<img src="https://secure.leadforensics.com/133892.png" alt="" style="display:none;">

Det har været forbeholdt spåkoner med farverige gevandter, kort og krystalkugler at udtale sig om fremtiden. Men ude i virksomhederne prøver vi jo alligevel, og ofte er værktøjet et Excel-ark, hvor man forsøger at fremskrive en udvikling efter, hvor godt – eller måske knap så godt! – det f.eks. gik sidste år på nogenlunde samme tid.

Nu rammer man i reglen mere inden for skiven med salgsbudgettet, end når Madam Futura roder i kaffegrumset og mumler noget om udsigten til hed kærlighed og eksotiske rejser. Alligevel er det svært at komme udenom, at der er en hel del gætværk og usikkerheder i spil, når man fremskriver pr. Excelark.

Blandt andet fordi en makro aldrig er bedre til at overskue talrækker og historiske sammenhænge end den person, der har skrevet makroen. Dels fordi vi har tendens til – ubevist – at lægge en finger på vægten, når salg, lagerbeholdning og produktion skal forecastes. Hvilket er naturligt nok. Vi er jo kun mennesker, og vor erfaring, ekspertise og personlige præferencer vil altid spille med på godt og ondt.

Jeg er stor tilhænger af Excel. Det er fremragende til mange formål. Men der er langt bedre værktøjer til at forudse tendenser indenfor f.eks. efterspørgsel og salg end hjemmegjorte makroer i et regneark.

Delvist selvlærende forecasting-algoritmer og machine learning har længe været i spil, men har reelt været forbeholdt meget store virksomheder med ekstraordinært dybe lommer og råd til dataanalytikere med særligt kendskab til ”R” - det sprog, som algoritmerne sædvanligvis anvender.

Det er under hastig forandring. For det første er R i dag pensum på flere uddannelser, hvorfor der er langt mere ekspertise i omløb end for blot fem år siden. Men af endnu større betydning er det måske, at forecasting-algoritmer og machine learning ikke længere er forbeholdt meget kostbare specialværktøjer, men er tilgængelig i langt bredere sammenhænge, f.eks. i Dynamics 365. Her er endda funktioner som ”Best Fit”, der f.eks. kan høvle enorme mængder salgsdata igennem og – baseret på historisk træfsikkerhed på et givent datasæt – selv kommer med forslag til, hvilken model, der passer bedst til det givne formål. Det var tidligere en opgave, der kunne tage lang tid for selv specialister at løse, men nu klarer cloudløsningen det selv på en brøkdel af tiden.

Virksomhederne er da også så småt ved at tage mulighederne til sig. Jeg var f.eks. for nylig i kontakt med en dansk industrivirksomhed med global repræsentation, der nu benytter Dynamics 365 til at forecaste behovet for indkøbet af materialer til virksomhedens fabrikker og servicecentre rundt om i verden.

Det er en opgave af enorm betydning for virksomhedens lønsomhed. Hver enkelt produktenhed lægger beslag på store mængder råvarer og specialiseret maskineri – hvorfor det er afgørende at have rigeligt i forsyningskæden på alle primærlokationer til at efterkomme kundernes behov. Bestiller man derimod for store mængder råvarer og maskineri, rammer det cashflow og bundlinje benhårdt.

Virksomheden gav systemet 5-6 års salgsdata at arbejde med, og allerede ved andet gennemløb ramte modellen mere præcist end virksomhedens topprofessionelle og kompetente forecastere. Og her var vel at mærke tale om personer, der tog udgangspunkt i en kombination af egne årelange erfaringer og data om salgets udvikling fordelt på region, årstid og den aktuelle pipeline.

Endnu mere imponerende var det, at man i tilfældet her tog udgangspunkt i den umodificerede f orecastingmodel i Dynamics 365; virksomheden satsede på at ramme endnu mere præcist, når først deres dataspecialister og forecastere havde haft lejlighed til at ”træne” modellen med endnu flere parametre.

Det er alligevel tankevækkende, og så bliver forecasting for alvor interessant – og ikke blot for globale virksomheder i sværvægtsklassen. For når avancerede værktøj til dataanalyse bliver tilgængelig i cloudbaserede-standardværktøjer som Dynamics 365, kan selv mindre virksomheder gøre dem til en integreret del af deres processer og bruge dem aktivt til at styrke konkurrencedygtighed og lønsomhed.

Jeg skal gerne indrømme, at jeg efterhånden er lidt træt af begreber som ”digital transformation” og ”disruption” som vi nu nærmest ukritisk slynger om os.

Men når man kan sætte et standardværktøj til at tygge sig igennem årelange og – med menneskeøjne betragtet –  komplet uoverskuelige datarækker og spytte overraskende præcise prognoser af vital betydning for konkurrenceevnen ud i den anden ende, så begynder det alligevel at ligne noget. Og så kan det undtagelsesvis være OK at finde de store ord frem.

Vil du vide mere om Business Intelligence?

Emne

Kommenter indlæg

Recommended posts

Any business that involves working with equipment would need to spend considerable resources on asset management. Enterprise Asset Management (EAM) would include maintaining assets across different business functions, facilities, and locations. These assets can be building, machinery, ships, vehicles, etc.
As a manufacturer, streamlining your warehouse operations would be one of the most difficult processes. Warehouse management essentially involves physical resources— making it challenging to handle it remotely. Especially in these unprecedented times, automating maximum tasks has become core to the survival of the business. An efficient ERP like Microsoft Dynamics 365 Supply Chain Management provides manufacturing enterprises with powerful tools to sustain their business process with the help of automation.
I moderne fødevareindustri er det afgørende at være i kontrol omkring samtlige processer vedrørende sporbarhed. Reelt gør virksomheder uden tilstrækkeligt styr på test, sporbarhed og andre kerneprocesser sig unødvendigt sårbare i en lang række situationer.
Usually when a business purchases goods, it decides in advance how much, what quality, and at what price. That is not how it works at harvest time when farmers deliver grain to the dealer. Almost the opposite in fact: You never know precisely how much will arrive – or when – just as quality, water content and many other parameters can only be determined when the goods are received.
De dagligvarer, vi køber i supermarkedet, udgør reelt kun en del af det, der produceres af landmand, slagteri, mejeri og alle de andre virksomheder i fødevarebranchen. Eller, for at stille det op på en anden måde: Hvis man på en eller anden måde kunne ”samle” alle de udskæringer, der ikke sælges fra en gris i et supermarked, så ville der stadig være en hel del kilo svin til overs. Heldigvis går stadig mindre til spilde.
right-arrow share search phone phone-filled menu filter envelope envelope-filled close checkmark caret-down arrow-up arrow-right arrow-left arrow-down