sammansatt försäljningsprognos

Sammansatta försäljningsprognoser fokuserar på att samla in kvalitativa data från säljpersonal. De bygger vanligtvis på synpunkter från flera teammedlemmar, helst sådana som arbetar med den typ av försäljning som är kopplad till produkten i fråga.

Exempelvis kan en fordonstillverkare som överväger en ny modell genomföra en undersökning bland sin säljpersonal för att samla in information om kundernas åsikter, behov, vanliga frågor, budgetar osv.

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.

Sammansatt modellering av försäljningsprognoser kan också vara användbar för att identifiera regionala och lokala trender.

Listan ovan är visserligen inte uttömmande, men den omfattar många av de vanligaste prognosmodellerna. Med det sagt är vissa definitivt mer populära än andra.

Vilka är de vanligaste prognosmodellerna?

Överlag tenderar tidsseriemodellering (det vill säga raklinje- och glidande medelvärdesmodeller) att användas oftast.

Detta beror delvis på att tidsseriemodeller möjliggör mer objektiva prognoser baserade på historiska data. De förlitar sig inte på expertutlåtanden eller kundfeedback, som kan vara föränderlig och benägen att påverkas av fördomar. I stället använder de hårda data för att konstruera tillförlitliga modeller för framtida prestationsmått.

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

Associativ (kausal) modellering används också ofta, men den är lite 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 gäller bara en oberoende variabel (enkel linjär regression) eller flera (multipel linjär regression).

När det gäller kvalitativa prognosmodeller är marknadsundersökningar vanligtvis det mest förekommande. Många företag genomför enkäter och samlar in feedback från kunder och använder dessa data för att fatta strategiska beslut framåt. Andra väljer att anlita externa marknadsundersökningsföretag för att genomföra mer omfattande kundundersökningar.

More Articles

• Vad är finansiell rapportering & vem hanterar den?

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. Får sparken

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 den informationen för att fatta bättre beslut.

Exempelvis kan ett företag som förser återförsäljare med specialprodukter använda en prognosmodell för att förutsäga efterfrågan under den intensiva julhandeln. Deras modelleringsarbete kan ge bättre underlag för efterfrågeuppskattningar, vilket kan göra det möjligt för dem att öka och bygga upp lagernivåerna för att möta den säsongsbetonade efterfrågan.

Eller så kan ett företag välja att använda en prognosmodell för att analysera den ekonomiska effekten av olika prisnivåer eller försäljningsstrategier som övervägs inför lanseringen av en kommande produkt. De kan kombinera detta arbete med prognoser för säsongsbetonad efterfrågan för att hitta inte bara den bästa försäljningsstrategin utan också den idealiska tidpunkten för att lansera säsongsbetonad försäljning 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 ett annorlunda sätt. Den övergripande strategin är dock följande:

• Var tydlig med ditt syfte. Är målet att fastställa när du behöver ta in nästa finansieringsrunda? Fokusera då på att prognostisera kassaflödet och gör konservativa antaganden.
• Välj rätt modell att använda. Jag har diskuterat specifika användningsområden för de finansiella prognosmodeller som anges ovan. I slutändan kommer många företag att välja 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 ekonomiska uppgifter), medan kvalitativa modeller använder subjektiva data som samlats in från kunder eller experter inom branschen.
• Konstruera modellen. Den här processen varierar avsevärt beroende på vilken specifik modell som används. Många modeller kan konfigureras i Excel eller liknande allmänt förekommande 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 de resultat du hittar 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 expertutbildning på statistisk nivå eller inom finansiell prognostisering, medan andra är mycket enklare att använda. I slutändan beror prognostiseringens komplexitet och utmaningar på vilken modell som väljs samt mängden och kvaliteten på data 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 någon annan specialiserad programvara.

Innan du köper någon ny programvara bör du kontrollera funktionsuppsättningen i dina befintliga verktyg. Viss programvara för lagerhantering levereras med funktioner för efterfrågeprognoser och andra verktyg som hjälper till att planera lagernivåerna. Och din lönetjänst kan erbjuda funktioner för prognostisering av personalbehov.

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 specialiserar sig 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 ett försprång

Att veta när, var och hur man använder finansiell prognostisering kan ge företag ett försprång.

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

Vill du vässa dina färdigheter som CFO eller inom en närliggande finansiell roll? The CFO Club är en gemenskap för likasinnade finansiella ledare inom SaaS och teknik som vill utvecklas inom sina respektive områden. Prenumerera på The CFO Clubs nyhetsbrev för branschinsikter och mer innehåll som detta.