Die nieuwsgierigheid bepaalde hoe ik wiskunde studeerde, Chinees leerde en in de high-tech engineering werkte — en hoe ik nu bedrijfsvraagstukken benader. De vragen blijven eenvoudig: Wat gebeurt er? Waarom? Wat doet ertoe? Wat ontbreekt er?

Voor een mkb-bedrijf is de eerste stap zelden het kiezen van een algoritme. Het is de beslissing begrijpen: het proces, de gegevens en de mensen die het werk kennen.

Daarom hecht FeiShe evenveel waarde aan uitleg als aan de oplossing. Een resultaat moet helder genoeg zijn om te bevragen, te valideren en te gebruiken. Wiskunde, Data Science, Operations Research en Simulatie maken dat begrip preciezer — ze vervangen het niet.

Begrijp de beslissing voordat je de methode kiest.

Data Science is leren van bewijs: beschrijven wat er gebeurde, patronen vinden, verbanden meten, voorspellen, ideeën testen en onzekerheid begrijpen.

Voor kleinere bedrijven betekent dat vaak: de data gebruiken die er al is, zonder groot platform of complexe AI.

Voorspellingen voeden Operations Research-modellen — en een model laat zien welke data het verzamelen waard is.

Data is bewijs. De waarde zit in wat het een bedrijf helpt begrijpen en beslissen.

Operations Research helpt wanneer een bedrijf moet kiezen tussen werkbare alternatieven. Het model maakt beslissingen, doelen, randvoorwaarden en afwegingen expliciet.

Data Science levert voorspellingen; simulatie test of een beslissing standhoudt als de werkelijkheid varieert. Het doel: niet het oordeel vervangen, maar het oordeel een heldere structuur geven.

Een goed model verbergt de beslissing niet. Het maakt haar beter zichtbaar.

Veel beslissingen hangen af van wat er in de tijd verandert: de vraag stijgt en daalt, er ontstaan wachtrijen, capaciteit schiet tekort, en een kleine verandering op de ene plek heeft gevolgen elders.

Simulatie biedt een veilige plek voor wat-als-vragen voordat je tijd, geld of mensen inzet. Wat als de vraag groeit? Waar ontstaat een knelpunt? Hoeveel capaciteit is er echt nodig? Welke aannames doen er het meest toe?

Voor kleinere bedrijven is dat belangrijk, want experimenteren in de echte bedrijfsvoering is duur. Simulatie vergelijkt scenario’s, legt bijeffecten bloot en maakt onzekerheid zichtbaar — zonder te doen alsof ze de toekomst voorspelt.

Voor FeiShe is simulatie een kernmethode, geen extraatje na optimalisatie.

Verken verandering voordat de werkelijkheid de test wordt.

Een model, voorspelling of simulatie kan technisch correct zijn en toch tekortschieten als niemand begrijpt wat het betekent voor de beslissing.

Daarom legt FeiShe veel nadruk op uitleg: redenering, aannames en grenzen moeten zo helder zijn dat mensen het werk kunnen bevragen, en het niet alleen accepteren.

De uiteindelijke vorm hangt af van het vraagstuk — een zelfstandige applicatie, een voorspellingsworkflow, een optimalisatiemodel, een simulatie, een dashboard of een combinatie. Deze tools werken op zichzelf of naast AI-tools, waar dat echte waarde toevoegt.

Het doel: het bedrijf achterlaten met beter begrip, niet alleen met nog een technisch resultaat.

Leg de redenering uit, niet alleen het resultaat.