Financiële predictive analytics laten maken
Appfront bouwt voorspellende modellen op financiële data: liquiditeit, omzet, marge en debiteurenrisico. Gevoed vanuit uw boekhouding en bankmutaties, en zo opgezet dat de uitkomst te verdedigen is tegenover directie en accountant. Een model dat niemand kan uitleggen wordt niet gebruikt, hoe goed het op papier ook scoort.
Voorspellen op cijfers die verantwoord moeten worden
Financiële predictive analytics past statistiek en machine learning toe op de cijfers die al in uw administratie staan: hoeveel geld staat er over acht weken op de rekening, welke facturen komen te laat binnen, hoe loopt de omzet af tegenover het budget. Zoekt u voorspellende analyse in bredere zin, zoals uitval of klantverloop, dan hoort u op de pagina over het predictive analytics dashboard. Dit is de financiële verticaal.
Een voorspelling van machineonderhoud hoeft niemand te verdedigen tegenover een accountant. Een cashflowprognose waarop de directie een investering uitstelt, of waar de continuïteitsveronderstelling in de jaarrekening op leunt, wel. Dat stelt eisen die elders niet spelen: aansluiting op het grootboek, elke afwijking herleidbaar naar een aanname, de vorige versie reproduceerbaar. En de controller moet in één zin kunnen zeggen waaróm de lijn in oktober daalt.
Liquiditeit op betaalgedrag
Rekent met wat elke debiteur werkelijk doet, niet met de vervaldatum op de factuur.
Prognose naast het budget
Het budget blijft de afspraak, de rolling forecast de verwachting. Twee objecten, verschil in beeld.
Debiteurenrisico met een handeling
Per factuur een verwachte betaaldatum en een reden: bellen, ordernummer opvragen of de limiet bespreken.
Waar financiële voorspellingen in de praktijk op stuklopen
De openstaande postenlijst is geen prognose
Wie de cashflow voorspelt door openstaande posten op vervaldatum te zetten, herhaalt wat op de facturen staat. De voorspellende waarde zit in betaalgedrag per debiteur. Klant A betaalt structureel elf dagen te laat. Klant B betaalt pas na de eerste herinnering. Klant C draait betaalruns op de vijftiende en de laatste werkdag, dus een factuur die op de zestiende binnenkomt ligt twee weken stil. Een geaggregeerde DSO verhult dat. U heeft de afgeletterde betalingen per debiteur nodig; klanten met te weinig facturen gaan naar een segment.
Belangrijker is het onderscheid tussen twee soorten te laat. Wie niet kán betalen is een kredietrisico. Een factuur die blijft liggen omdat het inkoopordernummer ontbreekt en daardoor nooit de goedkeuringsflow in gaat, is een procesfout aan uw kant. Statistisch lijken ze op elkaar, de handeling verschilt volledig.
Eén eenmalige order maakt het model structureel te optimistisch
In vrijwel elke historie zit een uitzonderlijk grote order, een schade-uitkering of een verkocht bedrijfsmiddel. Laat u die als gewone omzet in de trainingsdata staan, dan tilt hij het basisniveau op en voorspelt het model jarenlang te hoog. Haalt u hem eruit, dan sluit de reeks niet meer aan op de jaarrekening. De werkbare route is de post laten staan en apart merken als incidenteel, door de controller die hem kent.
Kalendereffecten hoeft niemand te laten leren: wisselende werkdagen per maand, vakantiegeld in mei, de btw-afdracht per kwartaal. Die horen er als deterministische component in, waardoor het lerende deel kleiner en beter uitlegbaar wordt. Let ook op breuken: een overname, een nieuw prijsmodel of een migratie naar een ander boekhoudpakket maakt de periode ervoor deels onbruikbaar.
Prognose en budget horen niet in hetzelfde veld
Het budget is een afspraak: vastgesteld, bevroren, en waarop mensen worden afgerekend. De rolling forecast is een verwachting die per definitie verandert. Zodra een prognose als bijgesteld budget wordt gelezen, gaan mensen hem managen in plaats van rapporteren.
Wij houden drie lagen gescheiden, elk met een eigen eigenaar: een budget dat vaststaat voor het boekjaar, een rolling forecast op maandbasis waarvan elke versie bewaard blijft, en daaronder een liquiditeitsprognose van dertien weken volgens de directe methode, uit werkelijke bankmutaties, debiteuren en crediteuren.
Uitlegbaarheid weegt in finance zwaarder dan nauwkeurigheid
Dit is de ontwerpkeuze die we expliciet maken: bij financiële modellen kiezen we de best uitlegbare variant, ook als een ondoorzichtiger model marginaal beter voorspelt. Een gradient boosting-model dat de cashflow een fractie scherper raakt maar niet te verantwoorden is richting directie, accountant of bank, wordt niet gebruikt. Een model dat wél gebruikt wordt levert meer op dan een beter model dat blijft liggen.
Praktisch betekent dat een optelbare opbouw: basisniveau, seizoen, bekende posten, deterministische kalenderposten en verwacht betaalgedrag per debiteur. Daalt de lijn in oktober, dan wijst u aan welke component daalt en met hoeveel euro. Waar een lerend model zijn plek wél verdient, bijvoorbeeld bij de kans dat een factuur te laat binnenkomt, tonen we de zwaarst wegende factoren met SHAP-waarden, met de kanttekening dat dat een uitleg van het model is en niet van de werkelijkheid.
Verder leveren we een bandbreedte met scenario's in plaats van één getal, en leggen we elke prognoseversie bevroren vast. Zonder die versies meet u nooit of het model beter wordt.
Een voorspelling is pas iets waard als er een handeling aan hangt
De eerste ontwerpvraag is niet wat technisch haalbaar is, maar welke beslissing anders uitvalt als de voorspelling klopt. Wie alles signaleert signaleert niets: elk signaal heeft een drempel en een eigenaar.
Gericht aanmanen
De werklijst is gesorteerd op verwacht verlies maal bedrag, niet op ouderdom, met de reden erbij. Zes klanten bellen in plaats van dertig standaardmails.
Kredietlimiet bijstellen
Intern betaalgedrag zegt vaak eerder iets dan een externe score. Een kredietverzekeraar die zijn limiet op een afnemer verlaagt is zelf een signaal.
Een uitgave uitstellen of doorzetten
Een investering toetsen we tegen het voorzichtige scenario: niet of het gemiddeld past, maar of de krapste week het overleeft.
Ruimte onder bankconvenanten
Worden ratio's per kwartaal getoetst, dan rekent het model die mee, zodat u ziet wanneer de ruimte krap wordt.
Bronnen, koppelingen en één juridische valkuil
Voor de boekhouding werken we met de API's van Exact Online, AFAS, Twinfield en Visma: grootboek, openstaande posten en vooral de afletteringen, waar het betaalgedrag in zit. Bankmutaties lezen we in via CAMT.053, het ISO 20022-formaat dat MT940 vervangt en gestructureerde betalingsreferenties meelevert. Bouw nieuwe verwerking niet meer op MT940: de Rabobank stopt per 15 november 2026 met de MT-formaten.
Eén ding vooraf, omdat het regelmatig misgaat: rekeninginformatie live ophalen via PSD2 is een vergunningplichtige dienst onder toezicht van De Nederlandsche Bank. Wij bouwen daar geen eigen koppeling voor, maar werken via een vergunninghouder. Landt de voorspelling in een applicatie waarmee klanten werken, dan raakt dit aan onze fintech-app-ontwikkeling.
Test je idee eerst — werkend prototype in 1 dag
Met OneDayBuild maken we je idee in één dag tastbaar voor €950, zodat je weet of verdere ontwikkeling de investering waard is. Besluit je door te gaan met de volledige bouw? Dan verrekenen we de kosten volledig.
Bekijk OneDayBuild →AVG, de AI-verordening en de accountant
Beoordeelt u uitsluitend rechtspersonen, dan is het speelveld overzichtelijk. Zitten er eenmanszaken, zzp'ers of particulieren in uw debiteurenbestand, dan verandert dat: betaalgedrag van een natuurlijk persoon is een persoonsgegeven, en een geautomatiseerd besluit met rechtsgevolg vraagt onder de AVG om menselijke tussenkomst. Voor diezelfde groep merkt bijlage III van de AI-verordening kredietwaardigheidsbeoordeling aan als hoog risico, met fraudedetectie als uitzondering.
Een derde kader wordt vaak vergeten. Schat het model per debiteur een kans op wanbetaling, dan raakt die uitkomst de voorziening voor oninbare vorderingen. De benadering van verwachte kredietverliezen uit IFRS 9 kijkt naar de hele debiteurenportefeuille en niet alleen naar wat al vervallen is; de Raad voor de Jaarverslaggeving heeft die ook onder de Richtlijnen toegestaan. De accountant wil dan weten of die uitkomst reproduceerbaar is.
- Onderscheid rechtspersoon en natuurlijk persoon in het ontwerp
- Menselijke tussenkomst bij besluiten met rechtsgevolg
- Reproduceerbare prognoseversies voor de accountantscontrole
Wanneer maatwerk niet het antwoord is
Voor financiële prognoses bestaat een volwassen pakkettenmarkt, en voor veel lezers is een pakket de betere keuze. Visionplanner wordt breed gebruikt door Nederlandse accountantskantoren, koppelt aan Exact Online en AFAS en levert een prognose die uw accountant direct herkent. Agicap richt zich op kasstroom, en voor zwaardere planning zijn er Jedox, Pigment, Anaplan en Prophix. Zo'n pakket legt geen modelbeheer bij u neer.
Soms geven we een nog eerlijker antwoord: begin niet met een model. Worden facturen laat geboekt of loopt het afletteren achter, dan helpt geen algoritme. Breng eerst de administratie op orde.
Maatwerk wordt logisch bij een verdienmodel dat niet in het stramien past: abonnementen met variabel verbruik, termijnfacturatie op langlopende projecten, consignatie, of een platformmodel waarin ontvangst en doorbetaling uit elkaar lopen. Ook bij bronnen die geen pakket kent, zoals declaratiestromen in zorg en onderwijs, of wanneer de voorspelling in uw eigen product moet landen.
Daar hoort de last bij die maatwerk meebrengt. U wordt eigenaar van een model dat veroudert: het klantenbestand verschuift, betaaltermijnen veranderen, een grote afnemer vertrekt. Iemand moet de afwijking meten en opnieuw trainen. Bij een pakket doet de leverancier dat.
- Kies een pakket bij een courante administratie en een gangbaar verdienmodel
- Kies een pakket als u geen eigen beheercapaciteit voor modellen heeft
- Los eerst de administratie op als boekingen en afletteren achterlopen
- Maatwerk bij abonnements-, termijn-, consignatie- of platformmodellen
- Beleg het onderhoud van het model voordat u begint, niet erna
Veelgestelde vragen
Technisch is het verschil klein, in de verantwoording is het groot. Een algemeen dashboard voorspelt uitval, vraag of klantverloop, en dat hoeft niemand te verdedigen tegenover een accountant. Bij een financiële prognose wel: zodra de directie er een investering op uitstelt, moet elke euro herleidbaar zijn naar een aanname.
Voor veel organisaties is dat de juiste keuze, en dan zeggen we dat ook. Visionplanner koppelt aan Exact Online en AFAS, Agicap richt zich op kasstroom, Jedox, Pigment, Anaplan en Prophix op zwaardere planning. Maatwerk wordt pas logisch bij een afwijkend verdienmodel, bij bronnen waarvoor geen koppeling bestaat, of wanneer de voorspelling in uw eigen product moet landen.
Door het model zo te bouwen dat die vraag beantwoordbaar is. De prognose is de som van herkenbare componenten: basisniveau, seizoen, bekende posten, kalenderposten en verwacht betaalgedrag per debiteur. Daalt de prognose in oktober, dan wijst u aan welke component daalt. Bij een lerend model tonen we de zwaarst wegende factoren met SHAP-waarden, als uitleg van het model en niet van de werkelijkheid.
Dat hangt af van wie uw debiteur is. Bijlage III van de AI-verordening merkt de beoordeling van kredietwaardigheid van natuurlijke personen aan als hoog risico, met fraudedetectie als uitzondering. Beoordeelt u uitsluitend rechtspersonen, dan valt uw model daar niet onder. Bij eenmanszaken of particulieren wel, met eisen aan logging, transparantie en menselijk toezicht; de toepassingsdatum is op het moment van schrijven verschoven naar 2 december 2027.
U wordt eigenaar van de broncode en de modelspecificatie, met documentatie waarin per component staat welke aanname erin zit. De eerlijke kanttekening is dat eigendom van code niet hetzelfde is als het kunnen onderhouden ervan; een zelfgebouwd model vraagt iemand die de aannames begrijpt en periodiek toetst. Beleg die rol voordat u begint.
Dat gebeurt, en het is beter om het te meten dan af te wachten. Elke prognoseversie leggen we vast zoals hij toen luidde en leggen we hem later naast de realisatie. We rapporteren de gemiddelde afwijking en de systematische bias. Voor kasstroomreeksen met weken zonder ontvangsten gebruiken we WAPE of MASE, omdat MAPE bij lage of nulwaarden ontspoort.
Gerelateerde diensten
Predictive analytics dashboard
Voorspellende analyse buiten het financiële domein: uitval, vraag, klantverloop en capaciteit. Zie predictive analytics dashboard.
Fintech-app-ontwikkeling
Landt de voorspelling in een applicatie waarmee klanten werken, dan gelden aanvullende eisen. Zie fintech-app-ontwikkeling.
Bespreek uw prognosevraagstuk
Vertel ons welke beslissing u beter wilt kunnen nemen en uit welke systemen uw cijfers komen. We kijken of uw data de voorspelling kan dragen en of een pakket u sneller helpt. Blijkt dat zo, dan zeggen we dat.