Stijn Benjamin

Cases

Data-gedreven beslissingen in de praktijk

8 projecten in bouw, e-commerce, logistiek en energie. Klanten staan anoniem bij hun sector. Bij elk project lees je wat er speelde, wat ik bouwde en wat het opleverde.

Filter op soort project

8 cases
BouwKlantproject

Voorspelmodel voor de planning van vooropnames

Per adres de kans voorspellen dat een bewoner meewerkt, zodat er niet te veel of te weinig capaciteit klaarstaat.

Fout van 10 procentpunt, waar de vaste aanname er 32 naast zat

BouwKlantproject

Voorspelmodel voor offerteaanvragen

Per aanvraag de succeskans voorspellen, zodat salestijd naar de aanvragen met de hoogste verwachte waarde gaat.

Draait in de eigen database en scoort duidelijk beter dan het impliciete gemiddelde

BouwKlantproject

Data Strategie met roadmap

Negen interviews van directie tot uitvoering leverden thema's, geprioriteerde initiatieven en een roadmap in drie fasen op.

Zes thema's, vijftien initiatieven, een roadmap in drie fasen

E-commerceKlantproject

Voorraadsysteem met forecasting

Inkoopmoment en inkoophoeveelheid onderbouwen met een verkoopvoorspelling per product, opgebouwd uit zoekvolume, positie en conversie.

Verkoopvoorspelling per product uit een eigen database van 30.000 zoektermen

E-commerceKlantproject

Verzendlabel-tool en koppeling met klantenservicesoftware

Twee kleine systemen die handwerk uit het dagelijkse proces halen: labels voor een hele batch orders en klantvragen automatisch in het ticketsysteem.

Van handwerk per order naar één handeling per batch

E-commerceKlantproject

Webapp voor product- en marktanalyse

Nieuwe producten vinden op basis van zoekgedrag in plaats van intuïtie, met een eigen databron en een webapp erbovenop.

Producten gevonden die elk meer dan €10.000 omzet opleverden

LogistiekEigen product

BoxSight: containervloot live volgen

Een eigen product voor containerhandelaren die met Excel werken: containers, schepen, depots en klanten op één live kaart.

Live in early access, met de eerste tien bedrijven aan boord

EnergieEigen project

Elektriciteitsvraag voorspellen

Een eigen verkenning: kun je met open data de landelijke vraag beter voorspellen, en wat gebeurt er met zo'n model in een net dat snel verandert?

Fout gehalveerd ten opzichte van een naïeve baseline in vier van de vijf vensters

Wat klanten zeggen

Stijn heeft onze organisatie doorgelicht, met veel collega’s gesproken en aan de hand daarvan een goed gestructureerd plan gemaakt hoe we nog meer kunnen bereiken met data, van strategie tot en met uitvoering. Heel haalbaar voor een niet al te grote organisatie als de onze. En een fijn persoon om mee te werken!

Bart DriessenCTO, Quattro Expertise
3 projecten afgerond

Stijn heeft ons met verschillende projecten geholpen: een label-software om ons inpakproces efficiënter te maken, een Product Research tool, het koppelen van verschillende communicatiekanalen met onze klantenservice-software en een voorraadsysteem. Het fijne aan het werken met Stijn is dat hij een business achtergrond heeft, waardoor hij de input geeft om het project naar het volgende niveau te tillen. Communicatie is snel en helder en projecten worden op tijd opgeleverd. Ook als projecten eenmaal zijn opgeleverd helpt Stijn als nodig. Dat allemaal tegen een eerlijke en transparante prijs.

Afik MenDirector, Brosmen Brands Group
6 projecten afgerond

Wil je weten wat data bij jou kan opleveren?

In een gratis Kansenscan van 30 minuten vertel je wat je wilt bereiken. Ik benoem de meest kansrijke richtingen en zeg eerlijk wat ik ervan denk.

Vraag gratis Kansenscan aan (30 min)
BouwKlantproject

Voorspelmodel voor de planning van vooropnames

Fout van 10 procentpunt, waar de vaste aanname er 32 naast zat

Het probleem

Bouwkundige vooropnames bij adressen rond bouwprojecten werden gepland op één vaste aanname: ongeveer 85 procent van de bewoners doet open en werkt mee. Per gebied wijkt dat sterk af, dus er stond regelmatig te veel of te weinig capaciteit klaar.

Wat ik bouwde

Ik heb 126.000 adresregels opgeschoond, features gemaakt en verrijkt met postcodedata. Daarna heb ik een XGBoost-model getraind met een search over 200 configuraties en het beste model gekalibreerd. Dat laatste was essentieel, omdat de kans rechtstreeks in een kostenformule gaat.

Toen bleek dat adressen proactief overslaan niet bij de rol van de opdrachtgever paste, heb ik de toepassing aangepast: iedereen krijgt bezoek, en de voorspelde kansen worden per gebied opgeteld om te bepalen hoeveel manuren daar nodig zijn.

Wat het opleverde

Op 1.008 gebieden die ik apart had gehouden zit het model er ongeveer 10 procentpunt naast, waar de vaste aanname er 32 naast zat. Op honderd adressen is dat dertig opnames verschil in ingeplande capaciteit. Het model draait in de planning.

Waar het om draaide

De regel die op papier het beste was, kon de organisatie niet dragen. Het gekalibreerde kansmodel bleef overeind, en ik toets de toepassing sindsdien eerder in het traject.

Vraag gratis Kansenscan aan (30 min)
BouwKlantproject

Voorspelmodel voor offerteaanvragen

Draait in de eigen database en scoort duidelijk beter dan het impliciete gemiddelde

Het probleem

Aanvragen komen binnen, er wordt een project van gemaakt en binnen enkele dagen gaat er een offerte uit. Of zo'n aanvraag doorgaat, weet men soms pas maanden of jaren later. Er was een goed gevulde database, maar geen voorspelling op de funnel. Aan welke aanvraag sales extra tijd besteedde, ging op ervaring en onderbuikgevoel.

Wat ik bouwde

Ik heb eerst de database verkend om te bepalen welke tabellen en velden bruikbaar waren, en daarbij gestuurd op factoren waar de opdrachtgever zelf aan kan draaien, zoals de samenstelling van de offerte. Features zijn onder meer de branche van de opdrachtgever, het type aanvraag (openbare aanbesteding, directe opdracht, onderhandse aanbesteding), de projectonderdelen uit de prijslijst en de historische uitkomst en doorlooptijd.

Aanvragen die nog openstonden, telde ik niet als verlies. Op basis van de doorlooptijd bij projecten die wel doorgingen heb ik per openstaande aanvraag bepaald hoe groot de kans is dat hij alsnog valt.

Het model is gevalideerd op recente data die niet in de training zat. Die splitsing op tijd is bewust, omdat een salesfunnel verandert. Het draait in de eigen SQL-omgeving van de opdrachtgever en schrijft de kans automatisch terug naar een kolom in de database. Hertrainen is ingebouwd, en de code staat in Git met een README.

Wat het opleverde

De kansen komen automatisch in de database terecht, dus het model is bruikbaar binnen de bestaande werkwijze, zonder extra tooling of data science kennis. Op recente, ongeziene data presteerde het duidelijk beter dan het gemiddelde dat men impliciet aanhield. Omdat het team zelf kan hertrainen, is het geen momentopname die na een jaar verouderd is.

Waar het om draaide

Bijna de helft van de uren ging naar data engineering en integratie, en dat was terecht. De voorspelling moet naast de aanvraag staan op het moment dat sales de keuze maakt.

Vraag gratis Kansenscan aan (30 min)
BouwKlantproject

Data Strategie met roadmap

Zes thema's, vijftien initiatieven, een roadmap in drie fasen

Het probleem

Het bedrijf wilde groeien en de bottleneck zat in capaciteit en planbaarheid. Na twee eerdere dataprojecten zag ik dat de keuze voor projecten per gelegenheid tot stand kwam. Elk idee was op zichzelf redelijk, maar er was geen volgorde, geen samenhang en geen manier om te bepalen wat eerst moest. Ik stelde zelf voor om eerst een strategie neer te zetten.

Wat ik bouwde

Ik heb negen stakeholders geïnterviewd over vier dagen op locatie, van directie tot uitvoering. Open gesprekken over hoe mensen werken, waar ze tegenaan lopen en wat ze missen.

Wat het opleverde

Een strategisch raamwerk met zes thema's, vijftien gescoorde initiatieven met hun afhankelijkheden en een gefaseerde roadmap met drie concrete startpunten. De onderbouwing is per signaal herleidbaar naar wie het gezegd heeft, dus de directie kan de redenering controleren in plaats van het advies op gezag aan te nemen.

Waar het om draaide

Uit de interviews bleek dat twee modellen die ik eerder had opgeleverd hun eindgebruikers nauwelijks bereikten. Dat heb ik in de strategie opgenomen: een project is pas af als het doel in de dagelijkse werkwijze is behaald.

Vraag gratis Kansenscan aan (30 min)Bekijk Data Strategie
E-commerceKlantproject

Voorraadsysteem met forecasting

Verkoopvoorspelling per product uit een eigen database van 30.000 zoektermen

Het probleem

Een webwinkel verkoopt eigen producten via meerdere bol.com-accounts en Amazon, met inkoop uit China. Dat betekent lange levertijden, minimale afnamehoeveelheden, containerverzending en periodes waarin fabrieken stilliggen. Inkoop ging op historische verkopen en gevoel. Te weinig voorraad kost omzet en ranking, te veel voorraad legt werkkapitaal vast.

Wat ik bouwde

Ik heb de keten onder de verkopen voorspeld: zoekvolume, de positie in de zoekresultaten en de conversie. Een tijdreeks op verkoophistorie ziet een rankingverandering pas als het al gebeurd is, en dan is het te laat om erop te sturen.

Hoe nauwkeuriger de voorspelling, hoe kleiner de spreiding in de verwachte vraag, hoe lager de veiligheidsvoorraad kan zijn en hoe minder werkkapitaal er vastligt.

Wat het opleverde

De forecastketen levert een verkoopvoorspelling per product, gevoed door een eigen database met zoekvolumes die er daarvoor niet was. Het voorraadsysteem eromheen is deels opgeleverd.

Waar het om draaide

Als je drie schattingen op elkaar stapelt, is de validatie tegen werkelijke verkopen het belangrijkste stuk. Dat plan ik sindsdien vooraan in het traject in.

Vraag gratis Kansenscan aan (30 min)
E-commerceKlantproject

Verzendlabel-tool en koppeling met klantenservicesoftware

Van handwerk per order naar één handeling per batch

Het probleem

Twee knelpunten bij dezelfde webwinkel.

Wat ik bouwde

De database ertussen is de kern van het ontwerp: eerst vastleggen wat binnenkomt, dan pas versturen. Zo ontstaan er geen dubbele tickets en gaat er geen klantvraag verloren als het doorsturen faalt.

Wat het opleverde

Het verzendklaar maken van een batch is één handeling geworden, en paklijst en labels komen uit dezelfde bron, dus ze kunnen niet meer uit elkaar lopen. De koppeling draaide twee jaar zonder onderhoud op een bron waar ik geen controle over heb. Toen bol.com het mailformaat wijzigde, bleef de storing beperkt tot één schakel.

Waar het om draaide

De label-tool is het project dat het meest vanzelfsprekend werd gebruikt, omdat hij precies in de bestaande werkstroom zat. De gebruikers hoefden niets anders te gaan doen, alleen minder.

Vraag gratis Kansenscan aan (30 min)
E-commerceKlantproject

Webapp voor product- en marktanalyse

Producten gevonden die elk meer dan €10.000 omzet opleverden

Het probleem

De groei van een webwinkel hangt af van het vinden van nieuwe producten om in te kopen. Die keuze werd gemaakt op gevoel en handmatig zoekwerk. Om het met data te doen was zicht nodig op wat mensen op het platform zoeken en hoe dat zich ontwikkelt, en die bron bestond niet.

Wat ik bouwde

De zoekwoord-API van bol.com geeft per term het historische zoekvolume terug, plus vijf gerelateerde termen. Daarmee kun je één term bekijken, maar geen markt in kaart brengen. Ik heb de API als een graaf behandeld: beginnen bij de categorienaam, de gerelateerde termen boven een volumedrempel opnieuw de API in sturen en zo de dekking vanzelf laten groeien.

Die crawl draaide een nacht, en de ochtend erna stond er een database van 30.000 zoektermen met hun historie.

Daarbovenop staat een webapp waarin je kunt filteren en sorteren op zoektermen en filters als preset opslaat, zodat een zoekstrategie herbruikbaar is. Per zoekterm toont een SARIMA-decompositie trend, seizoen en ruis apart. Zo zie je welke producten structureel stijgen en filter je producten weg waarvan het volume vooral uit seizoenspieken bestaat, wat bij inkoop uit China zwaar telt.

Wat het opleverde

De productkeuze wordt onderbouwd met zoekvolume en trend in plaats van met gevoel. Via de tool zijn meerdere producten gevonden die elk meer dan 10.000 euro omzet hebben opgeleverd. De database werd daarna de basis voor het verkoopvoorspellingsmodel, dus het is geen eenmalige analyse gebleven.

Waar het om draaide

De decompositie werd pas nuttig toen ze een filtercriterium werd in plaats van een grafiek om naar te kijken.

Vraag gratis Kansenscan aan (30 min)
LogistiekEigen product

BoxSight: containervloot live volgen

Live in early access, met de eerste tien bedrijven aan boord

Het probleem

Kleine en nieuwe containerhandelaren werken zonder ERP. Hun voorraad leeft in Excel: welke containers waar staan, welke in optie zijn of verkocht, welke nog op een schip zitten. Data komt binnen als depotlijsten en partnerlijsten die handmatig worden overgetypt, waardoor de fysieke status van een container los staat van de commerciële status. De pijn zit in de invoer, en daar ontbreekt standaardsoftware voor dit segment.

Wat ik bouwde

Ik zag een structureel gat en heb besloten er zelf een product van te maken. BoxSight zet containers, schepen, depots, fabrieken en klanten op één live kaart, van fabriek tot eindbestemming.

Gebouwd met Next.js, FastAPI en Supabase, met Stripe voor abonnementen.

Wat het opleverde

BoxSight is live en zit in early access. Ik onboard de eerste tien bedrijven en vorm de roadmap direct met hen. Een van de eerste gebruikers ontdekte met de kaart fouten in de handmatige bijhoudsheets van collega's: het product maakt zichtbaar wat eerder onzichtbaar was.

Waar het om draaide

Een vaste prijs tegenover kosten die meeschalen met gebruik ziet er in een spreadsheet lang goed uit, en breekt pas bij de klant die je het liefst wilt hebben. Dat zit nu in het ontwerp van het prijsmodel.

Vraag gratis Kansenscan aan (30 min)Bekijk BoxSight
EnergieEigen project

Elektriciteitsvraag voorspellen

Fout gehalveerd ten opzichte van een naïeve baseline in vier van de vijf vensters

Het probleem

De landelijke elektriciteitsvraag in Nederland wordt dagelijks vooruit voorspeld, en de officiële day-ahead prognose is publiek beschikbaar via ENTSO-E. Als eigen verkenning naar de energiemarkt wilde ik weten of je met open data een betere voorspelling kunt maken, en vooral wat er gebeurt met zo'n model in een net dat snel verandert.

Wat ik bouwde

Wat het opleverde

In de eerste vier vensters, van december 2025 tot begin april 2026, halveert het model de fout ten opzichte van de baseline: 487 MW tegenover 859 MW gemiddelde absolute fout.

In het vijfde venster, 5 april tot 5 mei 2026, ging het mis. Daar was mijn model met 3.206 MW de slechtste van de drie. Het bleef met overtuiging een lentemiddag voorspellen uit een tijd met veel minder zonnepanelen, terwijl de gemeten vraag midden op de dag naar nul zakte.

Dat bepaalde de richting: ik bouw het opnieuw op met zon en wind als aparte voorspellingslagen en restvraag (vraag minus opwek) als signaal. Het is een eigen verkenning en geen draaiend systeem.

Waar het om draaide

Een getraind model is zo goed als de aanname dat de toekomst op het verleden lijkt. In de energietransitie is dat op dit moment een van de slechtst houdbare aannames.

Vraag gratis Kansenscan aan (30 min)