Data & AI in finance

Vooral een tijd terug, enkele maanden geleden of zo, was er een gevoel van: we moeten nu iets met AI gaan doen. Maar ik denk dat mensen toch vrij snel tot de conclusie kwamen dat we daar heel veel mee kunnen willen doen, maar dat bepaalde problemen daarmee misschien alleen maar groter worden. Omdat we vanuit een bepaalde waarheid handelen die misschien toch niet per se de waarheid bleek te zijn.

Ja, gespecialiseerd inderdaad.

Socialiseren en belastingen gaat niet samen, denk ik.

Ja.

Ik word, maar je bent goed geïnformeerd. Ja, maandag word ik 40 jaar.

Het is denk ik een beetje tweeledig, want ik ben op vakantie als ik veertig word, dus dat is fijn. Veertig worden zelf, daar kijk ik niet naar uit. Ik hou niet zo van oud worden. Maar goed, het wordt sowieso een mooie dag. Op het strand met de kinderen en de vrouw. Ja, kijk er wel naar uit.

Ja, dat is wel wennen.

Ja. Maar het is wel leuk. Lekker ritme aan het vinden. En inderdaad, het klussen is nu achter de rug. Dat is ook wel lekker. In de avonden weer wat meer tijd voor hobby's en sport. Ja, precies. Dat is wel lekker.

Nou ja, ik heb materialen bestudeerd en die gedragen zich veel voorspelbaarder dan mensen.

Goeie vraag.

De eerste vraag die bij mij opkomt: het ligt aan de omvang van de onderneming. Zijn al die specialismen überhaupt wel in-house? Mijn ervaring is toch vaak dat het eigenaarschap van de data niet bij finance ligt. Dat is een beetje mijn algehele gevoel, dat dat breder zo is.

Precies.

Ik denk dat dat ook precies de uitdagingen zijn die je dan hebt. Want finance is eigenlijk ook consument van data. Vaak zijn de transacties bijvoorbeeld bij verkoop of inkoop gemaakt. En dan moet je gebruikmaken van die data. En je bent dus ook slachtoffer van de datakwaliteit die je dan overhoudt. Dus die processen zijn heel belangrijk. Eigenaarschap is dan toch altijd een gedeeld eigenaarschap van operatie, business, de mensen die de transacties maken. En het finance team dat eigenlijk daar verder mee moet. En ik denk: je boekhouding, de financiële data, de grootboeken, kostenplaatsen, dat zal echt eigenaarschap van finance zijn. Maar ja, er is heel veel gedeeld eigenaarschap daarin en gedeelde verantwoordelijkheid. Maakt het ook wel complexer natuurlijk.

Klopt. En ook wat je zegt, de financiële data, daar ligt het eigenaarschap bij de afdeling finance. Daar kom je ook meteen bij een uitdaging waar ik wel eens tegenaan loop. Algemene financiële data is van groot belang voor mensen op de afdeling finance. Daar ontbreekt vaak data die relevant is, bijvoorbeeld voor mijn specialisme. Omdat ik echt meer kijk naar transactionele data in plaats van soms naar louter financiële data. Dus in de wereld van de indirecte belastingen is daar wel een spanningsveld te ontdekken.

Nou, met de caveat dat ik geen finance-specialist ben. Kijk, voor de indirecte belastingen is de transactionele data van belang om een transactie te beoordelen. En het gros daarvan is niet financieel. Bijvoorbeeld de plaats van vertrek van goederen of de vestigingsplaats van een leverancier of een afnemer. Dat is vaak data die niet standaard binnen finance terechtkomt. Waar komt het vandaan? Waaraan wordt het verkocht? Belastbare bedragen, percentages en btw-bedragen, die vind je wel weer bij finance. Maar dat is dan echt het sluitstuk van de werkzaamheden die ik wel eens verricht.

Het belastbaar bedrag is gedeeld door 121 keer 100. En dan daar weer 21% van. Maar wat jij zei, zal de fiscus ook wel kennen.

Maar ik vind het grappig dat je zegt dat die requirements vaak. De IT-afdeling heeft data tot zijn beschikking, maar moet vaak vragen beantwoorden die een stuk dieper gaan dan een aantal financiële kolommetjes. Dus dan is vaak de vraag: wat heeft de data-afdeling nodig om een vraag van de finance-afdeling te kunnen beantwoorden? Die requirements moeten eigenlijk al in een vroeg stadium bekend zijn bij het datateam. Maar vaak wordt het datateam te laat meegenomen in het hele proces. Pas aan de achterkant. Dus dat is een dilemma waar wij als datamensen vaak mee te maken hebben. Dat je vragen moet beantwoorden zonder dat je de informatie eigenlijk nog hebt.

Interessant dat je dat opbrengt. Ik heb ook altijd het idee dat tax helemaal achteraan in de rij staat. Het gaat erom de betrokkenheid te laten aanhaken. Maar voordat een vraag die ik stel beantwoord kan worden, heb je mensen van finance nodig. Die komen dan vaak met een factuur. Daar kun je al wat meer informatie uit opmaken, maar waar die factuur betrekking op heeft, bijvoorbeeld een bepaald project, dan moet je toch alweer de echte business in. Dus zo zie je maar: verschillende disciplines hebben uiteindelijk impact op de interpretatie van data. In ieder geval in mijn geval vaak.

Ik denk dat de financiële domeinen heel helder staan. Maar dat ze vooral vertrouwen op hun eigen waarheid en de financiële rapportages, en ook teruggrijpen naar die tools. Dat ze eigenlijk nog niet zo heel veel met data en dashboarding werken zoals andere takken dat misschien eerder toepassen. En ik zie ook dat er nog heel veel in Excel gewerkt wordt, bijgeplust, bedragen opgehoogd of correcties. Dat er vaak verklaringen worden gegeven in bestanden die niet goed vastgelegd worden. Dus dat zie je wel terug in de rapportagestructuur. Die is zeker niet zo structureel goed opgebouwd zoals een dataplatform zou kunnen.

Innovatie wordt vaak als risico gezien. Wat Sil ook zegt, er worden vaak vanuit een onderbuikgevoel beslissingen genomen omdat men heel veel ervaring heeft. Maar om dat uit handen te geven aan een systeem of aan een AI, dat vraagt ook om een stukje vertrouwen. Dus dat moet vaak opgebouwd worden. Daar hangt ook de datavolwassenheid aan vast. En een dashboard blijft een dashboard als je daar geen actie aan verbindt. Dus de adoptie van een systeem in het proces, dat maakt het verschil of finance vooruitkomt.

Ja, en Sil haalt net denk ik een stukje governance aan. Als dat ontbreekt, dan kun je je soms ook afvragen of de kwaliteit van je data op niveau is.

Ja, maar ik vind het ook belangrijk, want het doel van een finance-afdeling is vaak ook om de financiële rapportage kloppend te krijgen. Maar dat is niet het doel van jouw business. Het gaat om een eerlijke rapportage en niet om helemaal goed of slecht. Dat is een waardeoordeel. Dus het moet vooral een goed beeld geven en de juiste acties kunnen triggeren. En daar zie je wel verschil in, denk ik. Ik denk dat de wereld van bijvoorbeeld business control, een domein binnen finance, juist wel steeds verder kijkt. En ook echt meer de data in duikt. Omdat die dat ook nodig heeft en vaak spart met, eigenlijk net als met de tax-wereld, de business. Want dat is jouw sparringpartner en jouw strategische partner in het verbeteren van de business. En die zie je dan ook wel meer naar data grijpen. Want die is op zoek naar verklaringen.

Credit control is ook een belangrijke. En ik denk: tax, en voor mij cashflow management, dat zijn belangrijke onderdelen.

Wat heb je nou nog meer binnen finance? Goede vraag. Mijn werkzaamheden bevinden zich binnen group finance, maar zoals ik al zei: het merendeel van de zaken die op mijn bureau landen, bespreek ik niet met finance. Finance is in mijn vakgebied vaak het sluitstuk voor de compliance, voor het indienen van bijvoorbeeld btw-aangiften. Dan ben ik wel met de mensen van finance op pad, om het zomaar te zeggen. Maar voor de rest ben ik toch meer met mensen van investments of business aan het sparren. Gewoon echt mensen uit de business, om eigenlijk, voordat iets data wordt, bijna te beoordelen, zodat de data die in een systeem komt er goed in komt.

Wat je ook hebt, is nog budgeting en forecasting. Dat is wel een belangrijk onderdeel. En bij verandering van regelgeving of iets dergelijks komt dat ook bij jou langs. Wat gaat de impact aan belastingwetgeving zijn? Ook richting de forecasting voor de komende periode.

Ja, precies. Ik denk dat die vragen waarschijnlijk wat meer opkomen met betrekking tot directe belastingen. Dus meer de winstgedreven belastingen. Want dat heeft gewoon direct impact op je P&L. En in de regel, je hebt indirecte belastingen: voor grotere multinationals zou het vaak zo moeten zijn dat het weinig impact heeft op de P&L. Maar die vragen komen wel zeker op, inderdaad, in het fiscaal domein.

Klopt.

Ik denk op sommige processen wel. Vooral bijvoorbeeld bij heel veel scan- en herkensoftware. Daar zie je wel in vogelvlucht dat AI verbeteringen brengt. En ook processen makkelijker kan maken.

Nee, het klopt gewoon. Ja, nu klopt het wel lekker. Dus op die plekken wel. En ook waar veel transacties verwerkt worden, factuurcontrole en verwerking. Op heel veel vlakken ook nog niet. En het percentage van de CFO's dat er wel al aan begonnen is, dat is zich nu aan het richten op datakwaliteit. Kijk, die is begonnen en denkt: oh, we hebben toch nog wat probleempjes en dat moeten we eerst fixen.

Ja, ik denk dat die agentic AI vooral toegespitst is op handelingen in het proces die vrij eenvoudig te automatiseren zijn. Maar stappen zoals forecasting en prediction zijn vaak nog sterk afhankelijk van die datakwaliteit. En kunnen niet zo snel geautomatiseerd worden. Dus je ziet dat nu vooral die eenvoudige stappen aan de beurt zijn om weggeautomatiseerd te worden door agentic AI. Maar zoals je zegt, het wordt steeds belangrijker dat die datakwaliteit vanaf het begin goed is. Omdat alles wat je daarop voortborduurt, dat blijft in het hele proces doorsijpelen. Dus zelfs aan de achterkant, waar je voorspellingen moet doen en het proces daarvan afhankelijk is. Dat hangt helemaal samen met dat datafundament.

Ik zou eigenlijk allebei doen. Maar wel in de goede verhouding. Dus wel een beetje gewicht leggen op het datafundament en de kwaliteit, want dat zou je toch eerst op orde moeten brengen. Maar het is wel belangrijk om te proberen en om pilots te draaien met agentic AI. En ook te kijken waar het wel werkt en niet werkt. Je zal er toch achter moeten komen als bedrijf. Welke processen kan ik het wel gebruiken, welke niet? En zonder het te proberen of pilots te draaien, wordt dat wel heel moeilijk.

Ja, en ik denk ook dat AI kan helpen bij het opzetten van een juist dataframework. Ik denk met name bij multinationals. Die hadden, voordat de AI-revolutie begon, want daar zitten we nu denk ik middenin, al zo'n bak aan data. Dus die gaan niet vanaf de grond beginnen met het opzetten van nieuwe dataplatformen ofzo. Dus ik denk dat dat een beetje een wisselwerking kan zijn. Wat Sil zegt, dat het een tweesporenaanpak kan zijn. En dan kom je wel verder. Tegelijkertijd is mijn ervaring, ook als ik met bepaalde peers spreek, dat vooral een tijd terug, enkele maanden geleden of zo, er een gevoel van urgentie was: we moeten nu iets met AI gaan doen. Maar ik denk dat mensen toch vrij snel tot de conclusie kwamen dat we daar heel veel mee kunnen willen doen, maar dat bepaalde problemen daarmee misschien alleen maar groter worden. Dat je vanuit een bepaalde waarheid handelt die misschien toch niet per se de waarheid bleek te zijn. Dat is een beetje mijn gevoel. Dus wat ik nu om me heen merk, is dat de focus inderdaad meer verschuift naar het op orde hebben van je data.

Maar is dat dan een verschil tussen theoretisch mogelijk en praktisch uitvoerbaar?

Wat bedoel je precies?

Zo'n AI-model kan wel werken. En in theorie kunnen we met deze datapunten dit doen. Maar in de praktijk is dat toch lastiger toe te passen?

Nou, kijk, nu begeef ik me een beetje buiten mijn gebied van expertise. Maar als je het hebt over forecasting, en ik weet niet wat er dan mogelijk is op het gebied van AI, maar ik kan me voorstellen: als jij gaat voorspellen, forecasten op basis van onjuiste data, dan wordt het niks. En ik denk dat in die zin vooral bij grote bedrijven met vaak ook meerdere systemen en meerdere databronnen daar toch de grootste uitdaging ligt, bij het op orde brengen van je dataplatform. Het is denk ik een beetje een utopie, maar het hebben van één bron waar je uit moet putten is dan toch vaak het fijnst. En bij grotere dataprojecten waar bijvoorbeeld wordt gemigreerd naar één platform, dat is denk ik het moment om te zorgen dat je die overgang naar een nieuw dataplatform zo goed mogelijk in de steigers zet.

Ja, dat is denk ik ook het moeilijke, dat je bijvoorbeeld binnen het sales-domein wel AI kan toepassen. Maar dan heb je je verkoopwaarheid. En dat is misschien niet de waarheid die je wil. En ik denk ook dat het belangrijk is om dat mee te nemen in je AI-pilots. Werk vooral ook samen met meerdere afdelingen binnen je bedrijf. Want als je dat allemaal alleen gaat doen, dan wordt het wel heel ingewikkeld en complex om de goede dingen daaruit te halen. En dat zie je toch vaak, dat elke directeur, elke divisie zijn eigen AI-mensen neer gaat zetten. En dan poppen de paddenstoelen uit de grond. Maar dan gaat eigenlijk geen enkele pilot succesvol afgerond worden. Omdat je dan allemaal wat probeert, allemaal dezelfde fouten maakt en het resultaat eigenlijk heel weinig is.

Dan heb je geen draagvlak binnen de organisatie. Ik denk ook, wat jij zegt, Pieter, dat door de hype die om AI heen ontstaat, vaak de stap wordt overgeslagen: gaan we nu niet een probleem bij de technologie bedenken?

Kunnen we het niet inzetten? Hoe maakt me niet uit, zet het gewoon maar in. En daardoor wordt dan ook de stap van datakwaliteit overgeslagen. Want dat is helemaal geen leuk probleem om op te lossen. En het levert voor het oog ook niet direct iets op.

Ja, daarna zeker.

Ja, en opleveren is ook maar hoe je die term benadert. Het voorkomen van kosten in de toekomst is natuurlijk ook een vorm van geld opleveren, is mijn ervaring. Een besparing of meer omzet is niet per se meteen ook meer winst. Het voorkomen van risico's die zich openbaren is ook wel degelijk, met name in de indirecte belastingsfeer, een belangrijk punt. Zeker met het oog op allerlei zaken die in de toekomst nog gepland staan.

Nou ja, eerst proberen vast te stellen wie alle stakeholders zijn in het proces dat voor mij relevant is. En het startpunt is denk ik vaststellen dat bepaalde termen en terminologie al voor verwarring kunnen zorgen. Dus eigenlijk vanuit een common ground samen gaan werken. En daar loop ik soms wel eens tegenaan dat een fiscalist vaak iemand is die zaken eerder afremt. Zo is denk ik de perceptie. Dan stimuleert of versnelt.

Precies. Ik denk dat de mannen en vrouwen van legal ongetwijfeld ook zo gezien worden. Een beetje in het verdomhoekje zitten ze zelf ook af en toe. Door dat gesprek wel aan te gaan en te onderkennen: ja, we vragen wel wat van jou, maar dat we een gemeenschappelijk doel met elkaar formuleren en herkennen. En ik denk dat de uitrol van een proces echt heel erg afhankelijk is van de omvang en de complexiteit van een organisatie. Want het maakt echt heel veel uit: je kan 10 miljoen aan omzet hebben, allemaal lokaal. En je kan 1 miljoen omzet hebben binnen de EU. En vanuit een indirect belastingperspectief is die 1 miljoen veel complexer. Daar waar meer wordt omgezet, is vaak ook de organisatie groter. Maar tegelijkertijd, in ieder geval vanuit de indirecte belasting, maar ook vanuit de directe belastingsfeer, denk ik, hangt omzet niet per se meteen samen met complexiteit.

Ja, de datakwaliteit, dat is denk ik de grootste bron van zorg, vaak in een onderneming waar veel transactioneel volume is. Ik denk dat het outsourcen van bepaalde taken naar lagelonenlanden mijn ervaring toch ook vaak tot issues heeft geleid. Met name omdat culturele verschillen kunnen leiden tot fouten die voorkomen hadden kunnen worden.

Zijn dat dan procesfouten of data-entryfouten, dat de opvoer verkeerd is?

Dat kan beide zijn. Maar ik denk dat data-entry is waar ik tot nu toe mee te maken heb gehad. Mensen met een andere culturele achtergrond zijn misschien wat moeilijker geneigd om hun handje op te steken als ze dingen niet begrijpen. Dus soms onboard je groepen mensen en geef je trainingen. Dan lijkt iedereen enthousiast en alles te begrijpen, totdat je de output ziet en dan blijkt de waarheid toch wat weerbarstiger. Dus de bron van de data, daar zitten toch vaak de meeste issues. En er komen toch vaak quotes voorbij van "we hebben het altijd al zo gedaan". Dat zijn ook vaak momenten dat je scherp moet zijn.

Maar zie jij, Dave, kans voor AI in dat stukje van data-entry? Zou dat niet juist een goede plek zijn om een systeem in te zetten?

Jazeker. Ik heb zelf nog niet met die tools gewerkt, maar je noemde al die scansoftware. Ik heb daar bepaalde presentaties van gezien. Ik was wel onder de indruk. Er was een presentatie die ik had gezien van een big four-kantoor, en die had de scansoftware gekoppeld aan een LLM, wat dan bepaalde data ook meteen interpreteert. Dus de data werd sowieso geüpload in een systeem, maar werd ook geïnterpreteerd. En er vond ook een beoordeling plaats van, in dit geval, een factuur met bepaalde transportdocumenten. Dus in die zin denk ik dat AI daar zeker een rol in gaat spelen.

Ik denk dat dat ook de kracht kan zijn. Als je de goede documenten en de goede processen aan elkaar weet te koppelen. Bijvoorbeeld een factuur, transportdocumentatie, informatie van je logistiek, transporteurinformatie, dat je dan een hele krachtige mix hebt waar bijvoorbeeld een LLM heel goed afwijkingen kan detecteren. En ook in een vroeg stadium in het proces kan zien dat hier iets fout ging. In plaats van achteraf: dit klopt niet, het is al betaald. Dan heb je eigenlijk bijna geen opties meer. Dan wordt het allemaal moeilijk, dan moeten we corrigeren. Dus ik denk dat daar wel heel veel kracht in zit.

Klopt. Ik denk wel dat de toepassing die ik heb gezien echt wel meer een endstate is, hoor. Ik denk dat weinig multinationals op dat niveau zijn, mede door de complexiteit van de business, maar ook door de structuur binnen een organisatie. Dat is gewoon uitdagend. Dus mijn gevoel is ook dat AI uiteindelijk het mkb op de korte termijn sneller van dienst gaat zijn dan de multinationals.

Doordat je minder eilandjes hebt, minder divisies.

Precies, sneller. Je kan sneller beslissingen nemen. Je kan ook sneller zien als te veel mensen met iets bezig zijn. Het kost ook gewoon geld, tokens. Dat is mijn gevoel.

Terwijl je zou zeggen dat het mkb minder investerings- en slagkracht zou hebben om AI tot werking te laten komen. Maar inderdaad qua data delen en eigenlijk de grenzen een soort van opengooien binnen je bedrijf, daar zou dat wel een versneller kunnen zijn.

Nee, dat zie ik ook, dat heb ik ook eerder gezien, dat de bereidheid om een experiment op te zetten een stuk groter is bij bedrijven die nog niet helemaal uitgegroeid zijn. Want vaak kost zo'n experimenteerstroom ook gewoon geld. Want je bent je heel bewust dat als je een model inzet, dat er ook een gedeelte niet goed gaat. En dat weet je vooraf, dus daar moet je al voor openstaan. Dat moet je al incalculeren.

Dat klopt. Ja, ViDA, VAT in the Digital Age, is eigenlijk gebaseerd op drie pijlers, drie standaardpijlers. En de belangrijkste pijler, in ieder geval waarvan ik vermoed dat de grootste uitdagingen liggen, is de pijler waar de digital reporting requirements hun intrede gaan doen. En het e-invoicing-stuk. Dat verschilt nu al per EU-land. Maar je kan bij wijze van spreken nog een papieren factuur uitreiken. Maar dat kan over een tijd niet meer. Dat mag gewoon niet meer. En je moet bijna real-time gaan rapporteren.

Naar de Belastingdienst. En als je bijna real-time of real-time moet rapporteren, is first-time-right invoicing dan ook een vereiste. Ik ben heel erg benieuwd hoe dat gaat lopen.

En wat bedoel je met real-time? Op de dag van factureren moet die dan bij de Belastingdienst zijn?

Ja, of dat jouw invoicingsysteem gekoppeld is aan een portal van de fiscus, van de Belastingdienst. Dat zijn bijvoorbeeld mogelijkheden die op tafel liggen. En in bepaalde EU-landen heb je dat al. In Nederland lopen we daarmee wat achterop, denk ik. Maar bijvoorbeeld in Spanje, Italië en Polen heb je allerlei systemen die al geïmplementeerd zijn. Waarbij je bijvoorbeeld binnen twee of drie dagen nadat je hebt geleverd je factuur of je transactiedata moet uploaden in systemen van de Belastingdienst.

Onze Belastingdienst zal dat niet zo snel implementeren.

Nee, dat denk ik niet. Misschien een nieuw systeem. Maar op een gegeven moment wordt het gewoon een vereiste op basis van EU-regels. In Nederland is de betalingsbereidheid van belastingplichtigen een stuk hoger, dus de urgentie in Nederland is lager om te digitaliseren. Maar in bepaalde landen was de btw-kloof, dus het verschil tussen het bedrag dat aan btw betaald had moeten zijn en wat er daadwerkelijk betaald was, een stuk groter, en daardoor zijn ze daar sneller gaan digitaliseren. In België is het verplicht, volgens mij vrij recent. Volgens mij moet je daar inderdaad voor B2B elektronisch factureren op basis van de nieuwe regels. En die ViDA-regels geven lidstaten een bepaalde vrijheid om regels op een bepaalde manier te implementeren. En België is in die zin een beetje een voorloper.

Nou, ik denk dat je dan weer uitkomt bij de kwaliteit van je data. En dan met name: de makkelijkste win die je kunt maken, is denk ik zorgen dat je masterdata meteen op orde is. Of dat je die opnieuw gaat bekijken en daar nog eens een check op doet. Want als masterdata verkeerd in je systemen staat, dan is dat meteen een weeffout.

Die ontsnapt dan niet, hoe dan ook.

Maar komen er dan EU-standaarden, of zijn die er nu al op belastinggebied?

In welke zin standaarden?

Nou, kijk, je wil je masterdata op orde hebben. Maar je moet dan ook die e-invoicing op een goede manier aanleveren aan de Belastingdienst. Daar zijn denk ik nu al standaarden voor.

Maar jouw systeem moet daarmee in lijn zijn. En dat is meer denk ik het sluitstuk. Kijk, eerst natuurlijk een stuk data op orde hebben, zorgen dat de data klopt, en uiteindelijk zullen er daadwerkelijk systemen moeten zijn die zorgen dat het praktisch aangeleverd kan worden. Volgens mij beginnen daar nu wel ontwikkelingen te ontstaan van partijen die dat gaan aanbieden. En je hebt nu in Nederland bijvoorbeeld al voor B2G, dus business-to-government-facturatie. Dus als je met de overheid te maken hebt, dan moet je al op een bepaalde manier factureren, in een bepaald format. Dat zijn ontwikkelingen die eraan komen. Dat is echt het praktische sluitstuk. Want je kunt die data wel uploaden, maar misschien klopt die data niet.

Liever wil je vooraf die check doen. Dat je niet door de Belastingdienst op je vingers getikt wordt, maar dat hij eigenlijk voordat je hem uploadt al door een soort kwaliteitscheck gaat.

Ja, die kwaliteit is zeker een uitgangspunt. Maar er zijn dan nog een hoop andere. Zoals bijvoorbeeld: wanneer is iets succesvol? Kijk, je model gaat een beslissing ondersteunen. Dus als je bijvoorbeeld betaalgedrag neemt en je kunt inschatten of iemand met een hoge kans gaat betalen, een rekening of een product kopen: hoe pas je je strategie daarop aan? Als je inschat dat iemand een hele lage kans heeft om te betalen, wat ga je dan met die informatie doen in je proces? Die denkstap wordt heel vaak nog overgeslagen. Daar moet je als organisatie tijd in stoppen om dat heel helder te krijgen. Dus hoe gaan we onze procesflow aanpassen? Als we weten dat iemand een lage kans op betaling heeft, gaan we daar dan juist meer effort in stoppen? Dat kost ook geld. Dus ga je nog meer geld investeren, terwijl je misschien niks uit die case kunt halen.

Is het dan ook van: oké, waar zet je je model neer in jouw proces? En wat kunnen we met die uitkomsten? Want als we daar niks mee kunnen, is het leuk dat we zo'n AI-voorspelmodel hebben, maar dan is het eigenlijk weggegooid geld, want dan weten we wel dat iemand het waarschijnlijk niet gaat betalen, maar we kunnen er niks mee.

Ja, dus je hebt inderdaad vanaf het moment dat je een persoon in je systeem krijgt al bepaalde informatie over die persoon, over zijn gedrag. Maar nog sterker wordt de data wanneer je die persoon een tijdje kunt volgen in je proces. En dus ook zijn gedrag kunt zien. Hoe reageert iemand op een mail of een telefoontje? Reageert hij überhaupt? Kennen we die persoon al uit eerdere transacties? Of is er openbare data beschikbaar die ons iets kan vertellen? Vervolgens kun je kijken: kan ik verschillende processen inrichten? Voor iemand met een lage kans op betaling, kan ik daar een ander proces voor inrichten? Maar dan moet je weer niet de fout maken dat je je model 100% je proces laat bepalen. Want anders heb je geen cross-check meer. Dus het is belangrijk om na te denken over een soort A/B-test. Dat je zegt: een klein gedeelte van mijn stroom stuur ik altijd door de happy flow. Dus zelfs als we inschatten dat deze persoon zeker weten niet gaat betalen, het model is er vrij zeker van, is het toch belangrijk om hem door een proces te sturen waarbij we dat wel zouden verwachten, zodat je die cross-check hebt. Zo genereer je eigenlijk de data die je weer nodig hebt voor je voorspellingen. Dus dan is het natuurlijk belangrijk dat die kwaliteit vanaf het begin al goed is, want je gaat alleen maar meer data genereren.

Voldoende. Je kunt statistisch bepalen wanneer er een verschil optreedt. En het risico dat je wilt nemen.

Nee. Dit ligt een beetje buiten mijn domein.

Dus als je met de organisatie bepaalt wat de bedrijfsdoelen en wat de strategie is, dan kun je ook bepalen wat je met het model of met een voorspelling wil doen. Kijk, sommige organisaties zijn vooral geïnteresseerd in drivers van bepaald gedrag. Dat ze willen weten: wat beïnvloedt nou dat iemand zijn rekening gaat betalen, of juist ervoor kiest om weg te gaan bij zijn telecomprovider of wat dan ook? Wat zijn de drivers daarachter? Dat is vaak de eerste stap, de inzichten. Als je die hebt, dan kun je vervolgens bepalen hoe die drivers invloed hebben op de bedrijfsstrategie. En dan is de laatste stap: oké, hoe gaat een AI-model of een voorspelmodel ons helpen om ons dichter bij die strategie te brengen? Dus stel je wilt alleen heel nauwkeurig kunnen voorspellen wat iemand gaat doen zonder de drivers te weten, dan kies je voor bijvoorbeeld een complexer model. Dan ben je ook niet geïnteresseerd in welke variabelen je in het model stopt. Er zijn methodes om bijvoorbeeld de leeftijd van een persoon te gebruiken als indicator voor zijn betaalgedrag. Maar je kunt ook een berekening daarop loslaten waarbij je bijvoorbeeld de leeftijd vermenigvuldigt met een aantal andere factoren. Die misschien heel goed het gedrag voorspelt, maar dan kun je lastig uitleggen waarom iemand overgaat op bepaald gedrag. Dus als het doel is om eerst die inzichten te krijgen, dan is het niet verstandig om al die ingewikkelde variabelen in je model te zetten.

Goeie vraag. Dat is meer een soort schokeffect, denk ik. Ook iets waar je misschien geen historische data van hebt die je direct kunt gebruiken. Dus het is ook afwachten: wat gaan mensen doen? Als die massaclaim geweest is en iedereen krijgt een tegoedbon gestort, zijn we dan weer allemaal blij of gaan we iets anders doen? Je hebt eigenlijk historische patronen nodig om te voorspellen wat er gaat gebeuren.

Ja, want je hebt bij het maken van je voorspelmodel, van je AI-model, ook een label nodig. Succesvol of een niet-succesvol geval, en daar hangt een tijdvenster aan vast. Dus als je bijvoorbeeld verwacht dat iemand een betaling gaat doen, dan geldt dat binnen een tijdvenster. En hoe korter het tijdvenster is, hoe nauwkeuriger je voorspelling misschien is, maar hoe minder het ook zegt over de uiteindelijke impact.

Is dat misschien een beetje ook het spanningsveld tussen het verschil tussen frequentie en waarschijnlijkheid?

Kun je dat iets meer toelichten?

Nou kijk, als je. Ja, wat is een goed voorbeeld. Als je een muntje opgooit, dat kun je een miljoen keer doen, en dan zal het 50-50 zijn. Maar als hij nu negen keer op munt is gekomen, is de kans dat hij de tiende keer op kop komt nog steeds 50%. En in die zin is de tijdspanne dan heel erg belangrijk. Want als je een kortere tijdspanne hebt, dan staat dat misschien minder op gespannen voet met elkaar dan wanneer de tijdspanne groter is. Of begrijp ik dat dan verkeerd?

Nee, dat klopt. Als je een muntje opgooit, die munt heeft geen geheugen van: ik ben negen keer al op kop gevallen, nu ga ik op de andere kant vallen. Want dan klopt het statistisch. Dus de wet van de grote getallen zorgt voor die verdeling die je uiteindelijk krijgt. Maar je hebt heel vaak in je data uitschieters. Dus dat je denkt: iemand heeft na drie maanden geen betaling gedaan, maar doet het in één keer na een jaar wel. Dus dan zou je zeggen: die eerste drie maanden is het eigenlijk een negatief voorbeeld voor je dataset. Maar als je dat tijdvenster zou uitrekken, dan zou die in één keer wel positief zijn.

En doe je wat met die events, zeg maar, zulke uitschieters of afwijkingen in je dataset? Het verbaast me wel, of het nou over de Odido-hack of corona gaat of misschien iemand die ineens afwijkend gedrag vertoont.

Ja, daar moet je dus strategisch over nadenken. Je kunt niet zomaar data weggooien, dat is niet slim om te doen. Maar je moet daar een bewuste keuze in maken. Dat je zegt: ik maak een model dat bewust niet getraind is op deze data, of juist wel. Dat speelt zeer zeker een rol. En het maken van de labels waarop je model getraind wordt, dat is essentieel. Dat je daarmee een goed beeld hebt: als er straks nieuwe data aan het model gevoerd wordt die niet eerder gezien is, dat je trainingsdata daar een goede representatie van is. En als je de uitschieter, zoals iemand die heel laat in het proces nog iets gaat doen, beter kun je die wel uit je dataset laten, omdat dat geen goede representatie is van de massa.

Nee, maar je moet ze ook niet allemaal eruit halen.

Nee.

Want je wil ook een beetje noise hebben, zodat het model goed reageert op levensechte gevallen. Dus niet allemaal binnen de lijntjes wat er gebeurt.

Nee, anders zou je het kunnen vergelijken met een student die alles uit zijn hoofd leert. Dan is hij heel sterk getraind op een klein stukje data. Maar als de leraar besluit die vraag net iets anders te maken, dan weet hij het niet meer.

Ja, vooral complexere modellen die gebruikmaken van niet-lineaire variabelen of samengestelde variabelen, die zijn moeilijk te herleiden. Er zijn verschillende modellen. Dat is vaak een groot onderscheid: de klassieke lineaire modellen, dus natuurlijke logistische regressiemodellen. En daarnaast heb je de meer black box-achtige modellen die vaak gebaseerd zijn op beslisbomen. Dus dan heb je random forest of andere gradient boosting-algoritmes die eigenlijk gebruikmaken van samengestelde modellen. Dus dan heb je misschien wel 200 kleinere modellen die gezamenlijk een gemiddelde beslissing afgeven. Bij zo'n model is het heel moeilijk te herleiden wat nou de doorslag was voor een bepaalde beslissing.

Niet die specifieke, maar hij geeft wel aan welke variabele belangrijk of minder belangrijk is.

Ja, dus je hebt inderdaad methodes om onder de motorkap van zo'n model te kijken. En dat kun je doen op globaal niveau, zoals jij zegt: dit model weegt de leeftijd heel zwaar mee in de beslissing. Maar vaak belangrijker, en zeker in gereguleerde omgevingen, moet je per individu kunnen uitleggen waarom het model in dat geval een beslissing gemaakt heeft. En daar heb je dan weer andere methoden voor die de impact van een variabele specifiek voor één case kunnen uitleggen.

Maakt dat dan ook in zo'n finance-wereld het belang uit of een model wel of niet gebruikt kan worden?

Ja, dat weegt zeker mee. Of het 100% daarvan afhangt, dat denk ik ook weer niet. Want er gaan heel veel mensen overheen voordat je zo'n algoritme mag inzetten, zeker wanneer het impact heeft op een individu. Dus soms wordt dan ook de keuze gemaakt om eenvoudigere modellen toe te passen, waarbij de impact 100% te correleren is aan de variabelen die in het model zitten. Want bij zo'n black box-model gebruik je vaak de Shapley-methode bijvoorbeeld. En dat is ook een benadering van de impact. Dus er zit altijd een vertaalslag in. En is dat acceptabel, ja of nee? Dat is dan de vraag die de organisatie moet beantwoorden.

Is dat de organisatie, of staat ook in wet- en regelgeving?

Op dit moment nog weinig, maar dat gaat er wel aankomen. Steeds meer. Zeker met de AI Act, die gaat er dieper op inzoomen. Dus dan wordt eigenlijk verwacht dat je iedere beslissing van A tot Z kunt uitleggen. Dus welke data is gebruikt. Kom je weer op datakwaliteit terecht natuurlijk. Als jij een verkeerd datapunt gebruikt hebt dat niet meer klopt, als iemand bijvoorbeeld net verhuisd is maar jij die data nog niet hebt, dan ga je een hele verkeerde beslissing nemen. Daar moet je voor waken. En daarnaast: hoe zit je algoritme in elkaar? Dat is de volgende stap die je ook moet kunnen uitleggen.

Nee, ik denk dat we er al over uit zijn dat heldere centrale definities belangrijk zijn voor concepten, en dat je masterdata daarmee aligneert en op orde brengt. Dat dat echt een belangrijke voorwaarde is voor het machine learning-proces, maar ook gewoon voor een dataplatform binnen een finance-omgeving.

Ja, ik heb er één paraat. Volgens mij stond hier ook een boekenkast, toch? Ik heb een boek meegenomen om hier neer te zetten, met de link naar technologie. Het is het boek van Jeff Booth. Ik weet niet of hij bij jullie bekend is. Een hele slimme man die wel bekend is in de bitcoinwereld. En die heeft een boek geschreven over de deflationaire impact van technologie. En hoe dat op gespannen voet staat met een inflationair economisch systeem waarin wij zitten. Maar ja, technologie, dan ben ik hier denk ik wel in de juiste omgeving. Dus dat boek heb ik meegenomen voor hier in de boekenkast.

Ja, ik heb eigenlijk een uitspraak die ik heel tof vond. "Sharpen the axe before cutting down the tree."

Het valt eigenlijk samen met waar we het veel over gehad hebben. Zeker nu met AI alles zo eenvoudig is om zelf te bouwen, wordt het des te belangrijker om tijd te investeren in de probleemdefinitie helder krijgen. Dus neem alsjeblieft de tijd, zeker als technici, om niet te snel in die operationele stoel te schieten. Want we zijn allemaal getraind om problemen op te lossen, maar soms moet je gewoon even aan tafel blijven zitten en meer tijd stoppen in helder krijgen wat je nou moet oplossen.

Ik sta wel achter wat Jeff zegt, hoor. Zeker nu het voor iedereen makkelijker wordt om dingen te bouwen. Ja, ik geloof het meteen. Maar voor iemand zoals mij is iets bouwen nog wel iets dat helemaal buiten mijn comfortzone ligt, hoor. Dat is echt iets wat, vooral denk ik voor mensen op mijn ervaringsniveau, amper speelt. Zelf dingen bouwen.

Ja, ik had een wat oudere tip, een boekentip. De Goal van Goldratt. Ik denk zeker voor mensen in de financiële wereld een eyeopener. Want hij komt eigenlijk met de theory of constraints. Laat je anders kijken naar de normale financiële kostprijsaccounting. Daar heeft hij een broertje dood aan. Hij zegt: dat is traditioneel en laat je eigenlijk niet inzien waar het echt om gaat. Hij komt daarmee met throughput accounting. Dat is wel echt een goed boek om je te laten realiseren hoe je nou omgaat met het doel van jouw bedrijf en welke cijfers nou belangrijk zijn om naar te kijken.