Naar de inhoud
Alle video’s

AI Code Generatie: van SQL tot DAX in seconden

Data & DashboardsDuur: 1:47 min

Jop van Hooft, eCommerce AI Club

Uit de sessie: Specialists: Dashboards

Jop van Hooft opent het onderdeel over AI en data met wat voor hem op nummer 1 staat: codegeneratie. Je hoort waarom een data-analist veel tijd kwijt is aan SQL, Python en DAX, hoe AI daar een groot deel van overneemt en waarom hij schemaverandering in de data zo belangrijk vindt.

Voor wie: Je werkt met dashboards of rapportages en wilt sneller van vraag naar cijfer zonder SQL-expert te zijn.

Waarom dit ertoe doet

Een dashboard is zo goed als de berekeningen eronder. Wie wil weten hoe dit jaar zich verhoudt tot vorig jaar, of welke producten marge verliezen, heeft SQL en DAX nodig, en die vaardigheid zit vaak bij een of twee mensen. Wacht de rest van het team, dan duurt een nieuwe vraag dagen. Met AI die berekeningen schrijft kan een analist, en met voorzichtigheid ook een manager, sneller van vraag naar cijfer. Het gevaar is dat een fout niet opvalt: de code draait, maar de uitkomst klopt niet. In de sessie noemt Jop daarom ook het bewaken van de datastructuur: een veld dat ineens van integer naar tekst verandert, kan een rapport stil laten falen.

Belangrijkste inzichten

  • DAX is volgens Microsoft de formuletaal van Power BI, Analysis Services en Power Pivot; een measure rekent opnieuw per filter.
  • Jop zet codegeneratie op nummer 1 en noemt een berekening, een functie of een feature, geen compleet datawarehouse.
  • Schema drift is een ongeplande structuurwijziging in brondata en laat pipelines vaak stil verkeerde data laden.
  • Jops voorbeeld: een product-ID dat opeens tekst is terwijl het altijd een getal was, gemeld via een n8n-automatisering.
  • Controleer AI-code met steekproeven tegen een betrouwbare bron en zorg voor een goede datumtabel bij year to date.

SQL, Python en DAX in gewone woorden

SQL is de taal waarmee je gegevens uit een database haalt, bijvoorbeeld alle bestellingen van vorige maand. Python gebruik je voor scripts die gegevens inlezen, opschonen en doorgeven. DAX, Data Analysis Expressions, is volgens Microsoft de formuletaal van Power BI, Analysis Services en Power Pivot in Excel. Je schrijft er measures mee, formules die opnieuw rekenen afhankelijk van de filters in een rapport. Jop noemt als voorbeeld de vraag hoe we er year to date voor staan ten opzichte van vorig jaar: dat is precies zo'n DAX-measure.

Wat Jop zegt dat AI doet

In de opname van de sessie zegt Jop dat code genereren voor hem op nummer 1 staat en dat je de wens gewoon intypt, waarna het model een stukje code teruggeeft dat doet wat het moet doen. Hij maakt een belangrijke afbakening: het gaat om een berekening, een functie of een extra feature, niet om een compleet datawarehouse van A tot Z. Hij zegt dat je steeds meer features tegelijk kunt toevoegen, misschien vijf of tien. Dat is zijn eigen ervaring, geen meting.

Schema drift: de waarschuwing in de clip

Schema drift is een ongeplande wijziging in de structuur van brondata, zoals een toegevoegd, verwijderd, hernoemd of van type veranderd veld. Het gevaar is dat een pipeline blijft draaien en toch verkeerde data laadt. Jop geeft in de sessie een voorbeeld uit zijn eigen automatisering in n8n: op een account is een nieuw product aangemaakt waarvan het product-ID tekst is, terwijl het altijd een getal was. Zo'n melding voorkomt dat je analyse later scheef loopt. Hij noemt dat een stap richting zelfcontrolerende pipelines.

Wat je niet moet vergeten

Code die werkt is niet altijd code die klopt. Controleer uitkomsten steekproefsgewijs tegen een bron die je vertrouwt, zoals een export uit je webshop. Een DAX-measure voor year to date heeft bijvoorbeeld een nette datumtabel nodig, anders zijn de cijfers mooi maar verkeerd. Dat AI-code in seconden komt, betekent niet dat het testen kan vervallen.

Zo pak je het aan in je eigen team

Begin klein en meetbaar. Kies drie rapportvragen die nu elke week handwerk kosten, bijvoorbeeld omzet per categorie, marge per product en retourpercentage per leverancier. Laat het model per vraag de query schrijven, draai die op een kopie van je data en vergelijk de uitkomst met je huidige rapport. Klopt het in 3 van de 3 gevallen, dan weet je dat de aanpak werkt voor jouw datamodel. Leg daarna vast welke tabellen en velden er zijn, want hoe beter het model je structuur kent, hoe minder het verzint. Dat is ook de reden dat Jop veel documenteert: de beschrijving van je data is de input waar elke volgende AI-stap op bouwt. De sessie duurde 71 minuten en dit onderwerp beslaat daar maar een paar minuten van, dus verwacht geen volledig stappenplan van de clip zelf.

Probeer dit deze week

  1. Vraag een AI-model om een DAX-measure voor omzet year to date versus vorig jaar en vergelijk de uitkomst met je webshop-export.
  2. Zoek uit welke velden in je belangrijkste datafeed van type kunnen wisselen en wie een melding krijgt als dat gebeurt.
  3. Laat het model bij elke gegenereerde query in een zin uitleggen wat die doet en bewaar dat als documentatie.

Begrippen

DAX
De formuletaal van Power BI en Excel Power Pivot waarmee je berekeningen (measures) in rapporten maakt.
Schema drift
Een ongeplande verandering in de structuur van brondata, zoals een hernoemd veld of een ander gegevenstype.
Measure
Een berekening in een rapport die opnieuw wordt uitgerekend afhankelijk van de filters die je kiest.
Year to date
Het totaal vanaf het begin van het jaar tot vandaag.

Verdiep je in de gids

Transcriptie

Uitgeschreven uit de audio van dit fragment. Stopwoorden en herhalingen zijn weggelaten. Waar [onverstaanbaar] staat, is de opname niet te verstaan.

Wat op nummer 1 staat in mijn geval is een stukje code generatie. Het leven van een data-analyst is toch veel Python schrijven, SQL schrijven, DAX of andere calculaties die jouw visualisatie-bitoleer nodig heeft. Level of detail calculaties worden die vaak genoemd. Hoe doet dit jaar het en of zoveel volgend jaar? Hoe zitten we year-to-date of zitten we volgend jaar? Dat soort logica heb je allemaal nodig.

Je merkt wel dat AI daar een heel belangrijke en sterke rol in kan spelen. Ook dat die modellen, zeker voor de soort analyses die ik vaak doe, dat het wel redelijk one hit wonders aan het worden zijn. Je zegt kopwerk in wat je wil hebben en hij spreeft er perfect een stukje code uit wat doet wat het kan doen. En dan heb ik het niet dat hij van A tot Z compleet datawarehouse opzet, maar één berekening of één functie of één extra feature toevoegen, dat kan niet echt heel goed. [onverstaanbaar] Dat er meer dan één feature, dat je misschien wel vijf, misschien wel tien features tegelijkertijd kan toevoegen.

Andere belangrijke onderwerp is schema-drift. Op een gegeven moment laat je bepaalde data binnen via een bepaalde structuur, maar die kan helemaal totaal veranderen over tijd, omdat de velden toegevoegd of af worden gehaald. En dat maakt de analyse nog wel heel lastig, want die verwacht dat je data steeds op dezelfde structuur aangeleverd wordt. En daar kan AI een belangrijke rol in spelen, zeker in combinatie. Ik heb er best wel wat automatiseringen rondop n8n aanstaan, dat ik ochtends een keer op krijg van: hey Jop, let op, we hebben op dit account is er een nieuw product aangemaakt en dat product ID is een string, terwijl het altijd een integer was. Daar moet iets mee gebeuren, want anders... [onverstaanbaar]

Spreker: Jop van Hooft, eCommerce AI Club

Bronnen

Meer over Data & Dashboards