Klanten die dreigen weg te lopen
Wie vorig jaar elke maand bestelde en nu twee maanden niets, is een signaal. Daar hoef je geen model voor, maar met historie wordt het scherper.
Herkenbaar als: klanten die stilletjes vertrekken
Voorspellen op je eigen cijfers kan geld opleveren, maar alleen als je genoeg gegevens hebt en de vraag scherp is. Vaak is een eenvoudige regel beter.
Machine learning is patronen zoeken in gegevens die je al hebt, om daarmee iets te voorspellen. Welke klant waarschijnlijk opzegt, hoeveel voorraad je volgende maand nodig hebt, welke aanvraag kans maakt.
Dat werkt onder twee voorwaarden. Je moet genoeg historie hebben, in de praktijk een paar duizend gevallen, en de vraag moet scherp zijn. "Hoe verhoog ik mijn omzet" is geen vraag voor een model; "welke klanten bestelden vorig jaar wel en dit jaar nog niet" wel.
Is aan een van beide niet voldaan, dan kun je beter een eenvoudige regel gebruiken. Die is goedkoper, uitlegbaar en vaak net zo goed. Dat zeggen we ook als het ons een opdracht kost.
Wie vorig jaar elke maand bestelde en nu twee maanden niets, is een signaal. Daar hoef je geen model voor, maar met historie wordt het scherper.
Herkenbaar als: klanten die stilletjes vertrekken
Met een paar jaar verkoopcijfers is seizoensvraag redelijk te voorspellen, zeker bij producten met een vast patroon.
Herkenbaar als: nee verkopen of overvoorraad
Welke aanvragen lijken op de opdrachten die je eerder won. Dat scheelt tijd in opvolgen.
Herkenbaar als: alle aanvragen even zwaar behandelen
Zien welke factoren samenhangen met gewonnen offertes. Vaak leerzamer dan de voorspelling zelf.
Herkenbaar als: prijzen op gevoel
De rekensom
Een model bouwen is niet het dure deel; de gegevens op orde krijgen is dat wel. Verspreide bestanden, verschillende schrijfwijzen van dezelfde klant, ontbrekende velden: daar gaat het meeste werk in zitten.
Reken daarom eerst terug. Wat kost het je nu als je het mis hebt, en hoeveel beter moet een voorspelling zijn om dat terug te verdienen. Komt daar geen duidelijk bedrag uit, dan is het antwoord nee.
Komt er wel iets uit, dan beginnen we klein: één vraag, op gegevens die je al hebt, met een uitkomst die je kunt nakijken. Werkt het, dan breiden we uit. Werkt het niet, dan stoppen we en heb je weinig verloren.
Wat wij niet doen is een modelproject van zes maanden met een rapport aan het eind. Daar is het mkb niet bij gebaat.
De cijfers hieronder komen rechtstreeks uit Search Console en de beheeromgeving.



























Vaak de volgende stap
Eerst zien wat er gebeurt.
Je gegevens op een plek.
Werk dat vanzelf gaat.
Een assistent die put uit jouw handleidingen, offertes en productbladen, met de bron erbij.
Een taalmodel dat werkt met jouw gegevens in plaats van met wat het op internet heeft gelezen.
Je team stelt een vraag in gewone taal en krijgt een antwoord uit jullie eigen handleidingen, met de bron e...
Veelgestelde vragen
Vaak is het antwoord nee, en dan zeggen we dat. Met minder dan een paar duizend gevallen is een eenvoudige regel meestal beter.
Een eerste analyse op je eigen gegevens begint rond € 950. Pas daarna beslis je of doorbouwen zin heeft.
Nee. Een taalmodel werkt met tekst, machine learning met je eigen cijfers. Voor de meeste mkb-vragen is het eerste praktischer.
Kennis
Wat we onderweg leren schrijven we op: over snelheid, beveiliging, vindbaarheid en wat een website eigenlijk kost.






Jouw digitale partner in de regio Gorinchem
Websites sinds 2005 - Nexora CMS - Nederlandse cloudhosting