Enligt Svenska Akademiens ordbok är prognostisering att skapa en prognos. En prognos i sin tur betyder en förutsägelse av kommande förhållanden.
Viljan att förutsäga framtiden har länge varit en del av människans historia. Redan 700 f.Kr.
talade man om att prognoser har funnits i tusentals år. Ännu idag är vi intresserade av hur framtiden ser ut och vill kunna förutsäga vad som kommer hända. (Hyndman &
Athanapolous, 2008, s. 1)
Prognostisering har utvecklats mycket genom tiderna. Från en början där man analyserade naturens olika skeden till att analysera försäljningsdata och trender. Oavsett i vilket århundrade prognoser gjordes så blev det tydligt att prognoser som stämde hade en mycket positiv verkan och prognoser som inte stämde var skadliga. Detta syns även idag inom företagsledning. Företag som inte idkar prognostisering kommer att förlora konkurrenskampen mellan ett företag som idkar prognostisering. (Hyndman &
Athanapolous, 2008, ss. 11–12).
Enligt Sanders (Forecasting Fundamentals, 2017, ss. 17–19) baseras prognostisering inom företagsverksamhet i allmänhet på fyra grundprinciper. Dessa är:
1. Prognoser ska alltid göras enligt förutbestämda processer. Detta görs så att prognoserna alltid kan jämföras med varandra från år till år. Processen för prognostisering ska kunna användas i alla avdelningar i ett företag, oavsett vad som ska prognostiseras.
2. Prognoser är mycket sällan fullständiga. Men att i allmänhet ha någorlunda goda noggrannheter i prognoserna räcker för att säkerställa att man inte gör stora misstag. Små fel i prognoserna får förekomma så länge prognosen i det stora hela följer en realistisk utveckling.
3. Prognoser är noggrannare för grupper än för enskilda föremål. Enskilda föremål fluktuerar enormt mycket enligt oförutsedda trender, därför löns det att se på större grupper där enskilda föremåls påverkan inte märks lika mycket.
4. Prognoser är noggrannare på korttid än på långtid. Data från försäljning och beställningsmängd ändrar inte mycket under kort tid. Men under långtid kan stora oförutsedda ändringar i trender hända. Därför ska man ge utrymme för felaktigheter när man prognostiserar för en längre tid framåt.
Prognostisering görs i företag för att skapa en överblick över hur man tror att framtiden ser ut med den nuvarande verksamheten i företaget. Prognoser är påverkade av både inre och yttre faktorer. De inre faktorerna är hur bra företaget förstår sitt data och hur bra prognostiseringsmodeller man har i kraft. Och de yttre är varierande trender i kunders köpvanor. Det är viktigt att man vet när man kan göra noggranna prognoser och när inte.
Det löns inte att göra en prognos på data som inte är tillräcklig eller otillförlitlig. (Gould, 2017).
Fördelarna är många med en bra prognostisering. Bara några exempel på dessa är bättre sysselsättningsgrad, större vinster, minskat svinn och minskad tid för produkter att nå marknaden. (Gould, 2017).
Prognostisering kan enligt Sanders (Forecasting Fundamentals, 2017, ss. 51–55) delas in i två kategorier när det gäller hurudan metod man gör prognoserna med. Dessa är bedömmande prognostisering och statistisk prognostisering.
Bedömmande prognostisering går ut på magkänsla och åsikter från individer inom företaget. Prognoserna är därför ofta påverkade av optimism, önsketänkande och politisk påverkan. Denna prognostiseringsmetod är därför inte lika pålitlig som objektiva metoder.
(Sanders, 2017).
Statistisk prognostisering är baserad på matematik och statistik. Denna metod är i allmänhet mera noggrann än bedömningsmetoden. Denna metod är helt objektiv och blir därför inte påverkad av känslor eller åsikter. (Sanders, 2017).
Enligt Hyndman & Athanapolous (Forecasting: Principle and Practice, 2008) finns det flera olika statistiska metoder för prognostisering. Några av dessa är:
• Regression: Förhållande mellan variabler. Ger ett värde på hur variabler är relaterade till varandra, till exempel hur mycket en efterfrågan ändras baserat på hur mycket priset ändras. Om alla variabler är kända kan noggranna prognoser skapas med denna metod.
• Exponentiell utjämning: Byggs upp av medelvärden från observationer. Går ut på att placera mera vikt på medelvärden som är nyare och mindre vikt på värden som är äldre.
• Glidande medelvärde: Observerade medelvärden under en viss tidsperiod. Man bestämmer en viss tidsram inom värden beaktas och bestämmer medelvärdet på dessa. När tiden går framåt går också tidsramen framåt.
• Naïva metoden: All prognostisering baseras på senaste observation. Denna metod beaktar inga medelvärden eller historisk data. Lämpar sig bra i situationer där data ser slumpmässigt ut.
Vid analys av nuläget och vid planering av projektets prognostiseringsverktyg märktes det att prognostiseringen inte använde sig direkt av någon av dessa metoder, men en egen blandning av glidande medelvärde och naïva metoden används för att få ut en prognos som möter företagets behov.
Både statistisk prognostisering och bedömmande prognostisering kommer med styrkor och svagheter. Dessa presenteras nedan i form av tabell:
Tabell 1. Styrkor och svagheter hos prognostiseringsmetoderna.
Prognostiserings-metod
Styrkor Svagheter
Bedömmande • Snabbt reagerande till de senaste ändringarna i
Eftersom det finns styrkor och svagheter hos båda metoderna lönar det sig att beakta båda metoderna vid prognostisering och skapande av prognostiseringsmodeller.
Prognostiseringsmodeller skapas för att hålla samma standard av prognostisering oavsett vilket data som matas in i den. Modellen ska fungera som en abstrakt matematisk modell som representerar äkta världens situation hos företaget. Prognostiseringsmodeller kan se ut på många olika sätt beroende på i vilket företag den görs och till vilket ändamål.
Prognostiseringsmodeller kan vara simpla som ryms på en enda sida eller mycket komplexa som överskrider över tiotal arbetsblad för att utföra uträkningar. Oavsett komplexitet och storlek av modellen så utför de samma grunduppdrag: Data från tidigare år bestämmer hur framtiden ser ut. (Samonas, 2015).
Prognostiseringsmodeller ska skapas för att ge en så enkel bild som möjligt över situationen. Det ska vara lätt att arbeta med modellen och någon som inte har sett den förr ska kunna förstå vad som menas med den när de öppnar den för första gången. Data ska presenteras tydligt, tabeller ska vara tydligt indelade med olika färger, formler ska vara korta och lätta att förstå, modellen ska läsas från vänster till höger och uppifrån ner; och axlarna i tabeller ska alltid ha egna namn och titlar. På detta sätt presenterar man modellen klart och tydligt. (Samonas, 2015).
Vid skapande av prognostiseringsmodeller är gruppindelning av ingående data viktigt för att få ett så bra resultat som möjligt. Om data som går in i modellen är dåligt organiserat, så kommer resultat som kommer ur modellen vara dåligt organiserat. Datat ska vara tydligt kategoriserat och lätt att ändra. Vid skapande av mindre och simplare prognostiseringsmodeller krävs inte komplexa matematiska uträkningar, utan en kombination av bedömmande och statistisk prognostisering räcker långt när prognoserna ska vara lätta att förstå. (Sanders, 2017).