Kan AI revenue leakage voorspellen?

AI kan sommige vormen van revenue leakage voorspellen, maar lang niet alle. Lekken die een aanloop hebben, zoals een klant die afbouwt voordat hij vertrekt, een deal die stilvalt voordat hij verloren gaat of een contract dat verloopt zonder verlenging, laten vooraf signalen zien die een model kan herkennen. Lekken die door een eenmalige fout ontstaan, zoals een vergeten factuur of een verkeerd ingevoerde prijs, kun je niet voorspellen, alleen snel ontdekken. Het verschil tussen die twee bepaalt wat je van AI kunt verwachten.

Detecteren en voorspellen zijn twee dingen

Detecteren is vaststellen dat er nu iets mis is. Een gewonnen deal zonder factuur, een klant op een verouderde prijs. De fout heeft al plaatsgevonden, en het systeem vindt hem. Dat is het onderwerp van kan AI omzetlekkage detecteren.

Voorspellen is inschatten dat er binnenkort iets mis gaat. De klant heeft nog niet opgezegd, de deal is nog niet verloren. Het model ziet een patroon dat in het verleden vaak voorafging aan een verlies, en meldt dat met een kans. Dat is predictive analytics toegepast op omzet.

Voorspellen is waardevoller, omdat je nog kunt ingrijpen. Het is ook onzekerder, omdat het over iets gaat dat nog niet is gebeurd.

Welke lekken voorspelbaar zijn

Een lek is voorspelbaar als aan drie voorwaarden is voldaan: het heeft een aanloop, die aanloop is zichtbaar in data, en er is genoeg historie om het patroon te leren.

Het laatste punt is belangrijk. Veel lekken hoeven niet voorspeld te worden, omdat de datum van tevoren vaststaat. Een indexatie per 1 januari, een contract dat op 30 juni afloopt. Daar volstaat een goede kalender met een eigenaar. AI voegt daar weinig toe behalve het uit contracten halen van die datums.

Hoe een voorspelling werkt

Een model voor bijvoorbeeld klantverlies werkt ruwweg zo:

1. Historie verzamelen. Van alle klanten van de afgelopen jaren: welke vertrokken, welke bleven, en hoe hun data eruitzag in de maanden daarvoor. Afname, frequentie, supporttickets, betaalgedrag, contactmomenten, prijswijzigingen.
2. Patronen leren. Het model zoekt welke combinaties van signalen vaak voorafgingen aan vertrek. Bijvoorbeeld: daling in productgroepen plus langere betaaltermijn plus geen contact in vier maanden.
3. Huidige klanten scoren. Elke klant krijgt een kans op vertrek in de komende periode, op basis van zijn huidige signalen.
4. Prijzen. De kans maal de omzet van de klant geeft een verwacht verlies in euro's. Daarop sorteer je.
5. Terugkoppelen. Na een paar maanden kijk je welke voorspellingen uitkwamen, en stel je het model bij.

Hetzelfde principe werkt voor deals in de pipeline en voor betalingsrisico. Het verschil zit in de signalen en de historie.

Wat je nodig hebt

• Genoeg voorbeelden. Een model leert van gevallen uit het verleden. Als je vijf klanten per jaar verliest, heb je te weinig voorbeelden om een betrouwbaar patroon te leren. Dan werkt een eenvoudige regel vaak beter, zoals in hoe je klanten ontdekt die stilletjes minder afnemen.
• Consistente data over tijd. Als het CRM twee jaar geleden anders werd gebruikt dan nu, leert het model patronen die niet meer bestaan.
• De uitkomst vastgelegd. Weet je van elke vertrokken klant wanneer hij vertrok en waarom? Zonder uitkomst geen leren.
• Signalen uit meerdere systemen. Facturatie alleen geeft een deel van het beeld. Support, CRM-activiteit en gebruik maken de voorspelling scherper.

Daar bestaat geen harde ondergrens voor, en wie je een exact minimumaantal belooft, weet niet hoe jouw data eruitziet. Het is een kwestie van testen: laat het model voorspellingen doen over een periode in het verleden waarvan je de uitkomst al kent, en kijk hoe vaak het klopte.

Rekenvoorbeeld

Rekenvoorbeeld: stel je hebt 500 klanten en verliest er gemiddeld 40 per jaar, met een gemiddelde jaaromzet van EUR 20.000. Dat is EUR 800.000 aan vertrek per jaar. Een model markeert elk kwartaal de 50 klanten met het hoogste risico. Stel dat daarvan 15 in de komende twaalf maanden daadwerkelijk zouden vertrekken, en dat je er met tijdig contact 5 behoudt.

• Behouden jaaromzet: 5 keer EUR 20.000 is EUR 100.000, uit één kwartaallijst.
• De andere 35 gemarkeerde klanten zouden niet zijn vertrokken. Die krijgen een gesprek dat achteraf niet nodig was.

Of dat de moeite waard is, hangt af van wat zo'n gesprek kost en hoe goed het model is. De getallen hier zijn aannames. Hoe goed een model in jouw situatie voorspelt, weet je pas na testen op je eigen historie.

Hoe je een voorspelling beoordeelt

Een voorspelling is een kans, geen feit. Drie dingen maken haar bruikbaar:

1. Een onderbouwing. Welke signalen leidden tot deze score? "Afname daalde 30 procent, laatste contact vijf maanden geleden, twee klachten over levertijd" is bruikbaar. "Risicoscore 0,73" niet.
2. Een gekalibreerde zekerheid. Als het model zegt 70 procent kans, moet dat in het verleden ook ongeveer 70 procent van de keren zijn uitgekomen. Een getal zonder die toets is decoratie. Meer daarover in forecast confidence uitgelegd.
3. Een mens die beslist. Een voorspelling leidt tot een aanbeveling: bel deze klant, heronderhandel dit contract. Wat je daarmee doet, blijft een menselijke beslissing. Het onderscheid tussen die twee staat in AI recommendations vs AI decisions.

Waar voorspellen misleidt

• Zelfvervullende voorspellingen. Als accountmanagers alleen nog aandacht geven aan klanten met een hoge score, gaan klanten met een lage score vertrekken omdat niemand ze belt.
• Gemiddelden die niet voor jou gelden. Een model dat is getraind op data van andere bedrijven, leert hun patronen, niet de jouwe.
• Oververtrouwen. Een mooie score in een dashboard voelt nauwkeuriger dan hij is. Blijf meten hoe vaak hij klopt.

Wat je vandaag kunt doen

Voordat je aan voorspellen begint, zorg dat je detecteert. Een bedrijf dat niet weet welke klanten vorig kwartaal afbouwden, heeft weinig aan een model dat voorspelt wie dat volgend kwartaal gaat doen. De volgorde:

1. Maak de lekken zichtbaar die er nu zijn, met de aanpak uit omzetlekkage vinden.
2. Zet de voorspelbare datums in een kalender met eigenaar: einddatums, indexaties, verlengingen.
3. Leg de uitkomst vast van elke klant die vertrekt, en de reden.
4. Pas als je daar een jaar historie van hebt, heeft een voorspellend model iets om van te leren.

Wil je eerst weten welke van deze lekken bij jou het meeste kosten, dan geeft de Revenue Audit een eenmalig beeld over acht gebieden, met een bedrag per bevinding.

Veelgestelde vragen

Kan AI voorspellen hoeveel omzet ik ga verliezen?

Het kan een verwachte waarde berekenen op basis van kansen per klant of per deal. Dat is een schatting met een bandbreedte, geen voorspelling tot op de euro. De bandbreedte is minstens zo belangrijk als het getal.

Hoe ver vooruit kan een model kijken?

Dat hangt af van hoe vroeg de signalen zichtbaar worden. Bij klanten die langzaam afbouwen, kan dat maanden zijn. Bij een klant die plotseling vertrekt na een incident, is er geen aanloop om te zien.

Is een voorspelmodel duur om te bouwen?

Een eenvoudig model op goede data is geen groot project. Het werk zit in de data: alles consistent maken, de historie verzamelen en de uitkomsten vastleggen. Dat werk heb je ook nodig voor gewone rapportage.

Wat is beter: een simpele regel of een AI-model?

Begin met een regel. Als die te veel of te weinig markeert, en je hebt genoeg historie, test dan of een model beter presteert op dezelfde data. Kies wat aantoonbaar beter werkt, niet wat slimmer klinkt.