I Excel findes et smugkig ind i fremtiden

En ny virkelighed med et fingerknips

Verden er foranderlig. Blot indenfor de seneste par år har vi set massive forandringer i vores verden indenfor digital marketing. Corona medførte usikkerhed, uvished og nervøsitet. Vi havde ingen fornemmelse af, hvordan markedet ville reagere. Nervøsiteten blev gjort til skamme, og mange eCommerce-forretninger vækstede gennem corona (graf 1).  Resultatet blev altså til et komplet forandret marked, der satte nye – og måske urealistiske – standarder for, hvad vi kan forvente af fremtiden.  

Nu står vi på den anden side af corona, og de næste usikkerheder og potentielle forandringer nærmer sig i horisonten. I den sammenhæng er det naturlige spørgsmål: 

Hvad kan vi så forvente nu?

Når plejer rent faktisk er død

I statistikkens verden kan vi ved hjælp af historisk data forudsige fremtiden – forecasting. Derudover kan vi også komme med et kvalificeret gæt på, hvordan markedet potentielt ville have set ud uden eksempelvis corona. Nu tænker du måske “Og hvad så? Corona kom jo forbi”. Korrekt, men det kan hjælpe med at komme med et realistisk bud omkring målsætninger i fremtiden. I stedet for at lave målsætninger ud fra 2019-tal (hvor alt var normalt), kan vi tilnærme os et realistisk bud på, hvordan dine målsætninger kan sættes.

Time-series analysis

Når vi forecaster, bruger vi tidsserieanalyse, der analyserer en sekvens af datapunkter (eksempelvis konverteringer, organisk kliks eller transaktioner) over et bestemt tidsinterval. Her bruger vi tid som variabel for at drage konklusioner omkring tendenser og udviklingen i dataen, i modsætning til at drage konklusioner på baggrund af forholdet mellem flere variabler, der antages at have en sammenhæng (eksempelvis ecom-salg og konverteringer på Facebook Ads). Netop på grund af inklusionen af tid som variabel, bruges tidsserier ofte til at studere og analysere udviklingen i et bestemt datasæt. Indledende kan man skille dataen ad og se hvorvidt, det er påvirket af langsigtede trends eller kortsigtede sæsonprægede udsving – eksempelvis et øget salg op til jul.

Case

Hvordan bringer vi det så i spil? Lad os tage en case. På grafen nedenfor ses udviklingen af eCommerce-salg fra 2015 til september 2022, hvor den sorte linje er pre-corona, og den røde linje er post-corona. Grafen viser tydeligt en voldsom vækst fra coronas indtog.

 

 

Kan vi forvente, at det vil fortsætte? Vi ved det egentligt ikke, men det er lige netop her, vi kan benytte os af time-series analysis og forecasting til at beskrive, hvordan markedet ville have set ud. Hvis vi fjerner vores data post-corona og forecaster fra marts 2020 og fremad, får vi pludselig et indblik i, hvordan corona påvirkede salgsdataen. 

 

På grafen herunder ser vi det samme datasæt. Den sorte og røde linje er det faktiske data. Herudover ser vi også den blå linje samt konfidensintervaller, der udgør vores forecast. Det giver os et realistisk billede af, hvordan markedet ‘burde’ have set ud. På den måde kan vi give et realistisk bud på, hvor stor effekt corona kan tilskrives i forhold til eCommerce-salg i denne sammenhæng. Derudover kan vi også give et realistisk bud på, hvordan målsætninger kan formuleres og fastlægges for 2023.

Brugen af statistik og data i forhold til at kunne forecaste og anslå markedsudviklingen, hvis Corona ikke havde kigget forbi, vil aldrig kunne give et 100% sikkert og sandfærdigt billede af udviklingen. Til gengæld giver forecasting os muligheden for at bringe et kvalificeret bud på, hvordan markedet havde reageret sammenlignet med blot en trendlinje eller en procentuel fremskrivning af væksten.

Vi kan ikke spå fremtiden fuldstændig for vores kunder, men vi kan assistere i arbejdet med at sætte realistiske målsætninger og tegne et kvalificeret og sandsynligt billede af markedets fremtid, som absolut er en fordel i bestræbelserne på at skabe sig konkurrencefordele i et intenst og kompetitivt marked.