Waarom voorspellingen soms ontbreken en hoe we dat oplossen

Jeroen Vermeer · 2026-03-05

Hallo allemaal, Jeroen hier. Vandaag wil ik het hebben over iets wat we allemaal kennen in onze wereld van realtime website statistieken: ontbrekende voorspellingen. Het voelt soms alsof je naar de lucht kijkt en probeert te raden wanneer de eerste bloesems komen. Maar net als bij de natuur, hebben we modellen nodig die werken. ### Het 'twee-emmer' model voor voorspellingen In de bloesemwereld gebruiken ze een interessant concept: het 'twee-emmer' model. Eén emmer moet zich vullen met winterkou (niet te koud, maar genoeg 'chilling' zoals biologen het noemen). De tweede emmer heeft lente-warmte nodig. Pas als beide emmers vol zijn, barst de bloei los. Bij website statistieken werkt het niet anders. We hebben verschillende factoren die samenkomen voordat we een betrouwbare voorspelling kunnen doen. Soms ontbreekt er gewoon data, of zijn de patronen niet duidelijk genoeg. Dat herken je vast wel. ### De uitdaging van ontbrekende data Wat doe je als bepaalde gegevens gewoon niet beschikbaar zijn? Ik hoor vaak van collega's: - Historische data is incompleet - Seizoenspatronen zijn veranderd - Externe factoren zijn moeilijk te meten - Real-time feeds hebben hiaten Het is frustrerend, zeker als je klanten afhankelijk zijn van accurate voorspellingen. Maar weet je wat? Soms moet je gewoon accepteren dat perfectie niet bestaat. Zoals een wijze collega me ooit vertelde: *'Beter een onvolledige voorspelling die transparant is, dan een perfecte die op drijfzand is gebouwd.'* ### Onze aanpak bij ontbrekende forecasts Wij werken met een combinatie van methodes. Eerst kijken we naar wat wél beschikbaar is. Vervolgens gebruiken we: - Interpolatie voor ontbrekende datapunten - Vergelijking met historische patronen - Correctie voor seizoensinvloeden - Transparante communicatie over onzekerheden Het belangrijkste is misschien wel dat laatste punt. We zeggen nooit dat we iets weten als we het niet weten. Dat klinkt simpel, maar in de praktijk is het best moeilijk. ### De menselijke factor Je kunt nog zulke geavanceerde algoritmes hebben, soms mis je gewoon de context. Een warme week in februari, een onverwachte koudegolf in april - het beïnvloedt alles. Bij website statistieken zie je hetzelfde: een viral post, een serverstoring, een onverwachte marketingcampagne. Daarom blijven we altijd met mensen praten. De experts in het veld, de gebruikers van de data, de mensen die de systemen dagelijks gebruiken. Zij zien dingen die algoritmes missen. ### Conclusie: imperfectie is menselijk We streven naar perfectie, maar accepteren dat we die niet altijd kunnen bereiken. Het gaat erom hoe je omgaat met de gaten in je data, met de ontbrekende stukjes van de puzzel. Transparantie, communicatie en een gezonde dosis nederigheid zijn daarbij cruciaal. Wat zijn jouw ervaringen met ontbrekende voorspellingen? Hoe ga jij daarmee om in je dagelijkse werk? Ik hoor graag je verhaal.