Analytics

Anomaliedetectie met AI: afwijkingen opsporen voordat ze geld kosten

Gepubliceerd: Leestijd: 9 min
Dashboard dat afwijkende datapunten markeert tussen normale bedrijfsdata

Een dubbele factuur die pas bij de jaarafsluiting opvalt, een machine die stilvalt zonder dat iemand het zag aankomen, een filiaal waar de omzet stilletjes wegzakt: meestal vindt iemand zulke afwijkingen bij toeval, in een Excel-controle of via een collega. Dit artikel beschrijft hoe afwijkingen in de eigen data automatisch worden opgespoord, wat dat kost en waarom valse meldingen de grootste valkuil zijn.

Wat anomaliedetectie is en waarom het anders werkt

De meeste bedrijven bewaken hun data met vaste regels. Waarschuw als een factuur boven de 10.000 euro uitkomt. Stuur een alert als een machine warmer wordt dan 80 graden. Markeer een order met meer dan vijf retouren. Die regels werken, maar ze hebben twee fundamentele beperkingen. Ze vangen alleen wat vooraf bedacht is, en ze houden geen rekening met context. Een factuur van 12.000 euro is verdacht bij een leverancier die normaal 800 euro stuurt, maar volstrekt normaal bij een leverancier die maandelijks tonnen factureert.

Anomaliedetectie draait die logica om. In plaats van vooraf bedachte regels leert een machine-learningmodel zelf wat het normale patroon is, per klant, per machine, per dag van de week, per seizoen. Vervolgens signaleert het wanneer iets significant buiten dat patroon valt. Een afwijking, oftewel anomalie, is dus geen vaste grens maar een relatief begrip: ongebruikelijk ten opzichte van de context.

Dat verschil is belangrijk omdat de meeste schade niet ontstaat door dingen die overduidelijk fout zijn, maar door subtiele afwijkingen die niemand opmerkt. Een boekhoudfout van een paar honderd euro die zich maandelijks herhaalt. Een sensor die langzaam wegdrijft. Een leverancier die stilletjes 4% duurder wordt. Stuk voor stuk te klein voor een alarmbel, maar samen goed voor tienduizenden euro's per jaar. Anomaliedetectie is juist sterk in dat grijze gebied, en sluit goed aan op bredere datagedreven besluitvorming.

Waar het voor dient: vier brede toepassingsgebieden

Het eerste en bekendste gebied is financieel. Denk aan dubbele betalingen, ongebruikelijke uitgaven op een kostenplaats, afwijkende declaraties of verdachte transactiepatronen. Een groothandel met een paar duizend inkoopfacturen per maand vindt met anomaliedetectie routinematig dubbele of onterechte betalingen die handmatig nooit waren opgevallen. Bij betaalstromen en transactiefraude raakt dit aan fraudedetectie met AI, waar dezelfde technieken op transactieniveau worden toegepast.

Het tweede gebied is operationeel. Een omzetdip in een enkel filiaal, een plotselinge stijging in retouren op een productlijn, een conversie die wegzakt op de webshop, of een doorlooptijd die uit de pas loopt. Vaak worden zulke verschuivingen pas in het maandrapport zichtbaar, terwijl er dezelfde dag al een melding had kunnen uitgaan.

Het derde gebied is IT en sensordata. Servers die ineens vreemd geheugen gebruiken, een productiemachine waarvan de trilling of temperatuur afwijkt, energieverbruik dat zonder reden omhoogschiet. Dit raakt direct aan predictive maintenance in de maakindustrie: een afwijkend sensorpatroon is vaak het vroegste signaal dat een onderdeel binnen weken stukgaat.

Het vierde gebied wordt vaak vergeten maar levert verrassend veel op: datakwaliteit. Een veld dat ineens vaker leeg is, een productcode die plotseling in drie schrijfwijzen voorkomt, een import die de helft van de records mist. Anomaliedetectie op eigen data signaleert kwaliteitsproblemen voordat ze de rapportages vervuilen, een natuurlijke aanvulling op het structureel verbeteren van datakwaliteit in het MKB.

Hoe het technisch werkt: supervised, unsupervised en drempels

Er zijn grofweg twee manieren om afwijkingen te leren herkennen. Bij supervised learning wordt een model getraind op data waarin bekende fouten of fraudegevallen zijn gelabeld. Het model leert dan precies welke kenmerken bij die gevallen horen. Dat werkt uitstekend, maar er zit een addertje onder het gras: er zijn voldoende voorbeelden nodig van wat er fout ging, en die zijn meestal schaars. De meeste bedrijven hebben honderden goede maanden en een handvol incidenten, en dat is te weinig om betrouwbaar op te trainen.

Daarom begint anomaliedetectie in de praktijk vaak unsupervised. Het model krijgt alleen de normale historie te zien en leert daaruit het patroon, zonder dat iemand vooraf hoeft aan te wijzen wat een afwijking is. Technieken als isolation forests, autoencoders of clustering bepalen vervolgens hoe ver een nieuw datapunt van het normale ligt. Het voordeel is dat gelabelde fouten niet nodig zijn; het nadeel is dat het model geen reden geeft, alleen een signaal: dit is ongebruikelijk.

De kern van een werkend systeem zit niet in het model maar in de drempel. Elke afwijking krijgt een score, de drempel bepaalt vanaf welke score er een melding uitgaat. Laag gezet vangt hij vrijwel alles, maar verdrinkt de boel in vals alarm. Hoog gezet blijft het rustig, maar glippen de subtiele gevallen erdoorheen. Die afweging is geen technisch detail maar de belangrijkste ontwerpkeuze, en die hoort thuis bij de mensen die straks op de meldingen reageren.

Eerlijk over valse positieven en grenzen

Het grootste risico van anomaliedetectie is niet dat het te weinig vindt, maar dat het te veel vindt. Een vers model dat ruim is afgesteld, kan in de eerste week makkelijk vijftig of honderd meldingen per dag genereren, waarvan het overgrote deel onschuldig is: een seizoenspiek, een eenmalige grote order, een geplande onderhoudsbeurt. Als het team na drie dagen merkt dat negen van de tien meldingen loos zijn, negeert het de tiende ook. Dan staat er een duur systeem dat actief schade berokkent.

De oplossing is geen perfecter model maar een realistisch werkproces. Begin met een bewust krappe drempel, bijvoorbeeld vijf tot vijftien meldingen per dag, een aantal dat een mens daadwerkelijk kan beoordelen. Elke beoordeling, terecht of onterecht, voedt het model. Na enkele weken daalt het aandeel valse meldingen doorgaans van meer dan de helft naar onder de twintig procent. Reken niet op nul: een afwijking is per definitie iets ongewoons, en niet elk ongewoon ding is een probleem.

Wees ook eerlijk over wat het niet kan. Anomaliedetectie vindt dat iets afwijkt, niet waarom. Het vervangt geen domeinkennis; iemand moet de melding nog duiden. En het werkt slecht op data die zelf rommelig of onvolledig is. Een betrouwbaar systeem staat of valt met een fatsoenlijk datafundament, en zodra het draait, vraagt het onderhoud, want patronen verschuiven. Zonder serieuze MLOps-aanpak om modellen in productie te houden verliest een model na een half jaar zijn scherpte.

Kosten, ROI en wat het oplevert

De kosten lopen sterk uiteen met de situatie. Een afgebakend traject op een enkele databron, bijvoorbeeld afwijkingen in inkoopfacturen of in een set sensoren, kost doorgaans tussen 12.000 en 25.000 euro voor analyse, model en een eerste dashboard. Een breder systeem dat meerdere bronnen combineert en geïntegreerd is in de dagelijkse processen, ligt eerder tussen 25.000 en 40.000 euro. Daarbovenop komen lopende kosten voor hosting, monitoring en periodieke hertraining, ruwweg 200 tot 1.000 euro per maand, afhankelijk van volume en complexiteit.

De terugverdientijd hangt af van wat er nu misloopt. Vindt een systeem op inkoopfacturen jaarlijks 15.000 euro aan dubbele of onterechte betalingen, dan is een traject van 20.000 euro binnen ruim een jaar terugverdiend en daarna pure winst. In onderhoud is de rekensom vaak gunstiger: een enkele voorkomen storing aan een productielijn loopt al snel in de tienduizenden euro's aan stilstand. In de praktijk zien we terugverdientijden tussen zes en achttien maanden, met de kortste tijden waar nu nog veel handmatig wordt gecontroleerd.

Het belangrijkste is wat er met een melding gebeurt. Een afwijking heeft pas waarde als er een actie aan vastzit: een factuur die wordt tegengehouden voor controle, een monteur die preventief langsgaat, een dataveld dat wordt opgeschoond voordat het rapport eruit gaat. Zonder dat afgesproken vervolg is anomaliedetectie een dure alarmbel waar niemand op afkomt. De ontwikkeling van zo'n maatwerkmodel valt bovendien vaak onder de WBSO, wat de loonkosten van het ontwikkeltraject met gemiddeld rond de 30% verlaagt.

Stratalytic en anomaliedetectie

Wij beginnen niet bij het model maar bij de vraag welke afwijking echt geld kost en wat het vervolg erop is:

  • Scan: we bepalen samen waar afwijkingen de meeste schade veroorzaken, financieel, operationeel, in IT of in datakwaliteit.
  • Bouw: een model dat past bij de situatie, meestal unsupervised starten en supervised aanvullen zodra er labels zijn.
  • Kalibratie: we stellen drempels in op een werkbaar aantal meldingen en sturen bij op feedback van het team.
  • Inbedding: elke melding krijgt een concreet vervolg in het proces, met MLOps zodat het model scherp blijft.
  • Subsidie: waar het maatwerk betreft, verwerken we de WBSO standaard mee.

Tijdens de kennismaking bepalen we welke afwijkingen het bedrijf nu het meeste kosten.

Veelgestelde vragen

Wat is het verschil tussen anomaliedetectie en een gewone drempelwaarde in Excel? Een vaste drempel kent maar één grens en mist context. Anomaliedetectie leert wat normaal is per klant, dag, seizoen of machine, en signaleert pas als iets echt buiten dat patroon valt. Daardoor komen de subtiele afwijkingen boven die een vaste regel mist, met minder valse meldingen op pieken die gewoon normaal zijn.

Hoeveel data heb ik nodig voor anomaliedetectie? Voor unsupervised methodes is vaak enkele maanden tot een jaar aan historie genoeg, omdat het model leert wat normaal is. Supervised modellen vragen gelabelde voorbeelden van fouten of fraude, en die zijn schaars. In de praktijk begint het daarom meestal unsupervised en groeien de labels gaandeweg.

Krijg ik niet honderden valse meldingen per dag? Dat risico bestaat, en het is de belangrijkste reden dat projecten falen. Een goed systeem scoort elke afwijking en stuurt alleen de hoogste door. Door drempels op een werkbaar aantal alerts in te stellen en het model bij te sturen op feedback, daalt het percentage valse meldingen na enkele weken fors.

Vervangt anomaliedetectie mijn controleurs of analisten? Nee. Het systeem filtert de ruis weg zodat mensen hun aandacht richten op de paar gevallen die er echt toe doen. De uiteindelijke beoordeling, zeker bij fraude of het blokkeren van transacties, blijft mensenwerk, ook omdat de AVG bij ingrijpende beslissingen menselijke tussenkomst voorschrijft.

Hoe pakken wij dit aan?

We halen transacties, facturen of sensorgegevens uit het ERP of de bronsystemen, laten zien wat normaal is en waar de afwijkingen zitten, en stellen met het team in hoeveel meldingen werkbaar is. Het team beoordeelt elke melding zelf. Er komt geen nieuw systeem, het draait naast wat er staat.

Als vervolgstap na de kennismaking laat een Data Impact Scan binnen een week zien welke afwijkingen er al in de eigen data zitten en hoeveel meldingen per week werkbaar is.

Plan een kennismaking van 30 minuten, vrijblijvend.

Stel een vraag over anomaliedetectie met AI

Laat je e-mailadres achter. Een solution architect uit het team reageert binnen een werkdag, met een eerste inschatting.

Liever het uitgebreide contactformulier

Dertig minuten om te zien waar de grootste impact zit.

Een eerlijke inschatting in cijfers, ook als het antwoord is dat het niet loont.