AI og vækst: 4 analyseniveauer og hvad AI ikke er

Ordreindgangen falder i uge 1. Rapporten, der viser det, ligger på bordet fem uger senere. Denne artikel er første del af serien AI og vækst i SMV’en, og den trækker grænsen op om, hvad AI er og ikke er, når vi taler forretning: de fire analyseniveauer, forskellen på generativ og prædiktiv AI, og hvad forsinkelsen koster i kroner.

Resumé og konklusion

Definitionen: AI i en vækstsammenhæng er mønstersøgning i virksomhedens egne data. Ikke ChatGPT, ikke robotter, ikke millioninvesteringer.
Fire niveauer: analyse er beskrivende, diagnosticerende, prædiktiv eller præskriptiv. Vækstværdien ligger på niveau 3 og 4. De fleste SMV’er arbejder på niveau 1.
To slags AI: generativ AI formulerer, prædiktiv AI regner sandsynligheder. Forvekslingen fører til investering i det forkerte.
Prisen på forsinkelse: et fald i ordreindgangen, der opdages fem uger for sent, koster en virksomhed med 52 mio. kr. i omsætning omkring 170.000 kr. i dækningsbidrag.
Grænsen: AI erstatter ikke beslutningen. Den fremskynder det øjeblik, beslutningen kan træffes.

Tre ting AI og vækst ikke handler om

Når AI kommer på dagsordenen i en dansk SMV, lander samtalen næsten altid ét af tre steder: ChatGPT og produkttekster, robotter på lageret, eller et budget, ingen har afsat. Alle tre er legitime samtaler. Ingen af dem er den, denne serie handler om.

Det, der rykker på væksten, er mere prosaisk: at lade en algoritme lede efter mønstre i de data, virksomheden allerede har. Ordrehistorik, debitorposter, varelinjer pr. kunde, betalingsadfærd, dækningsgrad pr. produktgruppe. Strukturerede tal, der findes i ERP-systemet, men kun bruges til regnskab bagud.

Det kræver ikke nye systemer. Det kræver, at data hænger sammen, at nogen ejer dem, og at der er historik nok til, at et mønster kan skille sig ud fra støj. Det er en disciplinopgave, ikke en teknologiopgave — og derfor er prisen sjældent det, der stopper projektet.

De fire analyseniveauer, du kan placere dig selv på

Al forretningsanalyse kan placeres på fire niveauer, og det er nyttigt at vide, hvilket niveau man står på. Det er den samme trappe som i de fire trin fra rapportering til analyse, set med AI-briller.

Beskrivende analyse svarer på, hvad der skete. Omsætningen i juli var 4,1 mio. kr. DSO var 47 dage. Det er månedsrapporten, og det er der, langt de fleste SMV’er befinder sig.

Diagnosticerende analyse svarer på, hvorfor det skete. Omsætningen faldt, fordi to kunder i segment B ikke genbestilte, og fordi dækningsgraden på én varegruppe faldt fire procentpoint. Det kræver, at data kan nedbrydes på dimensioner — ikke bare summeres.

Prædiktiv analyse svarer på, hvad der kommer til at ske. Denne kunde har 68 % sandsynlighed for ikke at genbestille inden for 90 dage. Denne faktura bliver betalt 11 dage for sent. Ordreindgangen for oktober lander mellem 3,8 og 4,3 mio. kr.

Præskriptiv analyse svarer på, hvad vi bør gøre. Ring til disse fjorten kunder i denne rækkefølge. Bestil hjem nu på disse varenumre.

AI og vækst mødes primært på niveau 3 og 4, hvor tallene begynder at handle om fremtiden i stedet for om fortiden. Men niveau 3 forudsætter, at niveau 1 og 2 er på plads. Man kan ikke forudsige på et datagrundlag, man ikke selv kan forklare.

Læg mærke til, at kun det midterste felt bygger på virksomhedens egne tal — og at det er der, niveau 3 og 4 ligger.

Generativ og prædiktiv AI er ikke det samme

Generativ AI producerer indhold. Den er trænet på sprog og forudsiger det næste sandsynlige ord. Den er god til at formulere, opsummere og udkaste, og den sparer reel tid i marketing og kundeservice.

Prædiktiv AI producerer sandsynligheder. Den er trænet på virksomhedens egne transaktioner og estimerer, hvor sandsynlig en fremtidig hændelse er, ud fra hvordan lignende forløb er endt tidligere.

En sprogmodel kan skrive en flot tekst om, at ordreindgangen er faldet — men den ved det ikke, medmindre nogen har målt det. Målingen er den anden disciplin.

Forvekslingen er ikke akademisk. Den er dyr. Virksomheder køber licenser til generativ AI og forventer, at forecasting bliver bedre. Det bliver den ikke. De to teknologier deler navn og intet andet.

Regneeksempel: hvad fem ugers forsinkelse koster

Tag en virksomhed med 52 mio. kr. i omsætning og en dækningsgrad på 34 %. Det giver 1,0 mio. kr. i omsætning og 340.000 kr. i dækningsbidrag om ugen.

I uge 1 falder ordreindgangen 10 % i forhold til den normale sæsonjusterede kadence. Ikke noget, nogen bemærker i hverdagen. Virksomheden lukker måneden og har ledelsesrapporten klar den 11. i den følgende måned. Da ligger faldet fem uger tilbage.

I de fem uger er der tabt 500.000 kr. i omsætning og 170.000 kr. i dækningsbidrag. Fortsætter det året ud, er det 5,2 mio. kr. i omsætning og 1,77 mio. kr. i dækningsbidrag. Måles daglig ordreindgang derimod løbende mod en rullende baseline, kan et fald på 10 % bekræftes med rimelig statistisk sikkerhed efter cirka to uger. Forskellen er tre uger, altså omkring 100.000 kr. i dækningsbidrag — og tre uger tidligere start på indsatsen. Det er mekanikken bag at se væksten, før den står i regnskabet.

Bemærk, hvad AI ikke gør her. Den ringer ikke til kunderne og beslutter ikke, om det er pris, konkurrent eller sæson. Den flytter kun tidspunktet, hvor ledelsen kan træffe beslutningen på et oplyst grundlag.

Fire faldgruber, når AI og vækst skal hænge sammen

Den første faldgrube er at købe et værktøj, før man har et spørgsmål. En model uden en beslutning knyttet til sig er et dyrt kuriosum.

Den anden er at tro, at AI kompenserer for dårlige data. Den forstærker dem. Manglende dimensioner, kunder oprettet tre gange og ordredatoer, der reelt er bogføringsdatoer, giver ikke usikre forudsigelser — de giver selvsikkert forkerte forudsigelser.

Den tredje er at forvente forklaring, hvor der kun er korrelation. En model kan sige, at en kunde ligner dem, der forsvandt sidste år. Den kan ikke sige hvorfor. Det skal en sælger stadig finde ud af.

Den fjerde er at glemme reglerne. EU’s AI-forordning trådte i kraft 1. august 2024, og kravet om AI-literacy har været gældende siden 2. februar 2025. Forecasting- og churn-modeller på egne data falder uden for højrisikokategorien — men GDPR gælder, og brugerne skal kende reglerne.

Sådan sætter du det op i Business Central

Fundamentet er allerede i systemet. Det, der mangler, er disciplin i tre felter.

Dimensioner: sæt standarddimensioner op på debitor, vare og sælger, og gør de bærende dimensioner obligatoriske. Uden dem kan du summere, men ikke nedbryde — og så stopper du på niveau 1. Det er samme prioritering som i gennemgangen af dimensioner i Business Central.

Datering: ordredato på salgsordrehovedet er ikke det samme som bogføringsdato på finansposten. Prædiktive modeller på ordreindgang skal bruge ordredatoen. Stamdata: varekategorikode, debitorbogføringsgruppe og sælgerkode skal være udfyldt konsekvent — det er dem, der bliver til segmenter senere.

Debitorposter med forfaldsdato og lukkedato giver DSO og betalingsadfærd uden ekstra registrering, og varelinjer pr. ordre giver produktmix pr. kunde — råstoffet til både churn og mersalg. Business Central har allerede Cash Flow Forecast og Sales Line Suggestions indbygget, og Power BI kan lave anomaly detection i en tidsseriegraf. Start der, før du bygger noget selv.

Sådan understøtter oneBC365 det

Data ligger i Business Central, men spredt over finansposter, debitorposter, varelinjer og ordrehoveder med hver sin logik og datering. oneBC365 samler det i én semantisk Power BI-model, hvor omsætning, dækningsbidrag, DSO og ordreindgang er defineret ét sted.

Det er ikke i sig selv AI. Det er det datagrundlag, AI skal stå på — og det, der gør niveau 1 og 2 færdige.

Sådan kommer du i gang med AI og vækst i 4 trin

Skriv de tre beslutninger ned, du oftest træffer for sent. Ikke de rapporter, du mangler — beslutningerne.
Find ud af, hvor mange måneders sammenhængende historik du har på ordre- og varelinjeniveau. Under 24 måneder betyder, at prædiktion må vente.
Gennemgå dimensionsopsætning og stamdata på debitorer og varer. Ret det inkonsekvente, før du gør andet.
Vælg ét mål — ordreindgang, DSO eller dækningsgrad pr. kunde — og mål det ugentligt mod en baseline. Det er niveau 2 og 3.

Relaterede artikler

Vil du se, hvordan ordreindgang, dækningsbidrag og DSO ser ud, når de måles ugentligt mod en baseline i stedet for månedsvis bagud? Book en demo — så gennemgår vi det datagrundlag, AI og vækst skal stå på.