📈 economie

Applying Artificial Intelligence (AI) to software programming for forecasting and optimizing business management decisions

Deze studie toont aan dat het toepassen van Kunstmatige Intelligentie, in het bijzonder Kunstmatige Neurale Netwerken, op softwareprogrammering bedrijven in staat stelt om managementbeslissingen te optimaliseren en ROI te maximaliseren door de verkoopprestaties nauwkeurig te voorspellen en optimale drempelwaarden voor marketingbudgetten te identificeren.

Oorspronkelijke auteurs: Trinh Quang Minh

Gepubliceerd 2026-10-01

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Trinh Quang Minh

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In de moderne digitale economie worden bedrijven geconfronteerd met een constante uitdaging: hoe ze hun geld verstandig kunnen uitgeven om te groeien. Decennialang hebben managers vertrouwd op intuïtie en eenvoudige grafieken om te gokken hoeveel ze moeten investeren in reclame of nieuwe producten. Vandaag de dag vindt er echter een krachtige verschuiving plaats. Computers leren patronen te vinden in enorme hoeveelheden historische gegevens, een veld dat bekendstaat als machine learning. Deze aanpak stelt organisaties in staat om verder te gaan dan gissen en in plaats daarvan simulaties te gebruiken om toekomstige uitkomsten te voorspellen. De kern van het idee is eenvoudig: door een computer historische gegevens van uitgaven en verkopen te voeren, kan de machine de relatie tussen de twee leren kennen en de meest effectieve weg voorwaarts suggereren. Dit gaat niet over het vervangen van menselijk oordeel, maar over het geven van een heldere, op gegevens gebaseerde kaart aan managers om te navigeren in een volatiele markt waar consumentengewoonten snel veranderen en de concurrentie moordend is.

Een recente studie door Trinh Quang Minh van de Universiteit van Can Tho onderzoekt precies hoe deze computertools toegepast kunnen worden op echte zakelijke beslissingen. De onderzoeker zette zich scharpe om drie verschillende soorten kunstmatige intelligentie-modellen te testen om te zien welke het beste werkt voor het voorspellen van verkopen op basis van marketingbudgetten. Het doel was om het "sweet spot" voor uitgaven te vinden — het specifieke bedrag dat het hoogste rendement genereert zonder middelen te verspillen. Hiervoor creëerde het team een simulatie met gegevens die een mobiele telefoonretailer in Vietnam nabootsten. Ze voerden de computer historische gegevens waarbij werd getoond hoeveel geld er aan marketing werd uitgegeven en hoeveel telefoons er als reactie daarop werden verkocht. De gegevens varieerden van tien miljard Vietnamese dong uitgegeven aan advertenties tot vijftig miljard dong.

De studie vergeleek drie verschillende benaderingen. De eerste was een lineair regressiemodel, een eenvoudige methode die ervan uitgaat dat verkopen met een gestage, voorspelbare snelheid groeien naarmate de uitgaven toenemen. De tweede was een beslisboom, die werkt als een stroomdiagram en gegevens opsplitst in takken om plotselinge veranderingen of sprongen in gedrag op te vangen. De derde was een kunstmatig neuraal netwerk, een complex systeem ontworpen om het vermogen van het menselijk brein na te bootsen om ingewikkelde, niet-lineaire patronen te herkennen. Toen de onderzoekers hun simulaties draalden, toonden de resultaten aan dat het beste hulpmiddel volledig afhangt van de situatie. Het eenvoudige lineaire model werkte goed bij gestage, voorspelbare groei en voorspelde dat een uitgave van vijftig miljard dong zou leiden tot ongeveer 236 verkochte eenheden. Het complexere neurale netwerk voorspelde echter dat dezelfde investering 240 eenheden zou opleveren, wat suggereerde dat het beter in staat was om de subtiele, rommelige realiteiten van de markt te vangen.

De simulatie identificeerde een specifieke drempel voor succes. Het bepaalde dat uitgaven tussen de vijftig en vijftenvijftig miljard Vietnamese dong het optimale niveau waren om de efficiëntie te maximaliseren. Onder dit niveau, zoals bij een uitgave van slechts vijfendertig miljard, voorspelden de modellen aanzienlijk lagere verkopen, wat duidde op een gemiste kans. Boven dit niveau begonnen de rendementen af te nemen, wat betekende dat het extra geld dat werd uitgegeven niet genoeg extra verkopen genereerde om de kosten te rechtvaardigen. Het beslisboommodel bleek bijzonder nuttig voor het begrijpen van plotselinge verschuivingen, zoals de lancering van een vlaggenschip-product of een grote feestdagverkoop, waarbij het consumentengedrag abrupt verandert in plaats van geleidelijk. In dergelijke scenario's kon het boommodel een verkoop van 200 eenheden voorspellen bij een uitgave van veertig miljard dong, waarmee het de eenvoudiger lineaire model versloeg dat slechts 190 eenheden voorspelde.

De bevindingen bieden een duidelijke gids voor bedrijfsleiders. Voor kleine bedrijven met beperkte gegevens en stabiele markten is het eenvoudige lineaire model vaak voldoende en gemakkelijk te begrijpen. Voor bedrijven die te maken hebben met volatiele markten waar het consumentengedrag onverwacht springt, biedt de beslisboom een flexibeler en intuïtiever beeld. Voor grote organisaties met enorme hoeveelheden complexe gegevens biedt het neurale netwerk de hoogste nauwkeurigheid, ook al is het moeilijker uit te leggen hoe het tot zijn conclusies komt. De studie concludeert dat er niet één enkel "beste" model is voor elke situatie. In plaats daarvan moeten managers kiezen voor het hulpmiddel dat past bij hun specifieke gegevens en marktomstandigheden. Door deze keuze te maken, kunnen zij overstappen van het vertrouwen op een onderbuikgevoel naar het nemen van zeer rationele, op gegevens gebaseerde beslissingen die hun rendement op investeringen optimaliseren en hun positie in een snel veranderende digitale economie veiligstellen.

Technische Samenvatting: Toepassing van Kunstmatige Intelligentie op Softwareprogrammering voor het Voorspellen en Optimaliseren van Bedrijfsvoeringsbeslissingen

1. Probleemstelling

Het onderzoek adresseert de uitdaging waarmee organisaties, met name het midden- en kleinbedrijf (mkb) in transitie-economieën, worden geconfronteerd bij het effectief inzetten van voorspellende software voor bedrijfsvoering. Hoewel Kunstmatige Intelligentie (KI) aanzienlijk potentieel biedt voor het optimaliseren van middelenallocatie en besluitvorming, worstelen managers met drie kernproblemen:

Model Fit: Bepalen hoe verschillende KI-architecturen (lineair versus niet-lineair) presteren bij het voorspellen van zakelijke uitkomsten, zoals verkopen, op basis van variërende marketingbudgetten.
Optimalisatie versus Implementatie: Het identificeren van het "optimale" bestedingsniveau om de Return on Investment (ROI) te maximaliseren met behulp van door KI gegenereerde simulaties.
Het "Black Box"-dilemma: Het balanceren van de afweging tussen modeltransparantie (verklarende kracht) en voorspellende nauwkeurigheid in volatiele digitale markten.

De studie stelt dat terwijl statistiek de wiskundige basis vormt voor het begrijpen van relaties binnen data, machine learning (ML) deze principes toepast op massale datasets voor geautomatiseerde voorspelling. De kloof ligt in het selecteren van het juiste model dat een balans vindt tussen nauwkeurigheid, interpreteerbaarheid en computationele kosten voor specifieke zakelijke contexten.

2. Methodologie

De studie hanteert een vergelijkend experimenteel kader met gebruik van drie verschillende machine learning-architecturen om de relatie tussen marketingkosten en verkoopresultaten te simuleren. Het onderzoek maakt gebruik van een specifieke dataset die historische marketinguitgaven (variërend van 10 tot 50 miljard VND) en de bijbehorende verkoopvolumes vertegenwoordigt.

De drie geëvalueerde modellen zijn:

Lineaire Regressie: Gebruikt als baseline voor eenvoudige, lineaire relaties.
Decision Tree Regression (Beslisboomregressie): Ingezet om niet-lineaire patronen en abrupte verschuivingen in consumentengedrag te vangen.
Artificial Neural Networks (ANN/MLPRegressor): Geïmplementeerd met een verborgen laag-architectuur van (10, 10) om complexe, niet-lineaire dynamieken te modelleren.

Simulatieparameters:

Input Data: Marketinguitgaven ( $X$ ) = [10, 20, 30, 40, 50] miljard VND; Verkoopvolume ( $y$ ) = [100, 130, 170, 210, 240] eenheden.
Scenario-testen: De modellen werden getest tegen specifieke budgetscenario's, inclusen een standaardbesteding van 35 miljard VND, een optimaal doel van 50 miljard VND, en een geprojecteerde hoge besteding van 55 miljard VND.
Evaluatiemetrieken: De studie vergelijkt voorspelde verkoopeenheden, modelnauwkeurigheid en het vermogen om een "Efficiëntiedrempel" te identificeren (het punt van maximale ROI vóór afnemende meeropbrengsten).

3. Belangrijkste Resultaten

De experimentele simulaties leverden onderscheidende prestatiekenmerken op voor elk model:

Lineaire Regressie:
- Prestaties: Leverde een baseline-voorspelling. Bij een besteding van 50 miljard VND voorspelde het 236 eenheden; bij 55 miljard VND voorspelde het 258,00 eenheden.
- Kenmerken: Simpel en gemakkelijk te interpreteren, het best geschikt voor stabiele markten met gestage groei.
Decision Tree:
- Prestaties: Toonde een superieur vermogen om plotselinge verschuivingen te reflecteren. Bij een besteding van 40 miljard VND voorspelde het 200 eenheden (vergeleken met 190 door Lineaire Regressie). Bij 50 miljard VND voorspelde het 230 eenheden.
- Kenmerken: Effectief voor niet-lineaire data en scenario's met abrupte veranderingen in consumentengedrag (bijv. lanceringen van vlaggenschipproducten). Het draagt echter een risico op overfitting met kleine datasets.
Artificial Neural Networks (ANN):
- Prestaties: Bereikte de hoogste nauwkeurigheid. Bij de optimale besteding van 50 miljard VND voorspelde de ANN 240 eenheden, waarmee het zowel Lineaire Regressie (236) als Decision Trees (230) overtrof. Bij 55 miljard VND projecteerde het 258,82 eenheden.
- Kenmerken: In staat om complexe, niet-lineaire marktdynamieken te vangen. Het is het meest effectief in datarijke omgevingen, maar opereert als een "black box", wat het moeilijker maakt om uit te leggen aan niet-technische belanghebbenden.

Optimalisatiebevindingen:
De simulaties identificeerden 50 miljard VND als de "Efficiëntiedrempel". Specifiek werd het budget van 50 miljard VND bepaald als het optimale budget om de efficiëntie van de middelenbenutting te maximaliseren. Een besteding onder de 30 miljard VND werd gemarkeerd als "Irrationeel" en hoog risico, wat waarschijnlijk leidt tot verlies van marktaandeel.

4. Belangrijkste Bijdragen

Het artikel draagt bij met een praktisch kader voor KI-gebaseerde besluitvorming door:

Validatie van Modelselectie: Aan te tonen dat modelkeuze gekoppeld moet zijn aan de bedrijfsomvang en de karakteristieken van de data. Kleine bedrijven met beperkte data zouden Lineaire Regressie moeten gebruiken; volatiele markten profiteren van Decision Trees; en grote ondernemingen met complexe data zouden Neurale Netwerken moeten inzetten.
Kwantificering van de "Sweet Spot": Een datagestuurde methode te bieden om het precieze marketingbudget (50 miljard VND in de context van deze studie) te identificeren dat de ROI maximaliseert, waardoor het management beweegt van sentimentgestuurde strategieën naar rationele, op data gebaseerde strategieën.
Contextualisering van Regionale Dynamiek: De simulatieresultaten te integreren met real-world marktdata van de Zuidoost-Aziatische smartphone-markt (Q2 2025), waarbij specifiek wordt gewezen op het concurrentielandschap in Vietnam (waarbij Samsung leidt met een marktaandeel van 26%) en de bredere regio.
Bruggen slaan tussen Statistiek en ML: De relatie tussen statistische fundamenten en machine learning-toepassingen te verduidelijken, waarbij statistisch leren wordt gepositioneerd als de brug die de adoptie van IT onder managers bevordert.

5. Betekenis en Claims

Het artikel claimt dat de strategische toepassing van KI in softwareprogrammering managers in staat stelt om te verschuiven van intuïtie-gebaseerd management naar hoogwaardige, datagestuurde strategieën. De betekenis van de bevindingen ligt in:

Optimalisatie van Middelen: Door de "Efficiëntiedrempel" te identificeren, kunnen bedrijven de staten van "onderhoudend tekortschieten" (brandjes blussen modus) en "overmatig onderhouden" (hoge kosten, lage efficiëntie) vermijden, vergelijkbaar met concepten in Industriële KI voor assetbetrouwbaarheid.
Strategische Wendbaarheid: Het vermogen om verschillende budgetscenario's te simuleren stelt managers in staat om een balans te vinden tussen stabiele groei en agressieve investeringen, met name in volatiele sectoren zoals consumentenelektronica.
Schaalbaarheid van Inzicht: De studie suggereert dat hoewel eenvoudige modellen transparantie bieden, complexe modellen zoals ANN's noodzakelijk zijn om de niet-lineaire dynamiek van de moderne digitale economie te vangen, mits de organisatie beschikt over de vereiste data en expertise.

De auteur concludeert dat er niet één enkel "beste" model is; in plaats daarvan hangt de optimale keuze af van de specifieke context van de organisatie, de beschikbaarheid van data en de volatiliteit van de markt. Het onderzoek beoogt de adoptie van informatietechnologie te faciliteren door een duidelijk, vergelijkend bewijs te leveren van hoe verschillende algoritmische benaderingen specifieke beheersbehoeften dienen.