
Aanpak · 22 november 2026 · Martijn van Grieken
Fraude die nooit is ontdekt, staat niet in je voorbeelden. Hoe een model leert wat normaal is, afwijkingen rangschikt en elk signaal uitlegt.

Een verzekeraar, bank of uitkerende instantie verwerkt elke dag duizenden declaraties, betalingen of aanvragen. De beoordelaars kunnen daar maar een klein deel van bekijken. Welk deel dat is, bepaalt meestal een set regels die is opgesteld na eerdere fraudezaken. Die regels vangen wat al eens is betrapt. Een nieuwe werkwijze glipt erdoorheen tot iemand hem toevallig ontdekt.
Op deze pagina staat hoe wij fraude- en afwijkingssignalering aanpakken. Voorbeelden uit de overheid staan bij publieke sector.
Een gewoon voorspelmodel leert van gelabelde voorbeelden: dit geval was fraude, dat geval niet. Fraude die nooit is ontdekt, staat niet in die voorbeelden. Een model dat daarop traint, leert vooral de bekende gevallen herkennen.
Daarom draaien we het om. Het model leert hoe een gewone declaratie, betaling of aanvraag eruitziet, en meldt wat daarvan afwijkt. Daarvoor heb je geen lijst met fraudegevallen nodig. Outlier-detectie vindt gevallen die ver buiten het gebruikelijke patroon vallen. Clustering groepeert wat op elkaar lijkt, zodat de gevallen die nergens bij passen vanzelf opvallen.
Het model zegt niet ‘fraude’ of ‘geen fraude’. Elk geval krijgt een score, en de beoordelaar begint bovenaan de lijst. Zo bepaalt de onderzoekscapaciteit waar de grens ligt: honderd terechte signalen waar niemand naar kijkt, leveren niets op.
Bij elk signaal staat waarom het opvalt. Een beoordelaar die dat niet kan zien, legt de melding weg, en een besluit over een klant of aanvrager moet je achteraf kunnen uitleggen.
| Plaats | Score | Waarom dit geval opvalt |
|---|---|---|
| 1 | 0,94 | Vier aanvragen onder verschillende namen op één rekeningnummer |
| 2 | 0,91 | Bedrag van 1.250 euro, waar vergelijkbare aanvragen rond de 12,50 euro liggen |
| 3 | 0,87 | Maximaal bedrag aangevraagd, twee dagen na de start van de polis |
| 4 | 0,62 | Drie aanvragen binnen een uur vanaf hetzelfde adres |
Illustratief voorbeeld van een fictieve organisatie die vergoedingen uitkeert.
Nummer 2 is waarschijnlijk geen fraude. Iemand heeft de komma op de verkeerde plek gezet.
Voor een organisatie voor muziekrechten onderzochten onze specialisten claims op muziekrechten. Met de opdrachtgever stelden ze twintig indicatoren op die samen één rangorde geven. Veel afwijkingen bleken invoerfouten te zijn.
Voor wie fraude zoekt, lijkt dat een tegenvaller. Toch levert het iets op. Elke invoerfout wijst een plek aan waar de administratie beter kan: een controle bij de invoer, een keuzelijst in plaats van een vrij tekstveld. En hoe minder ruis er in de gegevens zit, hoe beter de echte afwijkingen bovenaan de lijst komen. Welke vormen van samenwerking er zijn, lees je bij Wat we doen.
We werken in de fasen van CRISP-DM:
Neem één proces mee waarin je meer gevallen binnenkrijgt dan je kunt beoordelen. Dat eerste gesprek is vrijblijvend en we streven ernaar binnen één werkdag te reageren.
Auteur: Martijn van Grieken, oprichter van Twentynext. Zo maken we dit. AI schreef de eerste versie, en Martijn heeft dit artikel gelezen en goedgekeurd voordat het live ging. Twentynext is verantwoordelijk voor de inhoud, maar kan juistheid en volledigheid niet garanderen. Zie onze disclaimer.

Blogs · 21 september 2026
Bij veel gemeenten, provincies en uitvoeringsorganisaties staat datagedreven werken inmiddels in een visie of coalitieakkoord.
Lees het artikel →

Aanpak · 22 november 2026
Een uitverkochte dag verbergt hoeveel klanten er nog kwamen. Waarom het gemiddelde van de verkoop de vraag onderschat, en wat je met weinig historie weet.
Lees het artikel →

Cases · 3 januari 2025
Lees het artikel →
Wij gebruiken Google Tag Manager om bezoek te meten en Leadinfo om te herkennen welk bedrijf onze site bezoekt. Beide laden alleen als je daarmee instemt. Kies je voor alleen noodzakelijk, dan werkt de site gewoon en meten wij niets. Cookieverklaring · Privacyverklaring