Waarditindepraktijkovergaat
Wie er op het punt staat weg te gaan
Klantverloop is zelden een verrassing achteraf: het patroon zit vaak maanden eerder in de bestelfrequentie. De waarde zit niet in het weten maar in het op tijd weten.
Hoe druk het wordt
Per week of per dagdeel, zodat je personeel en inkoop erop kunt zetten. Dit is de toepassing die het snelst geld oplevert, omdat je er direct naar kunt handelen.
Wie niet komt opdagen
No-shows kosten een plek die je had kunnen vullen. Een kans per afspraak maakt van overboeken een berekening in plaats van een gok.
Hoe lang iets gaat duren
Doorlooptijd van een order of een reparatie. Handig om te plannen, maar vooral om je klant een datum te geven die je haalt.
Watjemoetaanleveren,endevaldieerinzit
Historie, en genoeg ervan. Twee jaar is de praktische ondergrens zodra er seizoen in zit, want met één jaar heeft het model precies één zomer gezien en kan het niet weten of dat het patroon is of het weer van dat jaar.
En dan de val: alleen de kolommen die je op het moment van voorspellen echt hebt. Dit klinkt vanzelfsprekend en het gaat bijna altijd fout. Je wilt voorspellen of een klant vertrekt, en in de export zit een kolom “opzegreden”. Die is bij een vertrekkende klant gevuld en bij een blijvende leeg, dus het model wordt schitterend, en het is waardeloos: op het moment dat je het wilt gebruiken is die kolom nog leeg.
Daarom loop ik de kolommen één voor één met je langs met steeds dezelfde vraag: wist je dit al op het moment dat je de voorspelling nodig had? Alles waarop het antwoord nee is, gaat eruit, hoe goed het ook helpt.
Hoejeweetofhetwerkt:terugmetenenvergelijken
Niet met een willekeurige splitsing van de rijen, want dan traint het model op volgende week en toetst het op vorige week. Er wordt teruggemeten in de tijd: leren op alles tot een bepaalde datum, voorspellen wat er daarna gebeurde, en dat een aantal keer opschuiven. Zo meet je wat het model op maandagochtend gedaan zou hebben.
En het wordt afgezet tegen de domste redelijke regel. Voor drukte is dat meestal “deze week is als dezelfde week vorig jaar”. Verslaat het model dat niet, dan heb je geen model nodig maar die regel, en dat is een uitkomst waar ik je liever mee naar huis stuur dan met een dashboard. Verrassend vaak is die simpele regel taaier dan mensen verwachten.
De uitkomst is bovendien een bandbreedte en geen getal. “Tussen 180 en 240 bezoekers” is bruikbaar; “211 bezoekers” is een schijnzekerheid waar je verkeerde beslissingen op neemt.
Waarditopstukloopt
Informatie uit de toekomst. De val hierboven, en hij is zo vaak de oorzaak van een te mooi resultaat dat een model dat meteen goed werkt bij mij eerst wantrouwen oplevert en dan pas blijdschap. De vraag “wat weten we hier eigenlijk al?” is de belangrijkste vraag van het hele traject.
Een model dat het gemiddelde voorspelt. Als je vraagt hoeveel klanten er vertrekken en dat er drie procent per jaar vertrekt, dan heeft “niemand vertrekt” zevenennegentig procent gelijk. Dat is dezelfde valkuil als bij beeldherkenning, in een ander jasje, en de oplossing is dezelfde: niet naar één getal kijken maar naar wat je vangt en wat je mist.
En een breuk in de historie. Een verhuizing, een prijswijziging, een jaar waarin de wereld anders was: het model neemt dat mee als patroon. Soms is het antwoord die periode weglaten, soms hem juist apart meenemen. Dat is een gesprek, geen instelling.
Wathetkost
Eén uitkomst voorspellen op cijfers uit één systeem, met een export als resultaat.
Bronnen samenvoegen die nu niet aan elkaar hangen, en het model terugtoetsen op meerdere jaren.
Meerdere uitkomsten of modellen naast elkaar, met seizoen en externe factoren erin, en een maandelijkse hermeting.
Alle bedragen zijn exclusief btw.
Waarikditnietvoorgebruik
Niet voor beslissingen over personen. Kredietwaardigheid, het voorselecteren van sollicitanten, inschattingen over gezondheid: die toepassingen vallen deels in de hoog-risicocategorie van de AI-verordening, met verplichtingen die een eenmanszaak niet kan dragen en gevolgen die je niet wilt uitleggen als het misgaat.
En niet als de vraag eigenlijk “waaróm” is. Een voorspelmodel zegt wat er waarschijnlijk gebeurt, niet waardoor het komt. Wil je weten of jouw actie iets veroorzaakte, dan is dat een ander soort onderzoek, en dan is een model het verkeerde gereedschap.
Zoek je iets anders?
Vragendiehierbijhoren
- Hoeveel historie heb ik minimaal nodig?
- Zonder seizoenspatroon kom je met een jaar een eind. Zit er seizoen in, en dat is bij de meeste bedrijven zo, dan is twee jaar de praktische ondergrens en drie beter. Minder kan wel, maar dan hoor je van mij dat de bandbreedte breed blijft.
- Mijn cijfers staan in een boekhoudpakket. Kan ik daar iets uit halen?
- Vrijwel altijd: een export naar Excel of CSV is genoeg om mee te beginnen. Staat het in meerdere systemen die niet aan elkaar hangen, dan is het samenvoegen een eigen post in de offerte, want dat is het werk dat eronder ligt.
- Wat als het model er straks naast zit?
- Dat gebeurt, en de vraag is of je het merkt. Daarvoor is het beheerabonnement: elke maand opnieuw meten op wat er inmiddels écht gebeurd is, en melden zodra het wegzakt. Een model dat niemand meer meet, is een aanname met een grafiek eromheen.
- Kan ik zien waaróm het model dit voorspelt?
- Op het niveau van welke gegevens het zwaarst meewegen: ja, en dat hoort er standaard bij. Op het niveau van één specifieke klant is het lastiger en hangt het af van het soort model dat het beste werkt. Als uitlegbaarheid voor jou zwaarder weegt dan het laatste procentje, zeg dat dan vooraf; dan kies ik daarop.