Laat een LLM afwijkingen in je cijfers opsporen
Giel Linthorst, Smartphonehoesjes
Uit de sessie: AI Champion meeting feb 2026
Giel Linthorst van Smartphonehoesjes beschrijft in de AI Champion-meeting van februari 2026 een tweede AI-project. Een taalmodel scant de commerciële data van onderaf op afwijkingen, zodat het team niet alleen leunt op wat in de dashboards opvalt. Voor iedereen die wekelijks naar cijfers kijkt.
Voor wie: Je zit wekelijks in een commercieel overleg en wilt afwijkingen vinden die je dashboard niet laat zien.
Waarom dit ertoe doet
In een wekelijks commercieel overleg kijk je naar dashboards en vertaal je die naar acties. Wat het dashboard niet toont, mis je. Giel noemt een herkenbaar voorbeeld: een betaalmethode valt uit op één platform en niemand ziet het, omdat het in de totale conversie wegvalt. Elke dag zonder die betaalmethode kost omzet. Google Analytics 4 heeft een ingebouwde anomaliedetectie die daarvoor 90 dagen historie gebruikt bij dagcijfers, maar die kijkt naar metrics die je al volgt. Smartphonehoesjes test een aanpak waarbij een LLM opgeknipte databronnen doorzoekt, afwijkingen duidt en de gemiste conversies in aantallen uitdrukt.
Belangrijkste inzichten
- Een uitgevallen betaalmethode op 1 platform viel bij Smartphonehoesjes weg in de totale conversie.
- Een LLM scant opgeknipte databronnen op trends en afwijkingen en duidt die.
- Het doel is gemiste conversies in aantallen, met suggesties om ze op te lossen.
- GA4 detecteert afwijkingen met 2 weken, 90 dagen of 32 weken historie, afhankelijk van uur-, dag- of weekcijfers.
- In februari 2026 was het een test; Giel noemt nog geen resultaten.
Top-down tegenover bottom-up
Een dashboard is top-down: iemand heeft bedacht welke cijfers belangrijk zijn en jij kijkt of die afwijken. Giel Linthorst zegt dat dit werkt tot de afwijking op een dieper niveau zit. Welke afwijking is groot genoeg om iets mee te doen? Een uitgevallen betaalmethode op één verkoopkanaal verdwijnt in het gemiddelde. Bottom-up werken betekent dat je de data zelf laat doorzoeken, zonder vooraf te bepalen waar je naar kijkt.
Hoe de test werkt
Smartphonehoesjes maakt samples van de data: opgeknipte databronnen met allerlei cijfers, zodat ze in het werkgeheugen van een taalmodel passen. Het model zoekt trends en afwijkingen en geeft daarna een duiding. Het doel is dat er gemiste conversies uitrollen, in aantallen, met een voorstel om het op te lossen. Giel zegt dat er een eerste test is gedaan en dat hij verwacht dat het gaat werken. Resultaten noemt hij nog niet.
Statistiek eerst, taalmodel erna
Een taalmodel is goed in uitleggen en verbanden leggen, maar minder betrouwbaar in rekenen over grote tabellen. Daarom combineren veel teams een statistische detectie met een LLM. Google Analytics 4 gebruikt bijvoorbeeld een Bayesiaans tijdreeksmodel dat de volgende waarde voorspelt en afwijkingen buiten de verwachte bandbreedte markeert. Daarvoor gebruikt het 2 weken historie voor uurcijfers, 90 dagen voor dagcijfers en 32 weken voor weekcijfers. Een taalmodel kan daarna uitleggen welke afwijking ertoe doet en wat de oorzaak kan zijn. Of Smartphonehoesjes het zo opbouwt, zegt Giel niet.
Wat je nodig hebt
Je hebt data nodig per kanaal, per betaalmethode, per land en per dag, niet alleen totalen. Je hebt een vaste plek nodig waar het model die data kan lezen, zoals een datawarehouse of export. En je hebt een definitie nodig van een gemiste conversie, anders geeft het model elke week een ander getal. Begin met de afwijkingen die geld kosten, zoals een betaalmethode of verzendoptie die uitvalt. Laat het model bij elke melding de cijfers noemen waarop het zich baseert, zodat iemand uit het commerciële team de afwijking in de bron kan nalopen voordat er actie volgt. Noteer ook welke meldingen onterecht bleken. Zo leer je na een paar weken welke drempel past en hoeveel ruis je kunt verwachten.
Probeer dit deze week
- Splits je conversie van de afgelopen 30 dagen uit naar betaalmethode en kanaal en zoek dagen met een plotselinge daling.
- Zet in GA4 1 custom insight met de voorwaarde 'heeft afwijking' op transacties per betaalmethode.
- Geef een LLM een export van 1 week per kanaal en vraag welke 3 afwijkingen het meeste omzet kosten.
Begrippen
- Anomaliedetectie
- Automatisch opsporen van waarden die buiten het verwachte patroon vallen.
- Bottom-up analyse
- De data zelf laten doorzoeken in plaats van alleen vooraf gekozen KPI's te volgen.
- Sample
- Een uitsnede van de data die klein genoeg is om in één keer te analyseren.
Transcriptie
Uitgeschreven uit de audio van dit fragment. Stopwoorden en herhalingen zijn weggelaten. Waar [onverstaanbaar] staat, is de opname niet te verstaan.
Tweede interessante project. Dat zit veel meer in de commerciële aansturing van ons bedrijf. We hebben superveel dashboards en elke week zit een commercieel team natuurlijk naar onze resultaten te kijken. Wat moeten we daarmee en wat kunnen we daarmee? En dat vertalen naar acties. alleen stopt dat ook nog wel eens en ja welke afwijkingen zijn dan afwijkend genoeg waar je dan echt wat mee moet en dat zit best wel op een diep niveau en soms is er een of andere payment methode op een bepaald platform die uitgevallen is en niemand heeft het gezien omdat dat is ergens weg en dat zie je in de conversie en de rates niet terug. Dus nu gaan we proberen en ik denk dat het gaat werken. We hebben al een test gedaan, maar om eigenlijk op een gestructureerde manier samples, dus eigenlijk ook een soort van opgeknipte databronnen met allerlei cijfers, om die ook met LLM's te laten scannen op trends, afwijkingen, En vervolgens die afwijkingen weer verder te duiden. Zodat daar eigenlijk een soort van gemiste conversies ook in aantallen uitrollen met suggesties voor dat op te lossen. Dus eigenlijk top down vanuit dashboards. Wat je normaal doet nu eigenlijk ook meer vanuit de data bottom-up. Kijken waar afwijkingen zitten waar we wat mee moeten. Dus dat zijn wel twee interessante ontwikkelingen waar we de komende weken verder mee aan de slag gaan.
Spreker: Giel Linthorst, Smartphonehoesjes
Bronnen
Meer over Data & Dashboards
Duur 1:47AI Code Generatie: van SQL tot DAX in seconden
Jop van Hooft, eCommerce AI Club
AI schrijft je SQL, Python en DAX in één keer goed, en waarschuwt als je data verandert
Duur 1:484 conversational analytics tools getest
Kim Baas, Insight First
Vier AI analytics tools getest, dit zijn de requirements die er echt toe doen
Duur 1:50Real-time prijsvergelijking via Google Shopping API
Tachmy Dilmy, eCommerce AI Club
Live Google Shopping prijzen direct in je dashboard, zonder data warehouse ertussen