De meeste financiële teams gebruiken DSO om de prestaties van hun cashflow te beoordelen. Maar DSO is een lagging indicator. Tegen de tijd dat deze stijgt, bestaat het probleem vaak al weken. Teams reageren dan op de symptomen, niet op de oorzaak.
“Te late betalingen ontstaan zelden plotseling. Ze beginnen met signalen in het invoice-to-cash proces – signalen die creditteams veel eerder kunnen zien. Te late betalingen zijn meestal niet het echte probleem. Ze zijn het gevolg van iets dat eerder in het proces misgaat,”
legt Willand Brienen, Product Manager bij Onguard en voormalig credit manager, uit.
Door deze vroege signalen van te late betalingen te herkennen, kunnen finance teams ingrijpen voordat openstaande facturen de DSO beginnen te beïnvloeden. Hieronder staan vijf indicatoren waarmee creditteams late betalingen eerder kunnen voorspellen.
1. Vroege signalen van te late betalingen: facturen die niet first-time-right zijn
Elke credit manager kent het scenario: een klant belt omdat de factuur niet klopt. Een verkeerd PO-nummer, een fout in de prijs of een onjuist adres. De factuur wordt aangepast en opnieuw verstuurd – en de betalingstermijn begint vaak opnieuw te lopen.
Elke correctie zet de betaalclock weer op nul.
Een belangrijke vraag voor creditteams is daarom: Hoeveel facturen zijn in één keer correct?
De first-time-right (FTR) ratio is een van de meest onderbenutte metrics binnen accounts receivable. Veel teams meten hun incassoproces tot in detail, maar weten niet welk percentage facturen zonder correctie wordt geaccepteerd.
Dat gat is belangrijk. Factuurfouten zijn namelijk zelden willekeurig. Ze clusteren vaak rond specifieke klanten, productlijnen of interne overdrachtsmomenten. Door de bron van fouten te verbeteren, verdwijnt de vertraging structureel – niet slechts één keer.
Volgens Willand kan betere factuurkwaliteit vaak meer effect hebben op time-to-cash dan extra betalingsherinneringen.
“De inzet wordt hoger. Met verplichte e-invoicing die in heel Europa wordt uitgerold (Peppol-standaarden), zal de tolerantie voor factuurfouten snel afnemen. Een foutieve factuur vertraagt straks niet alleen de betaling, maar kan technisch worden afgewezen voordat een medewerker hem überhaupt ziet. Organisaties die factuurkwaliteit als een back-office probleem zien, kunnen merken dat het snel een compliancevraagstuk wordt.”
Wat meten:
FTR-ratio per klantsegment en per factuurbron. Volg correctierondes per factuur en de tijd die per correctie verloren gaat. Zelfs een maandelijks overzicht laat vaak patronen zien die anders onzichtbaar blijven.
2. Dispute-ratio’s die toekomstige betalingsvertraging voorspellen
Een ander vroeg signaal van te late betalingen is een hoge dispute-ratio.
De meeste organisaties registreren disputen ergens in hun systemen, maar de inzichten verdwijnen vaak in silo’s. Credit beheert de opvolging, sales beheert de klantrelatie en operations de levering. Maar niemand voelt zich eigenaar van het dispuut zelf.
Twee indicatoren zijn cruciaal – en moeten altijd samen worden bekeken:
- dispute volume (laat zien dat er iets misgaat)
- dispute doorlooptijd (laat zien hoeveel impact dit heeft op cash)
Wanneer disputen weken open blijven staan, zijn facturen in de praktijk simpelweg niet betaalbaar in die periode.
Creditteams die time-to-cash willen verkorten focussen daarom niet alleen op het incassoproces, maar vooral op de oorzaak van disputen.
“Een praktisch startpunt: categoriseer elk dispuut zodra het wordt geopend – op type (prijs, levering, datafout, duplicaat) en op oorsprong (intern of extern). Teams die dit consequent doen, krijgen iets wat de meeste organisaties missen: een maandelijks root-cause rapport dat precies laat zien waar het proces vastloopt.”
Wat meten:
Dispute volume per categorie en oorsprong (interne fout vs. klantclaim), gemiddelde oplostijd per categorie en maandelijkse trends. Een maandelijkse root-cause analyse met operations en sales is vaak een enorme stap vooruit.
3. Wachttijd bij factuurgoedkeuring
In veel organisaties worden facturen niet afgewezen. Ze blijven simpelweg wachten. Wachten op goedkeuring, op de juiste contactpersoon of op orderbevestiging – terwijl de DSO ondertussen stijgt.
Deze approval latency is een van de meest onderschatte vroege signalen van te late betalingen.
Een nuttige vraag om te stellen is: Hoe lang wacht een factuur voordat de klant actie onderneemt?
Heldere routing, correcte PO-informatie en bekende contactpersonen kunnen voorkomen dat facturen vastlopen voordat het betalingsproces zelfs maar begint.
Maar er speelt nog een ander probleem, zegt Willand:
“Facturen die in goedkeuringslimbo zitten, tellen nog steeds mee in DSO-berekeningen. Ze verschijnen niet als dispuut en starten geen incassoworkflows. Ze wachten gewoon. Door de tijd te meten tussen verzenden van de factuur en de eerste actie van de klant, wordt een bottleneck zichtbaar die veel dashboards onzichtbaar maken.”
Wat meten:
De tijd tussen verzenddatum van de factuur en de eerste klantactie (bevestiging, vraag of betaling). Segmenteer per klant en factuurtype. Alles wat structureel langer dan tien werkdagen zonder reactie duurt, vraagt om procesverbetering.
4. Promise-to-pay gedrag dat late betalingen voorspelt
Elke credit manager heeft een intuïtief beeld van welke klanten betrouwbaar zijn.
De klanten die altijd betalen. De klanten die zeggen “vrijdag betalen we” – en dat ook doen. En de klanten die dat zeggen, maar het nog nooit hebben gedaan.
Het probleem is dat deze kennis zelden formeel wordt vastgelegd.
Veel teams sturen nog steeds op factuurleeftijd, een indicator die alleen laat zien hoe lang iets al te laat is – niet hoe waarschijnlijk het is dat het wordt opgelost.
Door promise-to-pay betrouwbaarheid te meten, wordt die intuïtie een bruikbaar signaal.
“Door promise-to-pay betrouwbaarheid te volgen, kunnen creditteams klanten beter segmenteren. Een klant die al drie jaar elke betaalbelofte nakomt, verdient een andere aanpak dan een klant die er vier op rij heeft gemist. Dat verschil bepaalt waar je eerder actie moet nemen.”
Wat meten:
PTP-nakomingspercentage per klant over een periode van twaalf maanden. Klanten onder een bepaalde grens (vaak rond 70–75%) verdienen eerder contact, niet pas opvolging na de vervaldatum.
5. Lage auto-match ratio bij inkomende betalingen
Het geld is binnengekomen. De klant heeft betaald. Maar in de administratie staat de factuur nog open.
Waarom? Omdat de betaling niet automatisch kon worden gematcht.
Dit gebeurt vaker dan veel teams denken. Ongekoppelde betalingen creëren een verkeerd beeld van openstaande vorderingen en kunnen leiden tot herinneringen voor facturen die al betaald zijn. Dat tast het vertrouwen van klanten aan.
De oorzaken liggen vrijwel altijd intern:
- ontbrekende betaalreferenties
- factuurdata die niet overeenkomt met het systeem van de klant
- bankintegraties die niet realtime werken
“In veel gevallen is dit geen betalingsprobleem van de klant, maar een data- en procesprobleem binnen de organisatie. Het verbeteren van automatische matching laat vaak zien dat time-to-cash problemen intern beginnen.”
Wat meten:
Auto-match ratio als percentage van alle inkomende betalingen, uitgesplitst per klant en per betaalmethode. Analyseer wekelijks niet-gematchte betalingen – de patronen wijzen meestal direct naar de oplossing.
Waarom deze signalen belangrijker zijn dan DSO
Deze vijf signalen vormen een keten:
- Een factuur die niet first-time-right is, leidt vaak tot een dispuut of blijft hangen in goedkeuring.
- Een dispuut dat niet op tijd wordt opgelost, leidt tot een gebroken promise-to-pay.
- Een betaling die uiteindelijk binnenkomt, kan niet gematcht worden omdat de referentie ergens in het correctieproces verloren ging.
- DSO is de eindscore, maar het spel is al veel eerder beslist.
Creditteams die zich richten op de vroege signalen van te late betalingen werken anders. Zij:
- escaleren eerder bij de juiste klanten
- brengen data naar gesprekken met operations en sales
- ontdekken dat veel incassoproblemen eigenlijk procesproblemen zijn
Zoals Willand het samenvat:
“Creditteams die time-to-cash verkorten monitoren niet alleen DSO. Ze kijken waar het proces begint te vertragen en maken dat zichtbaar voor de mensen die het kunnen oplossen.”
Conclusie
Te late betalingen gaan zelden over klanten die niet willen betalen. Veel vaker zijn ze het gevolg van:
- facturen met fouten
- disputen die te lang openstaan
- goedkeuringen die te lang duren
- data die niet goed tussen systemen stroomt
Creditteams die zich richten op de vroege signalen van te late betalingen krijgen eerder inzicht in waar het proces vastloopt. En precies daar beginnen echte verbeteringen in time-to-cash.
“Een goed startpunt: neem deze vijf signalen en kijk of je team ze momenteel meet en waar die data zich bevindt. De meeste teams volgen er twee of drie ergens, maar niet consistent en niet op één plek. Dat gat is vaak precies waar verbeteringen in time-to-cash beginnen.”
Wil je zien hoe dit er in de praktijk uitziet? Laten we in gesprek gaan.
Over de expert
Willand Brienen is Product Manager bij Onguard en werkte eerder als credit manager. Zijn ervaring in zowel operations als softwareontwikkeling geeft hem een uniek perspectief op hoe finance teams late betalingen eerder kunnen signaleren binnen het order-to-cash proces.
