Hoe detecteer je revenue leakage automatisch?

Revenue leakage detecteer je automatisch door de vergelijkingen die je anders handmatig doet, op vaste momenten door software te laten uitvoeren. Gewonnen deals tegen facturen, contractprijzen tegen factuurregels, werkbonnen tegen facturatie, gebruik tegen abonnementen. Daarvoor heb je vijf bouwstenen nodig: leestoegang tot de bronsystemen, een gedeelde sleutel om records te koppelen, vastgelegde regels, drempels die ruis wegfilteren en een melding die bij een eigenaar terechtkomt. Anomaliedetectie en AI vullen dat aan voor lekken die geen vaste regel overtreden.

Hoe controleer je omzet zonder alles handmatig na te lopen?

Een handmatige controle bestaat uit vier stappen: data exporteren, data koppelen, vergelijken en de verschillen uitzoeken. De eerste drie kosten de meeste tijd en zijn elke keer hetzelfde. Alleen de vierde vraagt menselijk oordeel.

Automatische detectie neemt precies die eerste drie stappen over. Het resultaat is geen rapport met duizenden regels, maar een korte lijst met afwijkingen die een mens moet beoordelen. De tijd die je bespaart, gaat naar het uitzoeken in plaats van naar het verzamelen. En omdat de controle zonder extra moeite elke nacht kan lopen, vind je een lek binnen dagen in plaats van aan het eind van het jaar.

Dat laatste is misschien nog belangrijker dan de tijdwinst. Een werkbon die na drie dagen als niet-gefactureerd wordt gemeld, is makkelijk te herstellen. Na tien maanden weet niemand meer wat er is gedaan, en de klant is verbaasd over een factuur voor werk van vorig voorjaar. Hoe je lekkage in het algemeen vindt, handmatig of niet, staat in hoe je omzetlekkage in een bedrijf vindt.

De vijf bouwstenen

1. Leestoegang tot de bronnen. De detectie moet de data kunnen ophalen uit het CRM, het facturatie- of boekhoudsysteem, de urenregistratie, het planningssysteem en waar nodig het contractregister. Voor detectie is leestoegang genoeg. Er hoeft niets te worden geschreven. De meeste systemen, zoals HubSpot, Salesforce, Exact, AFAS en Twinfield, bieden een API waarmee dat kan. Waar geen API is, werkt een geplande export ook.

2. Een gedeelde sleutel. Om een deal aan een factuur te koppelen, moet je weten dat ze bij elkaar horen. Idealiter staat het dealnummer of contractnummer op de factuur, of heeft de klant in elk systeem hetzelfde ID. Zonder die sleutel faalt elke automatische vergelijking, of levert ze zoveel valse meldingen op dat niemand ze meer leest. Dit is vaak het eerste dat moet worden opgelost. Zie ook revenue leakage door dataproblemen.

3. Vastgelegde regels. Een regel beschrijft wat er moet kloppen. Voorbeelden:

• Elke deal die op gewonnen gaat, heeft binnen 30 dagen een factuur.
• De prijs op een factuurregel is gelijk aan de contractprijs, inclusief toegepaste indexatie.
• Elke afgemelde werkbon heeft binnen 14 dagen een factuurregel.
• Het aantal gefactureerde licenties is gelijk aan of hoger dan het aantal actieve gebruikers.
• Een korting met een einddatum komt na die datum niet meer op een factuur.

4. Drempels. Niet elk verschil is een lek. Een afrondingsverschil van een paar cent, een factuur die een dag later komt dan de regel voorschrijft, een deal die bewust in delen wordt gefactureerd. Drempels bepalen wanneer een verschil groot genoeg is om te melden: in euro's, in dagen of in procenten.

5. Een melding met een eigenaar. Een afwijking die in een dashboard staat, wordt zelden opgepakt. Een afwijking die als taak bij een persoon terechtkomt, met het bedrag en het bewijs erbij, wel. Elke regel heeft daarom een eigenaar: wie gaat dit uitzoeken als hij afgaat?

Regels en anomaliedetectie

Regels werken goed voor lekken met een duidelijk juist en onjuist. Maar sommige lekken overtreden geen enkele regel. Een klant die elk kwartaal 8 procent minder bestelt. Een accountmanager die structureel meer korting geeft dan zijn collega's. Een product waarvan de gemiddelde verkoopprijs langzaam daalt. Er is geen vaste grens die zegt wanneer dit een probleem is.

Daarvoor is anomaliedetectie: een methode die bepaalt wat normaal is op basis van de data zelf, en meldt wat daarvan afwijkt. Normaal kan de eigen historie van een klant zijn, of het gedrag van vergelijkbare klanten. Hoe dat werkt, staat in wat anomaly detection is.

Het verschil in de praktijk:

Begin met regels. Die leveren het snelst betrouwbare bevindingen op, en ze dwingen je om je data op orde te brengen. Anomaliedetectie komt daarna, als laag erbovenop. Wat AI daarbij specifiek toevoegt, zoals het lezen van contracten en het koppelen van records die niet exact matchen, staat in kan AI omzetlekkage detecteren.

Het grootste probleem: valse meldingen

Een automatische controle die te veel meldt, sterft een stille dood. Na een paar weken met honderd meldingen per dag, waarvan er vijf echt zijn, leest niemand ze meer. Dan heb je dezelfde situatie als zonder controle, alleen met meer ruis.

Valse meldingen hebben bijna altijd een van deze oorzaken:

• Ontbrekende koppelsleutel. De deal en de factuur horen bij elkaar, maar de software weet het niet.
• Legitieme uitzonderingen. Een deal wordt bewust in termijnen gefactureerd, een klant heeft een afgesproken korting die niet in het contractregister staat.
• Timing. Een factuur die volgens het proces pas na de levering komt, wordt gemeld als ontbrekend terwijl hij onderweg is.
• Verkeerde drempels. Te strak ingesteld, zodat elke kleine afwijking een melding wordt.

De oplossing is een terugkoppeling. Elke melding die als onterecht wordt afgesloten, krijgt een reden. Die redenen verzamel je, en elke maand pas je de regels, drempels of data aan. Na een paar maanden is het aandeel valse meldingen meestal sterk gedaald. Een controle zonder die terugkoppeling blijft op het niveau van de eerste week hangen.

Rekenvoorbeeld

Rekenvoorbeeld: stel, een zakelijk dienstverlener sluit 900 deals per jaar en controleert eens per jaar handmatig of alle gewonnen deals zijn gefactureerd. Die controle kost een controller vier werkdagen en vindt gemiddeld 12 deals zonder factuur, met een gemiddelde waarde van EUR 7.500. Van die 12 kan hij er 7 nog factureren. Bij de andere 5 is het te lang geleden: de klant betwist het of het contact is weg.

Met een nachtelijke automatische controle worden dezelfde 12 deals gevonden, maar gemiddeld binnen twee weken na het moment waarop de factuur had moeten komen. Stel dat er dan 11 van de 12 worden gefactureerd.

• Handmatig: 7 × EUR 7.500 = EUR 52.500 teruggehaald, 5 × EUR 7.500 = EUR 37.500 definitief verloren.
• Automatisch: 11 × EUR 7.500 = EUR 82.500 teruggehaald, 1 × EUR 7.500 = EUR 7.500 verloren.

Het verschil van EUR 30.000 zit niet in wat er wordt gevonden, maar in wanneer. De aantallen zijn een voorbeeld. Het principe geldt breed: hoe sneller een lek wordt gemeld, hoe groter de kans dat je het nog kunt herstellen.

Stappenplan: je eerste automatische controle

1. Kies één controle met een duidelijke regel en een hoog volume. Gewonnen deals tegen facturen is een goede eerste keuze. Hoe je die controle inhoudelijk opzet, staat in hoe je CRM tegen facturatie controleert.
2. Doe hem eerst één keer handmatig. Je leert waar de data niet aansluit, welke uitzonderingen er zijn en welke drempels zinvol zijn.
3. Los de koppelsleutel op. Zorg dat het deal- of contractnummer op de factuur komt, of dat klanten in beide systemen hetzelfde ID hebben.
4. Schrijf de regel en de drempel uit in gewone taal. "Elke gewonnen deal boven EUR 1.000 heeft binnen 30 dagen een factuur met hetzelfde dealnummer."
5. Automatiseer het ophalen en vergelijken. Dat kan met een script, een SQL-query in een datawarehouse zoals Snowflake, een rapport met meldingen in Power BI of een platform dat hiervoor is gemaakt.
6. Zet de melding bij een eigenaar. Als taak, niet als dashboard.
7. Houd twee maanden bij welke meldingen onterecht waren en waarom. Pas daarna regels en drempels aan.
8. Voeg pas dan de tweede controle toe.

Welke middelen je kunt gebruiken

Er is niet één juiste manier. De keuze hangt af van wat je al hebt en wie het onderhoudt.

• Scripts en queries. Flexibel en goedkoop als je een ontwikkelaar of data-analist hebt. Kwetsbaar als die persoon vertrekt.
• BI-tools met meldingen. Als je al Power BI of een vergelijkbare tool gebruikt, kun je daar controles in bouwen. Het nadeel is dat BI-tools vooral zijn gemaakt om te tonen, niet om taken toe te wijzen en op te volgen.
• Een revenue intelligence platform. Software die specifiek is gemaakt om omzetsystemen te koppelen, vergelijkingen te draaien en afwijkingen in euro's te melden. RiOS is zo'n platform, op dit moment in bèta. Wat het per module doet, staat op de systeempagina.

Welk middel je ook kiest: de bouwstenen blijven hetzelfde. Zonder koppelsleutel, regel, drempel en eigenaar werkt geen enkel middel.

Veelgestelde vragen

Heb ik schrijfrechten nodig in mijn systemen voor automatische detectie?

Nee. Voor het vinden van lekken is leestoegang genoeg. Schrijfrechten zijn pas nodig als je ook wilt dat correcties automatisch worden doorgevoerd, en dat is een aparte beslissing met eigen controles.

Hoe vaak moet een automatische controle lopen?

Voor de meeste omzetcontroles is dagelijks of wekelijks voldoende. Belangrijker dan de frequentie is dat de melding snel bij een eigenaar komt en dat die er iets mee doet.

Wat als mijn data niet goed genoeg is?

Dan is dat het eerste dat de controle je vertelt. Begin met de velden die de eerste controle nodig heeft, en schoon die op. Een automatische controle is ook een meetinstrument voor datakwaliteit.

Kan AI de regels vervangen?

Nee, AI vult ze aan. Voor vergelijkingen met een duidelijk juist en onjuist zijn regels beter: sneller, goedkoper en volledig uitlegbaar. AI voegt waarde toe bij ongestructureerde bronnen, onzekere koppelingen en patronen zonder vaste grens.