Voorbij de AI-hype: vragen en antwoorden met de medeoprichter van Agilytic
Inleiding: maak kennis met Julien
Julien begon zijn loopbaan midden jaren 2000, toen dvd's nog gangbaar waren en streamingdiensten ondenkbaar leken. Gaandeweg raakte hij geboeid door de opkomst van smartphones en de manier waarop technologie traditionele sectoren veranderde. Zijn passie voor problemen oplossen leidde uiteindelijk tot de medeoprichting van Agilytic, een adviesbureau voor data en AI die organisaties helpt echte bedrijfsproblemen op te lossen. Of het nu gaat om minder laattijdige betalingen, inzicht in klantgegevens of AI afstemmen op specifieke organisatieproblemen: het doel blijft hetzelfde, data bruikbaar maken.
In de nieuwste aflevering van onze podcast legt Julien uit waarom data veel meer zijn dan een modewoord, hoe bedrijven data centraal kunnen stellen in strategische beslissingen en waarom "datahygiëne" belangrijker is dan meegaan in de nieuwste AI-hype. Hij geeft ook praktische tips voor kmo's om te starten en legt uit waarom de beste dataprojecten altijd beginnen met duidelijke, goed omschreven problemen.
Vraag & antwoord: data, AI en de kracht van gecombineerde informatiebronnen
Julien, wat trok u aanvankelijk aan in data- en AI-oplossingen?
Ik heb altijd graag problemen opgelost op een feitelijke, onderbouwde manier. In het begin van mijn loopbaan werkte ik in telecom, met een focus op klantenbehoud. Ik besefte hoe krachtig het was om op data te steunen in plaats van op persoonlijke meningen. Data maakten het veel makkelijker om leidinggevenden te overtuigen. "Vertrouw me, ik ben een expert" werd "laten we die hypothese met echte cijfers testen". Dat was een keerpunt. Het is nog altijd de basis van Agilytic: richt u op het echte probleem, steun op de feiten en bereik tastbare resultaten waarop mensen kunnen vertrouwen.
Waarom legt u de nadruk op "eerst het probleem" in plaats van "eerst de technologie"?
Omdat verliefd worden op een blitse oplossing, zoals een chatbot of AI-interface, vaak voorbijgaat aan wat u echt nodig hebt. Bedrijven zeggen: "We hebben ChatGPT nodig om ons bedrijf vooruit te helpen", terwijl hun echte probleem slechte datakwaliteit of inconsistente klantgegevens is. U kunt de meest verfijnde en complexe tool uitrollen, maar zonder degelijke datahygiëne automatiseert u gewoon de verkeerde processen.
De kernvraag is: Welk probleem lost u op? Wilt u klantverloop beperken? Bestellingen sneller afhandelen? Klanten met een hoog risico herkennen? Als u dat eerst bepaalt, kunt u de juiste combinatie van datapipelines, analytics en AI kiezen. Soms volstaat een eenvoudig regelgebaseerd systeem. Soms is geavanceerde automatisering nodig.
Waarom is die datahygiëne zo belangrijk?
Goede datahygiëne is de ruggengraat van elk succesvol data- of AI-initiatief. Wilt u één centrale bron van goede informatie creëren, wat ik de grijze massa van een organisatie noem, dan moeten uw data goed gestructureerd, correct en toegankelijk zijn. Anders geldt: rommel erin, rommel eruit.
Veel bedrijven negeren bijvoorbeeld interne databronnen zoals verkoopfacturen of verzendregistraties. Alleen al factuurgegevens kunnen tonen wie uw winstgevendste klanten zijn, welke regio's de meeste omzet opleveren en hoe vaak klanten niet op tijd betalen. Van daaruit kunt u patronen ontdekken om marketingbudgetten te optimaliseren of geavanceerde AI-modellen te ontwikkelen. Zonder die basis jaagt u mogelijk sensationele "oplossingen" na die op lange termijn niets oplossen.
Kunt u een praktijkvoorbeeld geven van datagedreven problemen oplossen bij Agilytic?
Een van mijn favoriete voorbeelden gaat over laattijdige betalingen. We werkten voor een verzekeraar van wie klanten hun premies niet op tijd betaalden. Dat veroorzaakte enorme cashflowproblemen. Veel organisaties sturen meteen dreigbrieven, maar wij ontdekten dat de uniforme aanpak het grotere probleem was.
We analyseerden wie te laat betaalde en waarom. Het bleek dat 60% (hypothetisch cijfer) gewoon vergeetachtig was. Het waren geen slechte klanten, ze misten alleen de vervaldatum. Een andere groep was gefrustreerd omdat schadeclaims nog niet afgehandeld waren. Een kleiner segment was niet van plan te betalen.
Door die profielen te segmenteren, kon het bedrijf per groep verschillende benaderingen testen: vriendelijke herinneringen voor de "verstrooide" klanten, extra ondersteuning voor klanten die op terugbetaling wachtten en strengere actie bij echte wanbetalers. De tests gebeurden op zorgvuldig gekozen steekproeven. Ze maten de resultaten en stelden vast dat de aangepaste aanpak het aantal onbetaalde facturen sterk verminderde. Uiteindelijk bespaarde dat veel kopzorgen en veel geld.
En een B2B-voorbeeld? Mensen denken bij B2B vaak aan "te weinig data".
Absoluut. Veel B2B-bedrijven denken dat ze te weinig klanten hebben voor "big data". Maar B2B-data kunnen ongelooflijk rijk zijn. Neem een fabrikant die aan bedrijven in verschillende regio's verkoopt. Elke klant heeft in veel landen een ondernemingsnummer. Dat geeft toegang tot allerlei bedrijfsgegevens: jaaromzet, sector, locatie, groei doorheen de tijd, noem maar op.
U kunt ook externe informatie toevoegen, zoals lokale demografie of energieprijzen, en alles op een kaart leggen. Daar komt geografische analyse tot haar recht. Door datalagen te combineren, zoals uw interne verkoopregistraties en externe marktinformatie, ontdekt u verborgen kansen. U ziet op welke gebieden u zich moet richten, wie op een bepaalde boodschap kan reageren of welke adressen het grootste potentieel hebben voor zonnepanelen. U hebt geen miljoen klanten nodig, maar de juiste data.
Helpen die dataoplossingen ook kleinere bedrijven? Waar begint een kmo?
Ja, en de kunst is niet te denken: "Ik ben te klein om voordeel uit data te halen." Zelfs een klein familiebedrijf heeft een facturatiesysteem, klantenbestand of CRM, al blijven veel CRM's onderbenut. Begin met een inventaris van uw bestaande data. Stel vragen zoals:
Welke financiële en verkoopgegevens heb ik? Dat is vaak het beste vertrekpunt, omdat ze zorgvuldiger worden bijgehouden.
Zijn mijn klantgegevens rijk of gedetailleerd genoeg om te segmenteren op gedrag of locatie?
Kan ik open data, bijvoorbeeld lokale marktinformatie, gebruiken om mijn bestaande data te verrijken?
Dat is uw basis. Bepaal vervolgens wat u echt wilt oplossen: misschien klantentrouw verhogen of uw voorraadniveaus optimaliseren. Zodra u het probleem kent, kunt u nagaan of uw data volstaan of u er meer nodig hebt. Dan vindt u makkelijker openbare databronnen die uw inzichten sterk verdiepen. Verschillende interne en openbare databronnen over elkaar leggen voelt als een superkracht. Kleinere organisaties zijn vaak verbaasd hoe snel de juiste focus resultaten oplevert.
Wat raadt u bedrijven aan die zeggen: "We hebben geavanceerde AI nodig of we missen de boot"?
AI is krachtig, maar niet altijd het antwoord. Soms hebt u gewoon goede dashboards, duidelijke verkooprapporten of een eenvoudige regelgebaseerde aanpak nodig. Veel geld uitgeven heeft geen zin als een eenvoudigere oplossing 80% van uw behoeften dekt.
Bij Agilytic hoort een oprechte wil om te helpen bij ons engagement. We zeggen "nee" tegen een groot AI-project als u het probleem met eenvoudigere, betaalbare stappen kunt oplossen. Die eerlijkheid schept vertrouwen en voorkomt dat een oplossing een probleem zoekt.
Alles samenbrengen
Uit ons gesprek met Julien komen veel lessen naar voren. De rode draad is pragmatisch en mensgericht problemen oplossen. Data en AI werken het best voor concrete uitdagingen, zoals minder achterstallige betalingen of de juiste marktsegmenten vinden. Zonder samenhang tussen problemen, doelen en prioriteiten riskeren teams versnipperde projecten. Dat betekent:
beginnen met duidelijke zakelijke prioriteiten,
zorgen dat de datahygiëne op orde is,
en onthouden dat de nieuwste AI niet altijd nodig is.
Kleine en middelgrote bedrijven kunnen zeker voordeel halen uit de combinatie van interne data en externe bronnen. Blijf openstaan voor eenvoudige, probleemgerichte aanpakken voordat u zich in complexe automatisering stort.
Zomaar AI inzetten en afwachten wat werkt, is uiteindelijk geen winnende ROI-strategie. Het echte verschil ontstaat wanneer u data laat werken voor duidelijke zakelijke doelen.
Klaar om data & AI voor uw organisatie te verkennen?
Bij Agilytic draait het om praktisch problemen oplossen. Onze adviesdiensten voor data en AI hebben bedrijven van elke omvang geholpen processen te stroomlijnen, de verkoop te verhogen en operationele risico's te beperken. We horen graag wat uw doelen zijn en of data kunnen helpen om ze te bereiken.
Plan een gesprek: we bespreken uw uitdagingen, bekijken waar data een verschil kunnen maken en bepalen of een eenvoudig analyticsproject of een geavanceerdere AI-aanpak het best past.
Beluister de volledige podcastaflevering: ontdek meer verhalen van Julien op de meeste podcastplatformen en YouTube.