Welke aanname kan je plan onderuit halen?
Een plan kan logisch ogen terwijl één onbewezen aanname de hele businesscase draagt. Assumption Mapping maakt zichtbaar wat je werkelijk weet, waar je voorlopig op vertrouwt en welke onzekerheid je beter onderzoekt vóór je meer tijd of geld inzet.
Door William Beke • gepubliceerd op 19 augustus 2026
Begin met feiten, aannames en beslissingen uit elkaar te halen.
Een technisch bedrijf wil een premium servicecontract lanceren.
Uit de serviceregistratie blijkt dat 37 procent van de actieve klanten minstens één keer per kwartaal contact opneemt met een technische vraag.
Dat is een feit.
Het team denkt dat een relevant deel van die klanten wil betalen voor gegarandeerde ondersteuning binnen vier uur.
Dat is een aanname.
De keuze om eerst een concreet aanbod bij twintig geschikte klanten te testen is een beslissing.
Dat onderscheid lijkt eenvoudig. In plannen schuiven de drie voortdurend door elkaar. Na enkele vergaderingen verandert “veel klanten bellen regelmatig” gemakkelijk in “onze klanten willen premiumsupport”. Precies daar ontstaat schijnzekerheid.
Vraag wat waar moet zijn voordat het plan werkt.
Het servicecontract is pas interessant wanneer verschillende voorwaarden voldoende kloppen.
Bijvoorbeeld:
- klanten ervaren responstijd als een relevant probleem;
- een deel wil daadwerkelijk betalen voor snellere ondersteuning;
- de organisatie kan de beloofde service betrouwbaar leveren;
- de extra inkomsten rechtvaardigen de bijkomende capaciteit.
Niet iedere aanname heeft dezelfde impact.
Als technische haalbaarheid al bewezen is maar betalingsbereidheid volledig onbekend blijft, moet het eerste experiment waarschijnlijk daarover gaan.
Prioriteer onzekerheid op impact en bewijs.
Ik gebruik hiervoor graag twee vragen.
Hoe belangrijk is deze aanname voor het plan?
en
Hoeveel geloofwaardig bewijs hebben we vandaag?
De gevaarlijkste aannames zijn die waar veel van afhangt en weinig bewijs voor bestaat.
Het is geen wetenschappelijke score. Het is eerder een manier om te voorkomen dat het team dagen besteedt aan details terwijl een veel fundamentelere onzekerheid onaangeroerd blijft.
Dat principe sluit ook aan bij de Strategy Choice Cascade. Iedere strategische keuze bevat aannames. Assumption Mapping helpt bepalen welke daarvan eerst sterker bewijs verdient.
Zoek ook wat je idee tegenspreekt.
Teams verzamelen gemakkelijk argumenten vóór een plan. Voeg daarom bij iedere belangrijke hypothese één extra veld toe: Welk bewijs hebben we dat deze aanname misschien fout is?
Misschien bellen veel klanten regelmatig maar verwachten ze dat die ondersteuning gewoon inbegrepen blijft. Of klantgesprekken tonen dat snelheid wel belangrijk is maar dat gegarandeerde beschikbaarheid veel zwaarder weegt dan vier uur responstijd.
Tegengesteld bewijs maakt zichtbaar waar je eerste redenering te eenvoudig was maar hoeft het idee ook niet meteen te stoppen.
Maak de hypothese concreet genoeg om te kunnen verliezen.
“Klanten willen premiumsupport” kun je bijna altijd achteraf positief interpreteren.
Een betere formulering kan zijn:
Minstens twintig procent van onze huidige A-klanten is bereid een servicecontract van 3.000 euro per jaar serieus te overwegen wanneer technische ondersteuning binnen vier werkuren gegarandeerd wordt.
Nu zijn doelgroep, prijs en belofte zichtbaar.
Daarna moet je nog bepalen wat serieus overwegen betekent.
Een klant die zegt “klinkt interessant” geeft veel zwakker bewijs dan iemand die na het zien van prijs en voorwaarden een offerte vraagt.
Niet alle bewijs is even sterk.
Je kunt de bewijskracht grofweg zo lezen:
- Mening. De klant vindt het idee interessant.
- Gedrag dichtbij het probleem. De klant zoekt vandaag actief een oplossing.
- Commerciële intentie. Prijs en voorwaarden worden werkelijk besproken.
- Commitment. De klant vraagt een offerte of wil een betaalde pilot starten.
Een klik op een pricingpagina kan een nuttig signaal zijn. Ze bewijst nog niet dat iemand bereid is te betalen.
Hoe groter de beslissing die je daarna wilt nemen, hoe sterker het bewijs idealiter wordt.
Leg je beslisdrempel vooraf vast.
Stel dat je het servicecontract bij twintig klanten test. Die twintig zijn een illustratief voorbeeld en geen statistische norm.
Belangrijker is dat je vóór de test afspreekt welke uitkomst welke beslissing veroorzaakt.
Misschien heb je minstens acht concrete vervolggesprekken nodig voordat extra capaciteit wordt vrijgemaakt. Als die grens pas na de test wordt bedacht, kun je bijna iedere uitkomst achteraf positief verklaren.
Een experiment moet dus niet bewijzen dat je gelijk had maar de volgende beslissing duidelijker maken.
Eén experiment heeft best één primaire leervraag.
Wanneer je doelgroep, prijs, verpakking en boodschap tegelijk verandert, weet je achteraf moeilijk wat je geleerd hebt.
Kies daarom één hoofdvraag.
In dit geval kan dat de betalingsbereidheid zijn.
Een volgende test kan later onderzoeken welke contractvorm beter werkt. Dat voelt trager dan alles tegelijk testen maar levert meestal veel bruikbaardere informatie op.
Kies de goedkoopste test die dicht genoeg bij het echte risico komt.
Je hoeft geen volledig platform te bouwen om te ontdekken of klanten voor premiumsupport willen betalen.
Een handmatig aanbod bij een beperkte groep bestaande klanten komt al veel dichter bij de kernvraag.
Een interview is nuttig om een probleem beter te begrijpen. Een concreet aanbod met prijs is sterker wanneer betalingsbereidheid de onzekerheid vormt.
Meer experiment is niet automatisch beter.
Je zoekt voldoende sterk bewijs tegen een redelijke kost.
Bewijs heeft ook een datum.
Een klantonderzoek uit 2022 kan nog altijd bruikbaar zijn. Of in dynamische markten kan de bewijskracht ondertussen flink gedaald zijn. Noteer daarom naast belangrijke evidence ook wanneer en in welke context die informatie verzameld werd. Dat maakt de map later veel bruikbaarder dan een verzameling losse inzichten waarvan niemand nog weet waar ze vandaan komen.
Stoppen kan een uitstekend resultaat zijn.
Misschien blijkt na de test dat klanten snellere ondersteuning belangrijk vinden maar er structureel nauwelijks apart voor willen betalen. Dan kun je een ander prijsmodel onderzoeken.
Je kunt ook besluiten dat andere groeikansen interessanter zijn. Dat is geen mislukt experiment. Je hebt relatief goedkoop ontdekt dat een belangrijke aanname zwakker was dan gedacht voordat er een groot project van gemaakt werd.
Dat is precies het tegenovergestelde van een zombieproject dat blijft bestaan omdat niemand het oorspronkelijke uitgangspunt nog ter discussie stelt.
De belangrijkste vraag blijft daarom:
Welke onzekerheid moeten we eerst kleiner maken voordat we hier meer geld, tijd of mensen aan koppelen?
Van inzicht naar een werkbare volgende stap
Test eerst wat je plan kan breken.
Als een plan sterk leunt op onbewezen aannames, kan ik helpen bepalen welke onzekerheid eerst bewijs nodig heeft en welke eenvoudige test voldoende is om beter te beslissen.