top of page
Insight-Analytics-logo

En prognose er en hypotese. Tusen prognoser er en strategi.

  • Forfatterens bilde: Martin Aleksandersen
    Martin Aleksandersen
  • 22. mai
  • 8 min lesing

Hvorfor du bør simulere fremtiden — ikke bare predikere den.

Det enkelte tallets tyranni

Når ledergrupper i norske SMB-er presenterer sine prognoser, ser de nesten alltid like ut: kvartalsvise omsetningstall i en Excel-rad, ett tall per måned, kanskje med en kommentar om «konservativt estimat» eller «med opsidepotensial». Av og til finnes det også et scenario med tre punkter: best case, base case, worst case.

Det er en forbedring fra ett tall. Det er ikke nær det ledelsen faktisk trenger.

Ethvert tall i en prognose er resultatet av en lang rekke antagelser — om markedsvekst, kundeadferd, lønnsutvikling, valutakurser, råvarepriser. Hver av disse antagelsene har en usikkerhet. Når du legger sammen ett enkelt tall per antagelse, mister du informasjon om hvor sannsynlige ulike utfall er.

En prognose med ett tall sier: «vi tror det blir slik». En prognose med en sannsynlighetsfordeling — altså et bilde av alle mulige utfall og hvor sannsynlig hvert av dem er — sier: «vi vet ikke hvordan det blir, men vi har modellert sannsynlighetsrommet». Forskjellen er hva ledelsen faktisk kan handle på.


Hva Monte Carlo-simulering er — og hvor det kommer fra

Metoden vi snakker om har et eksotisk navn. Monte Carlo-simulering er oppkalt etter kasinoet i Monaco, fordi metoden bruker tilfeldighet og gjentakelse. Den ble utviklet ved Los Alamos National Laboratory på 1940-tallet, opprinnelig for beregninger knyttet til atombombeutvikling, av matematikerne Stanislaw Ulam og John von Neumann.

Idéen er enkel. I stedet for å regne ut «hva skjer hvis salget neste år blir 100 millioner», regner du ut «hva skjer hvis salget som regel er rundt 100 millioner, men kan svinge en del opp eller ned» — og du gjør den utregningen tusen ganger, eller ti tusen, eller hundre tusen. Hver gjennomkjøring lager ett mulig scenario basert på tilfeldigheten i hver variabel.

Resultatet er ikke ett tall. Det er en fordeling — et bilde som viser alle utfallene maskinen prøvde, og hvor mange av dem som havnet hvor. Du vet ikke bare hva som «sannsynligvis» vil skje. Du vet hvor sannsynlig det er at omsetningen overstiger 50 millioner, hvor sannsynlig det er at den faller under 35, og hva som ligger imellom.

I dag brukes Monte Carlo-simulering i finans, prosjektledelse, ingeniørarbeid, farmasi, forsikring, produksjon og olje- og gassindustrien — alle bransjer der beslutninger må tas under usikkerhet, og kostnaden ved å ta feil er stor.


Forskjellen fra tradisjonell scenarioanalyse

Tradisjonell scenarioanalyse tester noen få håndplukkede scenarier — vanligvis best case, base case og worst case. Det er en forbedring fra én prognose, men det har to grunnleggende begrensninger:

Du velger scenariene selv. Best case og worst case er definert av menneskets fantasi. Hvis du ikke forestiller deg en pandemi, en tollkrise, eller en uventet konsolidering i bransjen, ligger ikke det scenariet i analysen din.

Du vet ikke sannsynligheten. En prognose som sier «omsetningen kan bli mellom 30 og 55 millioner» forteller deg ikke om sannsynligheten for 30 er én prosent eller 30 prosent. De to tallene krever helt ulike beslutninger.

Monte Carlo-simulering tester tusenvis av tilfeldig samplede scenarier og produserer en full sannsynlighetsfordeling. Det er ikke et alternativ til scenarioanalyse — det er en mer presis versjon av samme idé.


P50, P80 — sannsynlighet som beslutningsverktøy

Når du har en fordeling i stedet for et tall, åpner det opp et helt nytt beslutningsspråk. P står for «prosentil» — det er rangeringen av et utfall i forhold til alle de andre i fordelingen.

P50 er median-utfallet. Det er det «midterste» scenariet — halvparten av simulasjonene gir bedre resultat, halvparten gir dårligere. P50 er det nærmeste du kommer «det vi tror vil skje».

P80 er det utfallet som overgås i 20 prosent av simulasjonene. Det er pessimistisk-realistisk: «i fire av fem mulige fremtider, ser tallene minst så bra ut».

P20 er det motsatte: «i fire av fem mulige fremtider, ser tallene maks så bra ut».

Forskjellen er konkret. En leder som styrer mot P50 tar gjennomsnittlig risiko — de planlegger for «det mest sannsynlige». En leder som styrer mot P80 bygger inn margin — de planlegger for at det skal gå minst så bra. Begge er gyldige strategier, men de krever helt ulike kapitalbeslutninger, ulike kontantbeholdninger, ulike beredskaper.

Uten fordeling kan du ikke ha den samtalen. Du har bare ett tall, og ingen vet hvor mye buffer som ligger inne i det.


Hvor det fungerer i praksis

La meg ta tre representative eksempler fra typisk arbeid med scenariosimulering.

Eksempel 1: Kontantstrøm i et SaaS-selskap. Selskapet hadde en månedlig prognose basert på «5 prosent vekst per måned». Det fungerte greit i snitt. Det de ikke så, var at vekstraten faktisk varierte mellom −2 prosent og 12 prosent fra måned til måned. Ved å simulere 12 måneder fremover basert på den historiske variasjonen, kan en sannsynlighet for å gå tom for kontanter i Q3 være, la oss si, 18 prosent — ikke null, som «snittet» tilsier. Den kunnskapen leder ofte til en kredittfasilitet på plass før det er et akutt behov.


Eksempel 2: Etterspørselsplanlegging i industri. En produsent estimerer etterspørselen som «1 200 enheter per måned, pluss minus 100». Når man simulerer basert på faktisk historisk variasjon, kan fordelingen vise at 1 100–1 300 bare dekker 60 prosent av månedene. Resten ligger utenfor. Lagerstrategien kan kalkuleres om: i stedet for å holde 100 i sikkerhetslager, går man over til en dynamisk strategi der lageret skaleres med den faktiske svingningen fra rullende 12-måneders historikk.


Eksempel 3: Prisspring i råvarer. Et selskap kjøper et viktig råstoff. Prisen har svingt fra 8 til 19 kroner per kilo siste tre år. Bedriftens budsjett antar 13 kroner per kilo. En Monte Carlo-simulering basert på historisk volatilitet kan vise at sannsynligheten for at gjennomsnittspris over et regnskapsår overstiger 16 kroner, er for eksempel 22 prosent. Den innsikten kan lede til en sikringsstrategi for halvparten av volumet — en beslutning som ikke hadde vært vurdert da prognosen var ett tall.


Hva slags data du trenger

Monte Carlo-simulering krever ikke avansert KI eller massive datavolum. Den krever historisk data og en arbeidshypotese om hvordan tallene typisk fordeler seg.

Historisk data. Helst tre til fem år, måned for måned. Mer er bedre. Du trenger nok observasjoner til å si noe meningsfullt om variasjonen — ikke bare gjennomsnittet.

Fordelingsantagelse. Hvordan ser variasjonen ut i dataene dine? Er svingningene jevnt fordelt over og under snittet, eller er det skjevt (én lang hale i én retning)? Dette er et metodevalg, ikke en gjettelek. En god praksis er å kjøre samme simulering med flere fordelingsantagelser — for eksempel uniform, triangulær, normal — for å se hvor robust konklusjonen er på tvers av antagelser. Hvis svaret endres dramatisk avhengig av hvilken fordeling du velger, betyr det at modellen er skjør.

Korrelasjon. Hvis to variabler beveger seg sammen — for eksempel valutakurs og eksportpris — må modellen reflektere det. Korrelasjon er ofte det som skiller en god simulering fra en naiv.

Det vanskelige er ikke regnekraften. Det er det disiplinerte arbeidet med å forstå hvilke antagelser som driver hvilke utfall.


Hvordan vet du om simuleringen kan stoles på? Backtesting.

Her kommer det enkleste, men også mest oversette steget i hele øvelsen.

Det er ett åpenbart problem med all prediksjon: hvordan vet du om modellen din er nær virkeligheten — før virkeligheten har skjedd?

Svaret heter backtesting. Direkte oversatt betyr det «bakovertest». Idéen er enkel: før du bruker modellen til å forutse fremtiden, tester du den mot fortiden.

Tenk på det som å validere en værvarsel-app. Du vet ikke om appen er pålitelig før du har sjekket hvor godt den traff forrige uke. Sa den «sol» og det ble sol? Hvor ofte traff den? Hvis den var rett i 9 av 10 dager, stoler du på den i dag. Hvis den var feil halve tiden, slår du den av.

Samme prinsipp gjelder en Monte Carlo-simulering. Slik fungerer en backtest i praksis:

  1. Du har historisk data fra, la oss si, 2019 til 2024.

  2. Du bygger modellen på data fra 2019 til 2022 — som om du sto i januar 2023 og ikke visste hva som ville skje videre.

  3. Du lar modellen «predikere» hva som ville skje i 2023 og 2024.

  4. Du sammenligner det modellen sa, med det som faktisk skjedde.

Hvis det faktiske utfallet for 2023 og 2024 ligger innenfor modellens hovedfordeling — for eksempel mellom P10 og P90 — er det et godt tegn. Modellen ville ha gitt deg riktig størrelsesorden og riktig usikkerhet hvis du hadde brukt den dengang.

Hvis det faktiske utfallet ligger langt utenfor det modellen forutsa, må noe revurderes. Kanskje datagrunnlaget er for kort. Kanskje markedet har endret seg. Kanskje en sentral antagelse er feil.

Backtesting er ikke en garanti for at modellen vil treffe fremtiden. Fremtiden er ikke fortiden. Men det er det beste vi har for å skille mellom en simulering du kan styre etter, og en som ser presis ut men er bygd på ønsketenkning.

Det er kjedelig arbeid. Det er også det som skiller seriøs prognose fra teaterproduksjon. Hver Monte Carlo-modell som skal brukes til en faktisk beslutning, bør backtestes mot historikken før den får lov til å predikere noe som helst.


Vanlige fallgruver

Etter å ha sett en del implementeringer er det noen mønstre som går igjen:

For lite data. Tre måneder med historikk forteller deg ikke nok om variasjonen. Du trenger nok observasjoner til å fange opp sjeldne hendelser — ellers undervurderer du de uvanlige utfallene (det vi kaller «halene» i fordelingen), og det er ofte halene som koster mest.

Ignorerer regimeendringer. Hvis dataene dine kommer fra én verden (lavt renteleie, stabil handel) og du simulerer en annen (høyt renteleie, handelsbarrierer), er den historiske volatiliteten ikke representativ. Da må modellen kombineres med eksplisitte stress-scenarier.

Pretensiøs presisjon. En simulering som rapporterer at omsetningen vil bli «47,328 millioner med 95 prosent konfidens» gir et inntrykk av presisjon som ikke er reelt. Resultater bør kommuniseres i bredere bånd og som sannsynligheter, ikke som punktanslag med pseudo-vitenskapelige desimaler.

Manglende handling. Den vanligste feilen er ikke teknisk. Det er at simuleringen leveres som en rapport, leses av ledergruppen, og legges bort uten at noen beslutning faktisk endres. En simulering uten beslutningskobling er en kostbar Excel-akademi.


Når det er verdt arbeidet

Monte Carlo-simulering er ikke nødvendig for alle beslutninger. For lavkost-beslutninger med begrenset usikkerhet er ett tall ofte godt nok.

Det blir verdifullt når:

  • Beslutningen er stor nok til å rettferdiggjøre arbeidet (typisk fra noen hundretusen kroner og oppover).

  • Usikkerheten er reell og driver utfallet (ikke alle prognoser er like usikre).

  • Det finnes nok historisk data til å si noe meningsfullt om variasjonen.

  • Beslutningstakeren er villig til å snakke sannsynlighet, ikke bare punktanslag.

I de tilfellene er forskjellen mellom én prognose og en simulering med tusen, forskjellen mellom å gjette og å vite hvor mye man ikke vet.


Det handler om beslutningsmodenhet

Da Stanislaw Ulam først foreslo metoden på 1940-tallet, var den et radikalt brudd med tradisjonell deterministisk regning. Det er den fortsatt for mange ledergrupper.

Å bytte fra ett tall til en fordeling krever ikke bare teknologi. Det krever en organisasjon som er villig til å snakke om usikkerhet i stedet for å skjule den i et estimat. Som er villig til å si «det er 25 prosent sannsynlighet for at vi bommer på det målet» i stedet for «vi mener vi treffer».

Den modenheten er den knappeste ressursen i mange norske bedrifter. Teknologien finnes. Dataene finnes ofte. Det som mangler er ledelseskulturen som klarer å bruke begge deler.

For en bedrift som konkurrerer i et marked der globale aktører styrer på sannsynlighetsfordelinger og lokale konkurrenter fortsatt styrer på Excel-rader, er det ikke akademisk hva slags prognoser ledergruppen tar imot. Det er strategisk.



— Martin Aleksandersen, Insight Analytics AS



Kilder

Om Monte Carlo-simulering:

Om backtesting:

Historisk bakgrunn:

  • Los Alamos National Laboratory, dokumentasjon om Monte Carlo-metodens opprinnelse (Stanislaw Ulam og John von Neumann, 1940-tallet): lanl.gov

Kommentarer

bottom of page