Praten met je data: de MeerMetData MCP en wat er nog komt
Jop van Hooft, eCommerce AI Club
Uit de sessie: Maandelijkse Update sep 2026
Jop van Hooft laat zien hoe de MeerMetData MCP-connector werkt: inloggen met een Google-account, vragen stellen aan je data in Claude en toegang per persoon regelen. Hij vertelt over de eerste klanten, geeft voorbeeldvragen en schetst waar business intelligence naartoe gaat, van reageren naar meedoen.
Voor wie: Je data in een datawarehouse hebt of krijgt en wilt zien hoe een AI-connector in de praktijk werkt.
Hetzelfde moment
- Clip van 2:07 min: Praten met je data: nieuwe klantenservicevragen via MCP
Waarom dit ertoe doet
Zodra je data in een datawarehouse staat, kun je er in gewoon Nederlands vragen aan stellen. Jop zegt dat de eerste klanten er ongeveer 3 maanden mee werken. Op zijn slide staan zes soorten vragen, van 'hoe staan we ervoor' tot 'maak hier een grafiek van'. Eén klant liet Claude de tickets van 4 weken doorzoeken en kreeg volgens hem 8 nieuwe punten. MCP, het Model Context Protocol, is de open standaard waarmee een AI-programma zoals Claude met zulke bronnen verbindt.
Belangrijkste inzichten
- De MeerMetData-connector gebruikt MCP, werkt met een Google-account en leest alleen data.
- Er zijn drie tools: list_tables, describe_table en query.
- Toegang is per persoon in te stellen, ook via een gesprek met Claude.
- Een klant kreeg volgens Jop in 4 weken tickets 8 nieuwe punten, waaronder een dode link in de nieuwsbrief.
- Jop verwacht dat BI proactief wordt en dat steeds meer bronnen in het datawarehouse komen.
De connector
MCP is volgens de officiële uitleg een open standaard om AI-toepassingen te verbinden met databronnen, tools en workflows. Jops connector op die standaard laat je inloggen met een Google-account en geeft toegang tot je eigen data in Claude of een ander model dat MCP ondersteunt. Op zijn slide staat dat er drie tools zijn: list_tables, describe_table en query. De connector leest alleen, je bepaalt per persoon wat hij ziet en vastlopers kun je direct melden. Zo kan een admin via een gesprek met Claude een collega toegang geven tot alleen de klantenservicedata.
Vragen en voorbeelden
Jop noemt vragen als de stand van zaken, waarom de marge in week 34 zakte, wat de sterkste stijgende retouren zijn en hoeveel klanten uit juni terugkwamen. Hij raadt aan een sterk model de grote lijnen te laten uitzetten, een goedkoper model te laten bouwen en daarna een sterk model te laten controleren. Een klant vroeg Claude of er in de tickets iets nieuws zat; het antwoord gaf volgens Jop 8 punten, waaronder een dode link in een nieuwsbrief met 7 contacten in 3 dagen.
Waar het naartoe gaat
Jop verwacht dat BI proactief wordt: de AI meldt een product dat 3 keer zo hard verkoopt terwijl de voorraad laag wordt, en stelt acties voor. Dashboards delen en versiebeheer zijn volgens hem nu nog lastig. Voor 2027 ziet hij doelen die met de AI worden doorgerekend en vastgelegd. Hij verwacht dat steeds meer bronnen in je datawarehouse komen, van vervoerders tot Search Console, zodat de AI elke ochtend inzichten kan melden. Dat zijn zijn verwachtingen en geen feiten.
Probeer dit deze week
- Maak een lijst van 10 vragen die je nu wekelijks in een dashboard opzoekt.
- Bepaal welke afdeling welke data mag zien voordat je een AI-connector aanzet.
- Kies 1 databron met weinig risico, zoals tickets zonder klantgegevens, voor een eerste proef.
Begrippen
- MCP
- Model Context Protocol, een open standaard waarmee AI-toepassingen verbinding maken met databronnen, tools en workflows.
- Connector
- Een koppeling waarmee een AI-programma toegang krijgt tot een extern systeem.
- Proactief
- Dat het systeem zelf meldt wat er opvalt, in plaats van te wachten op een vraag.
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.
En dat is eigenlijk puur de soort koppeling die ik op dit moment ook heb gebouwd en beschikbaar heb gemaakt aan mijn klanten. En waar de eerste klanten nu een maand of drie mee werken. Een connector waar je met je Claude, maar ook met andere AI-modellen alles wat MCP ondersteunt mee kan verbinden. Je kan gewoon vrij snel inloggen, mcp.meermedata.nl, je geeft je akkoord op, gewoon een Google-account is er aangekoppeld bijvoorbeeld. bijvoorbeeld, en je hebt toegang tot je eigen data. Dat betekent dat je toegang hebt tot de data, je kan er dus direct vragen aan stellen, maar ook die laag eroverheen die die definitie toevoegt, zodat iedereen hetzelfde antwoord krijgt, en je kan dus alle vragen die je maar kan bedenken, van wat is de omzet, hoe gaan bepaalde producten, maar ook bijvoorbeeld klantenservice gerelateerde vragen, ik heb een klant die de vraag heeft gesteld van, hé, je hebt nu toegang tot alle klantenservice tickets, zie je nu de afgelopen vier weken een ontwikkeling, In de klantenservice tickets die je nog niet eerder hebt waargenomen. Of die nieuw is of meer vertegenwoordigd. En daar kwam Claude toen met een heel mooi antwoord terug. Die zei van, ik zie hier een achttal punten die nieuw zijn. Bijvoorbeeld, ik zie hier in je nieuwsletter zit een dode link in. En de afgelopen drie dagen hebben zeven mensen contact opgenomen. Ik vermoed dat als je dit dan niet nu uithaalt, dat je de komende week nog twintig contacten meer krijgt. Dat was een hele makkelijke manier om even 20 gesprekken op je [onverstaanbaar] te bepalen. En dat is natuurlijk maar één voorbeeld die eruit kan rollen. Los zitten er een paar functies in dat je natuurlijk ook met verschillende toegangen kan werken. Zo heeft de finance persoon alleen toegang tot de finance data. En de commerciële teams alleen toegang tot commerciële data. En kan een admin functie, kan dat eigenlijk toekennen. Puur ook weer door te praten met Claude. dat, hey Claude, collega Pietje staat nu aan mijn bureau, die moet toegang hebben tot de klantenservice data. En dan zegt Claude, oké, ga ik regelen, en dan kan enkele minuten later Pietje dus gewoon inloggen, en ziet hij alleen de klantenservice data. Een andere feature die ik heb ingebouwd, is een feedbackfunctie, dat je ook kan zeggen van, hey, ik zie hier 100 euro omzet op Italië, maar volgens mij verkopen we helemaal niks in Italië. En dat Claude, als je zelf het antwoord niet kan vinden, dat hij het dan terugstuurt naar mijn systemen, zodat ik die analyse laat doen, dus ik krijg dan een complete rapport vanuit Claude binnen, van, hé, we hebben deze en deze vraag gesteld, en we lopen hierop vast, kun je meedenken met een oplossing. Zodat we ook die data kwaliteit samen heel hoog kunnen houden, en er een feedback loop in kunnen bouwen. Dit zijn de soort vragen die nu al gesteld worden. Hoe staan we ervoor? Waarom zitten bepaalde dingen op een bepaalde manier? Vragen als welke teamproducten hebben de sterk stijgende retouren? Klantgedrag, hoe vaak komen ze terug? ontleden het voorbeeld van klopt mijn rapportage wel, waar komt dit totaal vandaan? En ik denk misschien wel de belangrijkste het bouwen. Ik wil dat je een dashboard maakt waarop je de productiviteit van mijn klantenservice kan zien. Ik wil dat je een voorraad dashboard maakt. Ik wil dat je een klanten tevredenlijns analyse doet. Ik wil dat je analyse doet op de productiviteit op mijn klantenservice. Dit soort vragen kun je gewoon heel probleem stellen als je voldoende data in je data warehouse beschikbaar stelt hiervoor. En je ziet zeker de Fable en de Opus modellen kunnen hier echt hele goede analyses op maken. En wat ik daarin aanbeveel is vaak een combinatie. Dus dat je aan de ene kant een heel sterk model vraagt om de grote lijnen uit te zetten. Dan een wat zwakker model, een dus goedkoper model vraagt om het te bouwen. En vervolgens weer een sterk model uit de kast trekt om te zeggen van, je hebt dit nu gebouwd, doe eens een controle, klopt het wat ik heb gebouwd? En dan heb je eigenlijk een soort van combinatie tussen een heel sterke manier om producten te bouwen, en een relatief goedkope manier om producten te bouwen, terwijl je toch de beste modellen in kan zetten. Hoe ziet dan zo'n vraag eruit? Wat was de omzet per kanaal in augustus vergelijken met jullie? Je ziet dat die AI gaat dan eigenlijk een query aan de achterkant tegen de data warehouse draaien, waarvan die weet hoe die informatie kan vinden. en dan komt er informatie uit die hierop op lijkt, met bijvoorbeeld een plaatje die hier even aan zit, van nou ja zo kun je dit dus lezen en dit is omzet per kanaal geweest in die periode soortgelijke vraag bijvoorbeeld over welke productcategorie de hoogste retourpercentages heeft en daar een analyse op draaien het is ook het voorbeeld dat ik net gaf maak ik een complete dashboard hij draait even en er komen dit soort plaatjes uit rollen Dit is even waar we op dit moment staan met het praten met je data, en zoals mijn klanten dit op dit moment draaien. En dit is ook een beetje, met mijn paradevaartje, het product waar ik het meeste tijd mee kwijt ben en ga zijn de komende tijd. En enkele dingen die ik denk waar we daar naartoe gaan, is nu is het nog heel erg reactief, en dat is de wereld van business intelligence eigenlijk altijd geweest. We vertelden je wat je had moeten doen, en ik denk dat deze tools zich er uit de mate toe lenen om je te gaan vertellen wat je moet doen dus een proactief informatie gaan vinden en dus zeggen van hé, ik zie dat hier dit product in één keer drie keer zo hard is gaan verkopen en je voorraad wordt een beetje aan de laag kant omdat die sales zo hard hem ook gaat en misschien dat hij dan meteen wat voorbeelden geeft van dus je zou iets met de prijs kunnen doen of je zou hem wat lager kunnen ranken op je website of zou ik misschien een ander product beter kunnen promoten, want daar hebben we nog heel veel voorraad van liggen. Ik noem even wat zij sprongen. Dus een stukje productieve informatie. Los daarvan merk je dat je al wel heel duidelijk aan AI kan vragen, maak eens een dashboard voor mezelf. Wat nog best wel lastig is om aan AI te vragen, maak eens een dashboard voor mijn organisatie. Die ik ook eenvoudig kan delen met anderen, waarvan we iets met versiebeheer kunnen doen, zodat we niet allemaal aanpassingen aan het dashboard kunnen doen, dat er iets van één lijn in ontstaat. En dat er gewoon één centraal punt is waar mensen weten van, hier staat dit dashboard klaar. En nu is het nog wel, zoals de tools ingericht zijn, dat je dat wat meer op je eigen eilandje bouwt en probeert te delen met anderen. Maar ik denk dat we daar de komende tijd echt nog wat stappen in gaan krijgen om dat nog beter en intuïtiever te maken. Zoals bijvoorbeeld een Power BI of een tableau heel erg goed doen. Je kan daar heel mooi inloggen en een dashboard dat perfect voor je klaar te zetten bekijken. Dat is met AI nog wat minder toegankelijk, dus daar gaan we wat meer op focussen. En ik denk dat er heel veel toegevoegde waarden zit, de komende tijd, voor de doelstellingen van veelal 2027. Wat zijn je targets, wat doelen wil je behalen het komend jaar, om dat samen met deze koppeling te doen. Die kan je namelijk vertellen, wat heb je vorig jaar en de voorgaande jaren gedaan, wat voor patroon zien we erin. Vervolgens aan jou uitgevraagd, wat is je ambitie voor het komende jaar, welke groeiprescentage wil je halen. En dat vervolgens doorrekenen. Zeggen van, nou, dan zijn dit dus de cijfers die je wil gaan halen in 2027. En als je dan zegt, ja, daar zijn we het over eens. Dan kan je die versie ook meteen vastleggen weer in het Data Warehouse. Zodat in je rapportages, maar ook de volgende keer dat je je AI een vraag stelt. Iedereen ziet van, hé, dit zijn onze doelstellingen voor 2027. En hier zijn ze te vinden. En misschien dat je ze in een kwartaal nog eens een keer wil reviseren. En nog eens wil kijken van, koppen die cijfers wel die ik heb gemaakt. Nou ja, ook daar kan je AI dan in ondersteunen. En ik denk om nog een stapje groter te zetten, daar is waar Business Intelligence de komende tijd naartoe gaat voor each merge. Voorheen kozen we eigenlijk altijd de databronnen die het allernuttigste waren voor je organisatie. En ik denk dat we nu op een punt zijn aangekomen dat je eigenlijk in een DTW-erhuis alle databronnen van je organisatie kan stoppen. Dus alles wat vanuit je vervoerders komt, reviews, alles wat je qua e-mails en sms binnenkrijgt, alles wat richting Search Console gaat, of andere website performance-achtige dingen. Misschien dat je een fraudetool gebruikt, misschien dat je met affiliates iets gebruikt. En ik denk dat we even op het punt zijn dat het steeds eenvoudiger en goedkoper wordt om data in een dtw-huis te krijgen, zodat je ook veel meer informatie daaraan toe kan voegen. En dat je eigenlijk één grote goudmijn maakt voor je AI, om op zoek te gaan naar goudklompjes in die informatie. En dat die dus elke ofte jou kan verbazen met inzichten uit jouw eigen organisatie, die je zelf nog lang niet gezien had. Hé, is het je opgevallen dat aan deze wijziging de side speed omlaag is gegaan? Of is het je opgevallen dat je hier in het warehouse een pikker hebt, die misschien nog wat extra training nodig heeft, want de helft zo productief is dan zijn collega die op hetzelfde moment is gestart. Ik noem maar even een voorbeeld. Dus, ja, ik denk dat, ja, we zijn al heel erg goed als e-commerce wereld om onze activiteiten goed door te meten. Maar ik denk dat als we gaan kijken waar het naartoe gaat, dat we nog maar op het topje van de ijsberg zitten. En dat we daar in vele mate dieper in kunnen gaan. En daarmee meer waarde uit de organisatie en dus meer waarde uit de data kunnen trekken. Nou, hier zijn wat voorbeelden die ik net aangaf. Die we dan in de toekomst eruit kunnen halen. Dat brengt me aan het einde van deze sessie. Ik nodig je graag uit voor de volgende sessie. Die zal op donderdag 8 oktober zijn. en dan nemen we vers nieuws mee en een aantal leuke nieuwe onderwerpen. Ik wens je graag een fijne dag nog en tot de volgende. Dankjewel.
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