Het is maandagochtend en het managementoverleg begint over tien minuten. De financieel medewerker heeft een omzetcijfer uit het boekhoudpakket, sales haalt een ander getal uit het CRM en de planner heeft in een Excelbestand een derde versie. Niemand denkt dat zijn eigen cijfer fout is, en toch kloppen ze niet met elkaar. Het overleg gaat dan eerst over de vraag welk getal geldt, en pas daarna, als er tijd over is, over wat je eraan doet.
Business intelligence is het verzamelen, samenbrengen en tonen van bedrijfsgegevens, zodat mensen er betere beslissingen mee nemen. In de praktijk gaat het om drie dingen: bronnen die op één plek samenkomen, afspraken over wat een cijfer betekent, en dashboards die de juiste mensen laten zien wat ze moeten weten. De techniek is zelden het probleem, de afspraken eromheen vaak wel.
Business intelligence in de praktijk: wat het wel en niet is
Veel bedrijven werken er al mee. In 2023 gebruikte 67 procent van de bedrijven in de onderzochte bedrijfstakken minstens één van de softwaretypen ERP, CRM of business intelligence, volgens het CBS. Het cijfer gaat over die drie typen samen. Het zegt dus niets over hoeveel bedrijven alleen BI gebruiken, en ook niet over of ze er betere beslissingen door nemen. Het laat vooral zien dat dit geen exotisch onderwerp meer is.
Het helpt om te weten wat het niet is:
- Geen softwarepakket dat je koopt en aanzet. Een tool toont alleen wat je erin stopt. Als de bron rommelig is, krijg je rommelige grafieken.
- Geen mooi rapport. Een rapport dat niemand opent, helpt niemand, hoe goed het er ook uitziet.
- Geen AI-project. AI kan later waarde toevoegen, maar eerst moeten de basiscijfers kloppen.
- Geen eenmalig project. Bronnen veranderen, vragen veranderen, en dus moet je dashboard meebewegen.
Stap 1: begin bij de beslissing, niet bij de data
De meest gemaakte fout is beginnen met alle data ontsluiten en pas daarna bedenken wat je ermee wilt. Dat levert dashboards op met veertig grafieken waar niemand naar kijkt. Draai het om. Vraag per team welke beslissing ze regelmatig nemen en welk cijfer daarbij ontbreekt of te laat komt. Een paar voorbeelden:
- Planning: moeten we volgende week extra mensen inzetten of niet?
- Financiën: welke facturen lopen uit de betaaltermijn, en bij welke klanten?
- Operatie: waar staat werk stil en hoe lang al?
- Directie: verdienen we nog wat we denken te verdienen aan een bepaald product?
Kies er twee of drie om mee te starten. Schrijf per beslissing op wie hem neemt, hoe vaak en welke cijfers erbij horen. Dat is meteen je eerste ontwerp.
Stap 2: breng de bronnen samen
Je hebt één gezamenlijke bron nodig als dezelfde vraag een ander antwoord geeft, afhankelijk van het systeem dat je raadpleegt. Dat is het moment waarop losse systemen, spreadsheets en databases samen moeten komen in een dataplatform waar mensen echt mee kunnen werken. Je kiest daarbij niet automatisch voor het grootste model. Een datawarehouse is een centrale database die speciaal is ingericht voor rapportage. Een data lake bewaart ruwe data in allerlei vormen. Soms is iets eenvoudigers genoeg, afgestemd op waar je organisatie nu staat. Bij Isatis bouwen we dit soort data- en AI-oplossingen, inclusief de platformen eronder.
Beantwoord voor je begint een paar praktische vragen:
- Welke systemen leveren data? Maak een lijst, ook van de Excelbestanden die iemand stiekem bijhoudt.
- Hoe vers moet het zijn? Voor een maandrapportage is een nachtelijke verversing ruim voldoende. Voor een werkvloer kan dat anders liggen.
- Wie beheert de koppelingen? Een koppeling die breekt zonder dat iemand het merkt, geeft verkeerde cijfers met een nette uitstraling.
- Wat doe je met de spreadsheets? Staat een proces nu in Excel, dan kan het slimmer zijn dat eerst vast te leggen in een applicatie. Lees hoe je Excel vervangt door een webapplicatie als je dat overweegt.
Stap 3: leg per cijfer één definitie vast
Veel discussies over cijfers gaan eigenlijk over definities. Is omzet gebaseerd op factuurdatum of leverdatum? Tel je met of zonder btw? Wanneer is een klant actief? Zolang dat niet is vastgelegd, bouw je dashboards die elk een eigen waarheid tonen.
Maak een korte lijst met de belangrijkste cijfers. Zet er per cijfer bij uit welke bron het komt, hoe het wordt berekend en wie de eigenaar is. Eén pagina is genoeg. Als iemand later twijfelt aan een getal, kijk je daar eerst.
Stap 4: ontwerp voor de mensen die het gebruiken
Data is pas nuttig als de juiste mensen het kunnen zien en ernaar kunnen handelen. Werk daarom samen met de gebruikers uit wat ze moeten zien, hoe vaak en in welke context. Een teamleider op de werkvloer heeft andere vragen dan een financieel directeur. Een paar ontwerpregels die in de praktijk werken:
- Eén scherm, één doel. Wil je meerdere dingen laten zien, maak dan meerdere dashboards.
- Bovenaan het cijfer, eronder de oorzaak. Wie het totaal ziet, wil meteen kunnen doorklikken naar wat het veroorzaakt.
- Kleur alleen bij afwijkingen. Als alles rood, geel en groen is, valt niets meer op.
- Toon de datum van de laatste verversing. Zo weet iedereen of hij naar actuele cijfers kijkt.
- Laat doorklikken naar de onderliggende regels. Dat bouwt vertrouwen op, omdat mensen zelf kunnen nagaan waar een getal vandaan komt.
Voor productieomgevingen gelden eigen valkuilen. In waarom een OEE-dashboard vaak strandt en wat wel werkt lees je daar meer over.
Stap 5: test de cijfers en houd ze betrouwbaar
Een dashboard dat één keer een fout getal toont, verliest snel het vertrouwen van de gebruikers, en dat krijg je moeilijk terug. Behandel de cijfers daarom als software die getest wordt:
- Vergelijk met de bron. Neem steekproeven en kijk of het dashboard hetzelfde zegt als het systeem waar de data vandaan komt.
- Bouw automatische controles in. Denk aan een melding als een bron niet is aangeleverd of als een aantal ineens nul is.
- Spreek een wijzigingsproces af. Als een definitie verandert, moet iedereen dat weten.
- Kijk na livegang mee. Wie opent het dashboard echt, en welke vragen blijven over? Pas het daarop aan.
De verleiding is groot om na oplevering niet meer naar een dashboard om te kijken. Het is juist dan dat je ziet of het in het werk past.
Waar AI past bij je dashboards
AI is een aanvulling op een goede basis en geen vervanging ervan. Zodra de data betrouwbaar samenkomt, kun je kijken naar voorspelling, anomaliedetectie en het automatisch classificeren van documenten. Denk aan een signaal wanneer een cijfer afwijkt van wat je normaal ziet, in plaats van dat iemand elke ochtend zelf door grafieken scrolt. Kies AI alleen waar het tijd bespaart of fouten opvangt. Zorg dat de uitkomst uitlegbaar en testbaar is en dat je eigen team het kan onderhouden. De beslissing blijft bij een mens.
Veelgestelde vragen
Wat betekent business intelligence?
Het betekent dat je bedrijfsgegevens uit verschillende bronnen samenbrengt en zo toont dat mensen er beslissingen mee kunnen nemen. Meestal gebeurt dat in dashboards en rapportages. Het gaat dus om het hele pad van bron tot beslissing, niet alleen om de grafiek aan het eind.
Wat is het hoofddoel van business intelligence?
Betere beslissingen op basis van cijfers die iedereen vertrouwt. Als teams elkaar niet meer hoeven te corrigeren over welk getal klopt, is het doel al voor een groot deel bereikt.
Hoeveel data heb je nodig om te beginnen?
Meestal minder dan je denkt. De meeste organisaties hebben al meer data dan ze zelf beseffen. Begin met één beslissing en de twee of drie bronnen die daarbij horen, en breid pas uit als dat werkt.
Moet ik meteen AI inzetten?
Nee. Zorg eerst dat de basiscijfers kloppen en dat mensen het dashboard gebruiken. AI heeft pas zin als er betrouwbare data onder ligt en je een concreet probleem hebt, zoals afwijkingen opsporen of documenten sorteren.
Twijfel je of je data klaar is voor dashboards, of weet je niet waar je moet beginnen? Neem contact met ons op voor een kennismakingsgesprek van 15 minuten. Je vertelt wat je wilt bereiken en wij zeggen eerlijk of we kunnen helpen. Op een bericht reageren we binnen 24 uur.
Over de schrijver: Jeroen Penninx, Directeur en medeoprichter van Isatis.





