Sådan laver du en markedsprognose for en dansk branche

Afgræns den danske branche og markedet

En markedsprognose bliver sjældent upræcis, fordi selve regnestykket er forkert. Den bliver upræcis, fordi markedet er defineret for bredt. Måler du fx “digitalisering i Danmark” eller “industri”, står du tilbage med et tal, som ingen kan bruge til at træffe beslutninger. Begynd derfor med at skrive præcist ned, hvad der er inde, og hvad der er ude.

Kommercielle markedsrapporter bygger ofte på et fast sæt segmenteringsakser. For AI-datacentermarkeder er det typisk type (hyperscale, colocation og virksomhedsdatacentre samt edge- og mikrodatacentre), komponent (hardware, software og orkestrering samt tjenester), implementering (cloud, hybrid, on-premise), anvendelse (generativ AI, maskinlæring, naturlig sprogbehandling, computervision med videre) og vertikal (for eksempel IT og telekom, finans, sundhed, detailhandel og produktion). Den skabelon kan overføres til de fleste brancher: Hvad sælges der af, hvilke dele består det af, hvordan leveres det, hvad bruges det til, og hvem køber det?

Geografien skal afgrænses lige så konkret. Er markedet hele Danmark, bestemte regioner, eller tæller danske aktørers omsætning også uden for landets grænser? Det betyder meget, om du måler omsætning skabt på dansk jord, omsætning faktureret fra danske selskaber eller antallet af danske slutbrugere. Vælg én definition, og hold fast i den gennem hele analysen.

Opdel kunderne efter købsadfærd, ikke kun efter størrelse: private, små og mellemstore virksomheder, store virksomheder og offentlige institutioner køber typisk på hver sin måde, med forskellige dokumentationskrav og beslutningsprocesser. Det påvirker både prissætningen og hvor hurtigt markedet kan vokse.

Til sidst: placér din egen virksomhed eller dit analyseobjekt i værdikæden. Omsætningen hos en underleverandør, en distributør og en leverandør til slutkunden er ikke det samme marked, selv om de indgår i samme værdikæde. Skriv inklusions- og eksklusionskriterier ned på én side, så de kan genbruges, næste gang prognosen skal opdateres.

Find og vurder relevante datakilder

I Danmark er de regnskaber og årsrapporter, som virksomheder offentliggør, et godt og frit tilgængeligt udgangspunkt. Regnskaber giver historiske tal for omsætning, bruttoavance, medarbejderantal og investeringer. De er velegnede til at beskrive, hvad der faktisk er sket, men siger ikke i sig selv noget om fremtiden.

Ved siden af regnskaberne kan du bruge statistik fra brancheforeninger, offentlige statistikbanker, analyser fra interesseorganisationer og evaluerings- eller effektvurderingsrapporter fra fonde og støtteprogrammer. Sådanne rapporter dokumenterer ofte, hvad et tiltag har ført til, og kan kvalificere antagelser om efterspørgsel og adfærd. Effektvurderinger kan indgå i den årlige rapportering og beslutningsgang i danske fonde og programmer; Promilleafgiftsfonden for landbrugs årsregnskab for 2022 viser for eksempel, at bestyrelsen fik præsenteret en effektvurderingsrapport på bestyrelsesmøder i januar/februar.

Kildekritikken bør følge en fast tjekliste: Hvem har udarbejdet materialet, og har de en interesse i resultatet? Hvilken periode dækker det? Hvilken metode er brugt, og er den beskrevet? Hvilke definitioner af markedsstørrelse og segmenter ligger bag? Hvor mange aktører er dækket, og hvor stor en andel af markedet udgør de? Et tal uden metodebeskrivelse er svært at bygge videre på.

Skeln klart mellem tre typer input. Fakta er registrerede og efterprøvelige størrelser som afsluttede regnskabsår. Historiske tidsserier kan bruges til at beregne vækstrater, men de beskriver en fortid, som ikke nødvendigvis gentager sig. Fremadrettede vurderinger og antagelser er noget andet og skal markeres som sådan i dit materiale, så læseren kan se, hvor usikkerheden ligger.

Vær opmærksom på, at rapporter og analyser kan indeholde fejl, der stammer fra automatisk genereret tekst og tal. Et debatforum har beskrevet en sag om konsulentrapporter med AI-genererede fejl. Det er et godt argument for aldrig at genbruge et tal fra en sekundær kilde, uden at finde det tilbage til den primære. Kryds altid et nøgletal af mod mindst én uafhængig kilde, før det får lov at indgå i prognosen.

Opbyg markedets størrelse op fra bunden

Der findes to klassiske veje til et markedsestimat, og den stærkeste analyse bruger begge. Bottom-up bygger markedet op af enkelte enheder: antal kunder eller installationer ganget med en gennemsnitlig pris eller årlig udgift. Top-down tager udgangspunkt i en overordnet størrelse, for eksempel den samlede omsætning i en branche eller et samlet IT-budget, og fratrækker eller tillægger andele for det relevante segment.

Bottom-up bliver kun troværdig, hvis kundebasen er opdelt. Del kunderne efter segment og geografi, og estimér antallet i hvert segment for sig. Brug gerne flere uafhængige kilder til antallet af kunder eller enheder, og notér usikkerheden i hvert delestimat. Derefter ganger du med en pris eller en gennemsnitlig årlig udgift, som også skal kunne begrundes.

Top-down bruges til at kontrollere, om bottom-up-estimatet er realistisk. Hvis din bottom-up-beregning giver en markedsstørrelse, der er større end den samlede omsætning i den branche, du har afgrænset, er der en fejl i definitionerne eller i en af antagelserne. Sådanne kontroller fanger typisk de groveste fejl, før de når ind i prognosen.

Dokumentér mellemregningerne trin for trin, så en anden kan følge dem. Hvert trin bør have sin egen celle med kildehenvisning, enhed og en kort bemærkning om, hvor tallet kommer fra. Det gør det langt lettere at opdatere analysen, når der kommer nye regnskaber eller markedsdata.

Afslut med en enkel usikkerhedsmarkering: et lavt, et centralt og et højt estimat for markedets størrelse i dag. Det giver et solidt fundament for de vækstrater, du senere skal lægge ovenpå.

Kortlæg drivkræfter og barrierer

En prognose står og falder med, om drivkræfterne er identificeret. I teknologiintensive brancher peger markedsanalyser på, at virksomheder implementerer AI-modeller tættere på datakilderne for at reducere latenstid og båndbreddeomkostninger, og at realtidsanalyse tæt på kilden er en central bevæggrund. Den type drivkraft kan oversættes til et konkret spørgsmål: Hvordan påvirker det efterspørgslen i din branche, og hvor hurtigt kan påvirkningen slå igennem?

Et andet eksempel på en drivkraft er, at banker tager store sprogmodeller (LLM'er) i brug til omfattende risikovurderinger, herunder evaluering af kreditværdighed gennem ukonventionelle datakilder og simulering af forskellige økonomiske scenarier. Det viser, hvordan et øget analysebehov i en kundesektor kan skabe afledt efterspørgsel hos leverandører i en anden.

Drivkræfter bør opdeles i strukturelle og kortsigtede. Strukturelle drivkræfter er teknologiudvikling, demografi, regulering og ændret købsadfærd. Kortsigtede drivkræfter kan være konjunktur, offentlige investeringsprogrammer eller en enkeltstående efterspørgselsbølge. Kun de strukturelle bør bære hovedparten af en flerårig vækstprognose.

Barriererne skal beskrives lige så grundigt som drivkræfterne. Typiske barrierer er investeringsomkostninger, mangel på specialiserede kompetencer, integrationsproblemer med eksisterende systemer, krav til datakvalitet og dokumentation samt organisatorisk modstand mod at ændre arbejdsgange. Prisen på teknologi og adgangen til kapital hører også med.

Opsaml drivkræfter og barrierer i en tabel med kolonner for retning (op eller ned), forventet styrke (svag, middel, stærk) og den kilde eller det ræsonnement, der ligger bag. Den tabel bliver senere selve motoren i scenariearbejdet.

Strukturelle vs. kortsigtede drivkræfter i dansk AI-datacenter-marked

Forslag til brug af AI i risikovurdering – banker i Danmark

Top 5 drivkræfter for digitalisering i danske virksomheder (2026)

Udarbejd scenarier og følsomhedsanalyse

Usikkerhed skal håndteres, ikke skjules. I stedet for ét fast bud bør du opstille et lille antal scenarier – typisk et forsigtigt, et forventet og et optimistisk – hvor hvert scenarie er defineret ved, hvordan de vigtigste drivkræfter udvikler sig. Forskellen mellem scenarierne skal ligge i antagelserne, ikke i tilfældige taljusteringer.

Definér scenarierne ud fra de variable, der betyder mest. Det kan være udbredelseshastigheden af en ny teknologi, kundernes investeringslyst, prispres, adgangen til kvalificeret arbejdskraft eller ændringer i regulering. Skriv for hvert scenarie en kort beskrivelse af den verden, det beskriver, så læseren kan vurdere, om den virker sandsynlig.

Følsomhedsanalysen viser, hvilke antagelser resultatet er mest følsomt over for. Ændr én antagelse ad gangen, og se, hvor meget prognosen flytter sig. De variable, der flytter mest, skal dokumenteres bedst og følges tættest. Hvis et lille udsving i én antagelse vælter hele konklusionen, bør det siges højt i rapporten.

Inddrag alternative datakilder i risikovurderingen. Hvis to uafhængige kilder peger i hver sin retning, er det i sig selv information, der bør føre til et bredere interval. Brug også gerne kvalitative input i scenariearbejdet, for eksempel interviews med kunder eller leverandører, som kan forklare, hvorfor en efterspørgsel bremser op eller accelererer.

Giv hvert scenarie en grov sandsynlighed, men vær åben om, at den er et skøn. Formålet er ikke præcision i sandsynlighederne, men at tvinge dig selv til at overveje, hvad der kan gå anderledes, end du forventer.

Kvantificér prognosen med vækstrater og intervaller

Når markedsstørrelsen er estimeret, og drivkræfterne er kortlagt, kan historiske data omsættes til vækstrater. Beregn den årlige gennemsnitlige vækst over en årrække for at få en retning, men vær kritisk over for, om den historiske periode var præget af særlige forhold, som ikke gentager sig. En høj historisk vækst i et lille marked kan være svær at fastholde i et større.

Markedsandele skal begrundes lige så grundigt som den samlede vækst. Vurder for hver central aktør, om de sandsynligvis vinder eller taber andele, og hvorfor. Kan du ikke begrunde ændringen i markedsandele, er den mest forsvarlige antagelse typisk, at andelene holder sig nogenlunde stabile over prognoseperioden.

Byg prognosen op som et interval frem for et punktskøn. Angiv et lavt og et højt estimat, og forklar, hvad der skal til, for at resultatet ender i den ene eller den anden ende. Usikkerheden bør vokse med tidshorisonten: Jo længere frem i tid, jo bredere interval.

Undgå skjulte antagelser. Enhver antagelse skal stå i en liste med navn, værdi, enhed og begrundelse. Hvis en antagelse ændres, skal det være muligt at se, hvad det gør ved resultatet. Det er hele pointen med at tvinge sig selv til at skrive antagelserne eksplicit ned.

Lav til sidst en kort konklusion i tre sætninger: Hvad er det centrale estimat, hvor stort er intervallet, og hvilke drivkræfter eller barrierer afgør, om udfaldet lander i den høje eller lave ende. Den konklusion skal kunne læses uafhængigt af resten af rapporten.

Kvalitetssikring og gennemsigtig formidling

Kvalitetssikringen bør være en fast rutine, ikke en sidste hånd. Tjek enheder og størrelsesordener, led efter dubletter i kundelister eller databaseudtræk, kontrollér at summen af segmenterne svarer til totalen, og verificér de vigtigste tal tilbage til den primære kilde. Lad en kollega, der ikke har været med til at bygge modellen, gennemgå beregningerne med det formål at finde fejl og ikke at bekræfte resultatet.

Skeln systematisk mellem fakta, antagelser og vurderinger i formidlingen. Lav en tabel, hvor hvert nøgletal er markeret med type og kilde, og hvor de antagelser, der driver resultatet mest, er fremhævet. Læseren skal kunne se forskel på et tal fra et regnskab og et skøn over den fremtidige markedsvækst.

Dokumentér metoden, så en anden kan gentage analysen. Beskriv afgrænsningen, datakilderne, beregningsmetoden, scenarierne og de vigtigste følsomheder. Notér også, hvilke data der manglede, og hvordan usikkerheden omkring dem er håndteret.

Vælg en rapportstruktur, der kan opdateres løbende. Et regneark er velegnet som beregningsmotor, fordi input, antagelser og beregning kan holdes adskilt, mens et PDF-dokument er velegnet til den færdige formidling til læsere, der ikke skal ind i modellen. Nummerér versioner, og notér datoen for hver opdatering, så det er tydeligt, hvilke tal der hører til hvilken version.

Afslut med en fast opdateringsrytme: Aftal, hvornår prognosen genbesøges, hvilke kilder der følges, og hvilke begivenheder der udløser en ekstraordinær opdatering. En prognose, der aldrig bliver revideret, bliver hurtigt en beskrivelse af fortiden snarere end et redskab til beslutninger.