Je hebt de gegevens al. Het probleem is dat je heel vaak naar de verkeerde gegevens kijkt op de verkeerde manier.
Als je een MKB-bedrijf runt, open je waarschijnlijk elke maand een Excel-bestand dat uit het boekhoudsysteem is geëxporteerd, controleer je de totale omzet, vergelijk je deze met de vorige maand of met dezelfde periode van vorig jaar en probeer je te achterhalen of het “goed gaat”. Dat is normaal. Het is ook de reden waarom zoveel bedrijven over veel gegevens beschikken, maar maar weinig echt onderbouwde beslissingen nemen.
Het punt is dit. De totale omzet vertelt niet het hele verhaal. Soms verbergt het juist de waarheid. Een maand kan er goed uitzien omdat het totaal stijgt, terwijl je onder de oppervlakte juist meer van de minder winstgevende producten verkoopt, minder vaak bij trouwe klanten terugkomt of een kanaal promoot dat marge opslokt in plaats van marge te genereren. Volgens Salesforce Italia begint de analyse van verkoopgegevens juist met het verzamelen en centraliseren van gegevens uit verschillende bronnen om deze om te zetten in bruikbare inzichten en om de effectiviteit, kritieke punten en kansen in realtime te monitoren.
Wanneer we serieus aan de slag gaan met de analyse van verkoopgegevens, houden we op met het tellen van wat er is gebeurd en gaan we begrijpen waarom het is gebeurd, welke richting het bedrijf opgaat en wat we nu het beste kunnen doen.
Als je vandaag vooral naar de totale omzet kijkt, loop je niet achter. Je bevindt je op hetzelfde punt als het merendeel van de Italiaanse kleine en middelgrote ondernemingen.
Het probleem ontstaat wanneer dat cijfer de enige bril wordt waardoor we naar het bedrijf kijken. De omzet stelt ons gerust omdat die eenvoudig, direct en vertrouwd is. Maar het is ook een te beperkte samenvatting om serieuze zakelijke beslissingen op te baseren. Het vertelt ons niet welke klanten het minder goed doen, welke producten de marge ondermijnen, welke gebieden echt vooruitgaan en welke kanalen alleen op het eerste gezicht goed presteren.
In Italië wordt deze stap steeds belangrijker, omdat de verkoopanalyse niet langer beperkt blijft tot de eindrapporten. Beheerplatforms integreren inmiddels functies voor operationele analyse in de dagelijkse werkzaamheden. Met Microsoft Business Central kun je bijvoorbeeld volumes en bedragen analyseren met dynamische analysemethoden en filters, rechtstreeks in het systeem, zoals wordt uitgelegd in de documentatie over ad-hocverkoopanalyses.
Wanneer een bedrijf alleen naar het totaal kijkt, neemt het zakelijke beslissingen op basis van onvolledige informatie. Wanneer het de gegevens uitsplitst, begint het het bedrijf te zien zoals het werkelijk is.
Het verschil tussen het beschikken over gegevens en het analyseren van verkoopgegevens zit hem hierin.
De verslaggeving beschrijft wat er is gebeurd. De analyse probeert uit te leggen waarom het is gebeurd en wat er nu het beste kan worden gedaan.
Als je leest: “We hebben meer verkocht dan vorige maand”, dan ben je bezig met rapportage. Als je je daarentegen afvraagt welke klanten de gemiddelde bestelwaarde hebben verhoogd, welke artikelen daadwerkelijke winst hebben opgeleverd en welke kanalen wel omzet maar geen winst opleveren, dan ben je eindelijk aan het analyseren.
Dit verschil is vandaag de dag nog belangrijker, omdat de omzet steeds meer over verschillende kanalen wordt verdeeld. Volgens rapporten over retail- en cross-channel-analyses meldt het ISTAT dat in de detailhandel in november 2025 de waarde van de onlineverkopen aanzienlijk sneller is gestegen dan het totaal. Voor een MKB-bedrijf betekent dit één ding: als je de fysieke winkel, e-commerce, CRM en voorraad van elkaar scheidt, krijg je slechts een fragmentarisch beeld.
| Uiterlijk | Rapportage (Tellen) | Analyse (Begrijpen) |
|---|---|---|
| Hoofdvraag | Wat is er gebeurd? | Waarom is dit gebeurd? |
| Overzicht van de gegevens | Geaggregeerd | Uitgesplitst naar klant, product, kanaal, periode |
| Toepassingen | Controle achteraf | Operationeel besluit |
| Weer | Verleden tijd | Verleden, heden en toekomstige koers |
| Uitvoer | Getal of tabel | Inzichten en prioriteiten voor actie |
Om beter te begrijpen hoe dashboards het MKB helpen, volstaat het om naar het volgende verschil te kijken: het statische rapport geeft een momentopname, terwijl een goed opgebouwd dashboard verbanden legt.
De eerste fout is om de omzet als de belangrijkste KPI te beschouwen. De omzet is weliswaar nuttig, maar op zichzelf is het een onvolledige maatstaf.
Een beperkt aantal indicatoren dat gekoppeld is aan concrete beslissingen is belangrijker:
Praktische regel: se un numero non ti porta a una decisione precisa, non è ancora analisi.
Veel kleine en middelgrote ondernemingen stoppen te vroeg. Ze kijken naar de omzet. Ze vergelijken de maanden met elkaar. Ze geven commentaar op de afwijkingen. Maar de analyse van de verkoopgegevens begint pas wanneer elk cijfer wordt gekoppeld aan een managementvraag: bezuinigen, stimuleren, bijsturen, herpositioneren, behouden.
Dat gebeurt vaak bij Italiaanse kleine en middelgrote ondernemingen. We kijken naar de totale omzet, zien welke productlijn het zwaarst weegt en concluderen dat die koste wat kost verdedigd moet worden.
Maar als we dieper ingaan op de zaak, verandert het beeld.
In een B2B-zaak die we hebben begeleid, genereerde het product dat als de motor van het bedrijf werd beschouwd een aanzienlijk deel van de omzet. Het probleem lag echter elders: frequente kortingen, hoge logistieke kosten, voortdurende commerciële verzoeken en een lage marge per bestelling. Een nevenlijn, die in het maandrapport veel minder opviel, leverde daarentegen meer winst per transactie op en vergde minder operationele inspanning.
Hier vindt de echte mentaliteitsverandering plaats. Het bijhouden van de verkoopcijfers is nodig voor de rapportage. Inzicht in welke verkopen het bedrijf laten groeien, is nodig om beslissingen te nemen.
De gekozen KPI bepaalt het commerciële gedrag. Als je alleen de omzet beloont, stimuleer je het volume. Als je ook de marge per transactie meet, waarborg je de winstgevendheid.
In de praktijk heeft een ondernemer geen tientallen cijfers nodig. Hij heeft slechts enkele indicatoren nodig die verband houden met concrete keuzes: prijzen, kortingen, productmix, commerciële prioriteiten en investeringen in klantenwerving.
De functies die ik het vaakst gebruik in kleine en middelgrote ondernemingen met verkoopnetwerken, distributeurs of een interne verkoopafdeling zijn de volgende:
Transactiemarge
Dit is de KPI die het verschil aangeeft tussen omzet en resultaat. Twee orders met hetzelfde bedrag kunnen zeer uiteenlopende gevolgen hebben voor de winst-en-verliesrekening. Als je dit niet meet, loop je het risico producten, klanten of kanalen te promoten die wel capaciteit in beslag nemen, maar weinig opleveren.
Klantacquisitiekosten (CAC)
Dit geeft inzicht in hoeveel je betaalt om nieuwe omzet binnen te halen. Het is zinvol om dit per kanaal en, waar mogelijk, per klantsegment te bekijken. Een hoge CAC is niet altijd een probleem, maar wordt dat wel als de klant weinig koopt, slechts één keer koopt of alleen met korting koopt.
Klantwaarde in de loop van de tijd (LTV)
Brengt orde in commerciële beslissingen. Een klant die rustig begint maar daarna regelmatig terugkomt, kan meer waard zijn dan iemand die met een grote bestelling binnenkomt en daarna verdwijnt. Daarom moeten CAC en LTV samen worden bekeken, niet afzonderlijk.
Churn
Meet het verlies van het klantenbestand of de herhalingsaankoopfrequentie. Bij veel kleine en middelgrote ondernemingen wordt de churn niet formeel berekend, maar is deze al te herkennen aan eenvoudige signalen: klanten die steeds meer tijd laten verstrijken tussen twee bestellingen, een verslechtering van de aankoopmix en een daling van de gemiddelde bestelwaarde. Als we deze signalen negeren, lijkt de omzet stabiel te blijven totdat het probleem al ver gevorderd is.
Conversiepercentage in combinatie met het commerciële gedrag
Het cijfer op zich zegt weinig. De analyse van de verkoopprestaties wordt beter wanneer de KPI's worden gekoppeld aan het gedrag van klanten en het verkoopteam. Als de conversie daalt, moet worden nagegaan waar het proces hapert: onvoldoende gekwalificeerde leads, een zwak aanbod, lange reactietijden, onderhandelingen die vastlopen op de prijs. Ook Mercuri benadrukt dit punt bij de analyse van de verkooptrends: het cijfer wordt pas nuttig wanneer het leidt tot een operationele aanpassing.
Om deze indicatoren op één lijn te houden, is het goed om jezelf een heel eenvoudige vraag te stellen: welke beslissing verandert er als deze KPI verslechtert of verbetert?
| KPI | Een vraag die helpt bij het oplossen van het probleem |
|---|---|
| Marge per transactie | Op welke orders, klanten of productlijnen maken we daadwerkelijk winst? |
| CAC | Betalen we te veel om nieuwe omzet binnen te halen? |
| LTV | Levert deze klant op termijn rendement op voor de commerciële inspanningen? |
| Churn | Waar gaan we de reeds opgebouwde waarde kwijt? |
| Omrekening | Ligt het probleem bij de doelgroepbepaling, het aanbod, het proces of de verkoop? |
Dit is het punt dat de kwaliteit van de analyse verhoogt. De KPI moet niet alleen beschrijven. Hij moet tot actie aanzetten.
Als je deze indicatoren wilt opstellen op basis van de gegevens die je al hebt, zonder te wachten op een groter softwareproject, kan de handleiding ELECTE over KPI’s in Excel je daarbij helpen.
Daarnaast is er een aspect dat bij kleine en middelgrote ondernemingen vaak wordt onderschat. De omzet hangt niet alleen af van prijslijsten en onderhandelingen, maar ook van de hulpmiddelen die de verkoper in het veld gebruikt: ondersteunend materiaal, kits, monsters, promotieartikelen, middelen voor beurzen of klantbezoeken. Als je het rendement van deze activiteiten beter wilt meten, kan deze strategische gids voor gepersonaliseerde artikelen je wellicht van pas komen, vooral als het doel is om de verkoopinstrumenten te koppelen aan de resultaten en niet alleen bij de omzet te blijven stilstaan.
In het Excel-bestand ziet het maandtotaal er misschien nog wel goed uit. Maar als we beter kijken, ontdekken we dat een deel van de omzet afkomstig is van klanten die hoge kortingen vragen, onregelmatig inkopen en veel commerciële tijd in beslag nemen. Op dat moment stoppen we met het tellen van de verkopen en beginnen we het bedrijf echt te begrijpen.
Daar dient segmentatie voor. Om onderscheid te maken tussen wat omzet oplevert en wat winst oplevert, tussen wat groeit en wat middelen opslokt, tussen wat veelbelovend lijkt en wat op de lange termijn echt standhoudt.
Wanneer we de verkoopcijfers uitsplitsen, komen er doorgaans vier nuttige inzichten naar voren:
Voor een Italiaanse KMO heeft deze ontwikkeling invloed op de besluitvorming. Als een agent veel omzet binnenhaalt, maar met bestellingen met een lage marge, gaat het niet om de vraag of hij ‘weinig of veel verkoopt’. Het gaat erom of die mix het bedrijf daadwerkelijk ondersteunt. Als de e-commerce groeit, maar frequente kortingen vereist en meer aftersales-ondersteuning vereist, moet dit worden beoordeeld op basis van de werkelijke economische bijdrage, niet op basis van het volume.
Een goede segmentatie helpt bij het bepalen waar tijd, kortingen, voorraad en aandacht van de verkoper het best kunnen worden ingezet.
Segmentatie werkt alleen op basis van betrouwbare gegevens. Voor veel kleine en middelgrote ondernemingen is dit een cruciaal punt, omdat de gegevens vaak versnipperd zijn over bedrijfssoftware, CRM-systemen, e-commerceplatforms en Excel-bestanden die in de loop der jaren zijn opgebouwd.
De terugkerende problemen zijn altijd dezelfde:
Als de basis onjuist is, draagt de grafiek niet bij aan een betere beslissing. Hij maakt die alleen maar eleganter.
Voordat je de segmenten gaat interpreteren, is het raadzaam om drie eenvoudige controles uit te voeren: zorgen dat de stamgegevens op elkaar zijn afgestemd, dat de productcodes consistent zijn en dat er duidelijke regels zijn voor het toewijzen van opbrengsten en kosten. Dit is geen ingewikkeld werk. Het is de stap die voorkomt dat je de verkeerde klant beloont, het verkeerde product promoot of een kanaal verdedigt dat in werkelijkheid de marges ondermijnt.
Zodra de basis is gelegd, heeft segmentatie alleen zin als deze tot een concrete keuze leidt.
Een praktische methode is deze:
Bepaal waar de waarde zich concentreert
Het volstaat niet om je af te vragen wie de omzet bepaalt. Je moet begrijpen wie zorgt voor marge, continuïteit en kwaliteit van de portefeuille.
Maak een onderscheid tussen volume en winstgevendheid
Het best verkochte product is niet altijd het product dat je het beste kunt promoten. Hetzelfde geldt voor klanten en kanalen.
Kijk naar de richting, niet alleen naar de foto
Een segment moet in de loop van de tijd worden bekeken. Groeit het goed, vertraagt het, presteert het slechter in de mix of wordt het duurder om te bedienen?
Zet elk feit om in een besluit
Meer aandacht voor klanten met een hoge marge, herziening van de prijslijsten voor zwakke productlijnen, minder kortingen in kanalen die waarde opslokken, commerciële doelstellingen die zijn gebaseerd op marge en niet alleen op omzet.
Dit is de stap die de analyse naar een hoger niveau tilt. We zijn niet geïnteresseerd in meer tabellen. We willen begrijpen welke verkopen het waard zijn om te behouden, welke we moeten laten groeien en welke we opnieuw moeten bekijken voordat de omzet een winstgevendheidsprobleem verbergt.
Bij Italiaanse kleine en middelgrote ondernemingen is het probleem zelden een gebrek aan gegevens. Het probleem is dat de cijfers verspreid zijn over het bedrijfsbeheersysteem, het CRM-systeem, e-commerce, het kassasysteem en Excel-bestanden, waardoor de eigenaar weliswaar de totale omzet ziet, maar moeite heeft om te begrijpen wat daadwerkelijk winst oplevert.
Daarvoor is een effectieve methode nodig. Om verspreide gegevens om te zetten in praktische beslissingen.
In de praktijk verloopt de werkvolgorde als volgt:
Gecentraliseerde gegevensverzameling
We brengen bestellingen, klanten, producten, kortingen, kosten en kanalen samen op één plek. Als de bronnen gescheiden blijven, verliest de vergelijking tussen periodes, regio’s of productlijnen aan betrouwbaarheid.
Opschoning en standaardisatie
Dubbele codes, op verschillende manieren geschreven persoonsgegevens, inconsistente datums, ontbrekende kosten. Dit zijn veelvoorkomende fouten. Als we deze niet eerst corrigeren, wordt zelfs de marge per transactie of per klant misleidend.
Beschrijvende analyse
Hier bekijken we wat er is gebeurd. Niet alleen hoeveel we hebben verkocht, maar ook hoe de productmix is verschoven, welke klanten met forse kortingen kopen, welke producten voor omzet zorgen en welke producten de marge veiligstellen.
Diagnostische en voorspellende analyse
Op dit niveau gaan we op zoek naar de oorzaken en bruikbare signalen. Tijdreeksen, eenvoudige regressies, klantclusters, vergelijkingen tussen cohorten, analyse van seizoensinvloeden. Daar zijn niet per se ingewikkelde formules voor nodig. Wat we nodig hebben, is een methode die ons helpt om schommelingen in de vraag, margedaling of geloofwaardige kansen voor cross-selling te voorspellen.
Operationele interpretatie
De analyse is van toepassing wanneer er een keuze wordt gewijzigd. Prijzen, kortingen, assortiment, commerciële prioriteiten, voorraden, doelstellingen van het verkoopnetwerk.
Dat is nu juist het cruciale punt. Veel bedrijven komen tot het rapport en blijven daar steken. Wij moeten tot een besluit komen.
Voor een MKB-bedrijf komt de kwaliteitssprong niet voort uit een geavanceerd hulpmiddel. Het komt voort uit een goed gestelde vraag.
Als we alleen vragen: "Hoeveel omzet hebben we behaald?", krijgen we rapportages. Als we vragen: "Welke verkoop levert ons de grootste marge op, bij welke klant, via welk kanaal en met welke frequentie?", beginnen we het bedrijf te begrijpen.
Een zuivere tijdreeks, geanalyseerd op basis van trends en seizoensinvloeden, levert vaak nuttigere aanwijzingen op dan een geavanceerd model dat is gebaseerd op inconsistente gegevens. Dit geldt vooral wanneer het bedrijf snel een beslissing moet nemen en de logica achter die keuzes moet uitleggen aan de afdelingen verkoop, inkoop en administratie.
Een model dat het management begrijpt en toepast, is meer waard dan een model dat moeilijk uit te leggen is en onmogelijk in de praktijk te brengen.
In de praktijk is het verstandig om te beginnen met technieken die het team op de lange termijn kan volhouden: vergelijkingen over een homogene periode, analyse van schommelingen, winstmarges per order, klantsegmenten, producten met een hoge omloopsnelheid versus producten met een hoge winstgevendheid. Als de basis vervolgens standhoudt, kunnen er meer geavanceerde instrumenten worden toegevoegd.
Dit punt is van cruciaal belang. Een nuttige analyse hoeft geen indruk te maken. Ze moet je helpen om betere beslissingen te nemen, eerder en met minder fouten.
Om voorraden, budgetten en commerciële capaciteit te plannen, volstaat het niet om alleen in de achteruitkijkspiegel te kijken. Er is een weloverwogen prognose nodig.
Voor prognoses is geen interne datawetenschapper nodig. Wat wel nodig is, is een gestructureerde aanpak van de gegevens en een duidelijke vraagstelling.
Een eenvoudige stappenplan zou er als volgt uit kunnen zien:
Kies de juiste tijdreeks
Gebruik een tijdreeks die lang genoeg is om trends en seizoensinvloeden zichtbaar te maken.
Maak een onderscheid tussen de analyseniveaus
. Maak niet alleen een prognose voor het totale bedrijfsresultaat. Maak ten minste een prognose per productlijn, kanaal of regio als deze segmenten een verschillende logica volgen.
Reinig eerst voordat je projecteert:
. Als er in de geschiedenis fouten of niet-geïdentificeerde uitzonderlijke gebeurtenissen staan, neemt de voorspelling die ruis over.
Werk op basis van scenario’
Het heeft geen zin om absolute zekerheid te eisen. Het is belangrijk om binnen een aannemelijk bereik te redeneren en veerkrachtige beslissingen te nemen.
Werk de prognose voortdurend bij
Een bruikbare prognose is dynamisch. Je stelt die niet één keer op bij het opstellen van de begroting en vergeet hem daarna.
In de praktijk spelen de modellen die voor een KMO nuttig zijn in op zeer concrete behoeften.
Trend Tracker helpt bij het interpreteren van de onderliggende langetermijntrend.
Season Sense is nuttig wanneer seizoensinvloeden de vraag naar bepaalde maanden of weken verschuiven.
Smooth Forecaster filtert ruis uit de meest volatiele reeksen.
Growth Accelerator is geschikt wanneer een lijn in een fase van niet-lineaire groei terechtkomt.
Smart Predictor selecteert automatisch het meest geschikte model op basis van de fit.
Technologie is hier alleen nuttig als ze de prognose begrijpelijk maakt, niet als ze deze ondoorzichtig maakt. Hieronder vallen ook platforms zoals sales forecast solutions, die de analyse van historische reeksen en prognoses automatiseren zonder dat daarvoor gespecialiseerde technische kennis vereist is.
Een goed opgestelde prognose voorspelt de toekomst niet met zekerheid. Maar het stelt je wel in staat om je beter voor te bereiden. En dat maakt voor een MKB-bedrijf al een enorm verschil.
Bij kleine en middelgrote ondernemingen is de belemmering bijna nooit van technologische aard. Het is een organisatorisch probleem. Men stelt het uit omdat het een groot project lijkt, terwijl de eerste stap veel eenvoudiger is.
Wat echt werkt, is dit:
Wanneer dit proces een vaste routine wordt, is de analyse van verkoopgegevens niet langer een incidentele bezigheid, maar wordt het een managementgewoonte.
Het beslissende moment komt niet wanneer het bestand wordt geladen. Het komt wanneer het management accepteert dat de gegevens een ander verhaal kunnen vertellen dan het verhaal dat het in gedachten had.
Daar worden de beslissingen genomen over de catalogus, de prijsstelling, promoties, commerciële prioriteiten en klantenbinding.
Daarom mag analyse niet worden beschouwd als een technische taak die wordt gedelegeerd aan iemand die “goed is met Excel”. Het moet worden gezien als een mentaliteitsverandering. Als we het bedrijf blijven leiden door alleen naar de totale omzet te kijken, is het alsof we met een beslagen voorruit rijden. Als we daarentegen een eenvoudig, gestructureerd en overzichtelijk proces opzetten, worden de gegevens een concreet onderdeel van onze besluitvorming.
We zijn uitgegaan van een veelvoorkomende situatie. Een Excel-bestand, de totale omzet, enkele maand-op-maandvergelijkingen en veel beslissingen die nog steeds ‘op het oog’ werden genomen.
De echte sprong voorwaarts is niet het gebruik van meer technische taal. Het is het veranderen van de vraag. Niet langer alleen “hoeveel hebben we verkocht?”, maar “waar maken we winst?”, “welke klanten veranderen hun gedrag?”, “welke producten verdienen aandacht?”, “wat zegt de tijdreeks ons over de komende periode?”.
Wanneer we op deze manier beginnen met het analyseren van verkoopgegevens, wordt het bedrijf beter doorzichtig. En wanneer het bedrijf beter doorzichtig is, worden beslissingen minder op gevoel gebaseerd en meer gefundeerd. De kosten van het niet doen hiervan komen zelden op een regel in de balans voor. Je ziet ze terug in gemiste kansen, verloren klanten die behouden hadden kunnen blijven, en commerciële investeringen die op basis van de verkeerde statistieken zijn gedaan.
Tegenwoordig is deze aanpak ook toegankelijk voor kleine en middelgrote ondernemingen. Je hoeft geen afdeling voor datawetenschap op te zetten. Je moet gewoon de gegevens die je al hebt serieus nemen.
Als je exportgegevens uit je bedrijfssoftware, Excel-bestanden en commerciële gegevens wilt omzetten in begrijpelijke inzichten en operationele prognoses, kun je ontdekken hoe ELECTE werkt: een AI-aangedreven data-analyseplatform dat is ontworpen om het MKB te helpen de overstap te maken van rapportage naar besluitvorming.
.svg)
.svg)
.svg)
