Hvilke danske datakilder egner sig til markedsprognoser?

Hvad gør en dansk datakilde egnet til markedsprognoser?

En dansk datakilde kan kun bruges i en markedsprognose, hvis den måler det, prognosen handler om, dækker det relevante område og tidsrum og opdateres ofte nok til, at tallene ikke er forældede, når beslutningen tages. Før du bygger videre, skal fire forhold være på plads: relevans for markedet, geografisk og tidsmæssig dækning, opdateringsfrekvens og dokumenteret metadata, så du kan se, hvad der er målt, hvornår og hvordan.

Adgang er næste filter. Nogle kilder kan trækkes maskinelt via API; andre leveres som download eller webservices, fx Dataforsyningens geografiske data. Vilkårene varierer: Datavejviser beskriver både helt åbne data og data med visse adgangsbegrænsninger. Afklar derfor genbrugsretten, før data indgår i et produkt eller en model, der skal kunne gentages.

Kritiske faktorer for valg af dansk datakilde

Officiel statistik og Statistikbanken

Danmarks Statistik er Danmarks officielle statistikbank og har API-adgang. Det gør kilden til et naturligt førstevalg, når prognosen skal bygge på officielle, landsdækkende tal: data kan hentes maskinelt og indgå i en gentagelig model i stedet for manuel kopiering, og serierne kan opdateres, når der kommer nye tal.

Detailomsætningsindeks er et konkret dansk eksempel. Danmarks Statistik publicerer det under erhvervsliv og handel. Indekset viser udviklingen i detailomsætningen og kan bruges som grundlag eller kontrolserie for detailhandelsprognoser — fx når et salgsbudget eller en kapacitetsplan skal holdes op mod den faktiske omsætningsudvikling. Vær opmærksom på opløsningen: indekset er en sektorindikator, så skal prognosen ned på by-, butiks- eller oplandsniveau, må den kombineres med andre kilder.

Til lange horisonter er befolkningsfremskrivninger det bærende grundlag, fordi efterspørgsel efter bolig, detail, skole, sundhed og service i høj grad følger befolkningens størrelse og sammensætning. Befolkningsfremskrivninger er blandt de datasæt, der kan søges frem via Datavejviser. Danmarks Statistik har desuden temasider, fx om digitalisering, hvor danskernes teknologiske udvikling beskrives med statistik gennem fire årtier — den type temaserier kan understøtte antagelser om efterspørgslen i teknologitunge markeder.

Top 5 danske datakilder til markedsprognoser

Datavejviser: overblik over offentlige data

Datavejviser.dk blev lanceret 23.09.2022 af Digitaliseringsstyrelsen og Erhvervsstyrelsen for at gøre offentlige data lettere at finde og bruge. Portalen giver mulighed for at søge på tværs af de datasæt, den offentlige sektor udgiver, og skaber overblik i stedet for at lede hos den enkelte myndighed. Ifølge Datalabs oversigt drives kataloget af Digitaliseringsstyrelsen.

Databredden spænder fra vandmiljø og energipriser til vejrdata, matrikelkort og befolkningsfremskrivninger. Ved lanceringen blev der lagt beskrivelser ind fra nogle af de store offentlige datadistributører, heriblandt Statistikbanken, Datafordeleren og Danmarks Miljøportal, og der er løbende tilføjet beskrivelser af flere tilgængelige data fra den offentlige sektor.

Datavejviser indeholder kun beskrivelser af data — metadata — og links til, hvor man får adgang. Selve dataene distribueres fortsat af fx Datafordeleren og Danmarks Miljøportal. Portalen beskriver både helt åbne, frit tilgængelige data og data underlagt visse adgangsbegrænsninger, og katalogiseringen ændrer ikke vilkårene for de beskyttede data. Arbejdsdelingen er derfor: brug Datavejviser til at finde og vurdere kilden, og hent og efterlev vilkårene hos distributøren.

Grunddata og geodata: Datafordeleren, Dataforsyningen og Geodatastyrelsen

Dataforsyningen leverer geografiske data: her kan du finde informationer om data, se dem på kort, hente webservices og downloade data. I en lokal markedsprognose er det den type kilde, der oversætter en adresse eller et opland til et geografisk område, som salgstal, befolkningsfremskrivninger eller kundedata kan aggregeres til. Uden en fælles geografisk nøgle kan lokale danske kilder sjældent kobles meningsfuldt.

Geodatastyrelsen står for stedbestemt information om havet og fast ejendom, og Datafordeleren distribuerer grunddata — den nævnes sammen med Statistikbanken og Danmarks Miljøportal som en af de store offentlige datadistributører, der er beskrevet i Datavejviser. Grunddata fungerer dermed som fælles referenceramme: matrikel- og ejendomsoplysninger gør det muligt at koble markedsdata til fysiske lokationer og opgøre aktivitet område for område.

Adgangen til flere af disse grunddata er blevet forbedret. Publikationen »Gode grunddata til alle« oplyser, at landkortdata, matrikelkort, CVR- og selskabsdata frikøbes, så de bliver frit tilgængelige, netop for at sikre genbrug og undgå dobbeltregistreringer og skyggeregistre. For prognoser betyder det, at virksomhedsoplysninger og geografi kan kobles uden særskilt betaling — relevant ved lokalmarkedsanalyser og ved opgørelser over antallet og typen af aktører i et område.

Udvikling i adgang til danske grunddata (2016–2026)

Åbne datasæt fra myndigheder og forskning

Open Data DK samler åbne datasæt fra flere danske myndigheder, og Datalabs oversigt over åbne datakilder er et praktisk startpunkt, fordi den grupperer kilderne efter fagområde — fx offentlig statistik, naturvidenskab, sundhed og jura. Når en prognose kræver data, der ikke findes i Statistikbanken, er den type oversigter ofte hurtigere end at søge myndighed for myndighed.

Til specialiserede eller historiske data er forskningsarkiverne næste trin. DataCite Commons leverer DOI'er til forskningsdata og gør det muligt at søge i datasæt på forskellige dataarkiver. re3data.org er en global registrering af forskningsdataarkiver, der dækker arkiver fra forskellige akademiske discipliner. Begge er relevante, når markedet kræver ældre undersøgelser eller branchespecifikke datasæt, som ikke indgår i den officielle statistik — og DOI'en giver en entydig reference, der kan citeres i prognosedokumentationen.

Der findes også en dansk indgang: Library Open Access Repository (LOAR) ved Det Kongelige Bibliotek er et åbent data repositorium, etableret i 2016 som en service til lagring af og adgang til danske forskningsdata. Det kan være stedet at lede, hvis prognosen skal understøttes af dansk forskningsmateriale, der ikke umiddelbart findes ad andre veje. Uanset arkiv skal arkivets egne vilkår for genbrug tjekkes, før data indgår i modellen.

Sektordata til markedsspecifikke prognoser

Sundhedsrelaterede markeder kan understøttes af eSundhed.dk, der leverer statistiske data om sygdomme og danskernes sundhed. Den type oplysninger er brugbare, når efterspørgslen skal dimensioneres efter sygdomsforekomst og befolkningssundhed frem for efter generelle markedsindikatorer — fx ved udstyr, behandling, forebyggelse eller forsikring.

Miljø og energi dækkes af flere kilder: Danmarks Miljøportal distribuerer data og er blandt de store offentlige datadistributører, som Datavejviser beskriver, og Datavejvisers eksempler på datasæt omfatter vandmiljø og energipriser. Derfor er de anvendelige i prognoser for markeder med miljø- og energirelateret efterspørgsel, hvor priser og miljøforhold er centrale forklaringsvariable.

Geodata kommer fra Dataforsyningen, der leverer geografiske data med webservices og download. Datavejviser bruger vejrdata som eksempel på værdien af offentlige data: vejrdata kan bruges til fremtidssikret byplanlægning, intelligent klimastyring af bygninger og til at forudse besøgstal og lægge vagtplaner i forlystelsesparker. Det sidste er en direkte operationel prognose — vejr som forklarende variabel for både efterspørgsel og bemanding — og samme mønster kan overføres til andre sæsonbetonede markeder som detail, restauration og transport.

Sådan vælger og kombinerer du kilderne

Start med prognosehorisonten. Kortsigtede, taktiske prognoser har mest gavn af hyppigt opdaterede indikatorer og sæsonvariable, mens langsigtede, strukturelle prognoser bør bygge på befolkningsfremskrivninger og registerbaserede grunddata. Afklar derefter det geografiske niveau: skal prognosen gælde en kommune, et postnummer eller et opland, kræver det geodata og matrikel-/adresseoplysninger fra Dataforsyningen og Datafordeleren, mens landstal kan dækkes direkte fra Statistikbanken. Til sidst branchen: vælg den sektorkilde, der matcher markedet — eSundhed for sundhed, Danmarks Miljøportal for miljø og energi, vejrdata for sæsonbetonede besøgstal.

Før du bygger, skal fire ting stå klart ud fra metadata: hvad enheden er (omsætning, indeks, antal), dækningen i tid og geografi, opdateringsfrekvensen og vilkårene for brug — herunder genbrugsretten, som skal afklares hos distributøren.

Kombinér hellere flere kilder end at vælge én. En typisk sammensætning er befolkningsfremskrivninger som langsigtet ramme, geografiske data til at fordele rammen på områder, en sæsonvariabel som vejrdata og en sektorkilde, når markedet kræver det. Som krydstjek uden for den officielle statistik kan brancheorganisationer bruges: DI publicerer løbende egne analyser, fx at knap otte ud af ti virksomheder anvender AI, og at andelen af årsrapporter med AI-omtale blandt de 100 største danske virksomheder er steget fra 4 pct. i 2015 til 40 pct. i 2025.

Vurdering af danske datakilder til markedsprognoser

Fra datakilde til prognosemodel

Indsamling: hent grundserierne maskinelt via API, hvor det er muligt, og suppler med webservices og downloads fra Dataforsyningen. Brug Datavejviser til at identificere de øvrige danske kilder, og notér allerede her, hvilke data der er helt åbne, og hvilke der kræver særlig adgang, så adgangsanmodninger ikke bliver flaskehalsen senere. Gem samtidig en kopi af de metadata, du baserer udvælgelsen på.

Rensning og standardisering: ret fejl, løs uoverensstemmelser mellem kilder og ensret formater, koder og tidsenheder, så serierne kan kobles — fx samme geografiske nøgle på tværs af befolkningsfremskrivninger, geodata og salgstal. Dokumentér hver behandling, så modellen kan køres igen på et senere dataudtræk, og så forskelle i resultater kan henføres til datagrundlaget snarere end til tilfældige valg i oprydningen.

Analyse, visualisering og beslutning: brug deskriptiv statistik til at forstå seriernes niveau, sæson og brud, og prædiktiv modellering til selve fremskrivningen. Visualisér historik og prognose sammen i diagrammer eller dashboards, så usikkerheden er synlig for dem, der skal handle på den. Afslut med at omsætte indsigterne til konkrete beslutninger — bemanding, lager, priser eller investeringer — og læg en fast rutine for at opdatere modellen, når kilderne udgiver nye tal, så prognosen følger den faktiske udvikling i de danske datakilder.

Arbejdsgang fra datakilde til prognosemodel