Revenue Intelligence vs Data Analytics

Data analytics is het onderzoeken van data om een vraag te beantwoorden: een analist haalt data op, bewerkt die en trekt een conclusie. Revenue Intelligence is een doorlopend systeem dat één terugkerende vraag steeds opnieuw beantwoordt: klopt de omzet, en waar lekt hij? Analytics is een project met een begin en een eind. Revenue Intelligence is een taak die nooit af is, omdat elke nieuwe deal, order en factuur een nieuwe kans op een lek is.

Wat data analytics is

Data analytics is een brede discipline. Het omvat alles van een draaitabel in Excel tot statistische modellen in Python. De werkwijze is in de kern steeds hetzelfde:

1. Er is een vraag. Waarom daalt de marge in regio Zuid? Welke klanten zijn het meest winstgevend? Waarom is de omzet in Q2 lager?
2. Een analist haalt de data op die nodig is, vaak uit meerdere systemen.
3. De data wordt opgeschoond, gekoppeld en bewerkt.
4. De analist zoekt patronen, test verklaringen en trekt conclusies.
5. De uitkomst wordt gepresenteerd, in een rapport, een presentatie of een dashboard.

Analytics is sterk in het beantwoorden van nieuwe vragen. Een goede analist kan in een paar dagen uitzoeken wat er achter een onverwachte daling zit. Tools als Excel, Power BI, Python of SQL op een datawarehouse zijn daarvoor de middelen.

Wat Revenue Intelligence is

Revenue Intelligence neemt één set vragen en beantwoordt die doorlopend. Is elke gewonnen deal gefactureerd? Klopt de gefactureerde prijs met het contract? Is de indexatie toegepast? Wordt meerwerk gefactureerd? Neemt een klant minder af dan verwacht? Het systeem koppelt de bronnen daarvoor één keer en kijkt daarna steeds opnieuw. Afwijkingen komen als bevinding bij de juiste persoon, met een bedrag. Zie Wat is Revenue Intelligence? voor de volledige uitleg.

Het verschil in de praktijk

Het eenvoudigste onderscheid: analytics vertelt je waarom iets gebeurde. Revenue Intelligence vertelt je dat iets gebeurt, terwijl het gebeurt.

Waarom een eenmalige analyse van omzetlekkage niet genoeg is

Veel bedrijven laten ooit een analyse doen naar verschillen tussen CRM en boekhouding, of naar contracten die niet goed worden gefactureerd. Dat levert vaak iets op. Er wordt een lijst gemaakt, de grootste gevallen worden opgelost, er komt een correctiefactuur de deur uit.

Daarna gebeurt er iets voorspelbaars. De oorzaken zitten in processen die doorlopen. Een nieuwe verkoper vergeet de order door te zetten. Een nieuw contract krijgt een indexatieclausule die niemand in het ERP zet. Een monteur schrijft meerwerk op een bon die niet bij facturatie terechtkomt. Zes maanden later zijn er nieuwe lekken, en de analyse van toen weet daar niets van.

Dat is niet de fout van de analyse. Het is het verschil tussen een foto en een camera. Hoe je lekken doorlopend opspoort, staat in Hoe detecteer je revenue leakage automatisch?.

AI Revenue Intelligence vs traditionele analytics

Met AI verschuift de grens tussen de twee. Er zijn drie plekken waar AI Revenue Intelligence iets anders doet dan traditionele analytics.

Afwijkingen vinden die niemand bedacht. Traditionele analytics zoekt naar wat de analist verwacht. Anomaly detection kijkt naar wat normaal is voor een klant, product of periode, en meldt wat daarvan afwijkt, ook als niemand die vraag stelde. Hoe dat werkt, staat in Wat is anomaly detection?.

Tekst lezen. Veel afspraken staan niet in velden maar in contracten, notities en werkbonnen. Een taalmodel kan die lezen en de afspraken eruit halen, zodat ze naast de facturen kunnen worden gelegd. Traditionele analytics werkt alleen met gestructureerde data.

Uitleggen in gewone taal. Een bevinding komt niet als een rij in een tabel, maar als een zin: "Klant X is sinds januari niet geïndexeerd, terwijl het contract 3 procent per jaar voorschrijft. Verschil tot nu toe: EUR 2.160."

Wat AI niet verandert: rekenwerk hoort exact te zijn. Totalen, verschillen en koppelingen worden door queries gedaan, niet door een taalmodel dat schat. En elke bevinding moet terug te leiden zijn naar een record. Daarover meer in Waarom AI-output gecontroleerd moet worden.

Waar analytics beter is

Revenue Intelligence is geen vervanging voor analytics. Er zijn vragen waar een analist beter voor is:

• Strategische vragen. Moeten we een productlijn stoppen? Is een prijsverhoging haalbaar in segment B? Dat vraagt oordeel, context en scenario's.
• Eenmalige onderzoeken. Na een overname de klantenbestanden vergelijken, of uitzoeken waarom een grote klant is vertrokken.
• Nieuwe vragen. Alles wat nog niet eerder is gevraagd. Revenue Intelligence controleert wat het is ingesteld om te controleren; een analist kan buiten die lijnen denken.

Een gezonde opzet gebruikt beide. Revenue Intelligence doet de terugkerende controle. Analytics gaat dieper waar de controle iets opvallends vindt, of waar een strategische beslissing om een onderbouwing vraagt.

Rekenvoorbeeld: analyse versus bewaking

Rekenvoorbeeld: stel, een groothandel met EUR 15M omzet laat in januari een analyse doen naar prijsafwijkingen. Die vindt 45 klanten die onder de afgesproken prijs worden gefactureerd, samen EUR 60.000 per jaar. De prijzen worden gecorrigeerd.

In de rest van het jaar:

• worden 30 nieuwe klanten aangenomen, waarvan een deel met een handmatig ingevoerde prijs;
• worden per 1 juli bij 80 klanten prijzen geïndexeerd, waarvan een deel niet goed wordt doorgevoerd;
• krijgt een verkoper toestemming voor een tijdelijke korting die daarna niet wordt beëindigd.

Stel dat er daardoor EUR 25.000 aan nieuwe afwijkingen ontstaat, verspreid over het jaar. Een analyse in januari van het volgende jaar vindt die, maar pas nadat ze maanden hebben gelopen. Doorlopende bewaking vindt ze binnen een factuurcyclus. Het verschil is de tijd dat het lek openstaat. De getallen zijn bedacht om het principe te laten zien.

Controlelijst: analytics of doorlopende controle?

• Is de vraag eenmalig of komt hij elke maand terug? Terugkerend: doorlopende controle.
• Weet je al wat je zoekt? Ja: een controle kan het automatisch. Nee: eerst een analyse.
• Hoeveel records moeten worden bekeken? Honderden of duizenden per maand: dat hoort geautomatiseerd.
• Is er iemand die elke maand de analyse opnieuw doet, en wat gebeurt er als die persoon weg is?
• Leidt de uitkomst tot een actie bij een specifieke persoon? Zo niet, dan is het inzicht zonder opvolging.

De bredere vergelijking met BI, CRM, ERP en andere software staat in Revenue Intelligence vs Business Intelligence.

Veelgestelde vragen

Is Revenue Intelligence een vorm van data analytics?

In de brede zin wel: het analyseert data. Het verschil is dat het een vaste set vragen doorlopend beantwoordt en de uitkomst bij een eigenaar legt, in plaats van een eenmalig antwoord op een nieuwe vraag.

Heb ik nog een analist nodig als ik Revenue Intelligence heb?

Voor strategische vragen en diepere onderzoeken wel. Wat verdwijnt, is het repeterende werk van maandelijks exports koppelen om te zien of alles klopt.

Kan een analist met Python hetzelfde bouwen?

Technisch wel. Het wordt dan een eigen systeem dat onderhouden moet worden, met koppelingen, logica, uitzonderingen en opvolging. De vraag is of dat de beste besteding van die tijd is.

Wat doet AI beter dan traditionele analytics?

Afwijkingen vinden waar niemand naar vroeg, en afspraken uit tekst halen. Het rekenwerk zelf wordt er niet beter van, en hoort buiten het taalmodel te blijven.