Waarom gaf het systeem tegenstrijdige prognoses?
Tegenstrijdige uitkomsten ontstaan bijna altijd wanneer meerdere databronnen niet gesynchroniseerd zijn. Als je boekhoudpakket en je CRM allebei omzetdata aanleveren maar met verschillende datumlogica, ontstaan er dubbele of conflicterende records.
Eén praktisch voorbeeld: een bedrijf dat Exact Online koppelde aan een AI-tool, maar vergat de handmatige creditnota's mee te nemen. Het systeem boekte inkomsten die al gecorrigeerd waren.
Heeft de tool te weinig data nodig gehad?
Waarschijnlijk wel. De meeste AI-budgetmodellen hebben minimaal 12 tot 18 maanden aan consistente transactiedata nodig om betrouwbare trendlijnen te berekenen. Met minder data produceert het systeem prognoses die statistisch gezien weinig zeggingskracht hebben.
Waarom werkte automatisch categoriseren zo slecht?
Automatische categorisering is gebaseerd op omschrijvingen in bankbestanden. Die omschrijvingen zijn vaak afgekapt of generiek. Zonder handmatige verfijningsronde in de eerste weken leert het model verkeerde associaties aan die later moeilijk te corrigeren zijn.
Hoe weet je of het model überhaupt betrouwbaar is?
Door backtesting: voer historische data in van een periode waarvan je de uitkomst al kent, en vergelijk wat het model zou hebben voorspeld. Als de afwijking groter is dan 12 à 15 procent, zijn de instellingen nog niet geschikt voor productiegebruik.
- Synchroniseer eerst alle databronnen op dezelfde datumnotatie
- Voer minimaal een jaar historische data in voor de eerste run
- Doe een backtestrun voordat je live prognoses gebruikt