Greenblatts magiska formel: En revolutionär investeringsstrategi

Joel Greenblatt, en amerikansk hedgefondförvaltare och professor vid Columbia University, introducerade världen för sin magiska formel genom boken ”The Little Book That Beats the Market” utgiven 2005. Boken blev en New York Times-bestseller med över 300 000 exemplar tryckt och anses nu vara en klassiker inom finanslitteratur. Greenblatts syfte var att skapa en investeringsstrategi så enkel att även hans fem barn, i åldrarna 6 till 15 år, kunde förstå och tillämpa den.​​

Vad som gör boken särskilt värdefull är att Greenblatt förklarar avancerad investeringsteori med sexgradersmatemtik, vardagligt språk och humor—något som radikalt demokratiserade en tidigare monopoliserad kunskap. Han illustrerar investeringsprinciper med enkla analogier, såsom att jämföra aktieköp med att köpa godis på rea.​​

Filosofin bakom formeln

Greenblatts grundläggande insikt är att framgångsrika investerare hittar goda företag till rimliga priser—ett koncept han beskriver som en förenklad version av strategin som användes av Warren Buffett och Charlie Munger på Berkshire Hathaway. I stället för att försöka förutse framtiden eller följa nyhetstrenden rangordnar formeln företag mekaniskt utifrån två finansiella nyckeltal som redan finns i deras årsrapporter.​

Greenblatts största bidrag var att identifiera att de två viktigaste faktorerna för långsiktig aktieavkastning är avkastning på investerat kapital (Return on Capital, RoC) och vinstavkastning (Earnings Yield, EY). Genom att kombinera dessa två mått identifierar investerare automatiskt både kvalitet och värde—utan att behöva vara analytiker eller have MBA-examen.​

Empirisk beprövelse och prestation

Greenblatts originalforskning från 2005 visade att när formeln tillämpades på amerikanska aktier mellan 1988 och 2004 genererade den en avkastning på 30,8 procent årligen, jämfört med S&P 500:s 12,4 procent. En senare backtest mellan 1998 och 2009 visade en avkastning på 23,8 procent mot S&P 500:s 9,6 procent.​

Avgörande är att formeln överträffade marknaden konsekvent över längre perioder. Greenblatts analys fastslog att på årsbasis överträffade formeln marknaden tre av fyra år, men viktigast var att över någon treårsperiod eller längre överträffade formeln marknaden 100 procent av gångerna. Detta indikerar att formeln är en långsiktig strategi som kräver tålamod, inte en kortsiktig gimmick.

Greenblatts forskning omfattade även större portföljer av företag. När formeln tillämpades på de största 3 000 företagen istället för de största 1 000, blev resultaten ännu bättre med lägre volatilitet. Detta antyder att strategin inte är ett resultat av överajustering på ett begränsat urval utan har större allmängiltighet.

Internationalverifiering

Oberoende akademisk forskning har bekräftat formeln på andra marknader. En studie från 2009 av de nordiska marknaderna mellan 1998 och 2008 visade att Greenblatts formel överträffade marknadsgenomsnittet betydligt. En 2016-studie på Finlands aktiemarknaden fann att formeln ”ger högre riskjusterad avkastning i genomsnitt”. Även på Brasils aktiemarknaden hittade forskare bekräftelse av formeln, även om de varnade för att resultaten inte med absolut säkerhet kunde tillskrivas något genombrott utan kunde bero på slumpen.​

Greenblatts egen genomgång av begränsningarna

I efterordet till 2010-upplagan erkände Greenblatt själv tre potentiella begränsningar med sin formel. För det första kan formeln underprestera i upp till flera år, vilket frustrerar många investerare tillräckligt för att de ger upp. För det andra fann han att vissa amatörinvesterare tyckte det var krångligt att spåra köp- och säljtider för aktier. För det tredje noterade han att akademiska forskare kunde förklara överavkastningen genom etablerade kapitalmarknadsmodeller såsom Fama-franska trefaktormodellen, vilket antydde att formeln möjligen endast fångade välkända riskfaktorer snarare än något verkligt genombrott.

Slutkälla: Varför formeln fortfarande fungerar

Det centrala skälet till varför Greenblatts magiska formel har fortsatt att prestera väl är inte själva formeln—det är investerarnas psykologi och disciplin. De flesta investerare havererar genom att ”cherry-picka” aktier från korta listor, agera känslomässigt när marknaden sjunker eller höjer sig, och hoppa mellan strategier när resultaten uteblir på kort sikt. Greenblatt insåg att en mekanisk, tråkig process som man kan hålla fast vid är ofta viktigare än en överlägsare teori som man inte orkar följa. Detta är essensen av hans bidrag: att bevisa att konstant, disciplinerad värdeinvestering slår marknaden—inte genom genialitet, utan genom att göra samma sak om och om igen.

Tjäna pengar på predictionmarkets

Det finns sätt att tjäna pengar på att förutse händelsers utgång t.ex. med marknader som polymarket eller kalshi.

Polymarket är en decentraliserad kryptobaserad marknad på Polygon-blockkedjan där användare köper ”YES/NO”-kontrakt i USDC på händelser som politik, sport eller ekonomi; priset (0–1 USD) speglar kollektiv sannolikhet och vinnande kontrakt betalar 1 USD.
Kalshi är en reglerad amerikansk börs med fiat-dollar, liknande gränssnitt, som erbjuder kontrakt på ekonomi, väder och sport med dagliga utfall.
Andra plattformar är t.ex. PredictIt eller brokers som Interactive Brokers för eventkontrakt.​

Strategier för att tjäna pengar

Använda marknadsplatsernas kollektiva intelligens

Öppna marknadspriser aggregerar ”kollektiv intelligens” bättre än opinionsmätningar vilket gör att man kan använda dessa marknaders förutsägelser och leta efter differenser mot spelbolag med oddssättare.
Om t.ex. polymarket förutsäger en händelses inträffande att vara 60% och ett spelbolag ger 1,5 gånger pengarna så är det stor sannolikhet att polymarkets användares kollektiva intelligens kommer att ha stor chans att förutse utfallet.

Ett annat sätt är naturligtvis att jämföra plattformspris med din egen bedömning baserad på din kunskap, men tänk på att kollektivets intelligens ofta är bättre på att förutsäga utfall än din enskilda kompetens.
Men i de fall du bedömer att utfallet är prissatt, köp underprissatta kontrakt (t.ex. YES till 0.60 om du bedömer 70% chans för positiv förväntad värde). ​

Arbitrage mellan plattformar

Hitta prisskillnader på samma händelse, t.ex. YES på 0.73 hos Polymarket och motsvarande NO på 0.92 hos Kalshi för garanterad vinst efter avgifter (ca 1–3% per trade). Exempel: Satsa båda sidor samtidigt på NFL eller politik. Det finns verktyg som t.ex. Betmetricslab som skannar möjligheter till sådana här s.k. safe bets. ​

Risker och sannolikheter

Långsiktigt: 70–80% av traders förlorar p.g.a. avgifter och beteendefel som ”att jaga förluster”, men arbitrage/market making ger positiv EV för disciplinerade.

Skatter: Vinster räknas som kapitalinkomst (30%) i Sverige; rapportera via K4-blanketten.​

Kom igång steg för steg

  1. Skapa wallet (MetaMask) med USDC via Binance/Kraken; via VPN till USA.​
  2. Registrera på Polymarket/Kalshi med icke-svensk IP; små insättningar först.
  3. Använd brokers som Interactive Brokers för reglerad tillgång till eventkontrakter.

Använda ”Big data” för att förutspå t.ex. vem som vinner melodifestivalen

Man kan använda ”big data” för att förutsäga vinnaren av t.ex. Melodifestivalen, men med väsentliga begränsningar. Modern teknik och dataanalys kan ge indikationer och sannolikheter, men ingen metod kan med säkerhet förutsäga utfallet. Forskning visar att olika big data-metoder har varierande träffsäkerhet – från omkring 50% för enkla metoder upp till över 90% för avancerade kombinationer – men musiktävlingar som Melodifestivalen påverkas av så många komplexa faktorer att perfekta förutsägelser är omöjliga.

Jämförelse av olika big data-metoders prediktionsnoggrannhet för att förutsäga musiktävlingsvinnare

Big data-metoder för att förutsäga Melodifestivalen

Social media-analys och sentimentanalys

En av de mest använda metoderna för att förutsäga tävlingsresultat är att analysera ”Big Social Data” – data från sociala medier som Twitter/X, TikTok, Instagram och Facebook. Genom sentimentanalys kan forskare mäta hur positivt eller negativt folk diskuterar olika bidrag, räkna antalet omnämnanden och spåra buzz kring artister.

Studier visar att social media-sentimentet har använts för att förutsäga olika händelser, inklusive politiska val och Eurovision Song Contest. En AI-modell från Microsoft Research använde data från prediction markets, opinionsundersökningar, historiska trender och sociala medier för att 2013 korrekt förutsäga att Danmark skulle vinna Eurovision med 54% sannolikhet. Liknande metoder har använts för att analysera val – som Donald Trumps seger 2016, där traditionella opinionsundersökningar misslyckades men vissa sociala medieanalyser lyckades.

Dock har sentimentanalys på sociala medier betydande begränsningar. Forskning visar att noggrannheten för sentimentanalysmodeller varierar mellan 48-60% när de tillämpas på social media-texter. VADER-modellen, som ofta används för sentiment på Twitter, uppnår cirka 60% noggrannhet, medan mer avancerade modeller som BERT når 55%. Problemet är att dessa modeller har svårt att förstå sarkasm, ironi, slang och det informella språk som dominerar sociala medier.

Spotify-streaming och musikdata

Spotify-streamingdata har blivit en allt viktigare datakälla för att förutsäga låtpopularitet. Forskare har utvecklat maskininlärningsmodeller som analyserar audioegenskaper från Spotify – som danceability, energy, tempo, acousticness, loudness och andra mätbara attribut – för att förutsäga om en låt kommer bli framgångsrik.

En studie från 2025 som analyserade Spotify Top 200-listorna visade att Random Forest- och XGBoost-modeller kunde uppnå en noggrannhet på 95-97% när de förutsåg vilka låtar som skulle nå framgång på listorna. Även när forskarna exkluderade streamingantal och historisk ranking behhöll modeller som enbart baserades på audioattribut en betydande prediktiv kraft.

En annan studie som undersökte Spotify-data och musikpopularitet fann dock att de flesta audioegenskaper – inklusive acousticness, danceability, duration, energy, instrumentalness och speechiness – inte var särskilt starka prediktorer för en låts popularitet. Detta understryker att även om tekniska musikegenskaper kan mätas och analyseras, så kan popularitet inte tillskrivas enbart kvantifierbara akustiska element.

YouTube-visningar och online-engagemang

YouTube-visningar används ofta som en indikator på buzz och intresse för Eurovision- och Melodifestivalenbidrag. Fans försöker dra slutsatser om vilka bidrag som kommer lyckas baserat på hur många som tittar på de officiella videorna.

Men forskning och historisk data visar att YouTube-visningar från Eurovisions officiella kanal inte är särskilt pålitliga för att förutsäga vinnare. Ett problem är att olika länder använder olika plattformar – i Sverige är Spotify dominerande medan italienare tenderar att använda YouTube mer, vilket gör direkta jämförelser vilseledande. Dessutom reflekterar YouTube-visningar ofta redan etablerade artisters fanbase snarare än ny popularitet eller faktisk röstningsmönster.

Bettingodds och prediction markets

Bettingodds har länge använts som en approximation för vem som kommer vinna musiktävlingar. Odds baseras på ”wisdom of the crowd” – den aggregerade åsikten från tusentals personer som satsar pengar på olika utfall.

Historiskt har bettingodds visat blandade resultat för Eurovision. En analys av Eurovision mellan 2018-2022 visade att oddsen hade en framgångsgrad på cirka 81% för att förutsäga vilka som skulle kvalificera sig från semifinalerna, men betydligt lägre noggrannhet för att identifiera top 10 i finalen. År 2019 lyckades oddsen bara förutsäga 70% av top 10-placeringarna korrekt, och 2018 var det bara 40%.​​

För Melodifestivalen 2025 förutsåg bettingodds att Måns Zelmerlöw skulle vinna med 59% sannolikhet, följt av KAJ med 21%. I verkligheten vann KAJ tävlingen, vilket visar att oddsen kan ha fel, särskilt när det finns stark momentum och social media-buzz för en underdog.

Ett fundamentalt problem med prediction markets är ”herd behavior” – människor följer varandras satsningar vilket kan skapa självförstärkande loopar och felaktiga prediktioner. Dessutom fungerar prediction markets sämre för subjektiva händelser som musiktävlingar jämfört med mer objektiva händelser.

Maskininlärning och avancerade modeller

Audio feature-baserad maskininlärning

Forskare har använt maskininlärning för att analysera ljudegenskaper och förutsäga låtframgång. En studie från 2021 undersökte hur granulär akustisk data från Spotify kunde förbättra förutsägelser av top-10-hits. Studien visade att inkluderandet av detaljerade audioegenskaper – som kan extraheras genom musikintelligensteknik – ökade prediktiv förmåga jämfört med att bara använda grundläggande metadata.

En annan forskningsstudie använde konvolutionella neurala nätverk (CNN) för att förutsäga musikspårs popularitet och uppnådde en imponerande noggrannhet på 95,68%. Modellen kombinerade audioegenskaper med metadata och social media-variabler från Spotify.

Dock visar forskning också att maskininlärningsmodeller lider av flera problem. Overfitting – när en modell lär sig träningsdata för väl och inte generaliserar till ny data – är ett stort problem särskilt i big data-applikationer med många inputvariabler. Modeller kan också uppvisa bias och diskriminering baserat på vilken träningsdata som använts.

Neurophysiologisk data och hjärnresponser

Den mest avancerade och noggranna metoden för att förutsäga hit-låtar använder neurophysiologisk data – alltså hjärnaktivitet hos lyssnare. Forskare vid Claremont Graduate University utvecklade en metod där de mätte hjärnresponser hos 33 personer medan de lyssnade på ny musik, och använde sedan maskininlärning för att analysera denna data.

Resultaten var anmärkningsvärda: modellen kunde identifiera hit-låtar med 97% noggrannhet. Forskarna förklarade att ”hjärnaktiviteten hos 33 personer kan förutsäga om miljontals andra kommer lyssna på nya låtar”. Denna metod överträffar kraftigt traditionella metoder som bara når omkring 50% noggrannhet.

Men denna metod har uppenbara praktiska begränsningar – den kräver specialiserad neurologisk utrustning och kan inte enkelt skalas upp för att analysera alla bidrag i realtid under en tävling som Melodifestivalen.

Eurovision-specifika prediktionsmodeller

Forskare har utvecklat specifika modeller för att förutsäga Eurovision och Melodifestivalen. Turing Institute i Storbritannien utvecklade tre modeller av ökande komplexitet för att förutsäga Eurovision 2023, inklusive en Bayesian-regressionsmodell och en maskininlärningsmodell. Alla tre modellerna förutsåg samma top tre – Italien, Ukraina och Sverige – men i olika ordning.

En doktorand vid Queen Mary University of London, Kasia Adamska, utvecklade en AI-modell som korrekt förutsåg att Schweiz skulle vinna Eurovision 2024. Hennes tillvägagångssätt använde data för att förstå vad som bidrar till en låts framgång i listorna och i en kontext som Eurovision.

Ett annat tillvägagångssätt är crowd-sourced simuleringar där forskare samlar in fanprediktioner och kör 100 000 simuleringar av tävlingen med justering för historiska röstningsmönster, diaspora-röstning och running order-effekter. Denna metod uppnådde 81% noggrannhet för semifinal-kvalifikationer 2024.

Utmaningar och begränsningar

Mänskligt beteende är svårt att förutsäga

En fundamental utmaning är att mänskligt beteende, särskilt i estetiska sammanhang som musikval, är komplex och kan inte alltid kvantifieras. Även om AI kan förutsäga sannolikheter för mänskliga handlingar baserat på historisk data, beror noggrannheten starkt på datakvaliteten och är aldrig felfri.

Forskning visar att algoritmer har svårt att modellera sällsynta och oväntade händelser, såsom last-minute game-changing plays eller stora överraskningar. I sportsammanhang är utfall påverkade av många realtidsvariabler som inte kan fångas tillräckligt i strukturerade dataset. Samma princip gäller för Melodifestivalen – oväntade scenhändelser, tekniska problem, eller en artists sjukdom kan helt förändra utfallet.

Bias och diskriminering i data

Big data-algoritmer kan uppvisa bias och diskriminering baserat på faktorer som geografi, ålder, kön och socioekonomisk status. Biased algoritmer kan förstärka existerande ojämlikheter och undergräva förtroendet för automatiserade beslutssystem.

Ett specifikt problem för träningsdata är att den ofta inte är representativ. Om maskininlärningsmodeller tränas på data som huvudsakligen representerar vissa demografier eller musikgenrer, kommer deras förutsägelser vara mindre tillförlitliga för underrepresenterade kategorier. För Melodifestivalen innebär detta att modeller tränade på tidigare års data kan missa nya trender eller icke-traditionella bidrag.

Overfitting och generaliseringsproblem

Overfitting är ett omfattande problem i maskininlärning där modeller presterar utmärkt på träningsdata men dåligt på ny, oseend data. Detta är särskilt problematiskt i big data-applikationer som använder många inputvariabler.

När modeller tränas på historisk Melodifestival-data kan de lära sig specifika mönster från tidigare år som inte gäller för framtida tävlingar. Musiktrender förändras snabbt, och vad som fungerade 2015 kan vara förlegat 2025. Algoritmer vet bara det förflutna, och skillnaden mellan träningsdata och framtida data skapar betydande svårigheter.

Kontext och externa faktorer

Melodifestivalen påverkas av många faktorer bortom mätbara audioegenskaper och social media-buzz. Röstningssystemet är komplext – sedan 2019 delas publikröstningen in i åtta grupper (sju åldersgrupper via app plus telefon), och dessutom finns internationella jurys från åtta länder.

Detta innebär att olika demografiska grupper kan ha helt olika preferenser. I Melodifestivalen 2025 visade Aftonbladets undersökning att åldersgruppen 60-74 rankade Maja Ivarsson först medan KAJ hamnade på åttonde plats, medan yngre grupper (16-44 år) rankade KAJ först. Dessa komplexa demografiska dynamiker är svåra att fånga i enkla prediktionsmodeller.

Dessutom spelar faktorer som scenframträdande, kameravinklar, belysning, och artistens karisma enorma roller – aspekter som är extremt svåra att kvantifiera i förväg.

Självuppfyllande profetior och feedback-loopar

Ett ytterligare problem är att förutsägelser inte bara speglar framtiden – de formar den aktivt. När bettingodds eller AI-modeller förutsäger en viss vinnare kan detta påverka hur människor röstar, vilket skapar självuppfyllande profetior. Detta fenomen gör det svårt att bedöma om en förutsägelse var korrekt på grund av modellens noggrannhet eller på grund av dess inflytande på beteende.

Melodifestivalen 2025: Ett fallstudie

Melodifestivalen 2025 är ett perfekt exempel på big datas möjligheter och begränsningar. Bettingodds favoriserade starkt Måns Zelmerlöw att vinna med odds på 1,45. Han hade alla fördelar – etablerad artist, tidigare Eurovision-vinnare, och stark jury-appeal.

Men KAJ, ett relativt okänt band som startade på de lägsta oddsen, uppvisade explosiv tillväxt i sociala medier och Spotify-streaming efter sin deltävling. Deras låt ”Bara bada bastu” blev viralt populär på TikTok och bland yngre åldersgrupper. KAJ vann slutligen finalen med 164 poäng (90 från publiken och 74 från juryn) jämfört med Måns Zelmerlöws 157 poäng.

Detta visar att även om big data kan identifiera trender och momentum – som KAJs växande Spotify-streams och social media-engagemang – är det fortfarande svårt att exakt förutsäga hur detta kommer översättas till faktiska röster på tävlingsdagen. Dessutom överraskade resultatet många, eftersom några metoder fångade upp KAJs snabba momentum tillräckligt snabbt för att justera förutsägelser.

Praktiska tillämpningar och rekommendationer

Kombinera flera datakällor

Forskning visar konsekvent att kombinationen av olika big data-källor ger bättre resultat än att förlita sig på en enskild metod. Ett effektivt tillvägagångssätt skulle inkludera:

  • Bettingodds för crowd wisdom
  • Spotify-streamingdata för popularitetstrender
  • Social media sentiment för buzz och engagemang
  • Demografisk analys för att förstå olika åldersgrupper
  • Historisk röstningsdata för mönster

Realtidsövervakning och anpassning

Eftersom momentum kan ändras snabbt, särskilt efter att bidrag framförs i deltävlingar, krävs kontinuerlig realtidsövervakning av alla datakällor. System som kan snabbt detektera förändringar i sentiment och engagemang är mer värdefulla än statiska förutsägelser gjorda före tävlingen börjar.

Erkänn osäkerhet och begränsningar

Alla prediktionsmodeller bör inkludera mått på osäkerhet. Istället för att säga ”Artist X kommer vinna”, bör modeller säga ”Artist X har 60% sannolikhet att vinna baserat på nuvarande data, med en konfidensintervall på ±15%”. Detta är särskilt viktigt eftersom musiktävlingar har hög inneboende osäkerhet och påverkas av många okontrollerbara faktorer.

Man kan använda big data för att förutsäga vem som kommer vinna Melodifestivalen, men med betydande förbehåll. Moderna metoder – särskilt kombinationer av maskininlärning, streaming-data, social media-analys och bettingodds – kan ge noggrannhet mellan 60-85% beroende på tillvägagångssätt och omständigheter. De mest avancerade metoderna, som använder neurophysiologisk data, kan nå 97% noggrannhet men är inte praktiskt genomförbara i stor skala.​

De största utmaningarna inkluderar:

  • Mänskligt beteende är komplext och inte helt kvantifierbart​
  • Musiktävlingar påverkas av subjektiva faktorer som scenframträdande och karisma​
  • Data kan vara biased och inte representativ​
  • Modeller lider av overfitting och generaliseringsproblem​
  • Självuppfyllande profetior kan förvrida resultat​

Trots dessa begränsningar är big data ett värdefullt verktyg för att uppskatta sannolikheter och identifiera trender. Spelbolag, medier och fans kan använda dessa metoder för att få insikter, men ingen bör förvänta sig perfekta förutsägelser. Som Melodifestivalen 2025 visade kan overraskningar fortfarande hända – och det är just dessa oväntade vändningar som gör tävlingar som Melodifestivalen så spännande att följa.

Källor:

  1. https://www.diva-portal.org/smash/get/diva2:1445343/FULLTEXT01.pdf
  2. https://www.psu.edu/news/social-science-research-institute/story/social-media-buzz-may-predict-election-results-earlier
  3. https://journals.sagepub.com/doi/10.1177/20563051241298449
  4. https://www.silicon.co.uk/workspace/eurovision-big-data-microsoft-research-116561
  5. https://www.bbc.com/news/election-us-2016-37942842
  6. https://kth.diva-portal.org/smash/get/diva2:1890072/FULLTEXT02.pdf
  7. https://mediawatcher.ai/blog/twitter-sentiment-analysis/
  8. https://www.sciencedirect.com/science/article/abs/pii/S0167923621000452
  9. https://arxiv.org/html/2508.11632v1
  10. https://www.scitepress.org/Papers/2024/133300/133300.pdf
  11. https://arxiv.org/abs/2508.11632
  12. https://carleton.ca/news/story/big-data-predict-song-popularity/
  13. https://www.reddit.com/r/eurovision/comments/1ko19is/predicting_televote_with_views_on_youtube/
  14. https://wiwibloggs.com/2017/03/28/youtube-views-predict-win-robin-bengtsson-march-28th/183250/
  15. https://www.reddit.com/r/eurovision/comments/1laeywn/esc_2025_if_it_was_ranked_by_spotify_streams_one/
  16. https://eurovisionworld.com/odds/eurovision
  17. https://eurovisionworld.com/odds/melodifestivalen-top-3
  18. https://eurovisionworld.com/odds/melodifestivalen
  19. https://wiwibloggs.com/2021/04/02/smarkets-prediction-market-has-malta-as-the-eurovision-2021-winner/263897/
  20. https://www.aussievision.net/post/eurovision-odds-how-accurate-are-they
  21. https://www.youtube.com/watch?v=RzP_KaLMeZE
  22. https://www.betting.se/melodifestivalen-odds
  23. https://www.reddit.com/r/eurovision/comments/1j2ffbf/melodifestivalen_2025_jury_and_tele_odds_has/
  24. https://igamingexpress.com/polymarket-predictions-are-they-really-that-accurate/
  25. https://arxiv.org/pdf/2505.07280.pdf
  26. https://researchoutreach.org/articles/predictive-analytics-world-big-data-application-targeting-decisions/
  27. https://www.esann.org/sites/default/files/proceedings/legacy/es2018-7.pdf
  28. https://harvardonline.harvard.edu/blog/pros-cons-big-data
  29. https://newmathdata.com/blog/the-problem-of-overfitting-in-machine-learning
  30. https://towardsdatascience.com/overfitting-in-ml-avoiding-the-pitfalls-d5225b7118d/
  31. https://www.frontiersin.org/news/2023/06/20/machine-learning-identify-hit-songs
  32. https://blog.getimmersion.com/blog/machine-learning-helps-researchers-identify-hit-songs-with-97-accuracy
  33. https://www.turing.ac.uk/blog/can-data-science-help-us-predict-winner-eurovision-2023
  34. https://www.qmul.ac.uk/eecs/news-and-events/news/items/eecs-phd-students-ai-model-to-predict-eurovision-result-.html
  35. https://www.qmul.ac.uk/eecs/news-and-events/news/items/eecs-phd-researcher-predicts-eurovision-winner-.html
  36. https://escinsight.com/2025/04/08/what-100000-eurovision-simulations-tell-us-about-basel/
  37. https://escinsight.com/2025/05/12/after-rehearsals-who-are-people-predicting-will-win-the-song-contest/
  38. https://www.hiig.de/en/myth-ai-can-accurately-predict-and-optimize-human-behavior/
  39. https://www.sciencedirect.com/science/article/abs/pii/S0747563224001134
  40. https://pmc.ncbi.nlm.nih.gov/articles/PMC12453701/
  41. https://www.pnas.org/doi/10.1073/pnas.2307596120
  42. https://www.geeksforgeeks.org/machine-learning/underfitting-and-overfitting-in-machine-learning/
  43. https://artificialcommunication.mitpress.mit.edu/pub/m8xpxiru
  44. https://en.wikipedia.org/wiki/Voting_at_Melodifestivalen
  45. https://en.wikipedia.org/wiki/Melodifestivalen_2025
  46. https://escinsight.com/2022/02/05/questions-answers-guide-first-melodifestivalen/
  47. https://wiwibloggs.com/2025/03/03/poll-who-should-win-melodifestivalen-2025-in-sweden/283884/
  48. https://www.gmap.com/gmap-predicts-eurovision-winner
  49. https://scholarship.law.gwu.edu/cgi/viewcontent.cgi?article=2960&context=faculty_publications
  50. https://eurovoix.com/2024/10/23/sweden-melodifestivalen-2025-artist-rumours-gather-pace/
  51. https://pmc.ncbi.nlm.nih.gov/articles/PMC7553883/
  52. https://arxiv.org/html/2508.07408v1
  53. https://imerit.net/resources/blog/a-comprehensive-introduction-to-uncertainty-in-machine-learning-all-una/
  54. https://www.muleml.com/en/blog/prediction-uncertainty/
  55. https://www.dataversity.net/articles/limitations-predictive-analytics-lessons-data-scientists/
  56. https://www.dagensmedia.se/digitalt/tech/mediehusen-och-mediebyraerna-om-synen-pa-ad-och-martechmarknaden-och-hur-de-anvander-tekniken/
  57. https://www.regeringen.se/contentassets/d9e443d926cb4ee4abcc58de7976c001/ett-reklamlandskap-i-forandring–konsumentskydd-och-tillsyn-i-en-digitaliserad-varld-sou-20181.pdf
  58. https://www.studocu.com/sv/document/lunds-universitet/marknadsforing/professionell-marknadsforing-sammanfattning/78072564
  59. https://www.diva-portal.org/smash/get/diva2:936975/FULLTEXT01.pdf
  60. https://escinsight.com/2022/02/05/explaining-understanding-predicting-new-melfest-voting-system/
  61. https://pellesnickars.se/wordpress/wp-content/uploads/2015/11/massmedieproblem.pdf
  62. https://www.robertlangstrom.se/se-in-i-framtiden/
  63. https://gupea.ub.gu.se/bitstream/handle/2077/70806/Thesis.pdf
  64. https://www.webfx.com/blog/social-media/simple-success-metric-social-media-promotions/
  65. https://blog.littledotstudios.com/en-gb/news-views/using-data-to-predict-eurovision
  66. https://cepr.org/voxeu/columns/twitter-sentiment-and-stock-market-movements-predictive-power-social-media
  67. https://www.diva-portal.org/smash/get/diva2:1594906/FULLTEXT01.pdf
  68. https://numerous.ai/blog/big-data-sentiment-analysis
  69. https://ijirt.org/publishedpaper/IJIRT176008_PAPER.pdf
  70. https://www.reddit.com/r/MachineLearning/comments/d6uy4q/d_ai_competitions_dont_produce_useful_models/
  71. https://sentic.net/sentiment-analysis-for-dynamic-events.pdf
  72. https://eurovisionfun.com/en/tag/melodifestivalen-2025-en/
  73. https://www.tiktok.com/@allthingsesc/video/7548801954655259926
  74. https://www.tiktok.com/discover/eurovision-songs-big-stream
  75. https://www.youtube.com/watch?v=8MX24LpvG3A
  76. https://sites.jmk.su.se/laget/har-ar-de-mest-streamade-eurovisionbidragen/12480
  77. https://www.reddit.com/r/explainlikeimfive/comments/15z2rj7/eli5_how_can_algorithms_predict_human_behavior/
  78. https://www.slideshare.net/slideshow/can-data-science-really-predict-human-behavior-iabac/283030747
  79. https://www.getfocal.co/post/top-7-metrics-to-evaluate-sentiment-analysis-models
  80. https://www.tencentcloud.com/techpedia/106761
  81. http://vldb.org/pvldb/vol14/p668-kouadri.pdf
  82. https://aws.amazon.com/what-is/overfitting/
  83. https://ng.se/artiklar/hur-eurovisions-oddsfavoriters-prestationer-2024-paverkar-nasta-tavling
  84. https://killandermusicrecords.com/guider-tips/artist/musiktavlingar-for-nyetablerade-artister/
  85. https://rytmus.se/stockholm/rytmus-prize/
  86. https://www.reddit.com/r/eurovision/comments/1bimevy/how_reliable_or_when_does_it_start_to_be_is_the/
  87. https://tijer.org/tijer/papers/TIJER2405043.pdf
  88. https://imaginesweden.se

Olika sätt att tjäna pengar på att ha ett batteri kopplat till din solcellsanläggning

Genom att. Koppla ett batteri till dina solceller eller annan elanläggning kan du få ut mer av den och också öka intäkterna på flera olika sätt.

Du kan minska behovet av att köpa in el eftersom elen kan sparas och förbrukas vid tidpunkter när din anläggning inte producerar energi.

Du kan också hyra ut din lagringskapacitet till lokala elnätsföretag (Eon, Ellevio, Vattenfall etc)

Du kan hyra ut ditt batteri till svenska kraftnät som hela tiden måste se till att det förbrukas lika mycket el som det producerar samt att frekvensen i elnätet hela tiden är 50 Hertz, s.k. frekvensstabilisering.

Du kan utnyttja spotprisarbitrage – köpa el när det är billigt och sälja när det är dyrt.

Du kan också öka ditt oberoende om du installerar batteriet med möjlighet till ö-drift så att du kan ha tillgång till el även när det är strömavbrott.

Tjäna pengar på extraknäck (extrajobb)

Ett extraknäck är ett jobb eller annan sysselsättning vid sidan om en ordinarie anställning eller sysselsättning som ger en extrainkomst.

Vanligtvis ska man meddela sin arbetsgivare om man har ett varaktigt extraknäck t.ex. om man startar ett eget företag men så länge det inte går ut över jobbet eller är inom samma bransch som man jobbar inom eller på annat sätt konkurrerar med arbetsgivarens verksamhet så brukar det inte vara några problem. Även om man har sjukersättning eller andra bidrag så tillåts ibland extraknäck upp till en viss nivå.

Ett bra extraknäck ska vara relativt fritt t.ex. att man kan välja själv när man ska utföra arbetsuppgifterna eftersom man antagligen har tider att passa på sin ordinarie anställning.

Virtuell assistent

Vad gör en virtuell assistent? Det handlar i princip om supportuppgifter som du utför hemifrån. Vad som ingår i en tjänst skiljer sig givetvis från arbetsgivare till arbetsgivare, men man kan säga att det handlar om support via e-post, telefon och chattar. Ibland ingår också skribentuppgifter. 

Bloggare

En bloggare är en person som skriver inlägg inom ett visst ämne och riktar dem mot en viss publik. Det kan handla om allt från blomsterodling till trimning av bilar. Som bloggare kan man, om antalet läsare är tillräckligt stort, tjäna pengar bland annat som affiliate och genom andra samarbeten med företag.

Starta en informativ kanal på Youtube

Youtube låter vem som helst starta en kanal och lägga upp videoklipp. Om du får många prenumeranter och visningar kan du dels få betalt för reklam som visas i anslutning till dina videos eller göra egna samarbeten med företag och varumärken.

Starta webbutik med dropshipping

Dropshipping innebär att man aldrig har något eget lager hemma. I stället gör man en beställning från en leverantör när man får in en order. Det är ett mycket enkelt och kostnadseffektivt sätt att driva en webbutik. Att starta en webbutik är i sig mycket enkelt, men det kostar en del, tar lite tid att komma igång och det tar ett tag innan man får besökare och försäljningar.

Hyr ut verktyg och maskiner

Om du har verktyg i god kvalitet hemma kan du hyra ut dem till andra som behöver dem för något enstaka tillfälle. Det finns flera tjänster som du kan använda dig av för att hitta personer att hyra ut till. Marketplace kan också fungera som ett bra forum för att hitta andra som vill hyra.

Telefonförsäljning hemifrån

Vissa telemarketingföretag tillåter sina telefonförsäljare att jobba hemifrån. På så sätt kan du sitta hemma och kontakta presumtiva kunder och få betalt för det. Om det låter intressant, kontakta olika telemarketingföretag för att se på möjligheterna.

Om telefonförsäljning inte känns som din grej kan kanske marknadsundersökningar/intervjuer vara det. Du arbetar normalt utifrån en färdig mall och ansvarar för att ta in uppgifter och åsikter från dem som du intervjuar. Arbetet sker oftast per telefon men kan också göras ansikte mot ansikte.

Idrottsledare, tränare eller domare

Om du är verksam inom en sport kan du förena nytta med nöje genom att engagera dig som ledare, tränare eller domare som extraknäck på fritiden. För förstnämnda två kan du dock inte alltid räkna med att kunna få ersättning. Som domare, oavsett det gäller fotboll, basket, ishockey eller något annat får du vanligtvis betalt.

Sälja foton online

Det finns ett antal marknadsplatser för foton på nätet där man kan sälja sina alster. Det går till så att man laddar upp sina foton och sedan får betalt när någon köper ett exemplar. Det finns också sajter där man laddar upp sina foton och får hoppas på att de som laddar ned ger en donation på en mindre slant som tack för hjälpen.

Läxläsning

Med RUT-avdraget är det idag inte särskilt dyrt för föräldrar att ta hjälp av utomstående med barnens läxor. Extraknäcket ”läxläsning” går ut på att man hjälper ett barn eller en ungdom med ett visst ämne. Detta extraknäck är öppet för både ungdomar, unga vuxna och även pensionärer.

Korrekturläsare och översättare

Är du duktig på svenska? Har du ett öga för detaljer? Är du noggrann? Då kan du definitivt ha ett extraknäck som korrekturläsare. Uppgiften går ut på att läsa och kommentera olika manuskript – mer komplicerat än så är inte detta extraknäck!

Talar du ett annat språk än svenska flytande? Då kan du undersöka möjligheten till att arbeta som översättare. Du kan arbeta som frilans och hitta egna kunder eller arbeta för en översättningsbyrå. För sistnämnda gäller dock normalt att du måste ha dokumenterade kunskaper.

Frilansskribent

Om du är duktig på svenska har du alla möjligheter att ta dig an skribentuppdrag och få betalt ganska omgående. Vi ska dock lägga in en liten ”varning”. En mycket stor del av alla texter som efterfrågas handlar om lån/krediter och spel (casino, betting, med mera).

Nakenmodell för kroki

Har du inga problem med att visa upp dig naken för okända människor? Då kan du extraknäcka som krokimodell och få en slant för besväret. Uppgiften är att visa upp människokroppen för personer som vill måla av dig på olika sätt.

Hundvakt eller låna ut din hund

Oavsett du har en egen hund eller inte kan du skapa ett extraknäck med våra fyrbenta vänner i fokus. Om du har hund kan du låna ut den för en symbolisk summa till en person som gärna umgås med den för en tid. 

Om du tar hand om någon annans hund för en tid eller kanske bara för ett antal timmar per dag eller vecka kan du ta betalt för den tjänsten. Det är inget extraknäck att bli rik på, men du förenar nytta med nöje!

Gå med i undersökningspaneler

Ett extraknäck som du kan komma igång med på mindre än en minut är undersökningar. Internet svämmar över av paneler och undersökningsföretag av olika slag och alla betalar dig för dina åsikter. Med medlemskap i ett par, tre paneler och ett hyfsat flitigt användande kan du säkerligen tjäna upp till 200-300 kr extra i månaden. 

Undersköterska/hemtjänst

Det saknas alltid folk inom vården. Det är ett faktum som har varit aktuellt i många år nu, och med en åldrande befolkning kommer behovet av arbetskraft alltid att vara stort. Det är kanske framför allt inom hemtjänsten som behovet är skriande stort och här söker vårdgivarna nästan alltid efter personal för heltidstjänster eller tjänster på timme. Det är såklart en fördel att vara undersköterska, men det är inte alltid ett måste.

Köra ut mat

Du känner igen dem på de färgglada kläderna – matbuden från aktörer som Foodora och Wolt. De flesta som kör ut mat gör det mer eller mindre som heltidssysselsättning men det finns också chanser till extraknäck. Undersök möjligheterna hos de olika aktörerna för hemkörning av mat.

Flippa saker

Är du duktig på att renovera gamla saker? Är du skicklig på att se värde i vad andra kanske bara tycker är skräp? Det finns många möjligheter till att ”flippa”, det vill säga att 1) ta något gammalt, 2) renovera/fräscha upp, och 3) sälja till ett högre pris.

Det går att flippa alla möjliga saker, från möbler till bilar, från leksaker till samlingar av olika slag. Var hittar man sakerna att flippa? På Blocket, Marketplace och såklart också på lokala loppisar!

Sälj din kunskap

Om du är duktig inom ett visst ämne kan du definitivt skapa dig ett extraknäck som lärare. Det kan till exempel handla om ett specifikt skolämne, ett instrument eller ett språk. Du kan ha privatlektioner både rent fysiskt och på distans. Du kan också spela in videor på ditt favoritämne och publicera på sociala medier. 

Professionell kramare

Det här extraknäcket har kanske inte slagit igenom riktigt i Sverige men i många andra delar av världen finns professionella kramare, det vill säga personer som tar betalt för att kramas! Det handlar då om en helt professionell tjänst som inte är olaglig på något sätt. Kanske kan den här idén slå i Sverige också förr eller senare?

Spä ut inkomsten – fem tips

Att spara pengar är aldrig lätt, men det är viktigt att ha en plan för hur man ska göra det. Det finns många smarta sätt som kan hjälpa dig att få ut mer av dina pengar och nå dina finansiella mål. Här är fem tips som du kan ta del av för att spä ut inkomsten och bli av med onödiga kostnader.

Skapa en budget som fungerar för dig

Att skapa en budget som fungerar är ett av de viktigaste stegen för att uppnå ekonomisk stabilitet. Det kan vara svårt att veta vart man ska börja, men det är viktigt att ta sig tid och göra det rätt. 

  • Först måste du räkna ut hur mycket pengar du får in varje månad. Detta inkluderar alla inkomster, såsom lön, pensioner och andra bidrag. 
  • Nästa steg är att räkna ut alla utgifter, såsom hyra, mat och telefonräkningar. 
  • Till slut ska du se till att spara en del av din inkomst för framtida investeringar eller nödsituationer. 

Genom att planera en bra budget kan man undvika onödiga utgifter och hitta ett system som passar ens behov.

Samla dina lån

Att samla sina lån är ett bra sätt att spara pengar. Genom att samla alla dina lån i ett enda större lån kan du få en bättre räntesats och betala mindre per månad. Det finns olika typer av låneföretag som erbjuder detta, så det är viktigt att jämföra priser och villkor på Kredity innan du bestämmer dig för vilket företag du ska använda. När du har hittat ett företag som passar dina behov, kan du ansöka om ett samlingslån och se till att alla dina lån blir samlade under ett tak. Detta ger dig möjlighet att spara pengar genom att betala mindre ränta och bidrar även med en enklare budgetering.

Investera i aktier

Om du vill spara långsiktigt är det bra att investera i aktier. Aktier ger dig möjlighet att dra nytta av marknadens upp- och nedgångar, vilket kan ge stora vinster på lång sikt. Det finns olika typer av aktier som du kan investera i, inklusive vanliga aktier, indexfonder och ETF:er. För att få ut det mesta av din investering bör du diversifiera dina portföljer genom att investera i olika typer av tillgångar som har olika riskprofiler. Du bör också ta hänsyn till kostnader som courtageavgifter och andra avgifter som kan minska din totala avkastning.

Undvik impulsköp och använd rabatter

Det finns flera sätt att undvika onödiga utgifter. Först och främst bör man försöka att undvika impulsköp. När man handlar på impuls leder det ofta till att man köper något man ångrar, kanske hade det kostat mindre någon annanstans eller något som man egentligen inte behöver. Om man ser något bör man alltid fundera över om det verkligen är något som gynnar en, eller om det bara är en lyx som inte kommer att bidra till ens livskvalitet. Det är också viktigt att jämföra priser innan man köper något, eftersom det kan hjälpa en att spara pengar. Att använda bra erbjudanden och rabattkoder kan också vara ett sätt att spara pengar, liksom att handla begagnat istället för nytt.

Tjäna pengar som frilans

Som frilans finns det många olika sätt att tjäna pengar och skapa en inkomst. I den här texten ska vi titta på några av de vanligaste sätten att tjäna pengar som frilans och ge dig några tips på hur du kan lyckas.

  1. Ta på dig konsultuppdrag

En av de vanligaste sätten att tjäna pengar som frilans är att ta på sig konsultuppdrag. Detta kan innebära att du arbetar som rådgivare eller konsult åt ett företag eller en organisation. Konsultuppdrag kan vara inom olika områden, som exempelvis marknadsföring, HR, IT, ekonomi och mycket annat.

För att lyckas som konsult som frilans behöver du ha en stark kompetens inom ditt område och kunna visa upp referenser och erfarenhet. Du behöver också ha en förmåga att marknadsföra dig själv och nätverka för att hitta nya uppdrag.

  1. Skapa digitala produkter

En annan populär metod för att tjäna pengar som frilans är att skapa och sälja digitala produkter. Detta kan vara allt från e-böcker och onlinekurser till programvara och appar. Digitala produkter kan skapa en passiv inkomstström, vilket innebär att du kan tjäna pengar även när du inte aktivt arbetar.

För att lyckas med att sälja digitala produkter behöver du ha en stark kunskap inom ditt område och vara kapabel att skapa en produkt som tilltalar din målgrupp. Du behöver också ha en plattform för att sälja dina produkter, exempelvis en egen webbplats eller en e-handelsplattform.

  1. Arbeta som frilansskribent

Att arbeta som frilansskribent är en annan populär metod för att tjäna pengar som frilans. Som frilansskribent kan du skriva artiklar, blogginlägg, produktbeskrivningar och mycket annat för olika företag och organisationer. För att lyckas som frilansskribent behöver du ha en stark förmåga att skriva, kunna anpassa din ton och stil efter olika målgrupper och ha en bra portfölj med exempel på ditt arbete.

  1. Erbjud grafisk design-tjänster

Att erbjuda grafisk design-tjänster är en annan populär metod för att tjäna pengar som frilans. Som grafisk designer kan du skapa logotyper, visitkort, broschyrer, affischer och mycket annat för olika företag och organisationer. För att lyckas som grafisk designer behöver du ha en stark kreativ förmåga, kunna använda olika verktyg och program och ha en stark portfolio med exempel på ditt arbete.

  1. Erbjud webbutvecklingstjänster

Webbutveckling är ett efterfrågat område, och det finns mycket jobb att få för frilansare med den kunskapen. Som frilansande webbutvecklare kan du hjälpa företag och organisationer att skapa och uppdatera sina webbplatser och appar. För att lyckas som webbutvecklare behöver du ha en stark kompetens inom programmeringsspråk och vara uppdaterad på de senaste trenderna inom webbutveckling.

  1. Arbeta som social media manager

Sociala medier är en viktig kanal för företag och organisationer att nå ut till sin målgrupp, och som frilansande social media manager kan du hjälpa till med det arbetet. Du kan hjälpa företag att skapa och publicera innehåll på sociala medier, planera kampanjer och analysera resultat. För att lyckas som social media manager behöver du ha en stark förståelse för sociala medier och kunna visa upp referenser på tidigare arbete.

  1. Erbjud översättningstjänster

Som frilansande översättare kan du hjälpa företag och organisationer att översätta texter till olika språk. Detta kan vara allt från marknadsföringsmaterial och hemsidor till juridiska dokument och medicinsk information. För att lyckas som översättare behöver du ha starka språkkunskaper och erfarenhet av att översätta texter.

  1. Skapa och sälj fysiska produkter

Att skapa och sälja fysiska produkter kan också vara ett sätt att tjäna pengar som frilans. Detta kan vara allt från handgjorda smycken och kläder till möbler och dekorationer. För att lyckas med att sälja fysiska produkter behöver du ha en stark kreativ förmåga och en plattform för att sälja dina produkter.

  1. Erbjud fotograferingstjänster

Som frilansande fotograf kan du ta bilder för olika företag och organisationer, eller erbjuda fotograferingstjänster för privatpersoner. För att lyckas som frilansande fotograf behöver du ha en stark förmåga att ta bilder, en bra utrustning och en stark portfolio.

Du kan läsa artiklar och nyheter för frilansare på frilanstidningen.se

Sammanfattningsvis finns det många olika sätt att tjäna pengar som frilans. För att lyckas behöver du ha en stark kompetens inom ditt område, vara bra på att marknadsföra dig själv och ha en stark portfolio eller referenser. Det är också viktigt att ha en bra plattform för att sälja dina tjänster eller produkter. Med rätt strategi och hårt arbete kan du skapa en stabil och lönsam karriär som frilans.

Tjäna pengar på din bil

En bil är ganska kostsam att äga. Förutom värdeminskningen så är det skatt, försäkringar, reparationer och driftskostnader som ska betalas.
Om man inte använder bilen så ofta kan man komma billigare undan genom en hyrbil, eller det blir kanske t.o.m. billigare att hyra bil de gånger man behöver den. Om man har möjlighet att välja kollektivtrafiken eller cykeln i de flesta fall så kan man spara mycket pengar.

Men för den som ändå äger en bil finns det sätt att minska kostnaden eller t.o.m. tjäna pengar på bilen.

Ett sätt är att upplåta bilens yta till reklam. Du får betalt beroende på annonsör, bil, användning och geografisk placering.

Ett annat sätt är att hyra ut din bil när du inte använder den.

Ett tredje sätt är även att låta andra åka med, eller att köra andra personer i sin bil t.ex. genom uber eller liknande tjänster.

Skattefria intäkter från cashbacksidor som refunder

All inkomst över en viss nivå i Sverige är skattepliktig. Det är bl.a. därför som talesättet ”det är inte de stora inkomsterna utan de små utgifterna som gör en rik”. gäller.

Om man betalar 50% i skatt så är alltså en sparad hundralapp värd lika mycket som en inkomstökning på 200kr.

Men det finns pengar som känns som inkomster men som egentligen är rabatter. Exempel på detta är inkomster från cashbacksidor t.ex. refunder. Det fungerar så att du får en återbäring på vanligtvis ett par procent när du handlar från t.ex. olika ebutiker.
Som tur är så räknas inte återbäringen från cashbacksidorna som inkomst. Återbäringen räknas som rabatt och behöver därför inte beskattas som inkomst.
Det är samma sak med rekryteringsbonus eller kompisbonusar. De är också en rabatt och därför ingen inkomst och därför betalar man ingen skatt på dessa inkomster.

Ännu en anledning till att använda cashbacksidor.

Just nu får du 50kr gratis när du skaffar konto på refunder. 50kr helt skattefritt.
Börja här.

Författares ersättning för ljudböcker jämfört med tryckta böcker

Ljudboken har ändrat människors sätt att ta till sig litteratur. Detta påverkar också många författares och översättares inkomster.

Övergången från läsning till lyssning har gått snabbt. 2020 var närmare 57 procent av alla ”försålda” böcker digitala, och av dem merparten ljudböcker. Bara 43 procent var tryckta böcker. En konsekvens är att de tryckta upplagorna mer än halverats de senaste 10 åren, från 5 200 ex till 2 300 i snitt. Det reella försäljningsvärdet av tryckta böcker har sedan 2010 minskat med en tredjedel.

Ersättningsmodellen för tryckta böcker är ofta att förlagen står för kostnaderna, författarna får en fastställd royalty per såld bok, varav en del ofta betalades ut i förskott i form av ett garantibelopp.

Men när det gäller ljudböckerna så är den vanligt förekommande modellen så kallad revenue share. Den innebär att intäkterna från en strömningstjänst där en bok lagts upp fördelas jämnt över den totala lyssningstiden hos samtliga böcker i systemet. Förlagen får därefter betalt för hur mycket varje enskild bok har lyssnats på, räknat i sekunder (vilket innebär att barnböcker, poesi och annan litteratur med kvantitativt färre boksidor automatiskt blir förfördelade).

Om då intäkterna till exempel har stått still, medan den totala lyssningen ökat, sjunker ersättningen per bok. Ersättningen till förlaget från strömningsplattformen hamnar ofta på mellan två och tre kronor per lyssnad timme. Modellen missgynnar dessutom de mindre förlagens författare, eftersom deras förlag inte har muskler nog att förhandla sig till förmånligare ekonomiska avtal med ljudboksplattformarna.

En genomsnittlig tryckt bok ger förlagen en snittintäkt på 50 kronor, medan snittintäkten för en ljudbok är ca 17 kronor. Vid samma royaltysats innebär det att författaren i genomsnitt också tjänar en tredjedel på en ljudbok jämfört med en tryckt bok.

De normala royaltysatserna i författarnas ljudboksavtal är 17–22 procent. Det innebär att ersättningen till författaren för en genomsnittlig strömmad ljudbok är mellan 3 – 4 kr.