Werk
Kwantitatief modelleren voor beslissingen
Professioneel richt ik me op vraagstukken op het snijvlak van kwantitatieve modellering, finance en data.Tijdens mijn stage bij Corporate Finance van Fugro in de zomer van 2025 bouwde en evalueerde ik prognosesystemen voor planning en liquiditeit, van modelkeuze en betrouwbare validatie tot het vertalen van prognoses naar beslissingen.
Financiële prognoses
Corporate Finance · Fugro
Statistische modellen + ML
De aanpak volgt de data
Korte en lange termijn
Dagelijkse kaspositie en langetermijnplanning
Van prognose naar besluit
Van model naar bruikbaar resultaat
Twee prognosevraagstukken
Op lange en korte termijn spelen binnen corporate finance verschillende prognosevragen.
Voor de langetermijnplanning is de vraag hoe de omzet zich in de tijd ontwikkelt. Voor liquiditeitsbeheer draait het om de kaspositie op een specifieke dag.
Achter die twee vragen zit niet dezelfde data — en dus ook niet hetzelfde model.
Alle numerieke voorbeelden en visualisaties hieronder gebruiken synthetische illustratieve data; er worden geen interne cijfers van Fugro getoond.
Lange termijn · Omzetplanning
Enkele jaren aan maandgegevens
Ongeveer veertig maandwaarnemingen
- Maandtotalen, geen transacties.
- Sterke, terugkerende seizoensinvloed.
- Een voorlopende indicator die eerst beweegt.
- Weinig waarnemingen, dus beperkte ruimte voor complexiteit.
Korte termijn · Liquiditeit
Vele duizenden facturen
Betalingsvertraging in dagen →
Één markering per factuur
- Transacties, geen totalen.
- Betaalgedrag per tegenpartij.
- Veel categorische structuur.
- Meer dan genoeg punten om patronen te leren.
Zelfde bedrijf, zelfde stage, twee verschillende modelleerproblemen.
De structuur van de data bepaalde de aanpak.
01 · Planning
Planning op lange termijn
De vraag was niet welk model de historie het mooist beschreef. De vraag was welk model geloofwaardig bleef zodra het een echte prognose moest maken — op een bepaald moment, met alleen wat op dat moment bekend was.
Omzetplanning draaide op een beperkte maandreeks, sterke seizoensinvloed en een handvol mogelijke externe verklarende variabelen.
Het interval wordt breder naarmate de horizon toeneemt. Een prognose twaalf maanden vooruit is niet hetzelfde object als een prognose één maand vooruit.Een model beoordelen alsof dat wel zo is, is precies waar veel schijnzekerheid ontstaat.
De randvoorwaarde die alles bepaalt
Een model met externe verklarende variabelen kun je niet evalueren alsof hun toekomstige waarden al bekend zijn.
Als zo’n variabele op het prognosemoment een invoer moet zijn, moet ook die variabele worden voorspeld onder dezelfde informatievoorwaarden als het doel zelf.
Sla je die stap over, dan test je een model dat in werkelijkheid nooit zal bestaan — een model met toegang tot het antwoord.
Consistent met gebruik
De externe variabele wordt eerst voorspeld en vervolgens aan het model gegeven.
Het resultaat is wat het model op die dag zelf had kunnen opleveren — en daarmee het enige getal dat operationeel betekenis heeft.
Onrealistisch
De externe variabele houdt na het prognosemoment haar gerealiseerde waarden.
Het model wordt dan beoordeeld op informatie die het nooit had kunnen kennen — en scoort juist daardoor beter.
Wat eruit kwam
Op deze taak bleek de eenvoudigere klassieke aanpak betrouwbaarder dan de afgestemde machine-learningalternatieven.
De les is niet dat de ene modelklasse beter is dan de andere.
De les is dat schaarse seizoensdata met een echte voorlopende indicator een gedisciplineerd tijdreeksmodel belonen — en dat die rangorde pas zichtbaar wordt zodra alle kandidaten onder realistische informatievoorwaarden worden getest.
02 · Liquiditeit
Liquiditeit op korte termijn
Kasprognoses op korte termijn vormen een heel ander probleem.
De relevante eenheid is geen maandtotaal maar één factuur. En wat voorspeld moet worden is geen niveau, maar een datum: wanneer wordt deze factuur waarschijnlijk betaald, gegeven wat we weten over de factuur en de tegenpartij?
Waarom de aanpak verandert
Op factuurniveau zijn er ordes van grootte meer waarnemingen. De structuur is bovendien niet alleen temporeel, maar ook categorisch: wie betaalt, onder welke voorwaarden, en met welk eerder betaalgedrag.
Dit is het soort setting waarin flexibelere modellen hun complexiteit kunnen verdienen.
Op deze taak presteerden machine-learningmodellen beter dan de operationele benchmark waarmee ze werden vergeleken.
Hoe voorspellingen beslissingen worden
Het modelleren houdt op waar het interessante deel begint: de vertaling naar een beslissing.
Het model voorspelt wanneer één factuur wordt betaald.
Eén voorspelde factuur is op zichzelf nog geen beslissing.
Per dag opgeteld worden die voorspellingen een verwachte kaspositie. Gesorteerd op blootstelling en verwachte vertraging worden ze een werklijst voor debiteurenopvolging.
Verwachte betaling · één markering per factuur
Per dag opgeteld ↓
Dagelijkse instroom, uitstroom en netto kaspositie
Opvolging debiteuren · werklijst
- INV-1042Tegenpartij AVervalt06 mrtVerwacht27 mrtVertraging+21 dBlootstelling€ 120.000PrioriteitHoog
- INV-1178Tegenpartij BVervalt11 mrtVerwacht28 mrtVertraging+17 dBlootstelling€ 80.000PrioriteitHoog
- INV-1256Tegenpartij CVervalt18 mrtVerwacht29 mrtVertraging+11 dBlootstelling€ 55.000PrioriteitMiddel
- INV-1314Tegenpartij DVervalt21 mrtVerwacht27 mrtVertraging+6 dBlootstelling€ 90.000PrioriteitMiddel
- INV-1390Tegenpartij EVervalt25 mrtVerwacht27 mrtVertraging+2 dBlootstelling€ 30.000PrioriteitLaag
Prioriteit is geen kolom die het model produceert.
Het is blootstelling gewogen met verwachte vertraging — een eenvoudige regel die iemand moet kiezen, en het punt waarop een prognose verandert in een instructie over wie je het eerst belt.
Hoe de modellen zijn beoordeeld
Een model is alleen bruikbaar als het wordt geëvalueerd onder de omstandigheden waarin het gebruikt gaat worden.
Voor planning betekende dat vooruit in de tijd valideren: fitten op alle gegevens tot een gekozen moment en alleen beoordelen op wat daarna kwam.
Voor liquiditeit betekende het beoordelen op facturen die het model nog niet had gezien, en vergelijken met de betaalregel die al operationeel in gebruik was.
Een getal zonder iets ernaast is geen resultaat.
Rolling origin
Tijd →
- Fold 1
- Fold 2
- Fold 3
- Fold 4
Met één train/test-splitsing kun je geluk hebben.
Door het prognosemoment op te schuiven en telkens opnieuw vooruit te beoordelen, ontstaat een reeks resultaten die onderling en met een benchmark te vergelijken zijn.
Een model dat één keer wint, heeft niet gewonnen.
Wat ik eruit meeneem
Validatie verandert welk model je kiest
Een sterke fit op trainingsdata zegt weinig over voorspelkracht.
De rangorde van kandidaten verschuift zodra ze worden beoordeeld op ongeziene perioden, onder de informatievoorwaarden en op de termijn waarvoor de prognose daadwerkelijk wordt gemaakt.
Bij beide vraagstukken gebeurde precies dat.
Complexiteit heeft een prijs
Een flexibeler model is niet automatisch een beter model.
Met slechts enkele jaren maanddata kan extra flexibiliteit sneller variantie toevoegen dan voorspelkracht. Het eenvoudigere model is beter zolang extra complexiteit niets structureels toevoegt.
Een analyse moet de vertaling overleven
Een technisch correct resultaat is pas nuttig wanneer iemand ermee aan de slag kan.
Een invoer voor de planning.
Een dagelijkse kaspositie.
Een lijst van wie je het eerst belt.
Die laatste stap is geen administratie. Het is waar het werk nuttig wordt.
Overig professioneel werk
Communicatie
Lezingen en workshops
Ik gaf lezingen en leidde sessies voor bedrijven, evenementen en klimgroepen.
Daarbij leerde ik technische inhoud en eigen ervaringen af te stemmen op verschillende publieken — niet door de inhoud eenvoudiger te maken, maar door te kiezen wat voor die groep relevant was.
Foto: 2021
Productontwerp
Ontworpen, gebouwd en geleverd
Klimborstel
Ik ontwierp een klimborstel vanuit de geometrie van het object, modelleerde hem in CAD, ontwikkelde het fysieke product en leverde de afgewerkte borstels rechtstreeks aan klimhallen.
Het project leerde me het verschil tussen een ontwerp dat er goed uitziet en een ontwerp dat gemaakt, gebruikt en geleverd moet worden.
Weergegeven: Afgewerkt
Ontwerp
Van tekening naar object
Op zoek naar de volledige achtergrond?
Bekijk mijn cv of neem contact op.