Wat we bouwen: machine learning-projecten en hun impact

Kernpunten: Machine learning levert pas waarde op als een model daadwerkelijk in productie draait en in de processen landt. Dit overzicht laat geanonimiseerd zien wat we bouwen, met per project de gebruikte techniek en het resultaat in cijfers: van een forecast-correctie die bij een mondiale fabrikant tot circa €1,2 miljoen jaarlijkse besparing leidde, tot aanbevelingsengines, document-intelligentie en algoritmische optimalisatie. De rode draad: niet het model is het eindproduct, maar de integratie ervan.

Forecasting & supply chain

Forecast-biascorrectie bij een mondiale gereedschapsfabrikant. Statistische vraagvoorspellingen vertonen vaak een systematische over- of onderschatting. We bouwden een model dat de richting én de omvang van die bias voorspelt en corrigeert, aangevuld met analyse van phase-out-timing en kannibalisatie tussen producten. Resultaat: in de orde van €1,2 miljoen jaarlijkse besparing door nauwkeurigere planning. Techniek: bias-modellering bovenop de bestaande statistische forecast.

Demand forecasting over vier magazijnen bij een retailer in meerdere markten. Voor een e-commercepartij met magazijnen in vier landen bouwden we per markt een vraagvoorspelling op SKU-niveau met herbestelpunten, inclusief seizoens- en promotie-effecten. Resultaat: minder overvoorraad en tekorten, en daarmee lagere voorraadkosten. Techniek: tijdreeksmodellen met externe regressors, per markt gekalibreerd.

Energie-forecasting op bezoekersdata bij een themapark. Het netverbruik van een groot recreatiepark bleek sterk gedreven door bezoekersaantallen, iets wat een standaard load-forecaster (OpenSTEF) niet goed ving. We analyseerden waarom en bouwden een verbeterstrategie die bezoekersprognoses meeneemt. Techniek: domeinspecifieke feature-engineering bovenop tijdreeksvoorspelling.

Recommendation & personalisatie

Cross-sell en offerte-scoring bij een automotive-marktplaats. Voor een handelaar in exclusieve auto-onderdelen analyseerden we 1,2 miljoen product-voertuigrelaties voor een cross-sell-engine, plus een offerte-scoringsmodel met 84% nauwkeurigheid dat sales vooraf laat zien welke offertes kans maken. Alles direct in de bestaande backend. Techniek: gradient boosting + co-purchase-analyse, geïntegreerd in de productieomgeving.

Aanbevelingsengine met audio-embeddings voor een muziektech-platform. We combineerden CLAP audio-embeddings met co-play-graafanalyse uit tracklists tot een aanbevelingsengine die muzikale gelijkenis én samen-afgespeeld-gedrag benut: "Shazam ontmoet collaborative filtering". Techniek: audio-embeddings, graph-analyse (NetworkX) en vector-search (Qdrant).

Document- & taal-AI

AI-assistent bij een financiële dienstverlener in de bewindvoering. We bouwden een assistent die inkomende e-mail automatisch classificeert, conceptantwoorden genereert uit cliëntdata en dossiers samenstelt. Multi-tenant opgezet, met cliëntdata strikt gescheiden. Resultaat: fors minder handmatig verwerkingswerk. Techniek: e-mailclassificatie + retrieval-augmented generation (RAG) op cliëntdata.

Analytics, attributie & optimalisatie

Unified ad-analytics en attributie voor een marketingbureau. We koppelden lead-funneldata en advertentiedata uit verschillende bronnen tot één dashboard met cost-per-lead, funnel-doorlooptijden en advertentie-naar-lead-attributie. Techniek: cross-source datapijplijn + attributiemodellering.

Data-architectuur en stockout-detectie bij een e-commerce-operator. We bouwden de datapijplijn die webshop-, fulfilment- en advertentiedata samenbrengt, met een data-quality-audit en automatische stockout-detectie. Techniek: data-integratie + regelgebaseerde en statistische signalering.

Algoritmische handelsstrategie voor een fintech. Voor een kwantitatieve handelaar bouwden we een pairs-trading-systeem met meerdere risicobuckets, paarselectie op basis van half-life en backtest-Sharpe, en een monitoring-dashboard. Techniek: statistische arbitrage, backtesting en paper-trading-validatie.

De rode draad

Wat deze projecten delen, is niet één techniek maar één principe: het model is het halve werk, de integratie is de andere helft. De waarde ontstaat wanneer een voorspelling, classificatie of aanbeveling automatisch in een bestaand systeem landt en daar beslissingen voedt. Een overzicht van wat deze toepassingen gemiddeld opleveren staat in onze machine learning ROI-benchmark.

Speelt een van deze uitdagingen ook in de eigen organisatie? Neem contact op en we brengen de use-case, de data en de haalbaarheid scherp in kaart.

Veelgestelde vragen

Welke soorten machine learning-projecten doen jullie?

Van demand forecasting en forecast-biascorrectie tot aanbevelings- en cross-sell-engines, document- en taal-AI (NLP/RAG), energie-forecasting, anomalie- en fraudedetectie en algoritmische optimalisatie. We richten ons op modellen die daadwerkelijk in productie gaan en in bestaande systemen geïntegreerd worden, niet op losse pilots.

In welke sectoren hebben jullie ervaring?

Onder meer maakindustrie, retail en e-commerce, logistiek en supply chain, financiële dienstverlening, energie, automotive en marketing/adtech. De onderliggende technieken zijn sectoroverstijgend; de waarde zit in het toepassen ervan op de specifieke data en processen.

Brengen jullie modellen ook echt in productie?

Ja. Het grootste deel van de waarde ontstaat pas bij integratie in bestaande systemen: een dashboard, een ERP, een backend. We leveren modellen die draaien waar het werk gebeurt, met aandacht voor beheer en monitoring na livegang.