Case 09
Van los CSV-bestand naar een gedeeld voorspelmodel
Wie afhaakt, wie niet komt opdagen, welke lead het waard is: patronen die in een Excel-bestand staan, maar die niemand handmatig blijft uitzoeken. AutoML-lite laat een eigenaar een CSV uploaden en een model trainen, en laat diegene het resultaat vervolgens delen met een klant of collega die zelf nooit hoeft in te loggen.
Live sinds
21 augustus 2026
Traint op
maximaal 1.000 rijen per CSV
Gastvoorspelling op
maximaal 100 rijen per keer
Toegang gast
alleen de link, geen account
Situatie
Waar dit begon
De vraag achter AutoML-lite komt telkens in dezelfde vorm terug bij mkb-bedrijven: een lijst in een spreadsheet met klanten, patiënten of leads, en een kolom met wat er uiteindelijk gebeurde, wie opzegde, wie niet kwam opdagen, wie klant werd. Dat patroon zit al in de data. Niemand gaat het handmatig uitzoeken, en een consultant inhuren om één keer een model te bouwen levert een rapport op, geen hulpmiddel dat blijft werken op nieuwe gevallen.
Er zit ook een tweede partij in dit verhaal die de eigenaar van de data zelf niet is: de klant of collega die per geval een voorspelling nodig heeft, zonder dat die persoon iets van kolomkeuzes of modeltraining hoeft te begrijpen, en zonder dat er voor die persoon een eigen account met wachtwoord bij moet komen.
Beslissing
Wat we besloten, en waarom niet anders
We hebben AutoML-lite in twee lagen gebouwd, één voor de eigenaar en één voor de gast, en die twee delen zo weinig mogelijk aannames. De eigenaar logt in, uploadt een CSV, kiest welke kolommen input zijn en welke het doel, en traint een XGBoost-classifier met library-standaardinstellingen: geen handmatig afstellen, geen keuze uit modeltypes, gewoon een werkend resultaat. Daarna volgt een diagnostiekscherm (belangrijkste kenmerken, verwarmatrix, ROC/PR- en kalibratiecurves) zodat de eigenaar kan zien hoe goed het model daadwerkelijk is voordat het gedeeld wordt.
De gast krijgt nooit een account. Een gedeelde link geeft toegang tot precies één getraind model, hetzelfde patroon met een token als enige sleutel dat de capaciteitstool al gebruikt voor de wekelijkse check-in van teamleden. Op die link kan een gast een CSV met tot 100 rijen uploaden voor voorspellingen in bulk, of per veld een voorspelling zien bijwerken terwijl die typt, zonder dat er iets wordt opgeslagen: dat laatste is bewust een schetsblok, geen inzending die de eigenaar later terugziet.
Het alternatief was een los inlogscherm voor gasten, met een eigen rol en rechten voor "kan alleen voorspellen, mag niet trainen". Dat had voor iedere externe gebruiker een uitnodigingsflow en een wachtwoord vereist voor iets dat feitelijk één invulformulier is. Een token die precies één ding ontgrendelt, is voor deze rol genoeg, en scheelde daarmee een compleet stuk toegangsbeheer.
Verloop
Wat er gebeurde, in volgorde
21 augustus 2026
Eerste versie: upload tot en met delen
De hele keten kwam in één keer live: CSV-upload tot 1.000 rijen, kolomkeuze, synchrone training van een XGBoost-classifier, het diagnostiekscherm, token-only deellinks voor gasten met bulkvoorspelling tot 100 rijen, inzicht voor de eigenaar in wat gasten hebben ingestuurd, en retraining op inzendingen waarvan de eigenaar de echte uitkomst heeft bevestigd.
22 augustus 2026, ochtend
Kolombetekenis loskoppelen van de data zelf
Een eigenaar kan sindsdien per kolom een omschrijving en een expliciete typeoverride (numeriek of categorisch) vastleggen, los van wat de automatische detectie raadt. Dat geldt alleen voor toekomstige trainingen: een al getraind model bevriest de kolomtypes waarmee het daadwerkelijk is getraind, ook als de eigenaar de instelling later aanpast.
22 augustus 2026, later die dag
Live voorspelling voor de gast, uitleg zonder jargon
De gastpagina kreeg een tweede invoerpad naast de bulk-CSV: per veld typen en meteen een bijgewerkte voorspelling zien, zonder dat er iets wordt opgeslagen. De startpagina van de eigenaar kreeg dezelfde dag een uitleg in voorbeelden in plaats van definities ('wie haakt af', 'wie komt niet opdagen', 'welke lead is het waard'), en de diagnostiekgrafieken kregen interpretatietekst die is afgeleid van de werkelijke cijfers, niet een generiek onderschrift.
Een werkend hulpmiddel is niet hetzelfde als een hulpmiddel dat iemand ooit vindt. AutoML-lite stond negen dagen zonder enige vermelding op de eigen site voordat deze case er kwam, precies het soort blinde vlek dat we onze klanten helpen vermijden.
De bouwkant van AutoML-lite is standaardwerk voor wat wij leveren: een eigen inlog via het gedeelde identiteitssysteem, upload, keuze, training, resultaat. Het scherpe punt zit in de tweede laag, de gast die met een enkele link een voorspelling krijgt zonder ooit een wachtwoord te hoeven onthouden. Dat is dezelfde afweging die overal terugkomt in wat we bouwen: een nieuwe rol krijgt niet automatisch een nieuw stuk toegangsbeheer, alleen als het probleem dat daadwerkelijk vraagt.
Dat AutoML-lite tot dit stuk nergens op de site stond, is geen oordeel over het werk zelf, maar over hoe makkelijk gebouwde capaciteit onopgemerkt blijft als niemand er expliciet naar wijst. Dezelfde discipline die een model traint op wat een dataset werkelijk laat zien, geldt voor onze eigen marketing: als iets waarde oplevert, hoort dat zichtbaar te zijn, niet alleen aanwezig in de code.
Volgende stap
Zo'n verhaal, maar dan uw eigen
Een spreadsheet met een patroon erin, en een klant of collega die daar per geval iets mee moet, zonder een account te hoeven aanmaken: dat is precies de vorm waarin AutoML-lite bruikbaar wordt. Als dat patroon bij u ook ergens in een export staat, is dat genoeg om mee te beginnen.
Verder