---
title: "Hoe JAM! Horeca 55 uur per maand aan backofficetijd terugkreeg"
description: "JAM! Horeca is the payroll and HR specialist for Dutch hospitality, with roughly 8,000 employees and 350+ client businesses. Every placement starts with an…"
canonical: "https://www.whatsnext-ai.com/nl/cases/how-jam-horeca-recovered-55-hours-a-month-in-hr-back-office-time"
updated: "2026-08-14T10:06:49.898Z"
client: "JAM! Horeca"
---

# Hoe JAM! Horeca 55 uur per maand aan backofficetijd terugkreeg

JAM! Horeca is the payroll and HR specialist for Dutch hospitality, with roughly 8,000 employees and 350+ client businesses. Every placement starts with an…

![Bartender behind the bar at a Dutch hospitality venue staffed by JAM! Horeca](https://fgzcpjbyiakhjifaciaj.supabase.co/storage/v1/object/public/media/Man%20Making%20Drink%20at%20Bar.jpg)

## Overview

JAM! Horeca is dé payroll- en HR-specialist voor de Nederlandse horecasector, met circa 8.000 medewerkers en meer dan 350 opdrachtgevers. Elke plaatsing begint met een onboarding die zowel door de opdrachtgever als de medewerker via het MyJAM-formulier wordt ingediend. De HR-backoffice exporteert de inzendingen naar Excel en controleert ze voordat er iets in MyJAM wordt vastgelegd.

## Challenge

De backoffice controleerde elke onboarding regel voor regel aan de hand van een geschreven werkinstructie, zette de goedgekeurde velden vervolgens handmatig in MyJAM en legde ze naast het paspoort van de medewerker.

Bij 70 onboardings per dag en gemiddeld 4:11 per stuk was dat bijna vijf uur controlewerk per dag, voordat één plaatsing verder kwam.

De consistentie hing af van wie het bestand onder zich had, en een rekenfout die er doorheen glipte belandde uiteindelijk in het opgegeven jaarsalaris van een medewerker.

## Approach

De discovery begon bij de werkinstructie waar de backoffice al mee werkte. De regels ontbraken niet, ze stonden alleen in een document in plaats van in een systeem, en juist daardoor verschilde de uitkomst per beoordelaar.

Twee keuzes hebben de bouw bepaald. De eerste was om de regels als deterministische code te schrijven in plaats van ze door een taalmodel te halen. Onboardingdata bestaat uit BSN-nummers, paspoorten en bankgegevens, dus die buiten een model houden was een privacyvereiste nog voordat het een technische voorkeur was. Een WML-toets of een BSN-checksum heeft bovendien precies één juist antwoord, moet bij elke run hetzelfde oordeel geven en moet uit te leggen zijn aan een auditor. Ongeveer 15 vastgelegde regels met zo'n 139 geautomatiseerde tests eronder doen dat. Een probabilistisch systeem niet.

De tweede keuze was om de werkwijze van HR ongemoeid te laten. Die aanpassen had betekend dat we rechtstreeks in MyJAM moesten integreren, waar live medewerker- en loongegevens in staan, en dat had maanden gekost. In plaats daarvan liep de snelste route naar waarde ernaast: een geplande job leest de SharePoint-map die het team al gebruikt en zet het gevalideerde Excel-bestand daar weer klaar. Zelfde formulier, zelfde map, dezelfde mensen.

Daardoor stond het systeem twee weken na het eerste gesprek in productie, gevolgd door vier verbeterrondes in de vier weken daarna om er een stabiel proces van te maken.

## Solution

Een validatieservice pikt elk geëxporteerd onboardingbestand op en past ongeveer 15 regels toe op iedere rij: BSN-checksum, IBAN-formaat en tenaamstelling die overeenkomt met de medewerker, WML-minimumloon per leeftijdscategorie, salarisberekening, contractduur, geldigheid van het ID ten opzichte van de contractdata, routering op AOW-leeftijd en een verplichte tweede controle bij een niet-Nederlandse nationaliteit.

De service levert een Excel-bestand op met vijf tabbladen en kleurcodering. Groene rijen kunnen direct door. Rode, oranje en gele rijen krijgen een uitleg in gewone taal over wat er misgaat, plus een voorstel voor de vervolgstap: terug naar de medewerker, terug naar de inlener, of escaleren naar HR.

Het systeem keurt niemand goed voor de loonadministratie. Het bepaalt waar een mens naar moet kijken.

## Outcome

Bij 70 onboardings per dag levert de stap van 4:11 naar 1:52 per controle ongeveer 2,7 uur per dag en circa 55 uur per maand aan backofficecapaciteit op.

Elke aanmelding doorloopt nu dezelfde 15 controles in dezelfde volgorde, met een vastgelegde uitleg van wat er misgaat en waarom.

MeetpuntVoorNaEffectTijd per onboardingcontrole4:11 gemiddeld1:52 gemiddeld55% sneller (2,2×)Controletijd backoffice per dag (70 cases)~4,9 uur~2,2 uur~2,7 uur per dag terugRegels per aanmeldingHandmatig, verschilde per beoordelaar~15, elke run identiekReproduceerbaar en controleerbaar

Kort samengevat: 2,2× snellere onboardingcontroles (4:11 → 1:52); circa 55 uur backofficetijd per maand terug; ongeveer 15 controleregels die bij elke run identiek worden toegepast, met zo'n 139 geautomatiseerde tests eronder; geen opslag van onboardingdata en niets ervan gaat door een taalmodel; twee weken na het eerste gesprek in productie, stabiel proces na zes weken; en een mens beslist nog steeds over elke plaatsing.

## Results

- **~55 uur** backofficetijd terug per maand: Op 70 onboardingcontroles per dag
- **4:11 → 1:52** gemiddelde tijd per onboardingcontrole: Dezelfde controles, 55% sneller
- **0** onboardingrecords door een taalmodel: Deterministische code, ~139 geautomatiseerde tests

## Quote

> Door deze oplossing hebben we onze gemiddelde onboardingstijd teruggebracht van 4:11 naar 1:52 minuten. Dat levert ons team dagelijks een aanzienlijke tijdsbesparing op en maakt het onboardingproces sneller, efficiënter en minder foutgevoelig.
> — Nikki, Manager Proces & Compliance HR/Backoffice, JAM! Horeca