AI voor data en analytics
Data en analytics beantwoordt in een webshop de vraag wat er gebeurt en waarom: omzet, marge, retouren, campagnerendement en voorraad. AI betaalt zich hier het eerst terug bij het schrijven van SQL, Python en DAX en bij losse vragen van collega's.
Processen en waar AI past
Datafundament en schema-bewaking
- 10-20 dagen
- Elke nacht, na de laadronde van de bronsystemen naar het datawarehouse
- Analytics engineer (bij kleinere webshops: de data-analist)
- Typisch (schatting): 5 tot 15 bronnen, 1 laadronde per nacht, 1 tot 3 afwijkingen per maand
- 30 tot 60 minuten per dag. Aanname: een analist controleert elke ochtend de belangrijkste dashboards op rare waarden. Meet twee weken lang hoeveel minuten dat kost en hoe vaak er iets stuk blijkt.
- Bronexports of koppelingen per systeem; Lijst van verplichte velden en veldtypes per tabel
- Gekoppelde tabellen met uniforme product-ID's; Foutmelding met de naam van de bron en het veld bij een afwijking; Bijgewerkte datadocumentatie
- Je laadt orders uit het shopplatform, voorraad uit ERP of WMS, productdata uit het PIM, advertentiekosten en tickets uit de klantenservicetool in het datawarehouse.
- Je koppelt alle tabellen op dezelfde product-ID's en legt per tabel vast welke velden verplicht zijn.
- Een automatische test vergelijkt veldtypes en aantallen met de vorige run en stopt de verversing bij een afwijking.
- Een analist krijgt een melding, zoekt de oorzaak in de bron en keurt de herstelde run goed.
- Je beschrijft de tabellen, definities en KPI-formules in een vaste kennisbank, zodat mens en AI dezelfde taal gebruiken.
- De vaste tests moeten deterministisch draaien. AI helpt bij het schrijven van de testregels en bij het opstellen van de documentatie uit interviews met collega's. Zonder gelijke product-ID's werkt geen enkele AI-laag erboven.
- Een veld verandert van type (schema drift), de pipeline blijft draaien en het rapport toont stil verkeerde of lege waarden.
- Guardrail: de verversing stopt automatisch bij een afwijkend veldtype of ontbrekend product-ID. Een analist keurt de herstelde run goed (human-in-the-loop).
- Tel per maand het aantal rapporten dat achteraf foutief bleek, gedeeld door het aantal laadrondes. Meet vooraf een maand zonder de test en daarna een maand met.
SQL, Python en DAX schrijven met AI
- 2-5 dagen
- Nieuwe vraag van een collega of aanpassing van een bestaand dashboard
- Data-analist
- Typisch (schatting): 10 tot 25 nieuwe of gewijzigde queries per week
- 45 tot 90 minuten per query. Aanname: schrijven, testen en documenteren zonder AI-hulp. Meet de doorlooptijd van 20 recente queries tussen aanvraag en oplevering.
- Businessvraag met definitie van de KPI; Tabelschema's en datadocumentatie
- Gecontroleerde query, script of measure; Opgeslagen versie met korte uitleg
- De analist zet de businessvraag om in een duidelijke definitie: welke tabellen, welke periode, welke uitzonderingen.
- AI schrijft een eerste versie van de SQL-query, het Python-script of de DAX-measure.
- De analist draait de code op een kleine testset waarvan het antwoord bekend is.
- Je vergelijkt de uitkomst met een bekend totaal, bijvoorbeeld de omzet uit de boekhouding.
- Na goedkeuring slaat de analist de query met uitleg op in versiebeheer, zodat anderen hem hergebruiken.
- In onze sessie noemt een analist codegeneratie voor SQL, Python en DAX de nummer 1 toepassing van AI voor data-analisten. Het gaat om een berekening of functie, niet om een heel datawarehouse in een keer. Het gevaar is code die draait met een verkeerde uitkomst.
- De code geeft geen foutmelding, maar telt orders dubbel of laat retouren weg. Niemand ziet het aan het dashboard.
- Human-in-the-loop: een tweede persoon leest de query en de uitkomst wordt nagerekend tegen een bekend totaal voordat het dashboard live gaat.
- Meet de dagen tussen aanvraag en oplevering, en het aandeel queries dat binnen 14 dagen gecorrigeerd moest worden. Meet vooraf over 20 queries en na invoering opnieuw over 20.
Losse vragen beantwoorden met conversational analytics
- 5-10 dagen
- Directie, inkoop of marketing stelt een nieuwe vraag over omzet, marge, retouren of conversie
- Data-analist, met de vraagsteller als gebruiker
- Typisch (schatting): 15 tot 40 losse vragen per week
- 30 tot 45 minuten per losse vraag. Aanname: de analist begrijpt de vraag, schrijft de query en stuurt het antwoord. Turf drie weken alle losse dataverzoeken en meet bij 20 daarvan de tijd.
- Vraag in gewone taal; Gekoppeld datawarehouse met vastgelegde definities en businesslogica
- Antwoord met tabel of grafiek; Zichtbare query; Opgeslagen analyse
- De vraagsteller typt de vraag in gewone taal in een chattool die op het datawarehouse is aangesloten.
- De tool stelt een wedervraag als een begrip niet vastligt, bijvoorbeeld 'omzet inclusief of exclusief btw'.
- De tool zet de vraag om in een query (text-to-SQL) en toont de query en het antwoord.
- De vraagsteller of een analist leest de query en controleert het getal tegen een bekend totaal.
- Een goed antwoord sla je op als herhaalbare analyse, zodat de uitkomst volgende week op dezelfde manier wordt berekend.
- In de test van het team van Insight First, besproken in onze Specialists-sessie, ging het om vier tools op een demodataset. De eisen die verschil maakten: wedervragen stellen in plaats van aannames doen, context toevoegen, analyses opslaan en herhalen, en kunnen zien welke query liep. Dashboards blijven bestaan voor vaste vragen; de chat helpt bij nieuwe vragen.
- Google schrijft in de eigen documentatie dat de uitvoer 'plausible but factually incorrect' kan zijn. Een manager neemt dan een besluit op een goed ogend getal dat niet klopt. Elke vraag is ook een query op je warehouse en kost rekenkracht.
- Guardrail: de query is altijd zichtbaar. Een analist controleert wekelijks een steekproef van 20 antwoorden tegen de bron. Bedragen boven een drempel gaan niet de vergadering in zonder controle.
- Controleer wekelijks 20 antwoorden tegen een handmatig berekend getal. KPI is het aantal correcte antwoorden gedeeld door 20. Meet daarnaast de doorlooptijd per vraag voor en na.
Voorraaddata naast campagnedata leggen
- 5-10 dagen
- Elke ochtend, voordat de budgetten van de advertentiekanalen worden bijgesteld
- Marketeer en data-analist, inkoop als ontvanger
- Typisch (schatting): dagelijks, 10 tot 50 signalen per week bij een assortiment van enkele duizenden producten
- 20 tot 40 minuten per dag. Aanname: exports uit het advertentieplatform en het voorraadsysteem naast elkaar in een spreadsheet. Meet het van export tot actielijst op 10 werkdagen.
- Campagnedata per product-ID; Voorraadstand en verkoopsnelheid per product-ID
- Lijst campagnes om af te remmen; Lijst producten voor inkoop; Verklaring van ROAS-afwijkingen per product
- Je haalt kosten, klikken en omzet per campagne op en zet ze in het datawarehouse naast de actuele voorraad per product-ID.
- Je selecteert bestsellers waarvan de voorraad onder een vooraf gekozen dekking in dagen zakt.
- Je selecteert campagnes met een lage ROAS en kijkt of de oorzaak een leeg maatassortiment of een prijsverschil is.
- Het systeem maakt een lijst met campagnes waarvan het budget omlaag moet en een lijst met producten die inkoop moet bijbestellen.
- De marketeer keurt de lijst goed en past de budgetten aan; inkoop krijgt de tweede lijst.
- Als voorraad en campagnes dezelfde product-ID's hebben, is het signaal een vaste regel in SQL. AI is nodig voor de samenvatting en voor de vraag waarom een campagne afwijkt. In de clip van Ruben Runneboom van Taskforce staat het uitgangspunt: een lage ROAS zegt niets zolang je niet weet wat er in het magazijn staat.
- Product-ID's koppelen niet goed. Je remt dan het verkeerde product af of blijft adverteren op iets dat bijna op is.
- Human-in-the-loop: het systeem stelt voor, de marketeer keurt budgetwijzigingen goed. Een wekelijkse steekproef van 10 signalen tegen het voorraadsysteem.
- Tel per week de advertentiekosten op product-ID's waarvan de voorraad onder de gekozen dekking stond. Meet vier weken voor invoering en vier weken erna.
KPI-bewaking en afwijkingen verklaren
- 3-7 dagen
- Dagelijkse en wekelijkse afsluiting van de webshopcijfers
- Data-analist
- Typisch (schatting): 5 dagelijkse checks en 1 weekrapportage met 5 tot 10 afwijkingen
- 2 tot 4 uur per week. Aanname: cijfers verzamelen en uitschieters uitzoeken op maandagochtend. Meet vier weken de tijd van de analist voor deze taak.
- Geconsolideerde tabellen voor orders, inkoopprijzen, retouren en klantenservice; Bandbreedtes per KPI uit de afgelopen maanden
- KPI-dashboard; Korte lijst met gecontroleerde afwijkingen en oorzaken
- Het datawarehouse berekent de vaste KPI's voor omzet, netto marge, retourpercentage en tickets per order.
- De dashboards verversen en markeren cijfers buiten de vooraf gekozen bandbreedte.
- Een AI-assistent vat de grootste dalers en stijgers per categorie samen en noemt mogelijke oorzaken uit de data.
- De analist controleert elke genoemde oorzaak met een eigen query voordat de verklaring naar het management gaat.
- Je deelt een korte, gecontroleerde samenvatting met de afdelingseigenaren.
- De KPI-berekening zelf staat vast in SQL en is geen taak voor een chatmodel. AI helpt bij het samenvatten en bij het opsporen van oorzaken. Een verklaring van AI is een hypothese tot de analist hem heeft nagerekend.
- AI noemt een aannemelijke oorzaak voor een margedaling die niet uit de data blijkt.
- Human-in-the-loop: de analist toetst elke oorzaak met een eigen query. Verklaringen zonder query gaan niet in het rapport.
- Meet het aantal minuten tussen het signaal en de goedgekeurde verklaring. Meet 10 afwijkingen voor en 10 na invoering.
Marketingattributie en netto kanaalrendement
- 5-10 dagen
- Wekelijkse en maandelijkse evaluatie van de marketingkanalen
- Data-analist
- Typisch (schatting): een keer per week en een keer per maand
- 3 tot 6 uur per maand. Aanname: onderhoud en controle van de berekening bij de maandafsluiting. Meet over drie maanden de uren van de analist.
- Kosten en sessiedata per kanaal; Orderregels, inkoopmarge en retouren op product-ID
- Netto marge per marketingkanaal; Aansluitrapport met verschil tegenover de boekhouding
- Je combineert marketingkosten en sessiedata met orders, productmarge en retouren op dezelfde ordercode of product-ID.
- De analist onderhoudt het attributiescript in SQL of Python, met AI als hulp bij het schrijven.
- Je rekent per kanaal de netto bijdrage uit na retouren, kortingen en verzendkosten.
- Een aansluitcontrole vergelijkt de som van de kanaalomzetten met de netto omzet uit de boekhouding.
- Je zet de uitkomsten in het dashboard voor het marketingoverleg.
- Laat een chatmodel de attributie niet direct berekenen. De berekening moet elke week op precies dezelfde manier draaien. AI mag helpen bij het schrijven van de code, niet bij het uitvoeren ervan.
- De code telt orders dubbel of koppelt retouren verkeerd. Een verliesgevend kanaal lijkt dan winstgevend.
- Guardrail: de som van de kanaalomzetten moet binnen een vooraf gekozen marge van de netto omzet uit de boekhouding liggen, anders stopt het rapport.
- Percentage verschil tussen de som van kanaalomzetten en de netto omzet in de boekhouding, per maand.
Tools per proces
Elke regel komt van de eigen pagina van de leverancier. Prijs, Nederlandse taal en verwerking in de EU staan erin zoals die pagina ze noemt. Wat de pagina niet zegt, staat als onbekend.
| Tool | Rol in het proces | Nederlands | EU-verwerking | Prijs | Bron |
|---|---|---|---|---|---|
| Copilot in Power BI | Schrijft DAX-queries, bouwt rapportpagina's en vat rapporten samen voor gebruikers van Power BI. | beperkt | ja | Power BI Pro $14.00 per gebruiker per maand (jaarlijks betaald); Copilot vraagt daarnaast Fabric-capaciteit F2 of hoger of Power BI Premium P1 of hoger, capaciteitsprijs 'Variable' | learn.microsoft.com/en-us/power-bi/create-reports/copilot-introduction |
| Conversational Analytics in Data Studio | Chat met BigQuery-data via data agents, met een Code Interpreter die vragen omzet naar Python. | onbekend | onbekend | Data Studio gratis; Data Studio Pro $9 per gebruiker per project per maand | docs.cloud.google.com/data-studio/conversational-analytics-overview |
| Dot | Conversational analytics: vraag in gewone taal, de tool schrijft SQL en draait die op je warehouse. | onbekend | ja | Pro $180 per maand (150 credits, $1.80 per extra credit); Team $720 per maand (800 credits); Free $0 met 300 eenmalige credits; Enterprise op maat | getdot.ai/pricing |
| Actian AI Analyst (voorheen Wobby) | Conversational analytics op een semantische laag, met Slack en Teams als gebruikerskanaal. | onbekend | onbekend | Starter $499 per maand of $5,950 per jaar (10 gebruikers, 1 agent); Growth $1,699 per maand; Scale $2,999 per maand; Enterprise op aanvraag; 14 dagen proef | actian.com/ai-analyst |
| Supermetrics | Haalt advertentie- en marketingdata uit de kanalen en levert die aan een datawarehouse, spreadsheet of BI-tool. | onbekend | ja | Starter EUR 52 per maand (EUR 39 per maand bij jaarbetaling); Growth EUR 199 per maand (EUR 159 bij jaarbetaling); Enterprise: 'Get a Quote' | supermetrics.com/pricing |
| Metabase | Dashboards en queryomgeving met AI-vragen op een eigen model of de AI-dienst van Metabase. | ja | ja | Starter $100 per maand ($90 bij jaarbetaling, 5 gebruikers, daarna $6 per gebruiker); Pro $575 per maand; Enterprise vanaf $20,000 per jaar; Open Source gratis; AI-dienst van Metabase $3.75 per 1M tokens, 1M inbegrepen | metabase.com/pricing |
Bewijs uit onze cases en sessies
De clips tonen werkwijzen en ervaringen van sprekers in onze sessies, geen gemeten resultaten. In onze casebibliotheek staat geen case over analytics, dus deze pagina bevat geen gemeten uitkomst.
Plan voor 90 dagen
Dag 1 tot 30: pilot
Een betrouwbaar datafundament en een veilige werkwijze voor AI-code.
- Breng orders, voorraad, productdata, advertentiekosten en tickets samen in het datawarehouse en trek de product-ID's gelijk.
- Beschrijf de tien belangrijkste KPI's met formule, bron en eigenaar in een vaste kennisbank.
- Zet de automatische test op veldtypes en product-ID's aan en meet een maand lang het aantal alarmen.
- Laat analisten SQL, Python en DAX met AI schrijven, met verplichte nacontrole tegen een bekend totaal.
Dag 31 tot 60: meten
Voorraad naast campagnedata en een gerichte test van conversational analytics.
- Bouw de dagelijkse lijst met campagnes om af te remmen en producten om bij te bestellen, en laat marketing en inkoop er twee weken mee werken.
- Kies 20 echte vragen van directie en inkoop en bepaal vooraf het juiste antwoord per vraag.
- Test twee of drie tools op diezelfde vragen met je eigen data of een demodataset, en score op vier eisen: wedervragen, context toevoegen, analyses opslaan, query zichtbaar.
- Kies maximaal een tool voor de pilot.
Dag 61 tot 90: opschalen
Gecontroleerde pilot met de gekozen tool en een besluit op cijfers.
- Sluit de gekozen tool aan op de gecontroleerde tabellen, en geef toegang aan de analisten en vijf managers.
- Controleer elke week 20 antwoorden tegen de bron en noteer fouten per oorzaak.
- Voeg bij elke fout de ontbrekende definitie toe aan de kennisbank en test dezelfde vraag opnieuw.
- Meet doorlooptijd per losse vraag en het aantal queries dat gecorrigeerd moest worden, en vergelijk met de nulmeting.
Stoppen
Stop de pilot als in twee opeenvolgende weken meer dan 10 van de 20 gecontroleerde antwoorden niet kloppen, of als de tool geen query toont.
Doorgaan
Ga door en breid uit als in de laatste twee weken minstens 18 van de 20 gecontroleerde antwoorden kloppen en de doorlooptijd per losse vraag minstens 25 procent lager is dan in de nulmeting.
Veelgemaakte fouten
- Een veld verandert van type in een bron en het dashboard toont zonder melding lege of verkeerde waarden.
- De code draait zonder fout en telt toch dubbel, omdat niemand de uitkomst naast een bekend totaal legt.
- De chattool vult aannames in bij een vage vraag, en een manager gebruikt het getal in een besluit.
- Orders, voorraad en advertenties hebben verschillende product-ID's, waardoor koppelingen stilletjes ontbreken.
- De organisatie koopt een tool voordat de definities van omzet, marge en retour vastliggen, zodat elke afdeling een ander getal krijgt.
- Elke chatvraag is een query op je warehouse; zonder budgetgrens loopt het verbruik op.
Veelgestelde vragen
Kan een chattool op mijn cijfers de analist vervangen?
Nee. Google schrijft in de documentatie van Conversational Analytics dat de uitvoer 'plausible but factually incorrect' kan zijn en dat je alles moet valideren (Google). In de test van Insight First telde mee of de tool wedervragen stelt en laat zien welke query liep. Een analist blijft nodig voor definities en steekproeven.
Waar levert AI het eerst tijd op voor een datateam?
Bij het schrijven van SQL, Python en DAX. Een analist in onze club noemt codegeneratie de nummer 1 toepassing. Reken de uitkomst altijd na tegen een bekend totaal, want code kan draaien en toch een verkeerd getal geven.
Welke data moet er eerst op orde zijn?
Orders, voorraad, productdata, marketing en klantenservice, in een datawarehouse met dezelfde product-ID's. AWS omschrijft een datawarehouse als een centrale opslag die je kunt analyseren om betere beslissingen te nemen (AWS). Zonder dit krijgt AI tegenstrijdige bronnen en geeft het antwoorden die net niet kloppen.
Hoe voorkom ik dat een dashboard stil foute cijfers toont?
Zet een automatische test op veldtypes, aantallen en product-ID's, en laat de verversing stoppen bij een afwijking. Een veld dat van type verandert (schema drift) laat anders een pipeline draaien die verkeerde data laadt. Een analist keurt de herstelde run goed.
Zijn er Shopify-apps voor vragen aan mijn winkeldata?
Ja, er zijn meerdere apps die vragen in gewone taal omzetten in analyses, onder meer in de Shopify App Store. Een zoekopdracht liet apps zien met weinig of geen beoordelingen. Test ze daarom op 20 vragen waarvan je het antwoord al kent en controleer wat voor data ze lezen.
Verder in deze afdeling
Gidsen
Video’s uit het archief
- AI Code Generatie: van SQL tot DAX in seconden
- 4 conversational analytics tools getest
- Eerst de bodem: datawarehouse en second brain voor AI
- Leg je voorraaddata naast je campagnedata
- Real-time prijsvergelijking via Google Shopping API
- Zonder definitielaag geeft AI elke keer een ander cijfer
- Vragen stellen aan je data in Looker
- Keuzehulpdata als declaratieve data in je CDP
- Self-healing pipelines en AI als controleur van je cijfers
- SQL schrijven voor BigQuery: Gemini, Claude of ChatGPT?
- Conversational analytics: chatten met je data
- Vier tools voor chatten met data getest: wat viel tegen?
- Laat een LLM afwijkingen in je cijfers opsporen
- Een eigen CEO-dashboard, gebouwd in drie uur
- Share of mention: zo meet je zichtbaarheid in AI
- Vijf FTE minder op inkoop bij 100 miljoen omzet
- Beter reageren is goedkoper dan beter voorspellen
- Search Console en Ads koppelen levert een backlog op
- Google Analytics en Search Console koppelen via MCP
- Een opvolgmail voor een debiteur laat je door AI schrijven
- Claude in Excel bouwt een debiteurenanalyse in je sheet
- BI met AI: vaste waarheid, definitielaag en vragen aan data
- Waarom Power BI, Tableau en Looker geen toekomst hebben
- Praten met je data: nieuwe klantenservicevragen via MCP
- Praten met je data: de MeerMetData MCP en wat er nog komt
Nieuws over AI in het mkb
- Europese e-commerce groeit 7 procent, Nederland krimpt 1 procent en België groeit 5 procent
- Vlaamse softwarebouwer Lowi: laat AI denken, niet je bedrijf runnen
- PwC: social commerce in Europa groeit naar 430 miljard euro, vertrouwen wordt de succesfactor
- Waarom AI in retail zelden schaalbaar oplevert: 95 procent experimenteert, 5 procent haalt ROI
- Eerste Belgische webshop draait volledig op AI, van ontwerp tot verkoop
Achtergrond en bronnen
Het risico zit in cijfers die er goed uitzien en niet kloppen. Daarom begin je met een schoon datafundament en bouw je bij elk proces een controle in.