I en tid av ekonomisk osäkerhet och snabba förändringar inom teknologin står många företag inför utmaningen att göra tillförlitliga finansiella prognoser. Denna artikel utforskar de växande svårigheterna med prognoser i mjukvarubranschen, med särskilt fokus på B2B-sektorn, och erbjuder värdefulla insikter från branschexperter.
Under det senaste decenniet har finansteam inom B2B-mjukvarubranschen haft det relativt enkelt när det gäller prognoser. Intäkterna har varit återkommande och stabila för de flesta mjukvaruföretag, vilket har gjort det möjligt att göra ganska precisa förutsägelser baserade på tidigare data och trender.
Typiska antaganden har inkluderat:
Denna relativt förutsägbara modellering har gjort det möjligt för SaaS-finansteam att göra träffsäkra prognoser, särskilt för mer mogna företag. Jämfört med branscher som detaljhandel eller tillverkning, där prognoser kan vara betydligt mer komplexa, har SaaS-företagen haft det förhållandevis enkelt.
Nu står vi dock inför en ny verklighet där prognosarbetet blir allt svårare av flera skäl:
Ett konkret exempel på de utmaningar som SaaS-företag nu möter kommer från ZoomInfo, vars senaste kvartalsrapport ger intressanta insikter i vad företag kan stå inför framöver.
ZoomInfo har haft det tufft på sistone - aktien har fallit med 51% det senaste året och sjönk ytterligare nästan 30% efter rapporten för andra kvartalet. En av de största orsakerna var att företaget tvingades göra en nedskrivning på 33 miljoner dollar på grund av osäkra kundfordringar.
Som en direkt följd av problemen med små och medelstora företag (SMB) kommer ZoomInfo nu att kräva förskottsbetalning från många av sina mindre och mer riskfyllda kunder innan de får tillgång till tjänsterna. Företaget skiftar också fokus mot att sälja till kunder av högre kvalitet som sannolikt kan fortsätta betala och växa över tid.
ZoomInfo pekade ut två huvudsakliga orsaker till nedskrivningarna:
När ekonomin stramas åt blir kunder mer benägna att ifrågasätta värdet de får och vägra betala för tjänster de inte anser sig behöva. Under tider av lättillgängligt kapital har många företag knappt hållit reda på all onödig mjukvara de abonnerar på, men när budgetarna granskas noggrannare blir denna typ av nedskrivningar vanligare.
Antalet mjukvaruföretag som går i konkurs har också ökat markant sedan 2021, då finansieringsmiljön för mjukvara har blivit mycket tuffare. Detta förväntas fortsätta öka i takt med att fler företag får slut på pengar på grund av ökad konkurrens och svårigheter att ta in nytt kapital.
ZoomInfos VD kommenterade situationen:
"Vi gav krediter till små och medelstora företag som inte var kreditvärdiga, och vi har nu ändrat våra rutiner för att kräva förskottsbetalningar från våra mer riskfyllda kunder."
Under lång tid har det inom B2B SaaS funnits ett antagande om att de flesta företag skulle kunna betala sina räkningar - finansieringsrundor fortsatte komma in, SaaS ansågs vara "sticky" etc. Många företag har haft mycket begränsade kreditkontroller. Man antog helt enkelt att det skulle finnas några, men inte alltför många, som skulle gå i konkurs eller vägra betala.
I likhet med ZoomInfo kommer sannolikt många andra företag att ställas inför liknande problem, särskilt de som säljer till mindre företag. Företag bör börja se över sina processer kring kunders/potentiella kunders kreditvärdighet innan det blir ett stort problem som för ZoomInfo:
För att få ytterligare perspektiv på hur företag kan hantera prognoser i denna osäkra tid, vände vi oss till Siqi, VD för Runway, ett företag som hjälper andra företag med prognoser och finansiell planering. Siqi har pratat med många finanschefer och tänker mycket kring planering, så vi genomförde en Q&A med honom som täcker bästa praxis för prognoser, särskilt i en snabbt föränderlig miljö.
Enligt Siqi är det största misstaget att många företag inte gör prognoser överhuvudtaget. Och i den mån de gör det, är det ofta enbart för rapportering till investerare.
"Prognoser handlar inte bara om att få siffrorna rätt för investerarna; det handlar om att förstå mekanismerna i din verksamhet och utveckla en djup intuition för hur den faktiskt fungerar", säger Siqi.
Ett annat vanligt misstag är att grundaren inte är djupt engagerad med finanschefen. När modellen inte återspeglar hur grundaren eller VD:n tänker om verksamheten, slutar man med en generisk prognos som inte korrekt återspeglar hur man faktiskt arbetar.
Siqi betonar vikten av att få detaljerna rätt, eftersom varje företag fungerar annorlunda. Även om SaaS-företag delar likheter finns det fortfarande ett brett spektrum av skillnader. Nyanserna blir tydliga när man ställer frågor som:
Var och en av dessa faktorer kan ha betydande påverkan på din prognos. Och om det finns en diskrepans mellan hur din modell är byggd och hur den faktiskt används för prognoser, börjar misstag uppstå.
Siqi pekar ut två huvudfaktorer att överväga: tillgången på kapital och benägenheten att spendera.
Tillgången på kapital är ganska rättfram och uppenbar. Om du inte kan ta in pengar till en bra värdering - eller överhuvudtaget - kommer lönsamhet, att vara kassaflödespositiv och att bevara din "runway" bli topprioriteter.
Den andra faktorn, benägenheten att spendera, är mer nyanserad och varierar beroende på din verksamhet. Vissa SaaS-företag kan bete sig annorlunda i lågkonjunkturer. Vissa sektorer, som spel, är motcykliska - de blomstrar när människor söker prisvärda nöjen under en lågkonjunktur. Finansiell mjukvara kan också vara motcyklisk. När likviditet är lätt tillgänglig verkar inte prognoser och planering så kritiskt, men när kapitalet stramas åt blir de extremt viktiga.
Siqi delar en personlig erfarenhet från 2018 när han var på Sandbox VR och VR-sektorn mötte en nedgång. De insåg att de skulle få slut på pengar mycket snabbt. De lyckades ta in ytterligare finansiering, men sedan slog pandemin till och raderade ut deras intäkter över en natt. Som ett företag inom detaljhandeln drabbades de hårt.
Detta leder till den tredje faktorn: variabilitet eller osäkerhet. Det är svårt att få denna rätt. Som Siqi påpekar, om de på Sandbox VR hade tagit hänsyn till möjligheten av en pandemi i sin modell, skulle de ha varit överdrivet konservativa. I efterhand skulle det också ha varit rätt approach.
Marknader är oförutsägbara - just nu finns det osäkerhet på uppsidan med AI, och på nedsidan med den senaste tidens globala volatilitet. I slutändan kommer rätt prognosstrategi för dig att bero på ditt företags specifika sammanhang, din förmåga att ta in finansiering och hur motcyklisk din produkt är.
Med användningsbaserad prissättning är det viktigaste att få rätt på dina enhetsekonomier, enligt Siqi. Den viktigaste faktorn här är osäkerheten kring kostnaden för att betjäna en token.
"Du vill uppenbarligen ha positiv enhetsekonomi, men det är värt att överväga att kostnaden för att betjäna en token har sjunkit dramatiskt under de senaste åren. Just nu är det storleksordningar billigare än när GPT-3 först släpptes", förklarar Siqi.
Att driva en verksamhet med negativ enhetsekonomi medför risker, naturligtvis. Men om du kan förutsäga en trend av minskade kostnader kan du fortfarande stå på solid grund. Tricket är att modellera din enhetsekonomi korrekt.
Detta kopplar också till kapitaltillgänglighet, särskilt under en lågkonjunktur. När kapital flödar fritt kan du ha råd att ta fler risker. Men i en nedgång blir det viktigt att ha positiv enhetsekonomi. Du behöver planera för att upprätthålla positiv enhetsekonomi, för att sänka priser och för att öka efterfrågan i takt med att tokenkostnaderna fortsätter att minska. Baserat på nuvarande trender tror Siqi att kostnaderna kommer att fortsätta sjunka dramatiskt.
Siqi tänker främst på detta i termer av effektivitet.
"AI är inte på en nivå där den fullt ut kan förstå sammanhanget och nyanserna i komplexa finansiella modeller. Stora språkmodeller (LLM:er) är inte brett exponerade för den typ av data som används i formler, kalkylblad och modellering. Så att förvänta sig att AI ska göra allt arbete åt dig är inte realistiskt just nu", säger han.
Istället är det hjälpsamt att tänka på hur AI kan göra dig mer effektiv medan du arbetar.
Hur? För det första kan AI förstå strukturen i dina datakällor, vilket gör det lättare att integrera dem - den kan hjälpa dig att skriva SQL-frågor så att du inte behöver göra något manuellt. Eller om du går vilse i en modell och glömmer hur en formel fungerar kan AI förklara det på ett lättförståeligt sätt. När du analyserar avvikelser kan AI identifiera de viktigaste deltana och mata in dessa i din prognos. AI kan göra ditt arbete enklare och snabbare.
Siqi tror att de två största möjligheterna för att göra AI mer användbar är:
På Runway fokuserar de på att öka ytan och sammanhanget som de exponerar för en LLM, vilket gör den mer hjälpsam proaktivt. Att bara ge en LLM ett kalkylblad med formler och siffror räcker inte; den saknar sammanhanget för att härleda dina mål och affärsnyanser. Detta sammanhang finns utanför k
