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 vi skapar i våra organisationer och företag: Vad fyller de egentligen för funktion? Är en träffsäker prognos i företagssammanhang 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.
Knut, vad skulle du säga är den stora skillnaden mellan en väderleksprognos och de ekonomiska prognoser som tas fram i företag och organisationer?
Den stora skillnaden skulle jag säga är att vädret, som ligger till grund för väderprognosen, kan vi inte göra något åt. Även om vår förhoppning är att det ska vara sol till helgen så är vi fullständigt maktlösa i att förändra situationen. En träffsäker väderprognos skulle nog de flesta anse som en bra prognos då 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. För det krävs 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 i marknaden. 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 här.
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
- 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, såsom optimism, konservatism eller grupptänk. Men metoden ska absolut inte förbises helt. Bottom-up-prognoser, där experter och medarbetare nära verksamheten bidrar med sina bedömningar, kan med fördel användas för att komplettera datadrivna modeller och ge en mer nyanserad bild.
En viktig princip att komma överens om är om åtgärder ska byggas in i prognosen eller ej. Om detta görs är min rekommendation att vara fullt transparent kring vilken påverkan åtgärderna förväntas ge då dessa i många fall involverar osäkerhet.
Det vi ser alldeles för lite av är organisationer som 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 här.
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. Att använda 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 testskjuta kurvor, ge dig insikt om dina data eller hjälpa dig eller en utvecklare att koda lösningen du söker mer effektivt.
Vilka råd skulle ni då ge till en organisation som vill förbättra sin användning av prognoser?
Jag skulle säga att det första är att komma överens om vad prognosen eller 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. Och det görs bäst genom att analysera sin verksamhetslogik och intäkts- och kostnadsstruktur i grunden för att därefter se vilka data som beslutsfattare kan agera på. Ofta är en prognos som utformas med en hybridmodell den bästa lösningen. 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?
Det kan vara en prognos som baserar på statistiska modeller för att förstå trender men som kompletteras med drivarbaserade modeller för att inkludera påverkbara faktorer. Prediktiva modeller (ex AI) läggs till för att förbättra noggrannheten och upptäcka 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, och det är lättare att göra om förändringen får växa fram genom stegvisa insikter och slutsatser om vad som fungerar.