Naar de inhoud
Alle video’s

Zonder definitielaag geeft AI elke keer een ander cijfer

Data & DashboardsDuur: 1:44 min

Jop van Hooft, eCommerce AI Club

Uit de sessie: Maandelijkse Update sep 2026

Jop van Hooft legt uit waarom je tussen je data en je AI een definitielaag nodig hebt. Zonder vaste afspraken over wat omzet, marge of een actieve klant is, verzint de AI zelf een berekening. Dan krijgt elke collega op dezelfde vraag een ander getal.

Voor wie: Je AI wilt laten rekenen met je webshopcijfers en wilt voorkomen dat elke afdeling een ander getal krijgt.

Hetzelfde moment

Waarom dit ertoe doet

Steeds meer webshops koppelen AI aan hun cijfers om vragen te stellen in gewone taal. Jop laat zien wat er misgaat als de definities ontbreken. Op zijn slide krijgt de vraag 'wat was de marge in augustus' drie antwoorden: 46,3% van finance na creditnota's, 53,8% uit een marketingdashboard met btw, en 44,7% van een AI die zelf een definitie koos. Met één vastgelegde formule komt iedereen op 49,0%. Het zijn voorbeeldgetallen van de slide, geen cijfers van een echte webshop. Leg je de berekening één keer vast, dan maakt het niet uit wie de vraag stelt of welke tool hem beantwoordt. De dbt-documentatie beschrijft precies dat voordeel van een semantische laag.

Belangrijkste inzichten

  • Een definitielaag (semantische laag) legt per getal vast hoe het wordt berekend, zoals omzet, brutomarge, retour en actieve klant.
  • Zonder die laag kiest de AI zelf: met of zonder btw, creditnota's, geannuleerde orders en valutaomrekening.
  • Op Jop's voorbeeldslide gaf dezelfde margevraag 46,3%, 53,8% en 44,7%; met één definitie werd het 49,0%.
  • Volgens de dbt-documentatie werkt iedereen met dezelfde definities als je metrics centraal vastlegt, ongeacht de tool.
  • Jop verwacht dat analisten 90% van hun tijd aan de datakant besteden en 10% door AI laten doen; dat is zijn verwachting, geen meting.

Van losse bronnen naar één plek

Jop tekent de keten op zijn slide. Links staan je databronnen: webshop, ERP, advertentieplatforms en marketplaces. In het midden staat het datawarehouse, waar alle data op één plek samenkomt. Rechts zit de laag die volgens hem het verschil maakt: de semantische laag, die hij definitielaag noemt. Daarin leg je vast wat elk getal in je organisatie betekent, zoals omzet, brutomarge, retour, actieve klant en doel. Vanuit die laag gaat de data naar de voorkant. Dat kan een relatief saaie rapportage zijn, maar vooral een koppeling met AI, bijvoorbeeld via MCP, zodat je met je data kunt praten.

Waarom AI zonder definities gaat gokken

Geef je een AI onbeperkt toegang tot ruwe data zonder definities, dan maakt hij volgens Jop zijn eigen antwoord. Een finance-achtige benadering rekent de marge zonder creditnota's, een marketing-achtige kijkt naar omzet met btw. Telt hij geannuleerde orders mee of niet? Rekent hij ponden om naar euro's, en tegen welke koers? Ook een simpel begrip als klant is niet vanzelfsprekend: is dat een e-mailadres, een klant-ID of een naam? En een actieve klant heeft iets gekocht in de afgelopen periode, maar hoe lang is die periode? Elke keuze geeft een ander getal, en geen eenduidig antwoord.

Hoe een semantische laag werkt

In een semantische laag definieer je een metric één keer, bovenop je datamodellen. De documentatie van de dbt Semantic Layer zegt het zo: door metric-definities centraal te zetten, werken verschillende afdelingen met dezelfde definities, ongeacht welke tool ze gebruiken. Verandert een definitie, dan geldt die overal waar de metric wordt gebruikt. Op Jop's slide staat als voorbeeld de brutomarge: omzet zonder btw en verzendkosten, min de inkoopwaarde, gedeeld door de omzet, na creditnota's. De AI leest die definitie in plaats van er zelf een te verzinnen. MCP (Model Context Protocol) is daarbij de open standaard waarmee een AI-assistent zoals Claude of ChatGPT verbinding maakt met zo'n databron.

Wat Jop er in de sessie bij vertelde

Vlak voor de clip stelt Jop dat klassieke rapportagetools zoals Power BI, Tableau en Looker volgens hem weinig toekomst hebben, omdat ze te log zijn om bij te blijven. Dat is zijn mening. Hij ziet twee rollen: een vaste, saaie rapportage met een handvol cijfers die elke ochtend wordt bijgewerkt, en AI voor het analyseren en doorvragen. Na de clip verwacht hij dat analisten straks 90% van hun tijd in de achterkant stoppen en de overige 10% door AI laten doen. Jop bouwde zelf zo'n koppeling bij zijn bedrijf MeerMetData; volgens hem werken de eerste klanten er een maand of drie mee.

Probeer dit deze week

  1. Schrijf voor je vijf belangrijkste cijfers (omzet, marge, orders, retour, actieve klant) één zin met de exacte berekening.
  2. Stel finance en marketing dezelfde vraag, bijvoorbeeld de marge van vorige maand, en vergelijk welke getallen en definities terugkomen.
  3. Leg vast wat bij jou één klant is: e-mailadres, klant-ID of naam, en welke periode 'actief' betekent.

Begrippen

Definitielaag / semantische laag
Een laag tussen je data en je rapporten of AI waarin staat hoe elk cijfer precies wordt berekend.
Datawarehouse
Een centrale database waarin de data uit al je systemen samenkomt.
MCP (Model Context Protocol)
Een open standaard om AI-toepassingen te koppelen aan externe systemen zoals databases en tools.
Creditnota
Een factuur die een eerdere factuur geheel of deels terugdraait, bijvoorbeeld bij een retour.

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.

Je hebt al je bronnen die je op één plek samenbrengt. En wat heel belangrijk wordt, is daarom een semantische 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 onbeperkte data geeft, zonder dat daar echt een duidelijke laag met definitie aan vastzit, dan zie je dat hij zijn eigen antwoord eigenlijk gaat creëren. Hij kan een wat, als je zegt van wat was de marge in augustus, dan zie je dat er een wat finance-achtige benadering zegt van, ik kijk wel even zonder creditnota's. Een marketing-achtige benadering zegt van, ik kijk naar de omzet met btw. En eigenlijk kreeg Kees 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 definitielaag 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 een vraag stelt, iedereen krijgt op dezelfde vraag hetzelfde antwoord, ook al is het met een AI, samengesteld.

Spreker: Jop van Hooft, eCommerce AI Club

Bronnen

Meer over Data & Dashboards