Forecasting: hvad det er, hvem der kan det, og hvad de tjener

Forecasting er evnen til at lave begrundede prognoser om fremtidige resultater. Det kan være salg, omsætning, omkostninger, likviditet, efterspørgsel, bemanding, lagerbehov eller andre størrelser, som en virksomhed skal planlægge efter.

En person med stærk forecasting-færdighed starter ikke med at gætte et tal. Personen undersøger først, hvad der driver udviklingen. Det kan være salgsvolumen, priser, kundetilgang, sæson, kapacitet, konjunkturer, kampagner eller ændringer i markedet.

Færdigheden omfatter at vælge en metode, der passer til problemet og datagrundlaget. Ved stabile tidsserier kan simple baselines, glidende gennemsnit eller eksponentiel udjævning være relevante. Andre situationer kræver regression, ARIMA-modeller, driverbaserede modeller eller scenarieanalyse.

En dygtig forecaster ved også, at en mere avanceret model ikke automatisk er bedre. Prognosen bør sammenlignes med en simpel baseline. Hvis en avanceret model ikke kan slå en naiv prognose på nye data, skal kompleksiteten kunne begrundes på anden måde.

Forecasting omfatter derfor backtesting og måling af forecast-fejl. Personen kan bruge mål som MAE, RMSE, MASE eller andre relevante fejlmål og forstår, at det rigtige mål afhænger af forretningens problem. Personen undersøger også bias. Hvis prognoserne systematisk ligger for højt eller for lavt, er processen ikke neutral, selv om den gennemsnitlige fejl kan se acceptabel ud.

En vigtig del af færdigheden er at skelne mellem signal og støj. En enkelt dårlig måned skal ikke nødvendigvis ændre hele prognosen. Omvendt skal en reel ændring i marked, pris, kapacitet eller kundeadfærd kunne få modellen til at reagere.

Forecasting handler også om usikkerhed. En erfaren person præsenterer ikke fremtiden som ét sikkert tal. Personen kan arbejde med scenarier, intervaller og følsomhed og forklare, hvilke antagelser der har størst betydning for resultatet.

I økonomifunktioner viser forecasting-færdigheden sig ofte som driverbaserede prognoser for omsætning, omkostninger, arbejdskapital og cash flow. I supply chain bruges færdigheden til efterspørgsel, lager og kapacitet. I salg kan den bruges til pipeline og forventet ordreindgang. Metoderne varierer, men grundprincippet er det samme: brug tilgængelig information systematisk og lær af forecast-fejlene.

Forecasting-færdigheden er vigtig, når beslutninger skal træffes, før det faktiske resultat er kendt. Virksomheden skal måske købe varer, ansætte medarbejdere, planlægge produktion eller styre likviditet flere skridt før den endelige efterspørgsel viser sig.

I finance og FP&A bruges forecasting til løbende forventninger til resultat, balance og cash flow. En god forecast-proces gør det muligt at se ændringer tidligt og forstå, hvilke forretningsdrivere der skaber afvigelsen.

I salg er færdigheden vigtig, når ledelsen bruger pipeline til at vurdere kommende omsætning og kapacitetsbehov. Her skal forecasteren kunne skelne mellem en sælgers vurdering og det, historiske konverteringsrater, pipeline-stadier og andre data faktisk understøtter.

I supply chain og demand planning er forecasting central, fordi for høje prognoser kan skabe overskudslager, mens for lave prognoser kan føre til mangel og tabt salg. Her er det især vigtigt at forstå sæson, kampagner, produktændringer og forskellen mellem reel efterspørgsel og historisk salg.

Forecasting-færdigheden er også værdifuld ved budgettering og strategisk planlægning. Et budget beskriver ofte en plan eller målsætning. Et forecast forsøger derimod at beskrive det mest sandsynlige eller et sæt plausible udfald ud fra den information, der er tilgængelig nu. De to bør derfor ikke blandes sammen.

Færdigheden bliver særligt vigtig i ustabile perioder. Når historikken ikke længere ligner fremtiden, skal personen kunne opdage strukturelle ændringer og supplere historiske modeller med viden om marked, kapacitet, priser og konkrete begivenheder.

Roller med forecasting findes blandt andet i FP&A, controlling, business analysis, demand planning, supply chain, salg, revenue operations, dataanalyse og ledelsesrapportering. Den præcise model er mindre vigtig end evnen til at forbinde data, forretningsforståelse og beslutninger.

Forecasting læres bedst ved at lave prognoser, gemme dem og senere sammenligne dem med det, der faktisk skete. Uden den feedback lærer man let at bygge modeller, men ikke at vurdere, om prognoserne er gode.

En god øvelse er at tage historiske data og simulere den situation, man ville have stået i på tidligere tidspunkter. Modellen trænes kun på den information, der var kendt dengang. Derefter sammenlignes prognosen med de efterfølgende faktiske resultater. Denne form for tidsbaseret backtesting er langt mere realistisk end at vurdere modellen på de samme data, den blev bygget på.

Start med simple metoder. Lav en naiv prognose, hvor næste periode eksempelvis tager udgangspunkt i den seneste observerede udvikling eller et relevant sæsonmønster. Sammenlign derefter mere avancerede modeller mod denne baseline. Det træner en vigtig professionel disciplin: en model skal skabe værdi, ikke blot se avanceret ud.

Forecasting: Principles and Practice af Rob J. Hyndman og George Athanasopoulos er et anerkendt fagligt udgangspunkt for tidsserieforecasting. Bogen gennemgår blandt andet evaluering af prognoser, eksponentiel udjævning, regression, ARIMA og forecast-usikkerhed med praktiske eksempler.

For demand planning og supply chain tilbyder Institute of Business Forecasting & Planning blandt andet Fundamentals of Demand Planning and Forecasting. Her ligger fokus mere på den organisatoriske forecast-proces, efterspørgselsplanlægning og samspillet mellem statistik og forretningsviden.

I finansiel forecasting kan CFA Institutes materiale om Company Analysis: Forecasting og Financial Modeling bruges til at træne driverbaseret prognosticering af blandt andet omsætning, omkostninger, arbejdskapital og kapitalbehov samt brug af scenarier.

Excel er fortsat relevant til mindre og mellemstore forecast-modeller og til at forstå sammenhænge mellem drivere. R og Python er nyttige, når man arbejder med mange tidsserier, automatisering, statistiske modeller eller systematisk backtesting. Værktøjet er dog sekundært. Det afgørende er, om personen kan formulere problemet korrekt, undgå datalækage, vælge en relevant baseline og evaluere prognosen på nye data.

Forecasting bliver ikke en stærk færdighed gennem et enkelt introduktionskursus. Den udvikles gennem gentagne forecast-cyklusser, hvor personen analyserer fejl, opdager bias, forbedrer antagelser og lærer, hvornår menneskelig vurdering faktisk tilfører information, som modellen ikke allerede har.

Bed personen beskrive en forecast, der ramte forkert. En erfaren forecaster kan normalt forklare fejlen uden blot at sige, at markedet ændrede sig. Personen kan fortælle, hvilke antagelser der fejlede, om modellen havde bias, og hvad der efterfølgende blev ændret.

Spørg derefter, hvilken baseline modellen blev sammenlignet med. Et stærkt svar viser forståelse for, at en forecasting-model skal vurderes relativt til et simpelt alternativ. Hvis personen aldrig sammenligner med en naiv forecast, er det svært at vide, om modellen reelt tilfører værdi.

Spørg, hvordan modellen blev testet. En dygtig forecaster bør kunne forklare forskellen mellem træningsdata og fremtidige observationer og beskrive en form for tidsbaseret backtesting eller løbende evaluering på data, modellen ikke kendte på forhånd.

Se også efter forståelse for forecast bias. Personen bør kunne undersøge, om prognoser konsekvent ligger over eller under de faktiske resultater. Det er især vigtigt i organisationer, hvor salg, ledelse eller andre interessenter kan have incitament til at påvirke prognosen.

Bed kandidaten forklare, hvad der driver forecastet. En erfaren person kan normalt sætte ord på de vigtigste antagelser og fortælle, hvad der sker med prognosen, hvis en central driver ændrer sig. Et komplekst regneark uden en forståelig forklaring er ikke i sig selv tegn på stærk forecasting-færdighed.

Spørg også, hvordan personen kommunikerer usikkerhed. En stærk kandidat kan forklare scenarier og risici uden at gøre prognosen ubrugelig. Personen ved, at forecasting ikke handler om at bevise, hvad fremtiden bliver, men om at skabe et bedre beslutningsgrundlag med den information, der er tilgængelig.