Eline Verstraeten werkte drie jaar als data-analist bij een middelgroot vermogensbeheerder in Gent. Ze had altijd het gevoel dat de kwartaalrapportages iets misten. Niet de grote getallen — die klopten. Maar de ruimte ertussen.
De observatie die alles verschoof
Toen haar team een predictief AI-model implementeerde op hun portefeuilledata, viel er iets op dat geen enkele analist had opgemerkt: klantuitstroom korreleerde sterker met klantenserviceresponstijden dan met rendementscijfers. Niet licht. Sterk. En consistent over 14 maanden.
Dat is het type patroon dat verdwijnt in wekelijkse vergaderingen. Mensen praten over rendementen. Niemand vraagt naar de gemiddelde responstijd op een e-mail van een klant.
Hoe de implementatie er concreet uitzag
Het model draaide op drie databronnen: CRM-logs, portefeuilleprestaties en externe marktdata. De eerste twee weken produceerde het enkel ruis. Pas na het toevoegen van tijdstempeldata uit het ticketsysteem begon het model bruikbare voorspellingen te genereren.
Een belangrijk beslissingspunt: het team koos bewust voor een interpreteerbaar model boven een accurater zwart-doos-alternatief. Niet omdat ze de technologie wantrouwden, maar omdat ze de uitkomsten intern moesten kunnen verdedigen zonder eindeloze toelichting.
Wat dit betekent voor introverte analisten
Als je liever met data werkt dan met vergaderzalen, geeft predictieve AI je iets waardevols: een argument dat voor zichzelf spreekt. Je hoeft het patroon niet te verkopen — je toont het gewoon. Dat is een andere manier van werken, en voor veel analisten een prettiger een.
Eline presenteerde haar bevindingen in een geschreven rapport van vier paginas. Geen slides. Geen pitchdeck. De beslissing werd genomen op basis van de data zelf.