Spring til indhold

Når timing holder op med at være en forklaring

Om forecastafvigelser der gentager sig — og hvad de egentlig signalerer. Timing er en acceptabel forklaring første gang; tredje gang er den et signal om, at en antagelse ikke holder.

Der er en forklaring, der dukker op igen og igen i forecastgennemgange.

En faktura der kom lidt sent. En kundebetaling der faldt efter månedsskiftet. Et projekthonorar der blev udskudt med et par dage. Variansen kan forklares — og forklaringen er ikke forkert. Det er bare timing.

Problemet er ikke forklaringen i sig selv. De fleste finance-funktioner kender den og accepterer den, når den er det engangstilfælde, den udgiver sig for at være.

Problemet opstår, når den samme forklaring dukker op tredje måned i træk.

Det interessante er ikke, om variansen kan forklares. Det kan den næsten altid. Det interessante er, hvorfor ingen har rettet noget siden sidst.

Hvad tilbagevendende timing-afvigelser egentlig signalerer

En forecastafvigelse, der forklares med timing, er præcis det — en forskel i tidspunkt. Men når den samme forskel opstår måned efter måned, er det ikke længere et spørgsmål om tilfældig tidsmæssig variation.

Det er et spørgsmål om antagelser.

Noget i forecastet bygger på en forudsætning, der ikke holder i praksis. Faktureringen starter for sent i processen. Projektopdateringerne når ikke frem til finance, før forecastet er lukket. En bestemt kunde betaler konsekvent senere, end modellen regner med. Og ingen har ændret antagelsen — fordi det er nemmere at forklare afvigelsen end at rette den.

Resultatet er et forecast, der systematisk afviger fra det realiserede på de samme punkter. Og en forecastgennemgang, der gentager de samme svar.

Hvad det koster at lade det stå

Et forecast med tilbagevendende timing-afvigelser er ikke blot upræcist. Det svækker det grundlag, ledelsen træffer beslutninger på.

Når cash flow-forventningerne gentagne gange forskydes, bliver det sværere at vurdere det faktiske finansieringsbehov. Når omsætningsforecastet systematisk ligger over det realiserede, mister tallene troværdighed — ikke bare over for finance, men over for den ledelse, bestyrelse eller bank, der anvender dem.

Og det er et problem, der forstærker sig selv. Jo længere de forkerte antagelser bliver i modellen, desto sværere bliver det at rette dem — fordi de efterhånden er indlejret i budgetter, forventninger og planlægning.

Timing er en acceptabel forklaring første gang. Tredje gang er den et signal om, at noget i processen eller antagelserne ikke er rigtigt.

Hvad der faktisk rykker noget

Det, der løser problemet, er ikke en bedre forklaring til næste måneds review. Det er at gå tilbage til der, hvor afvigelsen opstår — og rette antagelsen dér.

Det kræver tre ting:

  1. Identificér de antagelser, der gentagne gange afviger fra det realiserede. Ikke som en disciplinær øvelse, men som en analytisk. Hvilke faktorer rammer konsekvent skævt?
  2. Afklar, hvem der ejer de pågældende forudsætninger. Er det finance, der selv kan rette dem? Er det et spørgsmål om faktureringstidspunkter i projekterne — og dermed noget, der kræver en dialog med projektorganisationen? Er det en kundeadfærd, der bør afspejles i betalingsantagelserne?
  3. Ændr antagelsen, og følg op på, om det rykker noget. Ikke i én gennemgang — men som en løbende disciplin i forecastprocessen.
Hvad kan AI bruges til her?

AI kan hjælpe med at se mønstre i forecastafvigelser hurtigere — men det kræver, at nogen tager ejerskab af de antagelser, der skal rettes.

  • Identificere tilbagevendende variansforklaringer på tværs af perioder ved at gennemgå historiske forecast-rapporter og kommentarer — og markere mønstre, der ellers kun ses manuelt over tid.
  • Kortlægge, hvilke antagelser der gentagne gange afviger fra det realiserede, og dermed give finance et præcist udgangspunkt for, hvor forudsætningerne bør justeres.
  • Opsummere og strukturere forecastforudsætninger på tværs af forretningsenheder, så finance kan udfordre og kvalitetssikre dem systematisk frem for enkeltvis.
  • Understøtte dokumentationen af forecastprocessen — hvem leverer hvad, hvornår, og på hvilket grundlag — så ansvaret er tydeligt placeret og kan følges op.

AI erstatter ikke den forretningsmæssige dialog om, hvad der driver afvigelserne. Men det kan reducere den tid, det tager at finde ud af, hvilke samtaler der er mest nødvendige.

Når timing er et procesproblem med et pænere navn

Der er forskel på timing som et faktum og timing som en vane.

Timing som et faktum er den reelle forsinkelse, der opstår en gang imellem — og som ikke kræver en strukturel ændring. Den kan forklares og accepteres.

Timing som en vane er den tilbagevendende afvigelse, der aldrig bliver rettet — fordi det er nemmere at forklare den end at adressere årsagen. Det er den, der over tid undergraver forecastets troværdighed og finance-funktionens evne til at levere et reelt styringsgrundlag.

Skelnen er ikke altid nem at se i en enkelt periode. Den viser sig i mønstret over tid.

Hvis “timing” er et fast punkt på dagsordenen, er det værd at spørge: er det virkelig et spørgsmål om tidspunkt — eller er det et procesproblem, der har fundet et pænere navn?

Sådan kan Aventra-Consult hjælpe

Hos Aventra-Consult arbejder vi med cash flow og forecast governance — og vi ser ofte, at tilbagevendende timing-afvigelser er et af de første steder, en forecastproces kan forbedres markant uden større strukturelle ændringer.

Vi hjælper finance-funktioner med at kortlægge, hvilke forudsætninger der systematisk rammer skævt, afklare ejerskab og procesansvar, og implementere en forecastdisciplin, der reducerer den tilbagevendende varians — frem for blot at forklare den.

Få en uforpligtende samtale om, hvad der egentlig driver variansen i jeres forecast — og hvad det vil kræve at rette det.

Vil I drøfte, hvad det betyder for jer?

Skriv til os om jeres situation. Vi vender tilbage med konkrete tanker og forslag til næste skridt — typisk inden for en uge.