Wim Daelemans, 68 jaar, voormalig boekhouder uit Gent, besloot na zijn pensionering zijn vaste uitgaven beter in kaart te brengen. Zijn bankapp bood een basisoverzicht, maar geen vooruitblik. Hij stapte over naar een extern platform met een predictieve module.
De beginsituatie
Wim beheerde maandelijks een pensioen van circa 1.850 euro. Vaste lasten waren bekend, maar variabele kosten zoals medische uitgaven en huishoudelijke reparaties bleken moeilijk te plannen.
Stap 1: Historische data exporteren
Via zijn online banking exporteerde hij een CSV-bestand van 18 maanden transacties. Het platform verwerkte dit in minder dan twee minuten.
Stap 2: Categorisering controleren
Het systeem had uitgaven automatisch gecategoriseerd. Wim controleerde handmatig of medische kosten correct waren onderscheiden van apotheekbezoeken. Twee categorieeen moesten worden samengevoegd.
Stap 3: Prognose interpreteren
De tool voorspelde dat zijn energiekosten in de komende drie maanden gemiddeld 14 euro hoger zouden uitvallen dan het voorgaande jaar, op basis van seizoenspatronen in zijn eigen data.
Geen verrassing voor een boekhouder, maar het systeem deed dit automatisch en visueel. Wim merkte op dat de grafische weergave hem sneller inzicht gaf dan een spreadsheet zou doen.
Het traject kostte hem twee avonden. Het resultaat was een maandelijks dashboard dat hij sindsdien wekelijks raadpleegt.