De terminologie die verwarring schept
Machine learning wordt vaak verward met automatisering. Automatisering voert vaste regels uit. Machine learning past zijn eigen regels aan op basis van nieuwe informatie. Dat onderscheid bepaalt hoe je een systeem configureert en evalueert.
Een concreet voorbeeld
Stel dat een client zijn maandelijkse spaarinleg drie maanden achtereen verlaagt. Een traditioneel systeem registreert dit. Een machine learning model herkent dit als een patroon dat historisch correleert met grotere financiele stress binnen zes maanden, en markeert de client voor proactief contact.
Het model heeft dat verband niet geleerd van een programmeur. Het heeft het zelf afgeleid uit duizenden vergelijkbare gevallen in de trainingsdata.
Wat dit verandert aan de werkdruk
Adviseurs verschuiven van reactief naar selectief proactief werken. Het systeem filtert signalen, de adviseur beoordeelt welke signalen opvolging verdienen. Dat vereist een andere manier van prioriteren dan de meeste kantoren gewend zijn.
De aanpassing kost tijd. Kantoren die verwachten dat het systeem direct zelfstandig werkt, onderschatten de kalibratiefase van gemiddeld twee tot drie kwartalen.
Hoe je de kwaliteit van het model beoordeelt
Vraag leveranciers naar de samenstelling van de trainingsdata en de geografische relevantie ervan voor de Belgische markt. Modellen getraind op Amerikaanse klantprofielen werken minder goed op Europese spaarpatronen.