Jakten på den träffsäkra prognosen
En träffsäker prognos är en bra prognos. Eller stämmer alltid det? Det är lite mer komplicerat än så – och framförallt mer intressant!
Tar vi exemplet väderprognosen skulle nog de flesta hålla med om att den absolut ska vara träffsäker. Men hur är det med intäkts- och kostnadsprognoserna organisationer och företag tar fram: Vad fyller de egentligen för funktion? Är en träffsäker prognos för verksamheten alltid lika med en bra prognos?
Vi har ställt några frågor till managementkonsulterna Knut Fahlén och Hugo Bluhme för att höra hur de tänker kring prognosens syfte och hur den bör utformas för att skapa så mycket värde som möjligt. När är en träffsäker prognos inte en bra prognos?
Knut, vad skulle du säga är den stora skillnaden mellan en väderleksprognos och de ekonomiska prognoser som företag och organisationer tar fram?
Den stora skillnaden är att vi inte kan påverka vädret, som ligger till grund för väderprognosen.”. Även om vår förhoppning är att det ska vara sol till helgen så är vi fullständigt maktlösa i att förändra situationen. De flesta skulle anse att en träffsäker väderprognos är en bra prognos eftersom den ger oss möjlighet att anpassa oss därefter.
Med en prognos i ett företag finns sannolikt – åtminstone om vi drar ut tidsperspektivet, en möjlighet att sätta in aktiviteter för att förändra situationen till vad vi önskar ska inträffa – alltså att stänga gapet mellan prognosen och vårt uppsatta mål. Om vi drar det till ytterligheten så är det få som önskar att den prognos som visar på konkurs ska visa sig vara en träffsäker prognos. Däremot är en sådan prognos oerhört värdefull för att kunna agera i tid.
Dessvärre är det ovanligt att organisationer använder prognoser på det här sättet.
Vad är då en bra prognos i dina ögon?
En bra prognos är en prognos som ger beslutsfattare insikter om framtiden som leder till handling. Detta kräver att vi vågar se på verkligheten precis som den är. Det gör vi inte om vi talar om ”att stretcha en prognos” – då blandar vi ihop begreppen. Ett mål kan vara stretchat – en prognos ska alltid vara realistisk.
Hur skapar man då en realistisk prognos, det verkar inte helt enkelt?
Att förutse framtiden är inte enkelt. Särskilt inte nu i en värld som är alltmer präglad av osäkerhet och snabba förändringar. Just därför har de organisationer som har förmågan att använda prognosen på rätt sätt en konkurrensfördel.
Svårigheten ligger i de flesta fall inte i metodiken och tekniken, utan i tankesättet. Det finns inget ”one size fits all” utan alla verksamheter behöver göra sin hemläxa och förstå sina externa omvärldsfaktorer och interna intäkts- och kostnadsdrivare.
Dessutom behöver ledningen acceptera att vi faktiskt inte kan förutse framtiden fullt ut. Det kan låta självklart, men ibland tycker jag att vi resonerar som om ledning och ekonomifunktioner hade en kristallkula till sitt förfogade. Läs mer om hur Beyond Budgeting förändrar synen på prognosarbete.
Du talar om metoder och tekniker, vilka är dessa?
Om vi förenklar finns i grunden fyra angreppsätt för att prognostisera:
- Mänskliga bedömningar
- Historiska data och statistiska modeller
- Drivarbaserade modeller (läs mer)
- Prediktiva och AI-baserade modeller
Vid det första angreppssättet är det traditionella bottom-up perspektivet dominerande, där utformas prognosen i sämsta fall som en uppdaterad budget. Problemet med denna metod är att det är väldigt tidskrävande, men också att det medför subjektiva bedömningar som riskerar att introducera bias, så som optimism, konservatism eller grupptänk.
Men metoden bör inte förbises. Bottom-up-prognoser, där experter och medarbetare nära verksamheten bidrar med sina bedömningar, kompletterar datadrivna modeller och ger en mer nyanserad bild.
En viktig princip är att enas om åtgärder ska ingå i prognosen eller inte. Om organisationen väljer att göra det, rekommenderar jag full transparens om vilka effekter åtgärderna förväntas ha, eftersom de ofta innebär osäkerhet.
Vi ser att alldeles för få organisationer nyttjar datamodeller av olika slag i sitt prognosarbete. Här har utveckling och tillämpning av AI på kort tid gett ännu större möjligheter för realistiska prognoser. Läs mer om hur företag implementerar datadrivna prognoser och rullande prognoser för bättre beslutsfattande.
Hur kan AI nyttjas i prognossammanhang?
Det finns absolut en hävstång med AI, säger Hugo Bluhme, med det bör ses som en teknik av många och lösningens kvalitet beror i allra största grad på vilken AI- teknik och vilka grunddata du använder.
Med hjälp av maskininlärningsalgoritmer kan vi exempelvis förbättra prognosernas noggrannhet genom att identifiera icke-linjära samband i stora datamängder. Prediktion med ML-modeller och förtränade neurala nätverk via beslutsträd och regressionsmodeller kan hjälpa till att förutse komplexa förändringar som inte är uppenbara med traditionella metoder.
Det finns även en plats för språkmodeller som assistenter vid prognosarbetet. De kan hjälpa dig att testskjuta kurvor, tydliggöra insikter om dina data eller hjälpa dig att koda lösningen du söker mer effektivt.
Vilka råd skulle ni då ge till en organisation som vill förbättra sin användning av prognoser?
Först behöver organisationen enas om vad prognoserna ska användas till, börjar Knut.
Jag håller med, fortsätter Hugo. Utifrån syftet blir nästa steg att designa prognosmodellen och välja lämpliga metoder.
Ja, fortsätter Knut. Det bästa sättet är att analysera verksamhetslogiken samt intäkts- och kostnadsstrukturen för att identifiera relevanta data som beslutsfattare kan agera på. En hybridmodell ger ofta den mest effektiva prognosen.
Helt enig menar Hugo, har man väl rett ut verksamhetslogiken blir det betydligt enklare att identifiera områden där investering i avancerad prediktion kommer att ha direkt avkastning.
En hybridmodell – hur kan en sådan se ut?
En variant kan vara att använda statistiska modeller för att förstå trender och komplettera med drivarbaserade modeller som inkluderar påverkbara faktorer. Prediktiva modeller, som AI, förbättrar noggrannheten och identifierar oväntade mönster. Och sist men inte minst den mänskliga bedömningen för att säkra strategiska och marknadsspecifika insikter.
Några sista medskick på vägen?
Jag vill uppmuntra till att våga testa sig fram, säger Hugo. Learning by doing helt enkelt. Med rätt kompetens på plats är det ingen stor sak att ta fram några testversioner som man provar i skarpt läge över en period. Jag vill även understryka faran i att arbeta för nitiskt med träffsäkerhet som kvalitetsmått. En bra prognos är en vi agerar på. Om prognosen på exempelvis försäljningen ligger för lågt kommer vi givetvis agera och förhoppningsvis ändra utfallet till ett bättre scenario. Att då följa upp utfallet efter den gamla prognosen som ett kvalitetsmått är att göra arbetet en björntjänst.
Det är bra angreppsätt fortsätter Knut. Att förändra tankesättet i grunden – själva idén om vad prognosen är och ska användas till, är en större utmaning än tekniken i sig. Det är lättare att göra om förändringen får växa fram genom stegvisa insikter och slutsatser om vad som fungerar.