AI's effekt på vækst: 10 vækstperspektiver rangeret

AI’s effekt på vækst: 10 vækstperspektiver rangeret

Vækst har mindst ti dimensioner, og AI’s effekt på vækst er ikke den samme på dem alle. Nogle steder er datagrundlaget rigt og mønsteret stabilt. Andre steder findes signalet slet ikke i ERP-systemet. Her er alle ti vækstperspektiver rangeret efter reel impact — med begrundelsen bag hver vurdering.

Resumé og konklusion

Ét kriterium afgør: findes der rig, struktureret historik med mønstre, der gentager sig på området?
Høj impact: kundevækst, likviditet og Cash Conversion Cycle samt leading indicators.
Middel impact: organisk vækst, profitabel vækst, omsætningsvækst og værditilvækst — data findes, men signalet er støjfyldt eller sammensat.
Lav impact: skalerbarhed, strategisk vækst og organisatorisk vækst — data er tyndt, eller faktoren er ikke kvantitativ.
Start hvor data er: de tre høj-impact-områder kobler direkte til likviditet, og det er der, effekten kan måles i kroner.

Princippet bag vurderingen af AI’s effekt på vækst

Vurderingerne herunder er kvalitative. De er ikke resultatet af en formel og kan se anderledes ud i din virksomhed, men logikken er den samme hver gang.

Høj impact betyder, at området har rig, struktureret historik med mønstre, der gentager sig: mange observationer, tydelige forløbere og en adfærd, der ligner sig selv fra år til år. Middel betyder, at data findes, men at signalet er støjfyldt eller sammensat — man kan se, at noget ændrer sig, men ikke hvorfor. Lav betyder, at data er tyndt, eller at faktoren i sin natur ikke er kvantitativ.

Bemærk hvad der ikke indgår i vurderingen: hvor vigtigt området er. Strategisk vækst er formentlig den vigtigste dimension i en SMV. Den er også den, AI hjælper mindst med. De to ting er uafhængige.

Høj impact: kundevækst, likviditet og leading indicators

Kundevækst er skoleeksemplet. Churn, mersalg og NRR bygger på lang kundehistorik med tydelige forløbere — faldende ordrefrekvens, mindre ordrer, ændret produktmix — og adfærden er stabil nok til, at mønstre fra i fjor stadig gælder i år. En SMV med 900 kunder og ti ordrer pr. kunde om året har tusindvis af observationer at træne på, og de samme tal driver i forvejen væksten pr. kunde.

Likviditet og Cash Conversion Cycle er det andet stærke område. Betalingsadfærd er blandt de mest forudsigelige mønstre i erhvervslivet. En kunde, der har betalt 11 dage for sent i to år, betaler også for sent næste gang. Det gør det muligt at forudsige indbetalinger på fakturaniveau — og dermed kende likviditetsbilledet, før regnskabet er lukket.

Leading indicators er præcis det, scoring-modeller er bygget til. Pipeline, tilbudsaktivitet og hitrate pr. sælger, segment og produkt er strukturerede, gentagne hændelser med et kendt udfald. Hver tabt sag er et træningseksempel, og hele pointen er at se væksten før den står i regnskabet.

De tre områder har en ting til fælles ud over datagrundlaget: de kobler direkte til likviditet. En kunde, du beholder, en faktura, der kommer hjem til tiden, og et tilbud, der lukkes, giver alle penge på kontoen. Derfor er effekten også nemmest at måle her.

Kundevækst, likviditet og leading indicators ligger øverst, fordi de har den rigeste historik med gentagne mønstre.

Middel impact: signalet findes, men det er sammensat

Organisk vækst ligger i den høje ende af middel. Next-best-action på varelinjedata virker: kunder med samme købsmønster mangler ofte de samme varer. Men mersalg kræver relation og timing, som ikke findes i data. Modellen leverer listen, sælgeren leverer salget.

Profitabel vækst er middel. Margindata findes på varelinjeniveau, og afvigelser fanges pålideligt. Men årsagen er sammensat: indkøbspris, produktmix, rabatstruktur, valuta og fragt trækker samtidig. AI kan sige, hvornår dækningsgraden knækker, sjældnere hvorfor — og skellet mellem sund og usund vækst kræver stadig et menneske.

Omsætningsvækst er middel. Ordre- og salgsdata er strukturerede, og sæsonmønstre er tydelige. Men en stor del af variationen kommer udefra: konjunkturer, konkurrenters priser, en udbudsrunde. Det ses ikke i ERP-data, og modellen tilskriver derfor ændringer til de forkerte årsager.

Værditilvækst er middel. AI kan kvalitetssikre datagrundlaget forud for en handel: renset EBITDA, kundekoncentration, churn-historik, marginstabilitet. Det er reelt værd. Men multiplen sættes af markedet og af køberens strategi, ikke af dine historiske data.

Lav impact — og hvorfor det er en pointe, ikke en begrænsning

Skalerbarhed er lav til middel. Kapacitetsudnyttelse, lagerbinding og genbestillingspolitik kan optimeres på data. Men den reelle grænse for skalering i en SMV er organisation og ledelseskapacitet, og den ligger ikke i ERP-systemet.

Strategisk vækst er lav. Nye markeder, partnerskaber og opkøb bygger på markedsindsigt og på vurdering af muligheder, virksomheden aldrig har prøvet. Egne historiske data indeholder per definition ikke information om det, man ikke har gjort. Organisatorisk vækst er lav af samme grund: kultur, engagement og ledelseskvalitet er ikke-kvantitativt og bliver sjældent målt systematisk i en SMV. Uden måling ingen historik, uden historik ingen model.

De tre skal ikke automatiseres. Ikke fordi teknologien er umoden, men fordi de handler om vurdering under usikkerhed med få observationer — netop det, mennesker er bedre til end modeller. Pointen med at afgrænse AI til det, den er stærk til, er, at ledelsen får frigjort tid til resten. AI erstatter ikke beslutningen, den fremskynder det øjeblik, hvor den kan træffes.

Regneeksempel: hvad seks dage på DSO er værd

En produktionsvirksomhed omsætter for 48 mio. kr. og har en DSO på 52 dage. Daglig omsætning er 48.000.000 / 365 = 131.507 kr., og debitorbeholdningen er dermed 52 dages omsætning, altså 6.838.356 kr.

En model på betalingshistorik peger på de fakturaer, der erfaringsmæssigt betales for sent, så bogholderiet rykker fem dage før forfald i stedet for ti dage efter. Det er realistisk at flytte DSO fra 52 til 46 dage. Effekten er seks dages omsætning, 789.041 kr. i frigjort arbejdskapital. Ved 6 % på driftskreditten er det 47.342 kr. i sparede renter om året — men det egentlige tal er de 789.000 kr., der ikke længere skal lånes for at finansiere væksten.

Tre faldgruber, når du vurderer AI’s effekt på vækst

Den første faldgrube er at læse vurderingerne som facit. En abonnementsforretning har mere forudsigelig omsætning end en projektforretning, for vækst på tværs af forretningsmodeller opfører sig forskelligt. Og en virksomhed med 40 store kunder har ikke datagrundlag nok til en churn-model, uanset historikken. Antal observationer betyder mere end antal år.

Den anden er at starte, hvor problemet er størst, i stedet for hvor datagrundlaget er bedst. Er strategisk retning den største udfordring, løses den ikke med en model. Start hvor der er både data og målbar effekt, og brug troværdigheden derfra til næste skridt.

Den tredje er at forveksle lav impact med lav prioritet. De to ting har intet med hinanden at gøre.

Sådan sætter du det op i Business Central

For kundevækst: vareposter og debitorposter pr. debitor over mindst 24 måneder, med Varekategorikode udfyldt og Debitorprisgruppe eller kundesegment som dimension. Analysevisninger giver grundlaget for churn- og mersalgsmønstrene.

For likviditet: konsekvente Betalingsbetingelseskoder samt forfaldsdato og lukkedato på debitorposter, så faktisk betalingsadfærd kan udledes. Likviditetsprognosen i Business Central sættes op med likviditetskonti og prognoseskemaer, og udvidelsen til forudsigelse af sen betaling scorer åbne fakturaer direkte på debitorlisten.

For leading indicators: brug Salgstilbud og salgsmuligheder i relationsstyring med salgscyklus, fase, estimeret værdi og sandsynlighed. Uden registrerede tabte sager kan hitrate ikke beregnes, og så kan pipeline ikke scores.

For organisk vækst: varelinjer pr. debitor over tid kombineret med varekategorihierarkiet — samme grundlag som Copilots salgslinjeforslag.

Sådan understøtter oneBC365 det

Data til de fire øverste områder ligger allerede i Business Central, men fordelt over vareposter, debitorposter, salgsfakturalinjer, tilbud og dimensioner.

oneBC365 samler dem i én semantisk Power BI-model med fælles definitioner af kunde, periode og dimension, så de samme tal kan bruges både til ledelsesrapportering og som grundlag for modeller — uden at nogen først skal blive enige om, hvad en aktiv kunde er.

Sådan kommer du i gang med at vurdere AI’s effekt på vækst i 4 trin

Vurder de fire øverste områder for netop din forretning: har du nok kunder, nok transaktioner og nok historik?
Vælg ét område at starte med. Kundevækst hvis du har mange kunder, likviditet hvis du har få og store.
Tjek datagrundlaget for det ene område ud fra de fire krav til datafundamentet for AI — ikke for alle ti.
Sæt et målbart succeskriterium op på forhånd: seks dage på DSO, to procentpoint på hitrate, ti fastholdte kunder.

Relaterede artikler

Vil du se, hvordan AI’s effekt på vækst ser ud på jeres egne tal? Book en demo, så gennemgår vi de fire øverste områder i jeres Business Central-data og vurderer, hvor der er datagrundlag nok til at gå i gang.