AI zonder semantisch model? Dan analyseer je vooral sneller de verkeerde cijfers

Wat is een datafundament?

De meeste bedrijven – van groot tot klein – hebben hun datafundament nog niet volledig op orde. En juist dat fundament wordt belangrijker nu we steeds meer met AI gaan doen.

Het aloude gezegde geldt nog steeds: Garbage in = garbage out.

Bij Intigo blijven we graag weg van containerbegrippen en onnodig technische taal. Met een goed datafundament bedoelen we eigenlijk drie heel praktische zaken:

• ​Definities

Wat bedoelen we precies met brutomarge, omzet, rendement, winst, klant of order? En gebruikt iedereen binnen de organisatie dezelfde definitie?

• Dataconsistentie​

Hoe zorgen we ervoor dat gegevens in verschillende systemen op elkaar aansluiten? Worden bijvoorbeeld stamgegevens van klanten vanuit systeem A correct gesynchroniseerd met systeem B? En gebruiken verschillende systemen dezelfde klantnummers, productcodes en andere kenmerken?

• Discipline​

Data is ook vooral mensenwerk. Begrijpen medewerkers waarom het belangrijk is dat gegevens correct, consequent en tijdig worden ingevoerd? Weten zij waarvoor die gegevens later worden gebruikt? En controleren we regelmatig of de kwaliteit van de data nog op orde is?

Technologie kan hierbij helpen, maar een goed datafundament ontstaat niet vanzelf.

Eén versie van de waarheid

Een belangrijke wens van veel bedrijven is een 'single source of truth': één versie van de waarheid. Dat klinkt als een technisch vraagstuk, maar het begint juist bij de business.

• Wat verstaan we onder omzet?
• Hoe berekenen we brutomarge?
• Wanneer noemen we iemand een actieve klant?
• Hoe berekenen we het rendement van een project? ​

Daarom beginnen wij bij een BI-traject niet met het bouwen van een dashboard. We beginnen met het bepalen van de KPI's in gewone spreektaal. Pas daarna vertalen we deze definities naar data en berekeningen.

Lees meer over het startpunt van ieder dataproject: de inventarisatie.

En precies daar komt het semantisch model om de hoek kijken.

Het semantisch model als hart van je datafundament

Een semantisch model vormt de vertaling (semantisch betekent ‘taal’ )van de ruwe data uit je systemen naar de informatie die mensen uiteindelijk gebruiken.

In het semantisch model leg je vast hoe gegevens met elkaar samenhangen en wat ze binnen jouw organisatie betekenen.

Je legt bijvoorbeeld één keer vast:

• Wat een klant, product, project of medewerker is;
• Hoe omzet en brutomarge worden berekend;
• Welke datum bij een bepaalde analyse hoort;
• Hoe verschillende databronnen met elkaar samenhangen;
• Welke KPI's en bedrijfsregels worden gebruikt.
  

Daardoor hoeft niet ieder dashboard – en straks iedere AI-toepassing – opnieuw te bedenken wat de data betekent. Het semantisch model geeft betekenis aan data.

Dat is belangrijk voor BI, maar misschien nog wel belangrijker voor AI.

Power BI als semantische laag

Een veelgebruikte plaats om zo'n semantisch model te bouwen is in Power BI.

Power BI wordt vaak vooral gezien als een programma waarmee je dashboards maakt. Maar onder die dashboards zit juist een belangrijk onderdeel: het semantisch model.

Daarin kunnen databronnen worden samengebracht, relaties worden gelegd en berekeningen en definities centraal worden vastgelegd.

Met de semantische laag in Power BI worden uitkomsten bovendien herleidbaar en controleerbaar. Van iedere KPI of berekening kan worden teruggegaan naar de onderliggende data en uiteindelijk naar de oorspronkelijke databron. Dat vergroot niet alleen het vertrouwen in de cijfers, maar is ook essentieel voor interne beheersing en audit: je kunt aantonen hoe een cijfer tot stand is gekomen, welke definities en rekenregels zijn toegepast en op welke brongegevens het is gebaseerd.

Lees deze klantcase over Power BI met Fabric

Een dashboard of AI? Dat wordt steeds minder belangrijk

Als het semantisch model goed is ingericht, wordt de manier waarop je de informatie presenteert eigenlijk het gemakkelijke deel.

Voor dagelijkse sturing kan een Power BI-dashboard ideaal zijn. Je opent het dashboard en ziet direct omzet, marge, orderintake, productiviteit of andere KPI's. Maar je kunt dezelfde data ook op andere manieren gebruiken. Met AI kun je bijvoorbeeld vragen:

• Waarom is onze brutomarge deze maand lager dan vorig jaar
• Welke klanten verklaren het grootste deel van deze daling?
• En vervolgens: Maak hiervan een grafiek.
• De gebruiker hoeft dan misschien niet eens meer zelf door een dashboard te klikken.
• Maar onder beide toepassingen moet dezelfde logica liggen.

Lees meer: Gaat AI dashboards vervangen?

Eerst het fundament, daarna AI

Wij zien daarom een logische volgorde.

• 1. Bouw het datafundament​

Zorg voor heldere definities, consistente data en discipline rondom de invoer en kwaliteit ervan.

• 2. Bouw en valideer het semantisch model​

Vertaal de taal van de organisatie naar één betrouwbare datastructuur met centrale KPI's en bedrijfsregels.

• 3. Gebruik dashboards voor dagelijkse sturing​

Maak informatie eenvoudig beschikbaar voor medewerkers en management en controleer in de praktijk of de cijfers daadwerkelijk worden vertrouwd.

• 4. Zet AI in voor de volgende stap​

Laat AI vragen beantwoorden, verbanden zoeken, uitzonderingen signaleren en analyses uitvoeren die handmatig veel tijd zouden kosten of ons menselijk analysevermogen te boven gaan.

AI verandert hoe we naar data kijken. Maar niet waar we moeten beginnen.​

Wil je meer weten over een solide datafundament?

Ben je klaar om de eerste stap te zetten naar meer inzicht in de data?

Neem vandaag nog contact met ons op en ontdek hoe we jouw financiële toekomst kunnen versterken.