Wat is predictive analytics?

Predictive analytics is het voorspellen van een toekomstige uitkomst op basis van patronen in historische data. Een model leert uit wat er eerder gebeurde, bijvoorbeeld welke klanten opzegden of welke deals sloten, en geeft voor een nieuwe situatie een kans of een verwachte waarde. Het resultaat is geen zekerheid maar een waarschijnlijkheid, en de kwaliteit ervan staat of valt met de data waarop het model is getraind.

Van terugkijken naar vooruitkijken

Analytics wordt vaak in vier lagen ingedeeld. Het helpt om te zien waar predictive analytics tussen zit:

De meeste bedrijven zitten met hun rapportages in de eerste twee lagen. Een dashboard in Power BI of een export uit Exact laat zien wat er gebeurd is. Predictive analytics voegt een stap toe: het rekent uit wat er gaat gebeuren als het patroon doorzet. Dat is vooral waardevol als je dan nog tijd hebt om in te grijpen.

Hoe een voorspellend model werkt

Onder de motorkap zijn de meeste voorspellende modellen verrassend nuchter. Het proces heeft altijd dezelfde vier stappen.

1. Een uitkomst kiezen. Je bepaalt wat je wilt voorspellen. Zegt een klant op binnen twaalf maanden? Sluit deze deal dit kwartaal? Wordt deze factuur te laat betaald? Hoe scherper de uitkomst, hoe bruikbaarder het model.

2. Historische voorbeelden verzamelen. Het model heeft gevallen nodig waarvan je de uitkomst al kent. Bijvoorbeeld alle klanten van de afgelopen drie jaar, met per klant of ze vertrokken of bleven. Hoe meer voorbeelden, hoe beter, maar vooral: hoe representatiever, hoe beter.

3. Kenmerken bepalen. Per voorbeeld verzamel je de eigenschappen die iets zouden kunnen zeggen over de uitkomst. Denk aan orderfrequentie, verandering in ordergrootte, aantal supporttickets, betaalgedrag, tijd sinds het laatste contact met de accountmanager, contractduur. Dit heet feature engineering en het is meestal het meeste werk.

4. Trainen en testen. Het model zoekt het verband tussen kenmerken en uitkomst. Daarna test je het op gevallen die het niet heeft gezien. Pas als het daar goed voorspelt, is het iets waard.

De technieken variëren van regressie en beslisbomen tot gradient boosting en neurale netwerken. Voor gestructureerde bedrijfsdata, dus tabellen met klanten, orders en facturen, zijn de eenvoudigere methodes vaak minstens zo goed als de complexe. Ze zijn bovendien beter uit te leggen, en dat is in een financiële context geen detail.

Waar predictive analytics omzet raakt

In een B2B-bedrijf zijn er vier toepassingen die direct op de omzet ingrijpen.

Churn en krimp voorspellen

Een klant die opzegt, zie je in je cijfers. Een klant die stilletjes minder afneemt, niet. Een voorspellend model kan het patroon herkennen dat voorafgaat aan vertrek: langere tijd tussen orders, kleinere orders, minder gebruikers in een licentie, een stijging in klachten. Dat sluit aan bij hoe je klanten die stilletjes minder afnemen opspoort, maar dan vooruitkijkend.

Deals en forecast

Een CRM geeft elke fase een vaste kans: offerte verstuurd is 50 procent, onderhandeling is 75 procent. Een voorspellend model kijkt naar de eigenschappen van de deal zelf: hoe lang staat hij al stil, hoe vaak is de sluitdatum verschoven, is er contact geweest met een beslisser. Hoe dat een forecast verandert, lees je in AI revenue forecasting uitgelegd.

Betaalgedrag

Welke facturen gaan waarschijnlijk te laat betaald worden? Het betaalverleden van een klant, de factuurgrootte en het moment in het jaar voorspellen dat vaak redelijk. Dat maakt het mogelijk om eerder te herinneren bij de klanten waar het ertoe doet, in plaats van iedereen dezelfde herinnering te sturen.

Kans op lekkage

Minder bekend, maar voor omzetcontrole het interessantst: welke contracten, orders of klanten hebben een verhoogde kans op een factuurfout? Een contract met een afwijkende indexatieclausule, meerdere prijsafspraken en een handmatige facturatiestap heeft een hoger risico dan een standaardabonnement. Dat is predictive analytics toegepast op de vraag of AI revenue leakage kan voorspellen.

Rekenvoorbeeld: wat een churnvoorspelling waard is

Rekenvoorbeeld: stel, je hebt 400 terugkerende klanten met een gemiddelde jaaromzet van EUR 25.000. Jaarlijks vertrekken er 40. Dat is EUR 1.000.000 aan jaaromzet die wegloopt.

Een model markeert elk kwartaal de 30 klanten met de hoogste vertrekkans. Stel dat daar gemiddeld 12 echte vertrekkers tussen zitten en dat je accountmanagers er door vroeg contact 4 van weten te behouden.

• Behouden per kwartaal: 4 klanten x EUR 25.000 = EUR 100.000 jaaromzet.
• Over een jaar: EUR 400.000 jaaromzet die anders was vertrokken.
• Kosten: de tijd van accountmanagers voor 120 extra gesprekken per jaar.

Deze getallen zijn aannames om het mechanisme te laten zien. De twee cijfers die in de praktijk alles bepalen, zijn hoeveel echte vertrekkers het model vindt en hoeveel daarvan je team terugwint. Het eerste kun je meten door het model op historische data te testen. Het tweede alleen door het te doen.

Waar het misgaat

Predictive analytics faalt zelden door het algoritme. Het faalt door de data en door hoe de uitkomst wordt gebruikt.

Slechte historische data. Een model leert uit het verleden. Als je CRM vol staat met deals die nooit zijn afgesloten, sluitdatums die niemand bijwerkt en klanten die dubbel voorkomen, leert het model dat patroon. Dat is precies waarom CRM-data niet hetzelfde is als financiële data.

Te weinig voorbeelden. Een bedrijf met 60 klanten en 5 vertrekkers per jaar heeft te weinig gevallen om een betrouwbaar churnmodel te trainen. Dan zijn eenvoudige regels, zoals "geen order in 90 dagen terwijl het gemiddelde 30 is", eerlijker dan een model dat schijnprecisie geeft.

Datalekkage in het model. Een klassieke fout: een kenmerk gebruiken dat pas bekend is nadat de uitkomst al vaststaat. Bijvoorbeeld "reden van opzegging ingevuld" als kenmerk om opzegging te voorspellen. Het model scoort in de test uitstekend en is in de praktijk waardeloos.

Veranderende omstandigheden. Een model getraind op drie rustige jaren voorspelt slecht in een jaar met een prijsverhoging, een nieuw product of een recessie. Modellen moeten opnieuw worden getoetst, niet één keer gebouwd en vergeten.

Een score zonder actie. Een lijst met risicoklanten die in een dashboard staat en waar niemand iets mee doet, levert niets op. De waarde zit in wat er daarna gebeurt: wie belt, wanneer, met welk aanbod.

Hoe je beoordeelt of een voorspelling deugt

Je hoeft geen data scientist te zijn om een voorspellend model kritisch te bekijken. Deze vragen kun je aan elke leverancier of interne analist stellen:

1. Wat voorspelt het precies? Een scherpe uitkomst, met een tijdshorizon. "Klantgezondheid" is geen uitkomst. "Opzegging binnen twaalf maanden" wel.
2. Op welke data is het getraind, en over welke periode? En is die periode representatief voor nu?
3. Hoe is het getest? Op data die het model niet eerder zag, liefst uit een latere periode dan de trainingsdata.
4. Hoe vaak klopt het, en hoe vaak niet? Vraag naar beide: hoeveel echte gevallen het vindt en hoeveel valse alarmen het geeft. Een model dat elke klant als risico markeert, vindt alle vertrekkers en is nutteloos.
5. Waarom geeft het deze score? Een goed model laat per voorspelling zien welke kenmerken zwaar wogen. Zonder die uitleg kun je een voorspelling niet controleren.
6. Wat gebeurt er met de uitkomst? Wie krijgt de lijst, en wat doet die ermee?

Predictive analytics en AI

Predictive analytics is een vorm van AI, maar een andere dan de taalmodellen waar nu het meeste over gesproken wordt. Een voorspellend model geeft een getal: een kans, een bedrag, een datum. Een taalmodel geeft tekst. Het verschil is groot en wordt vaak vergeten; het wordt uitgewerkt in predictive AI vs generative AI.

In een revenue intelligence-systeem werken de twee vaak samen. Een voorspellend model berekent welke klanten risico lopen of welke contracten afwijken. Een taalmodel legt de bevinding in gewone taal uit of stelt een vervolgactie voor. Hoe die lagen in elkaar grijpen, staat in hoe AI binnen Revenue Intelligence werkt.

Stappenplan om klein te beginnen

1. Kies één uitkomst die direct geld raakt, bijvoorbeeld klantkrimp of te late betaling.
2. Check of je minimaal twee à drie jaar aan betrouwbare historische data over die uitkomst hebt, uit het systeem dat leidend is (meestal de administratie, niet het CRM).
3. Begin met een eenvoudige regel en meet hoe goed die voorspelt. Dat is je ondergrens.
4. Bouw of koop pas een model als het aantoonbaar beter is dan die regel.
5. Spreek af wie de uitkomst krijgt en wat die ermee doet, voordat het model live gaat.
6. Toets elk kwartaal of de voorspellingen nog kloppen met wat er werkelijk gebeurde.

Veelgestelde vragen

Is predictive analytics hetzelfde als forecasting?

Forecasting is een toepassing van predictive analytics. Een omzetforecast voorspelt een totaalbedrag over een periode. Predictive analytics is breder: het kan ook voorspellen welke klant vertrekt, welke factuur te laat komt of welk contract een fout bevat.

Hoeveel data heb je nodig?

Daar is geen vast getal voor. Het hangt af van hoe vaak de uitkomst voorkomt. Voor een zeldzame uitkomst, zoals vertrek van een grote klant, heb je meer historie nodig dan voor een veelvoorkomende, zoals een te late betaling. Als je maar een handvol gevallen per jaar hebt, zijn eenvoudige regels vaak eerlijker.

Heb je een data scientist nodig?

Om zelf modellen te bouwen wel. Om ze te gebruiken en te beoordelen niet. De vragen uit de controlelijst hierboven zijn genoeg om te zien of een voorspelling onderbouwd is.

Kan predictive analytics fouten in facturatie vinden?

Het kan voorspellen waar de kans op fouten hoog is, zodat je daar eerst controleert. Het daadwerkelijk vinden van een fout, zoals een vergeten indexatie, gebeurt door vergelijken: contract naast factuur. Voorspellen en vergelijken vullen elkaar aan.