Persoonlijke risico-indicatie

BNPL Risk Check

Ontdek hoeveel financieel risico een Buy Now, Pay Later-aankoop voor jou kan hebben.

± 3 minuten · gratis

Onboarding: realistische verwachting (± 3 minuten) en vooraf uitleg wat de AI doet, welke data nodig is en waarom — vóórdat de gebruiker iets invult.

Wat je vooraf moet weten

Transparant en onder jouw controle

Een Machine Learning-model geeft een indicatie en kan fouten maken.
We vragen alleen wat het model nodig heeft: inkomen, BNPL-schuld, aankoopbedrag en (optioneel) betaalgeschiedenis en werkstatus.
Deze gegevens worden gebruikt om jouw terugbetalingsrisico te schatten.
Je gegevens worden alleen gebruikt om jouw risicoscore te berekenen.

Jij houdt de controle

Je start pas nadat je expliciet toestemming geeft. Je kunt je gegevens later verwijderen.

Limitations + Data privacy: de gebruiker weet vooraf dat het model fouten kan maken en dat data alleen voor dit doel wordt gebruikt.

Stap 1 van 3

Vertel ons over je financiële situatie

Vul alleen in wat nodig is voor de voorspelling. Optionele velden mag je overslaan.

Waarom vragen we dit?

Deze informatie helpt het model bepalen hoeveel financiële ruimte je hebt. Bij elk veld zie je of het wordt opgeslagen en of het optioneel is.

Transparency + Data privacy (dataminimalisatie): alleen gegevens die het model echt gebruikt. Bij elk veld uitleg waarom, of het verplicht is en dat het niet wordt opgeslagen. Ontbrekende optionele velden vult het model aan met een gemiddelde — dat melden we eerlijk bij de uitslag.

Ik geef toestemming om deze gegevens te gebruiken voor mijn risicovoorspelling. Ze worden niet opgeslagen of gedeeld.

Geef eerst toestemming — zonder toestemming berekenen we niets.

Data privacy (opt-in): de toestemming staat standaard uit en is specifiek voor dit ene doel.

Je financiële risico wordt berekend…

Ons AI-model analyseert je financiële gegevens.

Starten…0%

Dit duurt meestal minder dan 20 seconden. De uitkomst blijft een voorspelling en kan afwijken van jouw werkelijke situatie.

Feedback (systeemstatus): de gebruiker ziet welke stap het model uitvoert en hoe lang het duurt (Nielsen: visibility of system status).

– / 100

Kans per risicoklasse volgens het model

Zekerheid model:

Confidence: we tonen hoe zeker het model is: hoeveel van de 100 beslisbomen dezelfde uitkomst kiezen, minder bij ontbrekende velden of waarden ver buiten de trainingsdata. Plus de kans per klasse.

Belangrijkste factoren in jouw score

Explainability (lokale uitleg): de factoren zijn SHAP-waarden, rechtstreeks berekend uit de 100 beslisbomen: hoeveel punten elke factor jouw score omhoog of omlaag duwt t.o.v. een gemiddelde aanvrager.

Let op

Deze voorspelling is een indicatie. Het AI-model kan fouten maken en kent jouw toekomstige situatie niet.

Limitations: beperkingen staan direct bij de uitslag, niet verstopt in de voorwaarden.

Herken je jezelf in deze inschatting?

Feedback: de gebruiker kan aangeven of de uitslag klopt; zo kan het model verbeterd worden (alleen als je dat bij Privacy toestaat).

Terug naar webshop

Uitleg

Waarom krijg ik deze risicoscore?

Bekijk welke informatie het model het zwaarst heeft meegewogen.

Invloed per factor

Transparency: per factor het aandeel in de score + een zin in gewone taal met jouw eigen cijfers ten opzichte van het gemiddelde in de data.

Hoe werkt deze voorspelling?

Een Machine Learning-model (Random Forest) van beslisbomen is getraind op historische BNPL-gegevens. Elke boom kiest op basis van jouw antwoorden een risicoklasse: laag, gemiddeld of hoog. De score is P(hoog) × 100 + P(gemiddeld) × 50.

Beperkingen

Het model is getraind op historische (Amerikaanse) data in dollars; we rekenen jouw bedragen om (€ 1 = $ ). Die data is niet per se representatief voor jou. Het model kijkt niet naar je vaste lasten, kan fouten maken en kent jouw toekomstige situatie niet.

Explainability (globaal + lokaal) & Limitations: hoe het model in het algemeen werkt, waarom jíj deze score krijgt, en waar het tekortschiet.

Laag

De meeste beslisbomen verwachten geen betalingsproblemen.

Gemiddeld

Vanaf hier waarschuwen we al. Liever een keer te vaak opletten dan een risico missen.

Hoog

Het model verwacht eerder wél dan geen betalingsproblemen.

De categorie is de klasse waar het model de meeste kans aan geeft; die indeling komt rechtstreeks uit het model en is niet achteraf door ons verschoven. We waarschuwen bewust al bij gemiddeld (recall boven precisie): een gemiste waarschuwing kost de gebruiker meer dan een onnodige.

Privacy & controle

Jouw gegevens

Bekijk, beheer en verwijder de gegevens die voor jouw risicoscore zijn gebruikt.

Gebruikte gegevens

Alleen voor jouw BNPL-risico

Doel: alleen voor het berekenen van jouw BNPL-risico. Opslag: alleen in dit tabblad.

Jouw privacykeuzes

Alle optionele keuzes staan standaard UIT.

Mijn gegevens bewarenBewaar mijn invoer op dit apparaat voor een volgende check. Gegevens gebruiken om het model te verbeterenGebruik geanonimiseerde gegevens en feedback voor modeltraining. Gegevens delen met andere partijenDeel niets zonder nieuwe toestemming.

Data privacy (privacy by default): opt-in i.p.v. opt-out en "full service": de check werkt volledig, ook als alles uit staat.

Controle (AVG): recht op inzage (download), recht op vergetelheid (verwijderen) — alle knoppen werken echt.

Jij beslist

De score is advies, geen verbod. Neem de tijd en kies wat past bij jouw situatie — zonder druk.

Autonomie & gedragsverandering: geen timer, geen druk. Concrete, interactieve alternatieven (het model rekent live mee bij een ander bedrag) helpen Max een betere keuze te maken.

Terug naar webshop

Over ons

Onafhankelijk advies over achteraf betalen

BNPL Risk Check helpt jongeren zoals Max inschatten of een Buy Now, Pay Later-aankoop verantwoord is — vóórdat ze op "bestellen" drukken.

Geen sponsors. Wij worden niet betaald door BNPL-aanbieders of webshops en verdienen niets aan jouw keuze.

Geen financieel advies. De score is een indicatie van een Machine Learning-model. Twijfel je? Kijk op een onafhankelijke site voor budgethulp of praat met iemand die je vertrouwt.

Studentenproject Human Centered AI Design · Minor AI · 2026