BI met AI: vaste waarheid, definitielaag en vragen aan data
Jop van Hooft, eCommerce AI Club
Uit de sessie: Maandelijkse Update sep 2026
Jop van Hooft legt uit hoe business intelligence verandert met AI. Hij stelt dat Power BI, Tableau en Looker weinig toekomst hebben, schetst twee rollen voor rapportage en AI, en legt uit waarom een definitielaag ervoor zorgt dat iedereen hetzelfde antwoord krijgt.
Voor wie: Je wilt AI vragen laten beantwoorden op je data en wilt voorkomen dat elke afdeling een ander getal krijgt.
Hetzelfde moment
- Clip van 2:39 min: Waarom Power BI, Tableau en Looker geen toekomst hebben
- Clip van 1:44 min: Zonder definitielaag geeft AI elke keer een ander cijfer
Waarom dit ertoe doet
Wie AI vragen laat stellen aan zijn data, krijgt antwoorden die afhangen van wie vraagt. Jop laat zien dat finance de marge in augustus uitrekent zonder creditnota's, marketing met btw en AI zelf iets anders, met uitkomsten van 46,3%, 53,8% en 44,7% op zijn slide. Daarom is een definitielaag het belangrijkste punt: één plek waar staat wat omzet, marge en een actieve klant betekenen. Het getoonde voorbeeld is fictief, maar het probleem komt in elke organisatie voor waar afdelingen hun eigen rekenwijze hebben.
Belangrijkste inzichten
- Jop stelt dat Power BI, Tableau en Looker weinig toekomst hebben; dat is zijn mening.
- Zijn inschatting: het werk verschuift van 50/50 naar ongeveer 90% achterkant en 10% voorkant.
- Rol 1 is een handvol vaste cijfers elke ochtend, rol 2 is AI die analyseert.
- Zonder definitielaag geeft AI per afdeling een ander antwoord op de margevraag.
- De voorbeeldcijfers op zijn slide zijn fictief.
Zo werkt BI vandaag en waarom dat verandert
Bronnen als webshop, ERP, Google Ads en marketplaces komen in een datawarehouse, en daarna in rapportages en tools als Power BI, Tableau en Looker. Jop stelt dat deze tools te log zijn om snel genoeg te veranderen en dat je er nauwelijks tegen kunt praten: een rapport met 2 of 3 visuals kost zelfs een geoefende gebruiker een uur klikken. Zijn inschatting is dat het werk naar de achterkant verschuift: nu 50% op de data en 50% op de voorkant, straks ongeveer 90% op datawarehouse en definities en 10% op de voorkant, dat AI maakt.
Twee rollen: een saaie waarheid en AI
Rol 1 is rapportage: een handvol vaste cijfers, op zijn slide 833.000 euro omzet, 49,0% marge en 5.825 orders, elke ochtend bijgewerkt en bewust saai. Rol 2 is AI die analyseert, doordrilt en ontleedt: op welk kanaal viel de omzet, welke producten lopen op, wat valt je op in de data. Zonder richting te geven kun je de AI vragen wat hem opvalt.
De laag ertussen
Jop noemt de definitielaag het belangrijkste punt van de sessie. Daarin leg je vast hoe omzet, marge, een actieve klant en een klant zijn gedefinieerd. Zonder die laag maakt de AI zelf een definitie: finance rekent zonder creditnota's, marketing met btw. Met de laag geeft iedereen die dezelfde vraag stelt hetzelfde antwoord, ook als het via een AI gaat.
Probeer dit deze week
- Schrijf voor omzet, marge en actieve klant 1 definitie op en laat finance en marketing die tekenen.
- Stel dezelfde margevraag aan 2 afdelingen en vergelijk de uitkomst.
- Maak een lijst van de 5 cijfers die elke ochtend vast moeten staan.
Begrippen
- Definitielaag
- Een laag waarin je vastlegt hoe kerncijfers zoals omzet en marge worden berekend.
- Datawarehouse
- Een centrale plek waar je data uit verschillende bronnen opslaat.
- BI
- Business intelligence: het verzamelen en analyseren van bedrijfsdata om beslissingen te ondersteunen.
Transcriptie
Uitgeschreven uit de audio van dit fragment. Stopwoorden en herhalingen zijn weggelaten. Waar [onverstaanbaar] staat, is de opname niet te verstaan.
Een ander soort van dat, zo'n soort voorbeeld is het tweede ding waar ik het vandaag over wil hebben. En dat is iets wat ik met mijn eigen organisatie heb ontwikkeld, de MeerMetData MCP. En dat is eigenlijk een tool waarmee je met je eigen data kan praten. Daar ben ik niet de enige in, er zijn er meerdere van. En ik denk dat ze veel op elkaar lijken. Ik denk dat er bij mij wat elementjes in zitten die je niet overal ziet. En ik wil je eigenlijk vooral heel even meenemen in het verhaal van hoe ziet de BI-organisatie er vandaag uit, maar hoe gaat hij eruit zien met AI? Als ik over BI heb, dan heb ik eigenlijk alles wat je nodig, en verzameld over je organisatie qua data, hoe je dat opeens op de plek, ik noem dat vaak een data warehouse, opstaat, en vervolgens dat je dus één plek hebt waar je waarheid staat, en vanaf daar breng je naar [onverstaanbaar], analyses, reportages, en naar tools zoals een Power BI, Tableau, Looker, En dat is een beetje de traditionele manier van Business Intelligence. En uiteindelijk is het doel natuurlijk dat hier die data omgezet wordt in inzichten waar je ook direct acties op kan nemen. En de grote veranderingen zitten vooral aan de rechterkant. Het stukje rapportage en analyse. Het verzamelen van je data en op één plek samenbrengen is in mijn ogen nog steeds super relevant voor je organisatie. Ik knal hem er even hard in als stelling. Ik denk dat tools zoals Power BI, Tableau, Looker, dus je klassieke rapportage tools, Google Data Studio, mag op hetzelfde lijstje erbij, dat er niet zoveel toekomst voor is. Dat ligt puur aan de snelheid waarin deze tools zich ontwikkelen, hoe groot ze zijn, en dat is ook eigenlijk mijn eerste punt. Deze tools zijn in mijn optiek te log om snel genoeg te veranderen. Met andere woorden, de wereld verandert zoveel sneller dan dat deze tools kunnen volgen. Zij moeten zorgen dat honderdduizenden klanten deze aanpassingen die ze doen kunnen volgen. En dat het blijft werken. En ik zie links er eens wat duimpjes omhoog gaan. Ik ben blij dat anderen dit ook op deze manier zien. Maar ja, als het dus niet deze tools zijn. En wat is er dan wat er eigenlijk moet veranderen? Is, je kunt het nauwelijks typen. En natuurlijk kun je de tekst inzetten. Maar ik wil eigenlijk tegen mijn AI vertellen. Ik heb dit dashboard voor ogen. En ik wil dat je het bouwt. En je hebt het nu rood gemaakt. Ik wil dat het blauw wordt. En ja, helaas is het in al deze [onverstaanbaar] nog iets wat hier een beetje blijkt. Je selecteert een veld rechts. Je selecteert een visual. En om tot een rapportage met twee, drie visuals te komen. Is zelfs een beoefende Power BI'er. Is daar gewoon een uur mee aan het klikken. Vanaf een leek dashboard. En ik denk dat dat niet meer van vandaag is. Daarom denk ik, waar gaat het dan wel naartoe? Ik denk, sorry, ik denk dat er twee rollen eigenlijk zijn die een beetje uit elkaar aan het lopen zijn. Dat je een stukje rapportage nodig blijft hebben. Met andere woorden, er moet één centraal punt zijn waar de waarheid van je organisatie staat. Welke omzetten heb je na de afgelopen maand gedraaid? Welke marges heb je behaald? Hoeveel orders heb je gedaan? En dat zijn een handvol aan vaste cijfers, die elke ochtend wat mij betreft geüpdatet worden. En relatief saai eigenlijk, die op één plek klaarstaan, waarvan je hele organisatie weet van, hé, die saaie waarheid, die kan ik hier vinden. En die tweede rol, dat is waar AI in mijn optiek om kijken, het analyseren, doordralen en het ontleden van die data. Dus je ziet, van goh, de omzet was in dit geval 833.000 euro. Maar, hé AI, vertel me nou eens, op welk kanaal heb ik die omzet gehad? Hoe verdeelt het zich over producten? Zien we daar bepaalde producten in ontwikkelen die het beter doen dan andere? Of nog veel breder. Hé AI, vertel me maar wat jou opvalt in mijn databron. Zonder dat je hem per se in een heel duidelijke richting opstuurt. En wat ik net al zei, ik denk dat die laag die ertussen zit nog steeds het verschil maakt. Je hebt al je bronnen die je op één plek samenbrengt. En wat heel belangrijk wordt, is daarom een symmetrische laag over te hebben. Eigenlijk een definitielaag waar je precies aangeeft van dit is elk getal in mijn organisatie. Als ik het over omzet heb, bedoel ik dat. Heb ik het over marge, bedoel ik dat. Heb ik het over een actieve klant, dan bedoel ik mensen die de afgelopen periode, en hoe lang is die periode dan, iets gekocht hebben. En is een klant dan een e-mailadres of een ID of een naam? hoe herken ik een losse klant. En uiteindelijk breng je die naar de voorkant toe, wat een relatief saaie rapportage kan zijn, maar vooral het koppelen met AI via bijvoorbeeld een MCP-verbinding, om daarmee te kunnen praten. En die definitielagen is heel erg belangrijk, want anders ga je zien dat je AI onbeperkt data geeft, zonder dat daar echt een duidelijke laag met definitie aan vastzit, Dan zie je dat hij zijn eigen antwoord eigenlijk gaat creëren. Als je zegt, wat was de marge in augustus? Dan zie je dat een wat finance-achtige benadering zegt, ik kijk wel even zonder creditnotas. Een marketing-achtige benadering zegt, ik kijk naar de omzet met btw. En eigenlijk kreeg iedereen zijn eigen definitie. Misschien dat je gecancelde orders wel meeneemt, niet meeneemt. Misschien dat je de munt heen, dat je ponden nog omreken naar euro's. Of misschien juist niet, of op een andere manier. Met andere woorden, je krijgt een hele andere definitie en geen eenduidige antwoord op de vraag. En juist die definitielaar tussen zorgt van, hé, dit is de afspraak, dit is de berekening, en die maken we na. En dan maakt het ook niet uit wie in de organisatie je vraag stelt, iedereen krijgt op dezelfde vraag hetzelfde antwoord, ook al is het met een AI, samengesteld. En als je dan gaat kijken vandaag de dag, ziet het werk van een business intelligence specialist, een data-analyst, en dat is ook mijn werk, reage ik zo uit. 15% van de tijd zit ik aan de achterkant te knusselen, met andere woorden, zorgen dat alle data centraal opgeslagen wordt, en 15% zit ik te knusselen aan de voor-opkant. En ik denk dat het binnen nu en eigenlijk al het komende [onverstaanbaar] de ontwikkeling, gaan richting een principe waar je eigenlijk 90% van je tijd in die achterkant stopt, en die 10%, die laat je je AI doen, en dat is ook een taak die je niet per se, daar hoef je niet per se een analytische achtergrond in te hebben, hoef je geen 10 jaar Power BI ervaring in te hebben, maar kun je ook wat breder in je organisatie uitrollen. En dat is voor iedereen die data savvy is, leuk vindt om met cijfers om te gaan en dat dat goed begrijpt, is een rol die ze gewoon zelf op kunnen pakken.
Spreker: Jop van Hooft, eCommerce AI Club
Bronnen
Meer over Data & Dashboards
Duur 1:47AI Code Generatie: van SQL tot DAX in seconden
Jop van Hooft, eCommerce AI Club
AI schrijft je SQL, Python en DAX in één keer goed, en waarschuwt als je data verandert
Duur 1:484 conversational analytics tools getest
Kim Baas, Insight First
Vier AI analytics tools getest, dit zijn de requirements die er echt toe doen
Duur 1:50Real-time prijsvergelijking via Google Shopping API
Tachmy Dilmy, eCommerce AI Club
Live Google Shopping prijzen direct in je dashboard, zonder data warehouse ertussen