Hoe kan machine learning mijn bedrijfsprocessen verbeteren?

Veel managers horen dat kunstmatige intelligentie hun bedrijfsvoering gaat veranderen, maar zien in hun eigen organisatie vooral stapels data, handmatige controles en processen die steeds net iets anders verlopen dan bedoeld. De vraag is dan niet of machine learning interessant is, maar waar het concreet helpt en wat er nodig is om het te laten werken.

Machine learning is een deelgebied van kunstmatige intelligentie waarbij computers zelf patronen herkennen in waargenomen data, daar modellen van bouwen en op basis daarvan voorspellingen doen, zonder dat elke regel vooraf is geprogrammeerd. Anders dan klassieke automatisering, die vaste stappen uitvoert, leert een model van voorbeelden en wordt het beter naarmate er meer goede data beschikbaar is.

Machine learning verbetert bedrijfsprocessen op drie manieren: het voorspelt (bijvoorbeeld welke klant gaat vertrekken of welke machine onderhoud nodig heeft), het classificeert (welke aanvraag is standaard en welke vraagt om een mens) en het signaleert afwijkingen (fraude, fouten, vertragingen). Daarmee kun je werk eerder plannen, standaardgevallen sneller afhandelen en schaarse aandacht richten op uitzonderingen. De winst ontstaat alleen als het onderliggende proces helder is, de data op orde is en medewerkers weten hoe zij met de uitkomsten van een model omgaan.

Wat is machine learning en wat is het verschil met gewone automatisering?

Bij klassieke automatisering legt een organisatie vooraf vast wat een systeem moet doen: als A, dan B. Dat werkt goed voor stabiele, voorspelbare stappen. Machine learning draait de logica om: je geeft het systeem veel voorbeelden en het leidt zelf de regels af. In de bespreking van het boek Algoritmisering van Jim Stolze wordt machine learning samengevat als het scannen van patronen en daarin via foutenminimalisatie steeds beter worden.

Dat verschil heeft praktische gevolgen. Een regelgebaseerd systeem is transparant maar star; een lerend model is flexibel maar afhankelijk van de kwaliteit en representativiteit van de data. Wie een proces wil verbeteren, moet dus eerst bepalen of het probleem vraagt om een vaste regel of om patroonherkenning. Een factuur die altijd dezelfde velden heeft, hoeft niet te 'leren'. Het inschatten van welke klant een betalingsachterstand gaat krijgen, wel.

Welke bedrijfsprocessen zijn geschikt voor machine learning?

Niet elk proces leent zich voor een lerend model. Onderstaande kenmerken helpen bij de beoordeling of een proces kansrijk is.

Herhaling en volume. Een proces dat dagelijks honderden of duizenden keren doorlopen wordt, levert genoeg voorbeelden op om van te leren. Een proces dat tien keer per jaar voorkomt, meestal niet.

Beschikbare historische data. Het model moet kunnen leren van wat er eerder gebeurde én van de uitkomst. Zonder vastgelegde uitkomsten (betaald of niet, geaccepteerd of afgewezen, defect of in orde) valt er weinig te voorspellen.

Een beslissing of inschatting in het proces. Machine learning voegt het meeste toe waar nu iemand op basis van ervaring een keuze maakt: prioriteren, toewijzen, controleren, voorspellen.

Kosten van fouten. Waar een verkeerde inschatting duur is, loont verbetering van de voorspelling snel. Denk aan onderhoud, voorraadbeheer, kredietbeoordeling of planning.

Praktijkvoorbeelden uit de literatuur sluiten hierop aan: Serrurier Schepper en Hiddink noemen de selectie van sollicitanten, kostenbesparing met chatbots en het optimaliseren van verkoop. Valigi en Mauro beschrijven toepassingen om de klantervaring te verbeteren, marketing te optimaliseren en kosten te verlagen. En in een interview wijst Thomas Davenport erop dat kunstmatige intelligentie niet alleen nieuwe producten oplevert, maar ook bestaande operationele processen efficiënter maakt, met het onderhoud van raffinaderijen bij Shell als voorbeeld.

Hoe begin ik met machine learning in mijn bedrijfsprocessen?

Een werkbare aanpak begint niet bij de techniek, maar bij het proces en de vraag die je wilt beantwoorden. Het stappenplan hieronder combineert inzichten uit de proces- en AI-literatuur.

1. Kies een concreet procesknelpunt. Formuleer een businessvraag: waar verliezen we tijd, geld of kwaliteit door inschattingen die nu handmatig gebeuren? Doze en Al werken in HR-analytics met een stappenplan van businessvraag tot implementatie; die volgorde geldt voor elk domein.
2. Breng het proces in kaart. Beschrijf stappen, rollen, beslismomenten en uitkomsten. Zonder helder proces weet je niet waar een model moet ingrijpen.
3. Inventariseer de data. Welke gegevens worden al vastgelegd, in welke systemen, en met welke kwaliteit? Verhagen en Van der Linden nemen in Data als succesfactor stuurprocessen als uitgangspunt voor het ontwerp van de informatievoorziening.
4. Begin met een klein experiment. Bouw of koop een model voor één beslissing en vergelijk de uitkomsten met de huidige praktijk. Meet niet alleen nauwkeurigheid, maar ook tijdwinst en fouten.
5. Ontwerp de samenwerking tussen mens en model. Bepaal wanneer het model zelfstandig beslist, wanneer het adviseert en wanneer een medewerker overneemt. Huysman, Waardenburg en Agterberg beschrijven AI-implementatie nadrukkelijk als socio-technisch veranderproces.
6. Schaal en borg. Bed het model in bestaande systemen en werkwijzen in, wijs eigenaarschap toe en controleer periodiek of het model nog klopt bij veranderde omstandigheden.

Welke voorwaarden moet mijn organisatie op orde hebben?

Een lerend model is zo goed als het proces en de data waarop het rust. In de bespreking van The AI-Powered Enterprise van Earley wordt benadrukt dat AI-toepassingen volwassen, goed gemanagede processen nodig hebben. Wie machine learning bovenop een rommelig proces zet, automatiseert vooral de rommel.

Drie voorwaarden komen in de literatuur steeds terug. Ten eerste procesvolwassenheid: het proces is beschreven, heeft een eigenaar en wordt consequent gevolgd. Kars en Evers beschrijven procesmanagement vanuit de cyclus richten, inrichten en verrichten; die basis maakt duidelijk waar een model überhaupt kan ingrijpen. Ten tweede datakwaliteit en meetcultuur: De Mast en collega's stellen dat het vermogen om processen op basis van data te verbeteren een fundament is voor de steeds grotere mogelijkheden van digitalisering en automatisering. Ten derde eigenaarschap en draagvlak: Davenport merkt op dat integratie van AI in processen alleen lukt met voldoende animo vanuit de top.

Herkenbare signalen dat de basis nog niet op orde is: dezelfde gegevens worden in meerdere systemen anders vastgelegd; medewerkers omzeilen het officiële proces; niemand kan zeggen hoe vaak een stap fout gaat. In die situatie levert eerst werken aan het proces en de data meer op dan investeren in een model.

Wat zijn de valkuilen en beperkingen van machine learning in processen?

Blind vertrouwen of blind wantrouwen. Onderzoeker Chris Snijders stelt op basis van vijftien jaar empirisch onderzoek dat computermodellen bij veel managementbeslissingen consistent beter presteren dan ervaren managers, en nuanceert tegelijk de rol van intuïtie en ervaring. De les: toets je onderbuikgevoel aan het model, maar laat het model nooit ongecontroleerd beslissen in situaties die het niet heeft gezien.

Vervangen in plaats van versterken. Davenport pleit ervoor kunstmatige intelligentie te gebruiken voor augmentatie, waarbij mens en machine elkaars capaciteiten versterken; inschattingen die ethisch of contextueel complex zijn, vragen volgens hem nog altijd een menselijk brein. Hoes en Flores draaien de vraag om: niet 'hoe zetten we technologie efficiënter in', maar 'hoe kan technologie de mens versterken'.

Te vroeg opschalen. Reinkemeyer besteedt in zijn cases uitdrukkelijk aandacht aan mislukkingen. Een model dat in een pilot werkt, kan in een ander land, seizoen of klantsegment falen omdat de data daar anders is.

Ethiek en privacy als sluitpost. Huijgens laat de verkenning van ethische aspecten, kansen en risico's bewust de eerste stap zijn. Wie bij werving, kredietbeoordeling of klantselectie modellen inzet, moet vooraf weten welke uitkomsten onaanvaardbaar zijn.

Welke boeken over machine learning passen bij welk ervaringsniveau?

De behoefte verschilt sterk per rol. Een directeur wil weten waar de waarde zit, een procesmanager wil weten hoe hij een model inpast, en een specialist wil weten hoe hij het bouwt.

Beginnende lezers zonder technische achtergrond hebben het meest aan een toegankelijke introductie. The Art of AI van Laurens Vreekamp legt machine learning uit zonder programmeerkennis, met voorbeelden uit creatief werk. AI in de praktijk is daarna de logische stap naar een eigen plan.

Managers en procesverantwoordelijken zoeken naar inbedding in de organisatie. Slim managen van AI in de praktijk en Zero to AI koppelen technologie aan verandering en bedrijfswaarde. Voor wie studeert of een brede basis in informatiesystemen wil, behandelt Bedrijfsinformatiesystemen van Laudon en collega's machine learning naast thema's als data governance, privacy en ethiek.

Specialisten en technische teams hebben Engelstalige verdieping nodig. Building Machine Learning Powered Applications van Ameisen loopt een toepassing door van idee tot uitgerold product. Machine Learning Algorithms and Applications in Engineering richt zich met cases op technische problemen in onder meer productie en industrie.

Voor industriële en technische omgevingen is een aparte verdieping op zijn plaats, omdat de aard van de data en de problemen daar anders is dan in dienstverlening.

Samenvatting

Machine learning verbetert bedrijfsprocessen door patronen in data te herkennen en daarmee te voorspellen, te classificeren en afwijkingen te signaleren. De grootste winst zit in processen met veel herhaling, vastgelegde uitkomsten en een beslismoment dat nu op ervaring leunt. Begin bij een concreet knelpunt, breng proces en data in kaart, experimenteer klein en ontwerp bewust de samenwerking tussen mens en model. Voorwaarden zijn volwassen processen, betrouwbare data en draagvlak aan de top. Valkuilen zijn blind vertrouwen, vervangen in plaats van versterken, te vroeg opschalen en ethiek als sluitpost.

Veelgestelde vragen

Is machine learning hetzelfde als kunstmatige intelligentie?
Nee. Machine learning is een deelgebied van kunstmatige intelligentie, gericht op systemen die zelf patronen leren uit data in plaats van vooraf geprogrammeerde regels te volgen.

Welk proces kan ik het beste als eerste kiezen?
Een proces dat vaak voorkomt, waarvan de uitkomsten worden vastgelegd en waar nu iemand op basis van ervaring een inschatting maakt, bijvoorbeeld prioritering, controle of planning.

Heb ik datawetenschappers nodig om te beginnen?
Niet voor de eerste stappen. Het kiezen van het knelpunt, het beschrijven van het proces en het beoordelen van de data zijn managementtaken. Voor het bouwen en onderhouden van modellen is technische kennis wel nodig, intern of ingehuurd.

Vervangt machine learning mijn medewerkers?
In de praktijk verschuift het werk: standaardgevallen worden sneller afgehandeld en mensen richten zich op uitzonderingen en complexe inschattingen. Davenport pleit voor augmentatie, waarbij mens en machine elkaar versterken.

Wat als mijn processen nog niet goed beschreven zijn?
Werk dan eerst aan procesmanagement en datakwaliteit. Een model op een onduidelijk proces versterkt vooral de bestaande rommel.

Hoe weet ik of een model nog klopt na verloop van tijd?
Door periodiek de voorspellingen te vergelijken met de werkelijke uitkomsten en bij structurele afwijkingen het model opnieuw te trainen of te herzien.

Conclusie

Machine learning verbetert je bedrijfsprocessen niet door technologie over de organisatie uit te rollen, maar door op één concreet knelpunt beter te voorspellen, sneller te sorteren en afwijkingen eerder te zien. Dat vraagt om een helder proces, betrouwbare data en medewerkers die weten wanneer ze het model volgen en wanneer ze ingrijpen. Kies vandaag één proces waar nu veel op ervaring wordt beslist, bekijk welke data daarover beschikbaar is en zet een klein experiment op. Begin bij AI in de praktijk voor een eigen plan, verdiep de organisatorische kant met Slim managen van AI in de praktijk en leg de procesbasis met Operational Excellence with Lean Six Sigma. Zo wordt machine learning geen belofte, maar een meetbare verbetering.

Verantwoording

Het doel van deze pagina is om vakkennis (m.n. boeken) aan te bevelen die het beste passen bij deze vraag. Managementboek verdiept zich al meer dan 30 jaar in vakliteratuur en gebruikt nu ook AI om de opgebouwde kennis op een relevante en persoonlijke manier uit te serveren. Je kan ook jouw vraag stellen op managementboek.nl/oplossing en wij voegen deze binnen 1 dag toe.