Van data naar echte impact: een gesprek met Agilytic-medeoprichter Christophe Robyns
Inleiding
Achter elke datagedreven oplossing zit een grondig begrip van zowel technologie als de uitdagingen van bedrijven. Bij Agilytic bouwt medeoprichter Christophe Robyns op een rijke achtergrond in toegepaste wiskunde en data-integratie. Na zijn studie toegepaste wiskunde aan de UCL begon hij bij Deloitte. Daar werkte hij aan CRM-implementaties (Customer relationship management) en ontdekte hij hoe het verbinden van uiteenlopende databronnen de productiviteit en klantinzichten kan verbeteren. Later ging hij aan de slag bij een grote telecomoperator, waar hij zich verdiepte in data mining om te begrijpen wat klantenbinding, loyaliteit en klantverloop bepaalt.
Christophe zag hoe lagere instapdrempels niet alleen grote ondernemingen konden helpen. Samen met zijn collega Julien richtte hij Agilytic op met één leidend principe: echte problemen oplossen met pragmatische dataoplossingen. Ze ontdekten al snel dat veel bedrijfsvraagstukken het best met eenvoudige ingrepen worden aangepakt, soms zonder geavanceerd algoritme. Andere vragen om een zorgvuldige toepassing van analytics of AI.
In onze podcast vertelt Christophe hoe Agilytic pragmatisch blijft in een snel veranderend AI-landschap, waarom aandacht voor gebruik even belangrijk is als het juiste model bouwen en welke projecten echt een verschil maken.
Wat onderscheidt Agilytic van andere dataconsultancybedrijven?
Christophe: Onze eerste vraag is altijd: “Welk probleem wilt u oplossen?” Ik zie zoveel consultancybedrijven zeggen: “U hebt een dataplatform nodig, laten we daarmee beginnen.” Wij denken daar anders over. Als de oplossing bestaat uit twee Excel-bestanden automatiseren en de data samenvoegen, doen we dat. We zijn pragmatisch. Soms betekent dat geen ingewikkelde algoritmes, maar gewoon de juiste ingreep voor het probleem.
We nemen afstand van de hype dat AI overal moet worden toegepast. U wilt zeker weten dat het echt nodig is en waarde toevoegt. Pragmatisme en echte problemen oplossen kenmerken Agilytic. Als de eenvoudigste ingreep uw probleem oplost, gebruiken we die. Nodeloos complexe oplossingen kunnen later net problemen veroorzaken.
Hoe volgen jullie de snelle AI-ontwikkelingen?
Tools zoals ChatGPT, Deepseek, Llama en andere opensourcemodellen evolueren voortdurend. We volgen ze nauwgezet, maar springen er niet meteen op. We zoeken bewezen stabiliteit en een echt rendement op de investering. De grote trend die ik zie, zijn steeds meer gespecialiseerde, toegankelijke tools voor specifieke taken: programmeerhulp, documentclassificatie, klantenservice enzovoort.
Er is ook een grote verschuiving in open source. Modellen zoals Deepseek en Llama brachten een golf van opensource-innovatie op gang. Organisaties wegen nu af of ze een betalende dienst zoals ChatGPT gebruiken of zelf intern een model hosten om licentiekosten te vermijden. Infrastructuur kost uiteraard geld, maar die kosten zijn beter te voorspellen en u kunt uw data beter beveiligen.
Agilytics aanpak als “slimme volger” zorgt dat het team nieuwe tools pas inzet wanneer ze hun waarde hebben bewezen in echte klantsituaties.
Welke grote categorieën projecten doet Agilytic?
We zien drie hoofdpijlers:
Commerciële prestaties: klantenbinding, loyaliteit en marketing. We helpen bedrijven hun klanten beter te behouden en hun klantrelaties uit te bouwen, door interne data te combineren met openbare informatie voor rijkere profielen.
Operationele efficiëntie: repetitieve taken automatiseren, menselijke fouten verminderen of processen versnellen. Denk aan facturen controleren, klachten behandelen of logistiek optimaliseren, zoals banden bestellen onder complexe voorwaarden.
Financiële prestaties: data samenbrengen voor duidelijkere rapportering, verschillende systemen op elkaar afstemmen of fraude opsporen. We hebben herbruikbare oplossingen gebouwd om documentvervalsing te herkennen en verdachte transacties te signaleren.
Hoe zorgen jullie dat oplossingen echt worden gebruikt?
Een oplossing die nooit wordt gebruikt, is verspilling van tijd en geld. We betrekken de klantteams vanaf dag één: IT, de betrokken bedrijfsteams en de eindgebruikers. Bij een rapporteringsoplossing willen we zien hoe mensen die zullen gebruiken. Bij een voorspellend model willen we weten wie op basis van de voorspellingen zal handelen.
Als echte gebruikers vroeg betrokken zijn, zullen ze het eindproduct eerder vertrouwen. We organiseren de uitrol ook volgens de IT-normen van het bedrijf. Een briljant model op de laptop van een data scientist heeft geen betekenis als u het niet in de dagelijkse workflow kunt integreren.
Agilytic volgt zijn eigen ADOPT-aanpak om ongecontroleerde scope-uitbreiding te beperken, de uitrol goed vast te leggen en betrokkenen van begin tot eind mee te houden.
Zijn er succesverhalen die u graag deelt?
Een opvallend voorbeeld is de optimalisatie van bandenbestellingen voor een leasingbedrijf. Twee keer per jaar plaatsen ze enorme bestellingen, met meerdere merkengroepen, verschillende kortingen en beperkingen. Veel te complex om handmatig op te lossen. We bouwden in drie weken een model dat bij de eerste berekening €100.000 bespaarde. Sindsdien draait het al vier of vijf jaar twee keer per jaar en levert het telkens besparingen op.
Een ander voorbeeld: we verdeelden de dagelijkse taken voor een backoffice met meer dan 600 medewerkers. In enkele weken hadden we een proof of concept. Gebruikers gaven feedback, we stuurden bij en uiteindelijk bespaarde de oplossing alleen al aan planningstijd het equivalent van twee voltijdse functies. Bovendien waardeerden medewerkers dat we hun voorkeuren meenamen. Dubbele winst dus: lagere kosten en tevredenere teams.
Beide voorbeelden tonen Agilytics focus op meetbare verbeteringen via gerichte analyses en stapsgewijze ontwikkeling.
Wat wilt u leiders die dataprojecten verkennen nog meegeven?
Ten eerste: laat u niet meeslepen door de hype. AI lost niet elk probleem op magische wijze op. Begin met een lijst van uw uitdagingen. Welke kunt u echt met data oplossen? Gaat het om klachten van klanten, een knelpunt in de productie of een terugkerend factuurprobleem?
Ten tweede: ga niet meteen voor enorme nieuwe systemen. Een kleine proef kan snel echte waarde en rendement aantonen. U leert welke technologie en mensen u nodig hebt en schaalt van daaruit op.
Ten derde: betrek de belanghebbenden bij uw project. Dataprojecten hebben vanaf dag één draagvlak en duidelijkheid nodig. Anders riskeert u oplossingen te bouwen die niemand gebruikt.
Luister of plan een gesprek
Meer horen? Luister naar de volledige podcastaflevering en ontdek hoe Agilytic bedrijven begeleidt van data naar echte impact.
Klaar voor uw eigen dataproject? Plan een gesprek met ons. We bespreken uw uitdagingen, bekijken hoe data kunnen helpen en bouwen iets dat echt resultaat oplevert.