Ik zoek een baan
Ik zoek versterking
Log in

Waarom organisaties AI verkeerd implementeren. Met praktische tips!

In deze blog:
Introductie
1. “We moeten iets met AI doen”
2. AI zonder data strategie is als een auto zonder motor
3. De zoektocht naar de kip met de gouden eieren
4. Prioriteiten van je collega’s en mensen
5. Alles vibe-coden met GPT, Claude of Gemini
6. Los eerst eens de andere vijf problemen op
7. Management dat zelf nauwelijks met AI werkt
8. AI als containerbegrip gebruiken
9. Onrealistische deadlines en verwachtingen
Conclusie

De verwachtingen van AI zijn torenhoog. Daarom lijkt iedere managementvergadering tegenwoordig dezelfde agenda te hebben:

  • “Hoe kunnen we meer AI implementeren?”
  • “Onze concurrent gebruikt Claude, is dat ook iets voor ons?”
  • “Kunnen we geen AI-agent ontwikkelen ter vervanging van onze HR-medewerker Judith?”
  • “Moet onze volgende tactical hire een prompt-expert zijn?”

AI heeft ook enorme potentie. Sterker nog, ik denk dat AI de volgende technologische evolutie zal worden in het digitale tijdperk waar we nu inzetten. En daarom zoekt vrijwel iedere organisatie manieren hoe zij AI in hun voordeel kunnen gebruiken. Om processen te versnellen, kosten en overhead te verlagen of nieuwe kansen en groei aan te boren met onze AI-humanoids. Volgens Gartner staat Artificial Intelligence inmiddels bij een groot deel van de organisaties op de strategische agenda. De ‘AI Technology sandwich‘ van Gartner geeft al een goed beeld van het samenspel tussen Data & AI.

Maar AI is niet alleen een technologieprobleem. Het is vooral een organisatievraagstuk. En precies dat is de roze olifant in de kamer.

In de afgelopen 15 jaar heb ik veel organisaties geholpen met data, analytics, automatisering en digitale innovaties. Eerst als hands-on Data Analist, daarna als Data Specialist en later als Data Strategist. Wat mij elke keer opvalt is dat de technische uitdaging vaak niet het grootste probleem is.

De grootste uitdaging? Mensen, verwachtingen, prioriteiten, structuur, doorzettingsvermogen als het even tegenzit en ondersteuning van de visie door de Business Leaders.

Of kort gezegd: vaak willen bedrijven Formule 1 rijden terwijl de motor nog op een kratje in de garage ligt en de aanstaande coureur alleen nog stage heeft gelopen.

1. “We moeten iets met AI doen”

Veel organisaties benaderen AI alsof het een verplicht innovatieproject is. Er moet “iets” mee gedaan worden, want anders loop je achter op de markt. Je concurrent heeft al een betaalde enterprise-versie van OpenAI en je neefje weet meer van LLM’s dan jijzelf. Hierdoor ontstaat er vaak een situatie waarbij tools worden aangeschaft voordat duidelijk is welk probleem ze eigenlijk oplossen.

Dat is nooit een goed idee.

Innovatie werkt namelijk niet lineair. Zeker niet met AI. De markt verandert continu, modellen verbeteren maandelijks en workflows die vandaag modern zijn kunnen over drie maanden alweer achterhaald zijn. En je team heeft momenteel misschien meer behoefte aan duidelijkheid en structuur dan een nieuwe tool.

Daarom werkt een iteratieve aanpak vaak beter dan een groot strategisch masterplan van honderd pagina’s. (Ookal schrijven we dat masterplan natuurlijk ook graag voor je).

Experimenteer.
Test use-cases.
Meet resultaten.
Schaal op wat werkt.
En laat los wat niet werkt.

Dat laatste vinden organisaties vaak lastig. Zodra er budget, meetings en PowerPoint-slides aan hangen voelt stoppen als een mislukking. Terwijl snel stoppen soms juist een teken is van een verstandige keuze en daardoor kun je weer sneller nieuwe innovaties uitproberen.

Veel organisaties behandelen AI alsof ze direct een nieuwe ERP-implementatie starten, terwijl het in werkelijkheid veel dichter bij productontwikkeling of venture-building ligt.

En natuurlijk: een AI-tool introduceren zonder duidelijke use-case is een beetje alsof je een airfryer koopt en verwacht dat je automatisch maaltijden serveert van Michelin-sterren niveau.

2. AI zonder data strategie is als een auto zonder motor

We schreven er al eerder een blog over: “Maak van data je bedrijfs-motor voor strategie, processen en AI-toepassingen” – en deze blijft gewoon relevant.

Maar AI en Large Language Models zijn de volgende fase van digitale automatisering. Eerst digitaliseerden organisaties processen. Daarna kwamen dashboards, analytics en automatisering. Nu zitten we in de fase waarin AI en LLM’s processen slimmer proberen te maken.

Alleen vergeten veel organisaties één belangrijk detail:
AI is afhankelijk van de kwaliteit van je data-fundament.
Weet je niet waar je moet beginnen?
Overweeg eens een datawarehouse op te zetten.

Daarnaast ontstaat er zonder datastrategie vaak hetzelfde patroon:

  • losse AI-tools;
  • versnipperde data;
  • onduidelijk eigenaarschap;
  • shadow IT (niet goedgekeurde tools door IT die toch gebruikt worden);
  • beperkte governance;
  • het team weet niet wat de focus is;
  • en geen lange termijnvisie.

Dan ben je in feite chaos aan het automatiseren.

Een goede datastrategie zorgt ervoor dat:

  • data kwaliteit verbetert;
  • kennis binnen de organisatie groeit;
  • teams beter samenwerken;
  • processen schaalbaar worden;
  • en de organisatie leert omgaan met digitale verandering.

Maar daar zit ook meteen het probleem.

AI geeft snel zichtbare resultaten.
Een datastrategie bouwen kost discipline.

En discipline verkoopt nu eenmaal minder goed op LinkedIn.

Veel organisaties willen direct voorspellen met AI terwijl Excel-bestanden nog handmatig via e-mail worden doorgestuurd. Dat is een beetje alsof je full-self-drive wilt installeren op een auto zonder sensoren.

3. De zoektocht naar de kip met de gouden eieren

Dat AI de toekomst heeft, daar zijn de meeste mensen het inmiddels wel over eens.

Hoe die toekomst er exact uit gaat zien? Dat weet niemand.

Toch zie je veel organisaties zoeken naar AI-oplossingen die ineens alles gaan veranderen:

  • kosten omlaag;
  • productiviteit omhoog;
  • minder personeel nodig;
  • meer omzet;
  • snellere processen.

Alsof ergens een magische knop bestaat die jarenlang organisatorisch gedoe ineens oplost.

In de eerste maanden van een AI-project lijkt vaak alles mogelijk. Presentaties zijn ambitieus, demo’s indrukwekkend en verwachtingen hoog. Totdat de realiteit langzaam terugkomt:
budgetten blijven bestaan, governance blijft nodig en collega’s blijken nog steeds gewoon op vakantie te gaan midden in een project.

Te hoge verwachtingen zorgen vaak voor euforie aan het begin en teleurstelling aan het einde. Verder ben ik gezellig op feestjes.

Maar dat betekent niet dat organisaties minder ambitieus moeten zijn. Integendeel. Dus bouw tegelijkertijd aan je fundament:

  • datastructuur;
  • processen;
  • adoptie;
  • kennis;
  • governance;
  • en digitale volwassenheid.

Want de organisaties die op lange termijn winnen zijn meestal niet degene die als eerste begonnen, maar degene die structureel blijven verbeteren. Zoals een opdrachtgever ooit eens tegen mij zei: “Wij zoeken iemand die onze organisatie data-aandacht geeft”. En dat blijft relevant; experimenteren, ownership nemen en vooruit proberen te gaan met nieuwe tools.

4. Prioriteiten van je collega’s en mensen

Vanuit het management klinkt AI vaak logisch.

“We gaan slimmer werken.”
“We gaan automatiseren.”
“We gaan efficiënter worden.”

Alleen vergeten management-team en organisaties soms dat medewerkers ondertussen ook gewoon hun normale werk proberen te doen. En al vaker reorganisaties hebben meegemaakt of onderdeel waren van een revolutionair project die stilletjes gestorven is. Daarnaast zijn we vooral druk met:

Meetings.
Afstemmingen.
Projecten.
Administratie.
Deadlines.
Verplichte trainingen.
Mails beantwoorden.
En tussendoor nog proberen een beetje focus over te houden.

Oh ja, en dan moeten we ook nog “aan dat AI-project werken”.

Zo werkt het in de praktijk meestal niet en krijgt AI niet de aandacht die het nodig heeft.

AI-adoptie mislukt vaak niet omdat de technologie slecht is, maar omdat organisaties vergeten rekening te houden met tijd, aandacht, motivatie en energie van hun eigen mensen.

AI moet je collega’s helpen.
Niet extra werk creëren.

Als medewerkers AI ervaren als een extra proces, of nog een nieuwe tool of meer administratie, dan ben je het draagvlak al kwijt voordat het project live staat.

Succesvolle AI-implementaties draaien daarom niet alleen om techniek, maar vooral om praktische toepasbaarheid in het dagelijks werk.

5. Alles vibe-coden met GPT, Claude of Gemini

Vibe-coding is momenteel populair. Niks mis mee. Zelf ben ik ook regelmatig aan het vibe-coden. Maar wel vaak voor de ‘ideation’-fase of voor het debuggen van mijn eigen geschreven code, het uitwerken van demo’s of het opzetten van front-ends die een goed idee geven van de functionaliteiten van het eind-product. Daarna is het vibe-coden wel echt klaar voor mij.

Soms gebruik ik wel nog cursor.ai om AI in te zetten als ik zelf individueel aan het programmeren ben in coding-bases maar als ik samenwerk met andere data-specialisten, developers of designers dan houd ik liever control over mijn eigen code en de hele coding-base.

Ik merk dat er door vibe-coden tegenwoordig wel een iets te romantisch beeld ontstaat van softwareontwikkeling.

Alsof je met een paar prompts ineens een schaalbaar SaaS-platform bouwt.

Softwareontwikkeling is namelijk veel meer dan alleen code genereren.

Het gaat ook over:

  • architectuur;
  • schaalbaarheid;
  • security;
  • onderhoudbaarheid;
  • performance;
  • gebruikerservaring;
  • documentatie;
  • toekomstige uitbreidingen;
  • en technische keuzes die over drie jaar nog steeds logisch moeten zijn.

Onbewust, of bewust, hebben developers, project managers, gebruikers en product owners vaak veel meer eisen en wensen dan ooit in een prompt passen. En mocht het toch in een prompt passen dan is de solution weer net anders dan je zelf in gedachten hebt.

AI begrijpt context goed.
Maar niet alle context.

Ga dus niet je volledige productontwikkeling vibe-coden.

Voor debugging, prototypes en ondersteuning werkt het uitstekend.
Maar vertrouw niet volledig op automatische piloot.

Iemand die alleen een vliegtuig kan besturen op automatische piloot noem ik persoonlijk nog geen piloot waar ik comfortabel mee wil vliegen.

6. Los eerst eens de andere vijf problemen op

Soms willen organisaties AI implementeren terwijl de basisproblemen binnen de organisatie nog volledig openstaan.

De applicatiebeheerder loopt over van het werk.
Projecten missen structuur.
Deadlines schuiven continu op.
Backlogs blijven groeien.
Teams communiceren langs elkaar heen.
De trainee probeert vooral niet te verdrinken.
En ergens in het MT probeert iemand zijn eigen agenda er nog tussendoor doorheen te drukken.

Maar gelukkig hebben we nu een AI-tool.

AI lost organisatorische chaos niet automatisch op.

Sterker nog:
AI versterkt vaak bestaande processen.

Dus als je inefficiëntie automatiseert, krijg je meestal gewoon snellere inefficiëntie.

Een organisatie die moeite heeft met projectmanagement wordt niet ineens effectief doordat er een chatbot naast wordt gezet.

Dat betekent niet dat je eerst een perfecte organisatie moet zijn voordat je met AI begint. Dat bestaat namelijk niet. Maar wees wel transparant over waar je grootste knelpunten daadwerkelijk zitten.

Soms levert een betere projectstructuur meer op dan een nieuwe AI-tool.

7. Management zonder digitale geletterdheid

Veel managementteams zien AI absoluut als kans. Alleen ontbreekt er soms praktijkervaring. Zelf ben ik groot voorstander van “Act what you preach”. En als je vindt dat de organisatie meer met AI moet doen dan moet je als leider ook aan de slag.

Anders wordt AI iets wat “de organisatie” moet oppakken.
Of iets voor IT.
Of innovatie.
Of externen.
Of de stagiair.

Maar als management zelf nauwelijks met AI werkt, wordt het lastig om realistische verwachtingen te vormen. En een ChatGPT abonnement is niet voldoende om te claimen dat je ‘echt met AI werkt’.

Je hoeft geen machine learning engineer te zijn of AI Consultant.
Maar je moet wel begrijpen:

  • waar AI sterk in is;
  • waar het fout gaat;
  • wat de beperkingen zijn;
  • dat je data- & AI fundament moeten staan;
  • hoe adoptie werkt;
  • en welke processen daadwerkelijk geschikt zijn.

Ga zelf experimenteren.
Gebruik de tooling.
Test workflows.
Lees praktijkcases.
Bekijk waar andere organisaties succesvol zijn, en waar niet.
Faal.
Probeer opnieuw.

Want soms wordt AI besproken alsof het een magische zwarte doos is die tegelijkertijd kosten verlaagt, processen versnelt en die organisatie-breed ook direct geadopteerd wordt.

Dan loop je het risico beslissingen te nemen vanuit hype in plaats van kennis.

En dat zie je uiteindelijk terug in de kwaliteit van de implementatie.

8. AI als containerbegrip gebruiken

“AI” is inmiddels een verzamelnaam geworden voor ongeveer alles wat slim of geautomatiseerd klinkt.

Maar er zit nogal verschil tussen:

  • Machine Learning;
  • Large Language Models;
  • RPA;
  • AI Agents;
  • voorspellende modellen;
  • geautomatiseerde data pipelines;
  • analytics;
  • en klassieke automatisering.

Niet iedere oplossing heeft dezelfde toepassingen, risico’s of technische impact.

Veel AI-oplossingen vereisen bovendien nog steeds:

  • menselijke controle;
  • kwalitatieve data;
  • monitoring;
  • onderhoud;
  • governance;
  • en continue verbetering.

AI werkt namelijk niet los van je organisatie.
Het wordt gevoed door je data, processen, systemen en mensen.

Veel AI-projecten stranden omdat organisaties eerst een oplossing kiezen en daarna pas proberen uit te zoeken welk probleem erbij hoort.

9. Onrealistische deadlines en verwachtingen

“Diamonds are created under pressure.”

Klinkt fantastisch op een PowerPoint-slide.

Alleen meestal iets minder inspirerend om half elf ’s avonds tijdens een mislukte productie-deployment.

Veel AI-projecten worden onderschat.
Niet omdat de technologie onmogelijk is, maar omdat organisaties vergeten hoeveel afhankelijkheden erbij komen kijken:

  • datastructuren;
  • security;
  • adoptie;
  • verandermanagement;
  • integraties;
  • governance;
  • verwachtingen;
  • en interne besluitvorming.

Innovatie werkt zelden goed onder constante druk.

Korte feedbackloops werken meestal beter:

  • kleine iteraties;
  • duidelijke prioriteiten;
  • evaluaties per twee weken;
  • en continue communicatie.

Wacht niet drie maanden op een eindrapport waarin staat dat het project toch niet helemaal loopt zoals gepland.

Succesvolle AI-projecten ontstaan meestal niet door maximale druk, maar door consistente voortgang.

Conclusie

AI is geen wondermiddel.

Het is een versneller.

Van goede processen.
Van sterke teams.
Van kwalitatieve data.
Van duidelijke strategie.
En van organisaties die bereid zijn structureel te investeren in digitale volwassenheid.

De organisaties die AI succesvol implementeren zijn meestal niet degene die het hardst roepen dat ze “iets met AI doen”, maar degene die begrijpen dat technologie zonder fundament zelden duurzaam voordeel oplevert.

Bij SPECTS ondersteunen we organisaties met innovatie, digitalisering en het slim inzetten van data en AI. Daarbij geloven we niet in standaardoplossingen of hypegedreven implementaties.

Elke organisatie is uniek.
En succesvolle technologische innovatie dus ook.

Hoe is dat nou, werken op een opdracht? Interview met Max – Digital Marketing Manager

Onze Business-, Data- & Marketing Partners werken voor verschillende opdrachtgevers aan uiteenlopende interim opdrachten die bij hen passen. Max de Feijter is Digital Marketing Manager en voert momenteel een opdracht uit bij een van de Nederlandse Grootbanken. Als gepassioneerde marketeer en voorstander van datagedreven campagnes en GEO zorgt hij ervoor dat zijn opdrachtgever voorbereid is op de toekomst. Wij spraken Max over zijn opdracht, uitdagingen binnen zijn werk en wat werken als Marketing Partner bij SPECTS voor hem zo leuk maakt.

Kun je kort vertellen wat jouw opdracht inhoudt en waar jij dagelijks mee bezig bent bij de klant? 

Mijn opdracht is de rol van Digital Marketing Manager bij een Nederlandse Grootbank. Het team waarin ik werk is verantwoordelijk voor digital marketing: SEO en CXO, marketing automation/base marketing en paid (SEA/Social). De markt is competitief, vraagt slimme strategische inzet van de beschikbare marketingmiddelen en het gebruik van de juiste informatie op het juiste moment.

Wat was de uitdaging waar de opdrachtgever mee zat toen jij begon?

Door grote concurrentiedruk is er een scherpe marketingstrategie en uitvoering nodig. Door tijdelijke en structurele verschuivingen in het team was de inzet van een interim expert die snel het verschil kan maken noodzakelijk. Mijn inhoudelijke expertise en consultancy-achtergrond zijn daarin waardevol. Voorheen heb ik al veel met Marketing Automation, datagedreven campagnes, CRO, SEO en nog veel meer gewerkt. Deze kennis neem ik nu weer mee naar mijn huidige opdrachtgever.

Hoe bevalt de rol jou nu je inmiddels een paar maanden aan de opdracht werkt? 

Mijn rol bevalt erg goed. Ik heb het getroffen met een leuk, jong en enthousiast team in een dynamische omgeving waarin mijn ervaringen in vergelijkbare omgevingen en organisaties goed tot recht komt. Omdat mijn start gepaard ging met een nieuw kwartaal en een nieuwe teamindeling kon ik in no-time op 100% meedraaien en snel de eerste resultaten boeken.  

Over de samenwerking en cultuur bij de opdrachtgever

Hoe is het voor jou om als interimmer voor een opdrachtgever te werken?

Het is tof om als interimmer te werken. Je weet precies met welk doel je wordt “ingevlogen” en het is een mooie concrete uitdaging om die invulling dan ook waar te maken. Een goede motivator om die extra stap te zetten.  Wat ik waardeer aan de werkvorm is de duidelijke stip aan de horizon bij elke klus. Je werkt toe naar een succesvolle afronding, als een sportwedstrijd die afgefloten wordt bij de 90ste minuut.

Wat doe jij om het vertrouwen van het team te winnen?

Ik ervaar van nature veel betrokkenheid bij projecten en teams. Vertrouwen scheppen gaat daarmee nagenoeg vanzelf. Belangrijk daarin is het voor de hand liggende: doen wat je belooft. Een uitdaging is het vinden van balans in het toetsen van je aannames en altijd doorvragen, maar ook op je ervaring durven vertrouwen.  Hoe beter die balans, hoe meer je op jezelf kunt vertrouwen en des te meer vertrouwen je team krijgt.

Wat heb jij sinds de start al geleerd van deze opdracht of omgeving?

Wat je snel merkt is hoe erg bedrijfsculturen verschillen en hoeveel impact dat heeft op processen en werkwijzen. Hoewel de uitdagingen in organisaties sterk overeen komen vraagt iedere organisatie toch weer een andere oplossing.

Wat Max merkt over de impact die data op zijn werk heeft

Hoe helpt jouw werk de opdrachtgever echt verder?

Mijn brede kennis en ervaring in het werkveld in combinatie met mijn betrokkenheid zorgen ervoor dat ik breed inzetbaar ben en aan verschillende kanten kan betrouwbaar kan bijspringen. Ideaal voor een organisatie die volop in beweging is.

Is jouw opdrachtgever al veel aan het werk met AI binnen de marketing? 

De organisatie is druk bezig met het ontdekken van AI. Er zijn veel projectgroepen actief met pionieren en ontdekken. Ook binnen mijn team worden er kleine projecten gestart om ervaring op te doen. Maar zoals in de hele markt is er nog geen concrete integratie van AI, geen structurele processen die met of via AI worden uitgevoerd. Het uitvoeren van AI pilots komt veel terug en als Digital Marketing Specialist help ik daar graag bij.

Wat Max vindt van het werken als Marketing Partner bij SPECTS

Wat vind jij het grootste voordeel om te werken als Partner bij SPECTS?

Het grote voordeel van het werken als data partner bij SPECTS is de wederkerigheid van de stappen die je zet en je ontwikkeling. De ruimte die je krijgt om passende uitdagende opdrachten aan te gaan motiveren mij om te groeien en stappen te zetten. Die groei zorgt er op zijn beurt voor dat je steeds weer mooie volgende opdrachten vindt en groeit in je carrière.

Wat zou je zeggen tegen iemand die overweegt om ook aan boord te komen bij SPECTS maar het vinden van een opdracht spannend vindt? 

Als je goed bent in je werk dan vind je zeker die volgende opdracht. Er zijn opdrachten op veel verschillende niveaus en in veel vakgebieden te vinden. Zoals met een reguliere banenjacht is het altijd even zoeken naar de juiste opdracht. De ene keer mis je ervaring of skills, de volgende keer blijk je overgekwalificeerd en voor je het weet heb je de perfecte opdracht. Als je weet wat je in je mars hebt dan zal de opdrachtgever dat ook zien.

Waar wil jij jezelf de komende tijd op focussen en in doorgroeien bij SPECTS? 

Ik vind het belangrijk om voorop te (blijven) lopen met multidisciplinaire marketingkennis. Interne specialisten weten vaak alles van hun organisatie en hun eigen systemen. Als interim expert ben je juist de ideale persoon om op de hoogte te zijn van alle externe ontwikkelingen. Dat vraagt om actief volgen van trends en verdiepen in technieken en tools. Ik blijf dan ook werken aan mijn technisch-/strategische marketingprofiel om telkens weer meerwaarde te kunnen leveren, volg actief experts en vakliteratuur en verdiep me in nieuwe features.

Bedankt voor het gesprek Max!

Werken bij SPECTS

Ben jij zelf enthousiast geworden over het werken bij SPECTS en benieuwd of dit ook voor jou mogelijk is? Bij SPECTS zijn wij niet alleen op zoek naar Datagedreven Marketeers, Project Managers of proactieve Business- Data Analisten maar hebben wij ook vacatures voor: Data Engineers, Data Scientists en BI Specialisten.

Als bij een kennismaking blijkt dat we beiden enthousiast zijn over de samenwerking dan ontvang je ons arbeidsvoorwaardenhandboek met uitgebreide toelichting, berekeningen en voorbeelden. Het belangrijkste voor ons is dat wij jou in je kracht kunnen zetten en jij gepassioneerd bent over je vakgebied.

Laat dus wat van je horen! Wij zien je graag op ons gezellige kantoor in Utrecht. Neem contact met ons op en wie weet zit jij net zoals Max binnenkort op een leuke opdracht waar je de vruchten van plukt.

Marketing grip op LLM’s & AI: zo versterk je jouw merk met GEO voor optimale vindbaarheid

ChatGPT, Gemini, Claude en andere AI-platformen hebben de klantreis drastisch veranderd. Waar consumenten zich vroeger volledig via zoekmachines en daarna op websites oriënteerden, verschuift die oriëntatie steeds meer naar LLM’s (Large Language Models).

Voor veel organisaties brengt dat een nieuwe vraag op: hoe zorg je dat je website goed gevonden wordt en blijft?

Maar daar zit de denkfout. GEO (Generative Engine Optimization) behandelen als directe vervanging van SEO; dat werkt niet. LLM-oriëntatie vraagt om een nieuwe, maar tegelijkertijd bekende marketingbenadering. 

GEO is geen rankingvraagstuk

SEO draait al tientallen jaren om meetbare zichtbaarheid. Hoe hoger je scoort op de drie pijlers: autoriteit, content en techniek, hoe beter je SEO-ranking en zichtbaarheid in zoekmachines zoals Google en Bing zijn.

GEO draait om iets heels anders: de juiste positionering binnen LLM’s.

De belangrijkste vraag verandert van: “hoe hoog rankt mijn pagina?” naar: “welk verhaal vertelt AI over mijn merk of bedrijf?”

Dat verschil is een andere denkwijze en vergt wat training.

Drie manieren waarop LLM’s jouw klantreis beïnvloeden

LLM’s beïnvloeden klantreizen op drie niveaus:

  1. Directe referenties
    • De meeste LLM’s kunnen referenties of directe verwijzingen geven naar je website. Bijvoorbeeld in ChatGPT als link. Wanneer iemand deze verwijzingen aanklikt, belandt de bezoeker “gewoon” op je website. Dit effect is alleen minimaal. Vaak is dit slechts een klein percentage (0-10%) van websiteverkeer meetbaar afkomstig van LLM’s. Dat zien we ook bij de traffic van SPECTS. circa 8% komt uit directe GEO-referenties. Zelf ben ik ook bij SPECTS gekomen via deze manier; het werkt dus wel!
  2. Expliciete merkvermeldingen
    • Een merk wordt genoemd in een LLM-respons. Vraag je bijvoorbeeld naar populaire frisdranken dan zal Coca-Cola geheid in het antwoord terugkomen. Dat antwoord wordt gebaseerd op de content van de website die je zelf in beheer hebt, maar ook social media, andere websites en content, reviews en media die een merk online aanhalen. Hoe prominenter de bron, hoe stelliger deze informatie door LLM’s gepresenteerd wordt. Deze merkvermeldingen gaan niet altijd gepaard met een referentie naar je website. Deze merkvermeldingen zijn niet direct meetbaar zoals zoekvertoningen dat via tools als Search Console wel zijn.  
  3. Impliciete vermeldingen
    • Een LLM kan jouw website-content gebruiken als bron voor een antwoord, zonder expliciete bronvermelding. Dat is nou eenmaal de werking van LLM’s. Zo kan jouw blogpost zomaar een bron vormen voor de blogpost die een marketeer in jouw branche aan het schrijven is met ondersteuning van LLM’s. Een van de belangrijkste redenen waarom wij zelf bij SPECTS blogs schrijven en content publiceren.

      Schematisch uitgelegd hoe de drie manieren van de klantreis beïnvloed worden door LLM’s:

Hoe doet mijn merk het in GEO?

De brede rol van LLM’s in klantreizen vraagt om een uitgebreidere analyse. Enkel het open klikken van een Google Analytics-Dashboard met kliks en views is niet langer voldoende. Wanneer je wel BI Tools inzet bij Marketing & Campagnes? Lees mijn eerdere blog!

Gelukkig zijn er verschillende methoden om LLM-zichtbaarheid te analyseren en uiteindelijk ook te verbeteren:

  1. Track wat zichtbaar is: Een klein deel van LLM-gebruikers klikt bronnen aan en belandt meetbaar op je website. Deze gebruikers hebben (soms) een bron in analytics zoals ook Google Ads of emails duidelijke bronnen met UTM’s mee kunnen geven.

    Tip: maak één of meerdere doelgroepen in Analytics aan met sessiebronnen: LLM’s (ChatGPT/Gemini/Claude).

    Zo krijg je inzicht in de aantallen, maar ook in gedrag. Voor welk aandeel van je conversies deze bezoekers goed zijn, hoe lang zij gemiddeld op de website blijven of op welke pagina’s zij landen.
  2. Analyseer indicatieve data: LLM referrals zijn gedeeltelijk aangemerkt als “direct traffic” in analytics: verkeer zonder duidelijke bron. Dat komt bijvoorbeeld voor bij verwijzingen van de smartphone-apps van LLM’s naar je website. Landt er onverklaarbaar veel direct traffic op pagina’s diep in je website (niet de homepage)? De kans is groot dat LLM verwijzingen een aanleiding zijn. Zorg er wel voor dat je weet welke marketingcampagnes ook voor direct traffic kunnen zorgen op specifieke pagina’s in een bepaalde periode. Het wordt steeds belangrijker dat de marketinganalist op de hoogte is van alle marketingactiviteiten in je organisatie.
  3. Gebruik proxies: onderzoek de impact stroomafwaarts. De effecten van je zichtbaarheid in GEO zijn merkbaar. Ook wanneer er niet op je website-bron geklikt wordt. Bezoekers die via LLM’s over je merk lezen zullen regelmatig zelf via Google op zoek gaan naar je website voor meer informatie. Bekijk Search Console voor onverklaarbare toenames in branded zoekopdrachten. Dat signaal wijst op mogelijke LLM vermeldingen.
  4. GEO-experimenten: Experimenteer met GEO, zoals dat ook in SEO en Conversion Rate Optimization (CRO) gebeurt.

    Pas pagina’s aan conform bekende GEO-richtlijnen zoals het gebruik van duidelijke vraag-antwoordstructuren; Analyseer de impact op direct traffic op die pagina over een bepaalde periode; Onderzoek de impact op algemeen verkeer via organisch verkeer op die pagina’s.

    Belangrijk: monitor je KPI’s zoals time on page, exit rate en conversierates op die pagina’s. Veel GEO-richtlijnen zitten in het vaarwater van CRO/CXO en customer journey design. GEO kan hand in hand gaan met andere marketinginspanningen, maar kan het ook tegenwerken. Het is aan de analist om die analyses multidisciplinair uit te voeren.
  5. GEO tools: Er ontstaan steeds meer GEO-tools die helpen bij analyse, zoals LLMrefs, Surfgeo of Semrush. Deze tools werken allemaal op dezelfde wijze en vrij eenduidig.Ze sturen een grote hoeveelheid prompts naar de verschillende LLM’s en meten simpelweg de output.  
    a. Mention frequency → hoe vaak wordt je merk genoemd.
    b. Citation presence → hoe vaak wordt je website als bron genoemd.
    c. Share of voice → jouw aandeel ten opzichte van concurrenten in LLM’s.
    d. Prompt coverage → Bij welke vragen of onderwerpen kom je voor. Tot waar reikt je zichtbaarheid.

Maar leun niet alleen op deze tools. Waar tools op grote schaal werken, is de output vaak beperkt tot een abstracte score. Leuk om te zien, maar je kunt er weinig mee. Veel effectiever is het handmatige testen in LLM’s. Vraag bijvoorbeeld naar “drie goede merken in [domein]”. Sta je er niet tussen? Vraag waarom je er niet tussen staat. Een LLM vertelt je precies waarom jouw AI-zichtbaarheid niet voldoende is en hoe je jouw zichtbaarheid vergroot. Zo ontdek je hoe LLM’s jouw merk interpreteren en reproduceren. Vraag ook: “wat kun je vertellen over [merk]”. Vaak levert dat een antwoord inclusief referentie naar de bron op een/jouw website op. Pas je die bron aan, dan verschuift ook het beeld dat LLM’s van jouw merk reproduceren. Positionering heb je daarmee gedeeltelijk zelf in de hand.  

De grote verschuiving:

SEO draait als digitale marketingdiscipline om gevonden worden. GEO draait om hoe AI jouw merk positioneert. Het overschrijdt de grenzen van digitale marketing en gaat over alle marketingdisciplines heen: je merkperceptie. 

Ben jij benieuwd hoe jouw merk presteert in GEO? Structureel werken aan je positionering? Bij SPECTS helpen we je graag vooruit. Bekijk onze Consultancy, AI & Marketing services en plan een vrijblijvende kennismaking. Zo krijg je direct inzicht in de juiste GEO aanpak.

Veelgestelde vragen en onze tips:

  1. Hoe optimaliseer ik mijn website voor AI en LLM’s?
    1. Betere zichtbaarheid in AI begint bij consistente en duidelijke informatie.
      (1) Gebruik duidelijke en consistente beschrijvingen van je organisatie, producten en expertise. Niet alleen goed voor LLM’s, maar ook fijn voor de klant.
      (2) Structureer je content met heldere koppen en definities. AI vergt hetzelfde als je websitebezoekers: duidelijkheid.
      (3) Zorg voor autoriteit door cases, benoem externe onderzoeken en partners en gebruik betrouwbare externe verwijzingen.
  • Heb ik een dashboard nodig om mijn AI-zichtbaarheid te monitoren?
    • Voor generatieve AI bestaan er nog geen universele metrics zoals vertoningen en kliks. Zichtbaarheid moet worden gemonitord via een combinatie van databronnen.

Start me thet bouwen van een GEO dashboard. Een effectief GEO-dashboard combineert onder andere:

  • Herkenbaar AI-referral verkeer
    • Branded-Search ontwikkelingen
    • Prompt-based visibility testen
    • Merkvermeldingen in verschillende AI-systemen
    • Gedragsdata vanuit AI-gerelateerd verkeer.

Door deze signalen te combineren creer je waardevol inzicht in je AI positionering.

Bij SPECTS vertalen we deze signalen naar concrete inzichten waarmee organisaties hun AI-zichtbaarheid gericht kunnen verbeteren.

Het datamodel. Jouw beginpunt voor schaalbare Power BI dashboards

Meten is weten, maar zonder goed fundament bouw je niets duurzaams. Daarom vertellen wij jou in deze blog hoe je een goed datamodel bouwt.

Veel organisaties herkennen het wel: rapportages die ooit in Excel zijn begonnen en langzaam zijn uitgegroeid tot grote, complexe bestanden met veel formules die afhankelijk zijn van elkaar. Je raakt nog wel eens een versie, gebruikt andere definities dan andere afdelingen en het kost steeds meer tijd om tot dé waarheid te komen.

De stap naar Power BI lijkt logisch, maar zonder de juiste basis herhaal je dezelfde problemen als hierboven. Het verschil maak je namelijk aan het begin van je nieuwe opzet: in het datamodel. Met een goed datamodel leg je de fundering voor dashboards die schaalbaar, betrouwbaar en begrijpelijk zijn.

Waarom het datamodel het verschil maakt

Een datamodel is in essentie een gestructureerde weergave van je data. Het brengt samen wat verspreid zit over systemen, bestanden en afdelingen, en maakt daar één consistente “laag” van waarop je kunt rapporteren.

Waar het vaak misgaat, is dat organisaties direct beginnen met visuals bouwen. Grafieken, tabellen en KPI-kaarten worden ingericht terwijl de onderliggende data nog niet duidelijk is. Het resultaat: dashboards die er goed uitzien, maar waar niemand volledig op vertrouwt. Logisch want de data is aan elkaar geknoopt en daar is moeilijk overzicht over te krijgen. .

Door te starten met het datamodel zorg je dat:

  • definities centraal vastliggen
  • berekeningen consistent zijn
  • rapportages schaalbaar blijven

Het dashboard zelf wordt daarmee slechts een weergave van wat al goed is ingericht.

Van Excel-chaos naar structuur

De overstap van Excel naar Power BI is voor veel organisaties een logisch moment om het anders aan te pakken. In Excel wordt data vaak bewerkt, gecombineerd en geanalyseerd in één bestand. Dat maakt het flexibel, maar ook kwetsbaar.

In een volwassen Power BI-omgeving scheid je deze stappen:

  • data wordt opgehaald en opgeschoond bij de bron of via ETL
  • het datamodel vormt de centrale waarheid
  • dashboards tonen alleen de uitkomst

Die scheiding zorgt voor rust, overzicht en herbruikbaarheid.

Maar hoe pak je dit nu aan? Wij helpen je in 6 stappen verder:

Stap 1: Breng je databronnen in kaart

Een goed datamodel begint niet in Power BI, maar bij je data. Welke bronnen gebruik je eigenlijk? Denk aan ERP-systemen, CRM, Excel-bestanden, API’s of SharePoint-omgevingen.

Het is belangrijk om per bron vast te leggen:

  • wat de inhoud is
  • wie de eigenaar is
  • hoe vaak de data wordt ververst

Eigenlijk hetzelfde als waar we eerder over schreven bij het ontwikkelen van een goede data strategie. Een Power BI-dashboard is uiteindelijk niets meer dan een view op bestaande of berekende data. Als de bron onduidelijk is, wordt de uitkomst dat ook.

Stap 2: Maak keuzes, minder is meer

Een veelgemaakte fout is dat organisaties alles willen laten zien wat beschikbaar is. Meer data lijkt beter, maar leidt in de praktijk tot onoverzichtelijke dashboards en onduidelijke inzichten.

Sterke dashboards draaien om focus. Kies per rapport 2 tot 4 kern-KPI’s die echt relevant zijn voor de gebruiker. Detailinformatie kan altijd via doorkliks of aparte rapporten worden toegevoegd. Lees onze eerdere blog over sterk KPI design.

Door te kiezen, maak je het dashboard niet alleen duidelijker, maar ook effectiever als stuurmiddel.

Stap 3: Wees realistisch met scope en roadmap

Een perfect dashboard bouw je niet in één dag en al helemaal niet op de eerste dag. Toch proberen veel organisaties direct een compleet eindbeeld te realiseren, met alle databronnen en wensen tegelijk.

Een betere aanpak is werken met een Minimum Viable Dashboard (MVD). Binnen enkele weken realiseer je een eerste versie met de belangrijkste KPI’s. Vanuit daar bouw je iteratief verder. Je laat deze checken door de gebruikers die het dashboard gaan gebruiken, verzamelt feedback en ontwikkelt verder.

Zo combineer je snelle waarde leveren met een duidelijke langetermijnvisie.

Stap 4: Ontwerp een slim datamodel

Het datamodel is de plek waar alles samenkomt. Hier bepaal je hoe tabellen zich tot elkaar verhouden en op welk detailniveau je data opslaat.

Een veelgebruikte structuur is het onderscheid tussen:

  • feitentabellen (bijvoorbeeld transacties)
  • dimensietabellen (zoals klanten, producten of tijd)

Door deze structuur goed op te zetten:

  • blijven berekeningen overzichtelijk
  • worden dashboards sneller
  • voorkom je dubbel werk

Het is verleidelijk om het model direct volledig uit te werken, maar begin eenvoudig. Een model dat werkt en begrepen wordt, is waardevoller dan een complex model dat niemand doorgrondt.

Stap 5: Denk in kolommen, niet in rapporten

Goede data is gestructureerd. Dat betekent:

  • elke rij heeft een unieke identifier
  • datums en tijden zijn consistent opgeslagen
  • kolommen bevatten één type informatie

Samengevoegde tekstvelden of handmatige bewerkingen maken data moeilijk te hergebruiken en vertragen je model. Door “CSV-minded” te denken, simpel, gestructureerd en logisch, maak je je data toekomstbestendig.

Stap 6: Begin en optimaliseer later

Veel projecten vertragen omdat alles direct perfect moet zijn. Performance, schaalbaarheid en technische optimalisatie zijn belangrijk, maar niet in de eerste fase.

Begin met een dashboard dat functioneel klopt en waarde levert. Optimalisaties zoals incremental refresh, datalagen of performance tuning kun je later toevoegen.

De grootste valkuil is niet een slecht model, maar helemaal niet beginnen.

Praktisch stappenplan

Wie concreet aan de slag wil, kan dit als leidraad gebruiken:

  • inventariseer databronnen
  • documenteer definities en eigenaarschap
  • kies kern-KPI’s
  • ontwerp een eenvoudig datamodel
  • bouw een eerste dashboard (MVD)
  • plan iteraties en optimalisaties

Deze aanpak zorgt voor snelle resultaten zonder de lange termijn uit het oog te verliezen.

Veelgemaakte fouten en snelle verbeteringen

In de praktijk zien we vaak dezelfde valkuilen terug:

  • berekeningen die in visuals worden gedaan in plaats van in het model
  • ontbrekende of inconsistente ID’s
  • verschillen in datatypes tussen bronnen

Tegelijk zijn er ook snelle verbeteringen mogelijk:

  • werk met één centrale definitie per KPI
  • zorg voor consistente timestamps
  • automatiseer data-refresh waar mogelijk

Kleine aanpassingen kunnen een groot verschil maken in betrouwbaarheid en gebruiksgemak.

Van datamodel naar betere beslissingen

Een goed datamodel is geen doel op zich, maar een middel. Het zorgt ervoor dat dashboards niet alleen informatie tonen, maar ook vertrouwen geven.

Wanneer cijfers consistent zijn en definities duidelijk, ontstaat ruimte voor wat echt belangrijk is: sturen op resultaat. Beslissingen worden sneller genomen, discussies gaan over inhoud in plaats van cijfers en data wordt een strategisch hulpmiddel.

Conclusie: begin bij de basis

De kwaliteit van je dashboard wordt bepaald voordat je ook maar één visual bouwt. Door te starten met een sterk datamodel leg je de basis voor schaalbare, betrouwbare en begrijpelijke rapportages.

Power BI is krachtig, maar alleen als de fundering klopt.

Wil je ontdekken hoe jouw huidige rapportages ervoor staan en waar de grootste winst zit? Plan een korte sessie en krijg direct inzicht in de mogelijkheden voor jullie organisatie.

Een datamodel is de gestructureerde laag waarin data uit verschillende bronnen wordt samengebracht, gekoppeld en gedefinieerd. Het vormt de basis waarop alle rapportages en dashboards draaien.

Zonder goed datamodel ontstaan inconsistenties in cijfers en definities. Door eerst de basis goed in te richten, voorkom je fouten en zorg je voor betrouwbare inzichten.

Met een duidelijke scope en een beperkt aantal KPI’s kun je vaak binnen enkele weken een eerste werkend dashboard opleveren. Vanuit daar kun je iteratief verder bouwen en uitbreiden.

Hoe is dat nou, werken op een opdracht? Interview met Olivier Mozer – Data Engineer

Onze DataPartners werken voor verschillende opdrachtgevers aan uiteenlopende opdrachten binnen het data-domein of in posities als datagedreven professionals. Olivier Mozer is Data (Migratie) Engineer en voert momenteel een opdracht uit bij een van de grootste verwerkers van financiele informatie in Nederland. Hij werkt aan de migratie van een oud datasysteem naar een nieuw dataplatform met een team vol experts en professionals. Wij spraken Olivier over zijn opdracht, uitdagingen binnen zijn werk en wat werken als Interim Data Engineer bij SPECTS voor hem leuk maakt.

Over zijn interim opdracht als Data Migratie Engineer

Kun je kort vertellen wat je opdracht is en hoe je die rol momenteel vervuld?

Momenteel ben ik actief als Data Migratie Engineer bij een grote overheidsorganisatie in de financiele sector. Er gaat gemigreerd worden naar een nieuwe database omgeving. Naast het migreren van data is dit ook het moment om de structuur aan te passen zodat migreren of het doorvoeren van aanpassingen in de toekomst makkelijker gaat.

Wat was de uitdaging waar de opdrachtgever mee zat toen jij begon?

Het gaat natuurlijk om een gigantische data omgeving met zeer veel afhankelijkheden. Ook is er een strakke deadline wanneer de oude omgeving niet meer bereikbaar is. Dit in combinatie met de structuur aanpassingen vereist vakkennis en mankracht.

Waar ben je het meest trots op sinds je daar aan de slag bent?

Zelf ben ik later in het traject ingestapt en daardoor moest ik ook sneller up to speed zijn. Ik kon snel aan de slag en meedraaien met de rest. In het begin was ik kritisch op mijzelf of dit zou lukken maar uiteindelijk is het allemaal heel goed verlopen.

Over de samenwerking en cultuur bij de opdrachtgever

Hoe is het om als interimmer voor een opdrachtgever te werken?

Zelf vind ik het een mooie uitdaging omdat je wordt ingehuurd voor je specialisme en vaardigheden en bijvoorbeeld niet enkel voor je persoonlijke eigenschappen of humor (kan wel van pas komen). Je moet echt waarde toevoegen binnen je vakgebied en je beste beentje voorzetten. Als je goed tot je recht komt binnen een uitdagende werkomgeving dan geeft dat echt een goed gevoel

Wat doe jij om het vertrouwen van het team te winnen?

Een proactieve houding, eigenaarschap en mezelf zijn. Het gaat dan eigenlijk vanzelf.

Wat leer jij zelf van deze opdracht of omgeving?

Ik ben in een nieuwe omgeving terecht gekomen waar ik met 2 systemen kan werken waar ik voorheen nog niet mee gewerkt heb. Naast de software-inhoudelijke-verdieping, is er ook een variatie van interne en externe medewerkers bij ons op de afdeling met allemaal verschillende ervaringen en werkwijzen waar ik altijd benieuwd naar ben. Zo leer je inhoudelijk binnen je vakgebied maar leer je ook veel nieuwe domeinen en mensen kennen.

Wat Olivier merkt over de impact die data heeft

Hoe helpt jouw werk de opdrachtgever echt verder?

Momenteel is het vooral veel werk verzetten en weinig zoeken naar nieuwe oplossingen. Deze route is al redelijk ver uitgestippeld en is het tijd om echt uitvoerend aan de slag te gaan. Met het motto Ain’t Nothing To it, But To Do It! Ben ik hier hard mee aan de slag.

Welke verbeteringen zijn er dankzij jouw bijdrage ontstaan?

Binnen het omzetten van de code heb ik een aantal standaarden voorgedragen die nu gebruikt worden, maar verder weinig omdat er gewoon veel werk verzet moet worden. Dat kost voor deze fase veel tijd en inspanning.

Wat is volgens jou het verschil tussen ‘rapporteren’ en ‘impact maken met data’?

Rapporten is voor mij het presenteren van statische data. Impact maken met data zie ik dieper in de gerapporteerde data duiken en inleven vanuit de stakeholder. Het kan zijn bijvoorbeeld zoals een data analist patronen zoekt waardoor de oorzaak van omzet daling herkend wordt, of een data engineer die een grote tabel splitst naar verschillende tabellen en deze op de juiste manier aan elkaar linkt waardoor er grote perfomance winst is. Vanzelfsprekend maak ik liever impact met data!

Wat Olivier zelf vindt van het werken als DataPartner bij SPECTS

Wat vind jij het leukste aan werken als DataPartner?

Je bepaalt zelf welke klus je wil uitvoeren en heb je volledige controle over je opdracht, gewenste tarief en andere eisen zoals reistijd of inhoud. Ook kan je zelf kiezen hoeveel uur per week je wilt werken, of je tijd hebt voor een extra klus en het prettigste: hard werken wordt beloond. Je plukt de vruchten van je eigen inspanning.

Wat zou je zeggen tegen iemand die overweegt om ook zo’n rol te doen?

Klop bij ons aan en kom binnen voor een kop koffie! De datapartners en ik vertellen je graag in detail meer over onze ervaring en waar je op moet letten als je gaat starten als interimmer.

Wat is jouw belangrijkste ‘lesson learned’ bij deze opdracht

Ik ben tijdens het gehele wervingsproces gewoon mezelf geweest. Ik weet wat ik kan, en wat ik niet kan en daardoor sta ik hier vol zelfvertrouwen omdat ik weet dat ik waar kan maken waarvoor ik gekozen ben. Eerlijkheid en transparantie lonen daarbij.

Bedankt voor het gesprek Olivier!

Werken als Interim Data Engineer bij SPECTS

Ben jij zelf enthousiast geworden over het werken bij SPECTS en benieuwd of dit ook voor jou mogelijk is? Bij SPECTS zoeken we niet alleen Data Engineers, Data Scientists en BI Specialisten maar wij hebben ook vacatures voor: datagedreven Business- Data Analisten en collega’s die ons willen versterken op kantoor, zoals een Business Development Manager en een People & Talent Manager. Ben jij een datagedreven projectleider, marketeer, product owner of bijvoorbeeld een AI specialist? Vul dan de open sollicitatie in en wij gaan kijken of er mogelijkheden zijn.

Als bij een kennismaking blijkt dat we beiden enthousiast zijn over de samenwerking dan ontvang je ons arbeidsvoorwaardenhandboek met uitgebreide toelichting, berekeningen en voorbeelden.

Laat dus wat van je horen, ook als je zelf op zoek bent naar een interim professional. Wij zien je graag op ons gezellige kantoor in Utrecht. Neem contact met ons op en wie weet zit jij net zoals Olivier binnenkort op een leuke opdracht!

Mijn ervaring in 10 jaar Data Science en wat jij ervan kunt leren als professional en organisatie

Vers afgestudeerd van de universiteit en klaar om het bedrijfsleven te bestormen. In 2016 rondde ik mijn master International Economics & Business met econometrie af. Ik wist nog niet exact hoe ik mijn carrière wilde inrichten, maar één ding was duidelijk: ik wilde werken met nieuwe technologie, informatiebronnen, statistiek en slimme software.

Management Traineeships waren toen al helemaal in en veel van mijn mede-studenten solliciteerden daarop. Maar ik wilde de inhoud in. Ik wilde voorbereid zijn op de toekomst in een wereld waarin de enige constante verandering is.

Daarnaast werd in 2012 de rol van Data Scientist nog uitgeroepen tot ‘Sexiest Job of the Year’. Daarom koos ik bewust voor de IT-, software- en datakant.

Na een onsuccesvolle eerste stap als (management) consultant ICT ging ik aan de slag als junior Data Analist / Data Scientist bij een nieuw Data Science / Analytics adviesbureau. Dat smaakte goed. Ik vond nog een tweede werkgever in dezelfde richting en heb sindsdien veel interim- en freelanceopdrachten mogen uitvoeren bij uiteenlopende organisaties op het gebied van ‘data’ zoals: Data Analyst, Data Scientist, Product Manager, Data Engineer en Data Lead.

Nu, tien jaar later, kan ik daarom terugkijken op tientallen data-onderzoeken, migraties, implementaties van nieuwe tooling, systemen, programmeertalen, business cases en natuurlijk: AI-trajecten. Afgelopen tien jaar is er veel veranderd. Maar ook verrassend weinig.

AI in 2016 versus AI in 2026: containerbegrip of volwassen domein?

In 2016 was ‘AI’ al hip. Maar onder data-specialisten werd het vaak gezien als een containerbegrip voor managers die niet precies wisten wat voor werk we echt deden. “Kun je programmeren?” – als je antwoord ja was dan mocht je vaak al aan de slag bij een opdrachtgever.

Voor veel organisaties betekende AI destijds: Chatbots, Statische Analyses, NLP-algoritmes, Multivariate regressie analyses verpakt als Machine Learning modellen, slimme if-else-statements en anere Data management of automatiseringstoepassingen in bijvoorbeeld Python of R.

De realiteit? De meest succesvolle data-trajecten waren zelden de technologisch meest indrukwekkende oplossingen. Het waren meestal de toepassingen die een goedlopende business unit of afdeling slim ondersteunden. Geen science fiction, maar goede software op de juiste plek met de juiste mensen. En dat is eigenlijk nog steeds zo.

Wat is Data Science eigenlijk? (En waarom verschilt het per organisatie?)

Data Science heeft anno 2026 nog steeds geen eenduidige definitie. Dat merken we dagelijks bij SPECTS in gesprekken met kandidaten en opdrachtgevers.

Bij corporates en MKB+ organisaties is Data Science vaak de afdeling die werkt met: Machine Learning, AI & LLM’s, automatisering, statistiek, nieuwe software, empirisch onderzoek en big data analyses.

Sommige organisaties zijn wel internationaal voorloper op het gebied van Data Science zoals bepaalde afdelingen binnen KLM, Rabobank, TNO, Defensie en ASML. Erg leuk om dat van dichtbij mee te kunnen maken als interim Data Scientist.

Bij andere organisaties is de Data Scientist echter een veel generieker profiel. Daar moet één persoon soms ervaring hebben met de hele data-stack: Data Engineering, Software Development, Data Analyse, Data Management, IT Support, Stakeholdermanagement en Rapportagebeheer.

Met vaak als opdracht van de manager of opdrachtgever: “We willen meer met data doen.”

Begrijp me niet verkeerd: sommige Data Scientists kunnen dit allemaal ook. Maar het is niet gebruikelijk en het is zeker geen duurzame manier om strategisch het maximale uit je data-stack te halen. Daarnaast is de kans op het succesvol overdragen van deze Data Scientist’s kennis naar anderen vrijwel nihil en komt er op termijn steeds meer druk op deze persoon te liggen.

De uitdagingen van 2016 lijken verdacht veel op die van 2026

Technologische adoptie is nog steeds beperkt.
Veranderkunde is nog steeds cruciaal.
En veel organisaties huren nog steeds liever extern advies in dan dat zij structureel investeren in de data-infrastructuur of het verbeteren van interne samenwerkingen.

Dat is niet cynisch bedoeld. Het is een observatie van de afgelopen 10 jaar.

En precies daarom is Data Strategie en Data Science vandaag belangrijker dan ooit.

Wordt de Data Scientist met uitsterven bedreigd?

Soms lijkt het erop.

Wil je advies op AI-vlak? Dan huur je een AI Strategist of AI Evangelist in.
Wil je schaalbare data-oplossingen? Dan zoek je een Data Engineer of Datawarehouse specialist.
Wil je governance? Dan komt er een Data Governance of Data Management Consultant.

De rol wordt specialistischer.

En ondertussen heeft de Data Scientist concurrentie gekregen van een nieuwe generatie: juniors die met ‘vibe coding’ en AI prompting razendsnel antwoorden en hele code-bases genereren, inclusief kwalitatieve code waar we in 2016 nog diep respect voor hadden.

Maar onderschat de ervaren Data Scientist niet.

De die-hard professional heeft AI geïntegreerd in zijn eigen workflow. Die werkt effectiever dan ooit. Iemand met tien jaar ervaring bokst soms meer voor elkaar dan vijf juniors bij elkaar, of de juniors kunnen überhaupt de kwaliteit niet evenaren van deze specialist. Simpelweg omdat hij of zij weet hoe frustrerend het is om alles zelf uit te zoeken, van GIT-commando’s tot verhitte StackOverflow-discussies.

De Data Scientist is dus niet verdwenen.
De rol van Data Scientist is volwassen geworden.

Chatbots & LLM’s: van maatwerk naar commodity

In 2016 wilde iedere organisatie een eigen chatbot. Een eigen slimme zoekmachine. Eigen NLP-modellen, slimme customized klantenservices, image recognition, alles moest zelf gebouwd worden door de 3 Data Scientists zonder sturing. De zoektocht naar het goud was geopend en er werd weinig samengewerkt met andere afdelingen of bedrijven. De belangrijkste discussie van het management was toen: “zetten we de server on premise (in de kelder) of in de cloud”? – Een discussie die trouwens nog steeds relevant is ;).

Vandaag de dag neemt ChatGPT, Mistral.ai, Claude, Deepseek en andere LLM’s al veel van deze toepassingen over. AI-agents zijn niet langer toekomstmuziek, maar doen hun intrede in bedrijfsprocessen.

Waar vroeger innovatie zat in het bouwen van het model, zit het nu in:

  • Integratie in bestaande processen
  • Datakwaliteit
  • Governance
  • Security
  • Strategische toepassingen

De focus verschuift van techniek naar waardecreatie. Weinig organisaties willen echt serieus een eigen ChatGPT ontwikkelen, en waarom zou je ook. Je gaat gewoon naar ChatGPT.com en daar staat de gratis variant op je te wachten die beter is dan welke Chatbot van de afgelopen tien jaar dan ook. Nog wel.. totdat deze achter een paywall of advertentie gezet zal worden.

R vs Python vs ‘vibe coding’

In 2016 woedde een hevige strijd: wordt het R of Python?

Python heeft die strijd overtuigend gewonnen. Dankzij:

  • Een groot ecosysteem aan packages
  • Een relatief steile leercurve
  • Snelle inzetbaarheid in productie

Maar inmiddels staat de volgende verschuiving alweer voor de deur.

Met vibe coding en AI-assisted development zoals Cursor AI kun jij je relatief eenvoudig voordoen als expert in meerdere programmeertalen. Daardoor wordt de taal zelf minder onderscheidend.

Wat wel steeds meer onderscheidend wordt: begrijpen wat je bouwt, waarom je het bouwt en of het schaalbaar, uitlegbaar en onderhoudbaar is. Daar schreef ik eerder ook al een Blog voor.

Van Data Generalist naar Data Specialist

In 2016 kon je jezelf nog profileren als Data Scientist terwijl je eigenlijk meer Data Analist of Software Engineer was. In 2026 kom je daar minder makkelijk mee weg.

De markt vraagt om specialisatie:

  • AI Engineer
  • ML Engineer
  • Data Architect
  • Data Governance Consultant

Wil je experimenteren met data en code? Dat kan nog steeds.
Maar de eisen zijn hoger geworden. De lat ligt hoger.

En dat vind ik een goede ontwikkeling. Minder ruis, meer concrete vraagstukken.

Dataplatformen: van monoliet naar microservices

Rond 2016 waren AWS, Azure en Google Cloud al in opkomst. Daarnaast probeerden traditionele spelers hun eigen dataplatformen te positioneren.

Vandaag zien we:

  • Microservices-architecturen
  • Overlappende tooling
  • AI-integraties in bijna elk platform
  • Discussies als Snowflake vs Databricks
  • Tooling als dbt, Airflow en Apache-ecosystemen
  • Low-code & No-code platformen met AI toepassingen

De complexiteit is toegenomen.
De keuzes zijn groter.
En juist daarom is een heldere data-architectuur en strategie essentieel.

Wat is dan wel hetzelfde gebleven?

SQL.

SQL is niet verdwenen en wordt nog steeds massaal gebruikt. Ik vergelijk SQL graag met Excel. Je kunt alles programmeren en automatiseren, maar het is prettig om zelf je dataset samen te stellen en aan de knoppen te zitten.

Daarnaast is er nog iets onveranderd:

  • Begrijpen hoe een organisatie werkt
  • Weten wie de gebruikers zijn
  • Rekening houden met wet- en regelgeving
  • Communiceren met stakeholders

Soft skills zijn daarbij nog steeds cruciaal. En authenticiteit is waardevoller geworden, we filteren makkelijker irrelevante informatie en AI.

Data Science is en blijft een domein waar ontzettend waardevolle inzichten vandaan komen. Maar zonder organisatiebegrip en veranderkracht blijft het theorie.

De Data Scientist is volwassen geworden

Waar we vroeger speculeerden over ‘the next big thing’ in data, zijn veel use cases inmiddels realiteit geworden.

Bang dat we ons gaan vervelen?
Gelukkig niet.

De AI-markt van 2026 lijkt verdacht veel op de Data Science-markt van 2016: veel belofte, veel hype, veel kansen, wederom een drang naar rekenkracht, computerchips en een groot verschil tussen experimenteren en structureel waarde creëren.

Misschien schrijf ik over tien jaar wel een nieuwe blog:

“Mijn ervaring in 10 jaar AI – en wat jij ervan kunt leren.” ..

Wat jij hiervan kunt meenemen (als kandidaat of opdrachtgever)

Voor kandidaten:

  • Blijf je ontwikkelen.
  • Kies bewust voor verdieping of verbreding.
  • Gebruik AI als versneller, niet als vervanger van fundamentele kennis.
  • Nieuwe tools zijn interessant maar laat je niet afleiden

Voor opdrachtgevers:

  • Data Science is geen magische knop.
  • Investeer in data-infrastructuur en strategie.
  • Denk verder dan tooling, denk in waardecreatie.

Data is geen project. Het is een structurele competentie.

En precies daar help ik organisaties bij: het verbinden van Data Science, Succesvol Machine Learning Modellen ontwikkelen, Data Engineering en AI aan een duurzame data-strategie.

Het liefst nog eens minimaal 10 jaar.

Wanneer je BI tools wel en niet inzet bij Marketing Campagnes en Analytics

De meeste Business Intelligence (BI) tools zoals Power BI zijn tot veel in staat. De tools zijn te koppelen aan vrijwel iedere databron in een organisatie en helpen om veel beslissingen sneller, beter en datagedreven te kunnen maken. En dat op ieder niveau in de organisatie. Leveranciers van tools zoals Power BI en Tableau beloven dat elk probleem kan worden opgelost met een nieuw dashboard. Het is daarom niet verrassend dat organisaties in het marketingdomein, waar de ambitie vaak is om meer data-gedreven te werken, snel grijpen naar BI-tools en dashboards.

Maar de werkelijkheid is weerbarstig. In de praktijk zien wij namelijk vaak dat BI-tools te vroeg worden ingezet, nog voordat het onderliggende vraagstuk scherp is. Eerder schreef Data Strategist Ted daar al een blog over: Maak van Data en AI de motor van je organisatie. Vaak is het gevolg namelijk dat de eindgebruiker de dashboards en BI tools nauwelijks raadpleegt en wanneer nodig haar informatie toch rechtstreeks bij de expert of analist ophaalt. Idem in de operatie: de specialisten zien in hun eigen tools precies wat ze nodig hebben en laten het dashboard links liggen.

De daadwerkelijke impact van een dashboard of BI-tool valt of staat bij het doel. In dit blog beantwoorden wij de vraag: wanneer zet je BI-tools effectief in voor marketingdoeleinden, en wanneer je ze beter links kunt laten liggen.

3 scenario’s waarin BI-tools belangrijk zijn in marketing

Typische BI-tools in het marketingdomein zoals Tableau, Power BI of Looker zijn bedoeld om complexe data en verbanden inzichtelijk te maken, zowel realtime als historisch. Ze zijn van grote meerwaarde bij:

  1. Cross-channel orkestratie en inzicht: je brengt meerdere databronnen met verschillende KPI’s bij elkaar. Hier zijn BI tools erg goed geschikt voor.
  2. Strategische metrics: Kanaal-specifieke marketingtools zoals Google Analytics zijn goed in weergave van eigen metrics zoals conversie/bereik, maar missen de uiteindelijke business KPI’s. Denk aan omzet per klant, klantverloop (churn), Customer Lifetime Value of algehele klantervaring. In een BI-tool maak je deze KPI’s en hun relatie tot marketingcampagnes inzichtelijk.
  3. Kritische onder- en bovengrenzen: In een data-gedreven cultuur worden beslissingen gestuurd door cijfers. Je bepaalt voorafgaand aan initiatieven het target en een ondergrens. Wordt een target behaald, dan ga je door. Bereik je een ondergrens dan stopt het initiatief. BI-tools maken dit proces mogelijk. Ze signaleren wanneer de grenzen worden bereikt en geven duidelijke alerts zodat je direct, of zelfs vooraf, kunt bijsturen of ingrijpen.

Praktijkvoorbeeld: Omnichannel in één dashboard

Een dienstverlener in de mobiliteitssector bracht al haar marketingkanalen samen voor één consistente omnichannel-klantreis. Tot voor kort waren de marketeers veel tijd kwijt met alle resultaten uit verschillende systemen ophalen en per kanaal te rapporteren.

Om het succes van de consistente klantreis beter inzichtelijk te maken ontwikkelden we een kanaal- en campagneoverstijgend dashboard. De grote uitdaging was het verbinden van alle individuele communicaties zoals een e-mail, een websitebezoek en een advertentie tot één en dezelfde klantreis of campagne. Door het aanbrengen van dezelfde herkenningscode in alle kanalen lukte het om alle touchpoints / interacties aan elkaar te verbinden.

Resultaat: Het dashboard vormt nu het fundament voor datagedreven werken. In het dashboard zien marketeers in één oogopslag hoe iedere uiting bijdraagt aan een campagne, via de metrics die per kanaal relevant zijn.

Dashboard Customer Journey Channel Churn

Wanneer je BI-tools (nog) niet moet inzetten

Niet ieder probleem los je effectief op met een BI-tool. In bepaalde gevallen zijn er beter passende oplossingen, of gaan er nog een aantal stappen vooraf aan de inzet van BI.

Single-channel inzichten: Moderne marketingtools bieden vaak de relevante dashboarding en insights-mogelijkheden voor hun eigen kanaal aan. Bouw geen maatwerk dashboard met als eindresultaat een kopie van wat er al is in GA4, Google Ads of Meta.

Ownership ontbreekt: Een dashboard maakt impact wanneer een team zich verantwoordelijk voelt voor de inhoud. Typische valkuil is het dashboard dat dient om ‘zo af en toe inzicht te krijgen”. Deze dashboards vallen stil, worden niet beheerd of raken vergeten.

Interpretatie en self-service: Daar waar BI-dashboards meer self-service mogelijk maken is een valkuil de verkeerde interpretatie van data-inzichten. Niet iedere detailmetric hoort thuis in ieder dashboard. Voor eenmalige of complexe vragen is een korte rapportage door een expert/analist vaak effectiever dan een uitgebreid dashboard. Benieuwd hoe je goed KPI-design toepast voor de juiste dashboards? Lees de blog van Jeroen: Hoe je met goed KPI-design problemen in je Power BI rapportages voorkomt.

Checklist voor een effectief marketingdashboard

Voordat je met een dashboard en BI-tool aan de slag gaat wil je de volgende vragen kunnen beantwoorden:

  • Welk team is verantwoordelijk/eigenaar van het dashboard?
  • Welke beslissingen ga je maken op basis van dit dashboard en op basis van welke KPI’s?
  • Wie is de specifieke doelgroep van het dashboard?
  • Welke kanalen en databronnen breng je samen in het dashboard?

De kernvraag is niet hoe je een dashboard inricht, maar of een BI-tool wel de juiste route is in jouw specifieke scenario.

Hoe SPECTS jou verder helpt

SPECTS helpt je om deze kernvraag te beantwoorden in een vrijblijvend adviesgesprek met Power BI demo. Daarnaast begeleiden wij van start tot finish: wij adviseren welke BI-tool past bij jouw organisatie, ondersteunen bij de inrichting van dashboards, trainen collega’s en helpen structureel bij data-gedreven marketing en analyse. Voor ieder vraagstuk een passende oplossing.

Kun jij advies of ondersteuning gebruiken bij marketingreporting, BI-tools of datagedreven besluitvorming? Neem snel contact op voor een kennismaking of een gratis adviesgesprek.

Mijn verwachtingen als Data Strategist en oprichter van SPECTS voor 2026

Het einde van 2025 nadert en 2026 klopt al op de deur. Tijd voor nieuwe plannen, nieuwe visies enbekende buzzwords in PowerPoints. Maar wat zie ik zelf gebeuren, als Data Strategist en ondernemer midden in de digitale arena? In deze blog neem ik je mee door mijn persoonlijke vooruitblik op 2026. Een jaar vol kansen, ontwikkelingen en digitale evoluties, geen revoluties.

AI is geen trend maar langdurige revolutie

Net als in de vorige nieuwjaarslijstjes, staat AI in 2026 gewoon weer bovenaan de agenda. Je hoeft het niet leuk te vinden, maar je komt er ook niet meer omheen.

Zelf werk ik al sinds 2017 met AI: van IBM OneWex implementaties op de Zuidas tot het bouwen van chatbots en NLP-systemen voor HR & CV parsing. Waar je vroeger nog moest uitleggen wat AI ongeveer was (“iets met data ofzo?”), lijkt tegenwoordig iedereen het beter te weten dan ikzelf. Inclusief mensen die doen alsof ze een boek over AI geschreven hebben en daarvoor uitgenodigd worden bij praat-programma’s (Hallo, Alexander Klöpping) maar enkel uitgever zijn.

Bij SPECTS krijgen we dagelijks aanvragen voor opdrachten als AI-engineer, verzoeken tot implementaties van AI-agent en het ontwikkelen van slimme automatiseringen. Acht jaar geleden was dat ondenkbaar. Maar zijn bedrijven dan nu massaal goud aan het vinden in hun eigen digitale achtertuin? Nee. Concrete resultaten blijven vaak achter. Enthousiasme is er genoeg, de resultaten minder.

Maar door de FOMO, mede gevoed door media-opportunisten, zijn veel bedrijven en hun directies volledig om. En eerlijk: AI kan veel. Automatiseren, klantcontact slimmer maken, ML-modellen sneller bouwen, software-ontwikkeling versnellen, of teksten schrijven waar niemand zin in heeft. Helaas was het Sinterklaasgedicht dat ik dit jaar kreeg dankzij AI net zo inspirerend als het keuzemenu van de Belastingdienst.

Ontslagrondes en reorganisaties. Een oude traditie in een nieuw jasje

AI is het nieuwe excuus-briefje van veel corporates voor een nieuwe reeks reorganisaties. Eerder zagen we dit al gebeuren bij de ABN Amro, APG, Thuisbezorgd, Meta, en bijvoorbeeld Accenture. De bezem door het personeelsbestand halen is inmiddels een geliefde managementtraditie. 2026 zal geen uitzondering zijn. De pandemie-ontslagrondes van 2023 zijn alweer lang geleden, toch?

Moet iedereen nu bang zijn voor zijn of haar baan? Nee. De arbeidsmarkt blijft krap in Nederland en de jacht op talent naar de juiste professionals met motivatie en flexibiliteit blijft. En die flexibiliteit heb je hard nodig, want het tempo van nieuwe AI-modellen en tools (ChatGPT, Gemini, Grok, Mistral, DeepSeek, Claude, Perplexity AI, Copilot en zelfs Deloitte met z’n eigen Zora AI) blijft krankzinnig hoog.

Interessant is dat senior IT-managers met 20+ jaar ervaring het tegenwoordig steeds vaker afleggen van jonge AI-engineers met 3 jaar ervaring. Zelfs als die IT-manager onze blog over Succesvol Machine Learning Modellen ontwikkelen heeft gelezen. Niet per se omdat de jonge AI-Engineers dus meer weten, maar omdat de vraag verschuift. Is ervaring daarmee waardeloos? Absoluut niet. In een wereld waarin iedereen kan prompten, wordt echte expertise en kennis van aanpakken juist schaarser.

Deglobalisering van digitale infrastructuur: terug naar de polder

Een andere grote trend die we waarschijnlijk in 2026 blijven terugzien: de deglobalisering van onze digitale infrastructuur. Europese organisaties willen steeds minder afhankelijk zijn van Amerikaanse Big Tech. Maar makkelijk wordt het niet.

We hebben namelijk 10 tot 20 jaar lang (misschien zelfs langer) vrolijk onze strategische infrastructuur o.a. IT, data en hosting uitbesteed voor gemak en lagere kosten. Dat los je niet in 1 jaar op. Wordt 2026 daarom het jaar van de Europese cloudrevolutie? Waarschijnlijk niet. Daarvoor zijn de versnipperde regelgeving en risico-aversie binnen Europa te groot.

Maar de beweging is er wel: data en cloud dichter bij huis, fysiek en politiek. Geen revolutie, wel een evolutie die IT-directors en politici iets meer nachtrust geeft.

Cybersecurity: de digitale oorlog stopt nooit

Naast AI en deglobalisering is cybersecurity de factor waar niemand meer omheen kan. Door onze digitale verslaving, legacy software en de inzet van AI zijn organisaties, huishoudens en particulieren kwetsbaarder dan ooit.

We zien een stille cyberwar, hacks, industriële sabotages en, natuurlijk de Porsches die in Rusland spontaan stoppen met starten – iets dat waarschijnlijk veroorzaakt wordt door een hack (Porsche panic in Russia as pricey status symbols forget how to car). Alsof iemand een James Bond-scenario of Black Mirror aflevering te letterlijk nam maar tegenwoordig werkelijkheid is.

De trend van cybersecurity zet door. Gelukkig hebben we in Nederland sterke cybersecurityspelers zoals Eye Security die hiervan profiteren en ons beschermen.

Energie & netcongestie: AI draait niet (alleen) op lucht

Al die AI-modellen, cloudoplossingen, datacenters, elektrische auto’s en huishoudens die geen gas meer mogen gebruiken moeten ergens op draaien. En dat kost bakken energie. De druk op het net neemt toe, en snel. Zelfs in Google Search Console zie je de stijging in zoekvolumes op “netcongestie” en “AI”. Dat betekent vooral: het onderwerp leeft, en het wordt een steeds grotere uitdaging in 2026.

Tot slot: 2026 wordt geen rustig jaar maar wel een mooi jaar!

AI blijft. Trump blijft provoceren. Rusland blijft treiteren. En wij blijven worstelen met de afhankelijkheid van Big Tech, cybersecuritydreigingen, deglobalisering, netcongestie en Deloitte dat zichzelf wederom tot expert heeft uitgeroepen in een nieuw domein.

Maar 2026 biedt ook volop kansen. Proof of Concepts worden sneller gebouwd. MVP’s worden slimmer. Professionals met echte expertise krijgen meer gedaan in minder tijd. En organisaties die durven experimenteren, gaan vooroplopen. Wil jij organisaties daarbij helpen? Dan hebben wij een mooie vacature Business Development Manager!

Het belangrijkste van 2026 is: Blijf menselijk. Blijf eerlijk. Blijf authentiek. Juist in een jaar waarin kunstmatigheid en AI steeds gewoner wordt. Uiteindelijk is AI gewoon een tool. Een heel goede tool, zeker. Maar niet meer dan dat.

Klaar voor de digitale evolutie? Let’s go 2026!

Waar begin je met het opzetten van een datawarehouse? Met handig stappenplan!

Jouw organisatie is erover uit. Na de eerdere blog gelezen te hebben over “Waarom een Datawarehouse ontwikkelen een cruciaal onderdeel is van je digitale strategie“, gaan jullie nu verder om de digitale strategie uit te werken.

Jullie dagelijkse leven bestaat nu nog te vaak uit versnipperde databronnen, handmatige exports en Excel-bestanden die overal in de organisatie rondzwerven. Dit zorgt voor foutgevoelige rapportages, beperkte mogelijkheden voor automatisering en een gebrek aan betrouwbare stuurinformatie.

De behoefte om processen te automatiseren, toekomst te voorspellen en AI-toepassingen te ontwikkelen groeit snel. Maar zonder een robuust datafundament blijven veel initiatieven geïsoleerde oplossingen. Een datawarehouse vormt daarom een cruciaal onderdeel van een toekomstbestendige data-architectuur. Het zorgt voor structuur in informatiestromen, maakt data betrouwbaar en creëert een centrale basis waarop analytics, BI en AI kunnen draaien.

Maar waar begin je als jouw organisatie een datawarehouse wil opzetten? In deze blog nemen we je mee in de belangrijkste strategische keuzes met een praktisch stappenplan om een datawarehouse zorgvuldig en schaalbaar in te richten.

1. Bepaal het doel van het datawarehouse

Een datawarehouse begint niet bij technologie, maar bij strategie. Is nu duidelijk wat jullie willen oplossen, verbeteren of automatiseren? Kies één duidelijke use-case. Bijvoorbeeld het ontsluiten van een kritische API of het centraliseren van terugkomende financiële rapportages. Hierdoor ontstaat focus. De gekozen use-case bepaalt: welke databronnen krijgen prioriteit, welke datamodellen zijn nodig en welke tooling is relevant. Zonder doel verandert een datawarehouse al snel in een technisch experiment zonder tastbare businesswaarde.

2. Spreek verantwoordelijkheden en governance af

Een datawarehouse is een fundament dat organisatiebreed gedragen moet worden. Daarom moet vooraf duidelijk zijn wie waarvoor verantwoordelijk is. Denk aan een data owner vanuit het MT, data stewards voor definities en datakwaliteit, en een engineering-team dat de pipelines en infrastructuur beheert. Daarnaast moeten compliance-eisen, zoals AVG, retention policies en beveiligingsstandaarden direct worden meegenomen. Governance is geen toevoeging achteraf, maar onderdeel van het ontwerp voordat je begint. Regel dit tijdig in zodat je ook compliant bent voor toekomstige ISO-certificering(en), audit(s) of due dilligence.

3. Richt een stuurgroep en planning in

Een datawarehouse raakt verschillende afdelingen en processen. Door een stuurgroep met stakeholders en minimaal één MT-lid in te richten, worden beslissingen sneller genomen en blijft het project tastbaar. Zorg voor een interactieve planning, met korte sprints en duidelijke opleveringen per use-case. Organiseer een demo aan het einde van elke sprint, ook als het resultaat erg klein aanvoelt. Door een demo te organiseren zorg je voor betrokken collega’s, een goede stok achter de deur en worden mensen aan het denken gezet.

4. Kies een cloudplatform

Vrijwel alle moderne datawarehouses draaien in de cloud. Momenteel is er veel te doen over de effectieve locatie van de cloud, door de dominantie van Amerikaanse Big Tech en wordt het steeds actueler dat organisaties voor een lokaal of hybride oplossing kiezen. Maar momenteel zien we nog een overduidelijke meerderheid kiezen voor Azure en AWS. Jouw keuze voor een cloudplatform bepaalt welke services je gebruikt en hoe flexibel je kunt opschalen. Heb je geen idee hoe je hier een keuze in moet maken? Huur een Data Strateeg of Cloud Architect in om je verder te adviseren.

In de praktijk kiezen veel organisaties voor Azure vanwege de integratie met bestaande Microsoft-systemen (of omdat Microsoft toch het bekendst is van Excel / Word / PowerPoint wat vertrouwen geeft), of voor AWS wanneer microservices en S3 centraal staan. Een on-premise setup is technisch mogelijk, maar beperkt schaalbaarheid, security en beschikbaarheid. Dit sluit minder goed aan op moderne AI-toepassingen en er zijn weinig technische specialisten die dit goed kunnen onderhouden.

5. Bepaal de architectuur

De basisarchitectuur van een datawarehouse bestaat meestal uit meerdere lagen:

  • Bron → staging → warehouse → datamarts → presentatie

Daarbinnen bepaal je hoe de ETL- of ELT-processen lopen, welke technieken worden gebruikt (bijv. Synapse, Databricks, PostgreSQL, Snowflake) en hoe data wordt gevalideerd, verwerkt en opgeslagen.

Belangrijk is dat de architectuur schaalbaar, transparant en uitbreidbaar is, zodat nieuwe use-cases eenvoudig kunnen worden toegevoegd.

6. Ontwerp dataflows en ETL-pipelines

Een goede dataflow ontstaat van grof naar fijn:

  1. Conceptueel model: welke domeinen zijn er?
  2. Logisch model: welke tabellen, relaties en definities horen daarbij?
  3. Fysiek model: hoe wordt dit technisch opgeslagen?

Per stap leg je vast wat er met de data gebeurt: hoe wordt deze opgehaald, hoe wordt deze verrijkt, hoe worden fouten gedetecteerd en wanneer wordt de dataset ververst? Dit voorkomt discussie zodra de eerste rapportages live gaan.

7. Standaardiseer naamgeving en documentatie

Een datawarehouse groeit snel. Vooral als men eenmaal door heeft dat een datawarehouse de start is voor automatisering en verbetering. Om grip te houden, moeten naming conventions voor tabellen, kolommen, pipelines, folders en datamarts vanaf dag één worden vastgelegd.

Koppel hier verplichte documentatie aan: herkomst, definities en businessregels. Leg dit vast in bijvoorbeeld Jira of Notion. Dit helpt ontwikkelaars, product owners en analisten om data juist te interpreteren en maakt de omgeving toekomstvast.

8. Leg metadata en kolomdefinities vast

Bij het aansluiten van nieuwe bronnen moet exact worden vastgelegd welke tabellen en velden worden ingelezen, hoe vaak dit gebeurt, wat de datakwaliteitseisen zijn en welke businessdefinities horen bij elk veld.

Door metadata centraal vast te leggen, wordt de herkomst van cijfers transparant, een cruciaal onderdeel van vertrouwen in data. Als je deze stap overslaat dan krijg je daar in de toekomst gegarandeerd problemen mee.

9. Implementeer datakwaliteit en governance in de pipelines

Een datawarehouse is zo goed als de data die erin staat. Of een populair gezegde: Garbage in = Garbage out. Daarom moeten automatische kwaliteitschecks worden ingebouwd, zoals:

  • recordcounts
  • datatype-validaties (ze doen er allemaal toe: integers, numbers, strings, booleans, arrays, date & time)
  • unieke sleutelchecks
  • verplichte velden (of juist niet-verplichte velden).

Welke checks nodig zijn hangt af van de gekozen use-case. Door fouten vroeg in het proces te detecteren, houd je dashboards stabiel en betrouwbaar. Denk er ook aan dat je datawarehouse verschillende dataproducten zal voeden. Een int16 ipv int32 kan een bepaalde applicatie of visual platgooien.

10. Bouw datamarts op basis van de eerste use-case

Begin klein. Een afgebakende datamart levert sneller resultaat, zorgt voor draagvlak en maakt duidelijk welke verbeteringen nodig zijn.

Met één goed uitgewerkt domein ontstaat een fundament dat verder kan worden uitgebreid zonder technische schuld op te bouwen. Technische schuld wordt altijd gecollecteerd. Zorg er dus voor dat jij je tech crediteuren in bedwang houdt.

11. Richt beveiliging en toegangsbeheer in

Role-based access control (RBAC) moet gelden vanaf de eerste dag. Dit is anders dan de eerdere verantwoordelijkheden en governance. Bepaal wie welke data mag zien, hoe gevoelige gegevens worden gemaskeerd en hoe data wordt afgeschermd tussen afdelingen.

Ook de presentatie- & visualisation layer, bijvoorbeeld Power BI, Tableau, Qlik(view) of PI Vision, moet dezelfde beveiligingsregels volgen om risico’s te beperken.

12. Maak dashboards en self-service mogelijk

Pas als het fundament staat, kan data worden gepresenteerd. Vaak gebeurt dit in Power BI, waarbij semantic models, measures en datamarts de basis vormen. Benieuwd hoe je een self-service Power BI dashboards ontwikkeld? Lees de blog: Starten met self-service Power BI dashboards voor betrouwbare insights zonder Microsoft Fabric van Jeroen Smallegange, onze Power BI Specialist.

Door documentatie op orde te hebben, kunnen gebruikers zelf analyses uitvoeren zonder dat er continu ondersteuning nodig is vanuit IT.

13. Monitor kosten, performance en foutmeldingen

Een datawarehouse is geen statisch systeem maar een ecosysteem dat zich ontwikkel. Monitoring van queryload, opslag, compute en foutmeldingen voorkomt onverwachte kosten en prestatiedalingen. Zorg voor voldoende support voor (eind)gebruikers.

Goed ingerichte alerts en service workflows zorgen dat incidenten snel worden opgelost.

14. Blijf itereren, reviewen en schalen

Jouw datawarehouse groeit mee met je organisatie. Elke nieuwe vraag of functionaliteit wordt behandeld als nieuwe use-case: ontwerpen, bouwen, testen, uitrollen en evalueren. Evalueer de backlog, zorg voor transparantie over je ontwikkelproces en blijf gebruikers updaten of informeren.

Zo ontstaat een omgeving die niet alleen rapportages ondersteunt, maar ook processen automatiseert, mogelijkheden voor Machine Learning verzorgt en AI-toepassingen voedt.

Conclusie

Het opzetten van een datawarehouse is geen technisch project, maar een strategische investering in het datavermogen van de organisatie. Door te starten met een duidelijke use-case, een schaalbare architectuur en goede governance bouw je aan een fundament dat zowel BI als AI ondersteunt.

Met de juiste keuzes ontstaat een datawarehouse dat inzichten versnelt, processen automatiseert en de betrouwbaarheid van informatie structureel verbetert.

Wil je sparren over jouw datawarehouse of heb je hulp nodig bij architectuur, implementatie of governance? Stuur ons een bericht, wij denken graag mee over de visie, het ontwerp en de realisatie.

Of ben jij een professional die zich kan vinden in de blog van Olivier? Bekijk dan onze vacature als Data Engineer!

Vraag om een adviesgesprek of kom langs op ons kantoor in Utrecht voor een kop koffie.

Hoe je met goed KPI-design problemen in je Power BI rapportages voorkomt

Meten is weten, maar wat meet je eigenlijk? KPI-design in Power BI

Iedere organisatie wil datagedreven werken. Toch blijkt in de praktijk dat veel dashboards vooral cijfers tonen, zonder echt inzicht te geven. Er staat wel iets op het scherm, maar wat betekent het precies? Wanneer presteert een afdeling goed, en wanneer niet? Zonder duidelijk gedefinieerde KPI’s wordt meten een doel op zich in plaats van een middel. Power BI kan helpen om KPI’s concreet, consistent en bruikbaar te maken, mits je ze goed ontwerpt.

Waarom KPI-design belangrijk is

Een KPI is meer dan een getal. Het is een samenvatting van een bedrijfsdoel, vertaald naar meetbare data. Als de KPI niet goed is gedefinieerd, ontstaan interpretatieverschillen en verkeerde conclusies. Een omzet-KPI kan bijvoorbeeld bruto of netto zijn, inclusief of exclusief btw, of gebaseerd op boekingsdatum in plaats van factuurdatum. Wanneer die definities niet eenduidig zijn vastgelegd, heeft ieder team zijn eigen waarheid, en dat maakt sturen onmogelijk.

Goed KPI-design zorgt ervoor dat iedereen dezelfde taal spreekt. Finance, sales en operations gebruiken dan dezelfde definities en kijken naar dezelfde werkelijkheid. Binnen Power BI leg je die logica vast in een semantic model: één centrale plek waar alle berekeningen, filters en definities eenduidig zijn vastgelegd.

Van bedrijfsdoel naar KPI

Het ontwerpen van KPI’s begint niet in Power BI, maar bij de strategie. Wat wil de organisatie bereiken, en hoe meet je of dat lukt? Pas als die vragen helder zijn, vertaal je ze naar meetbare indicatoren. Een praktisch stappenplan helpt hierbij. Begin met de doelstelling, bijvoorbeeld het verhogen van klanttevredenheid of het verlagen van operationele kosten. Bepaal vervolgens wat succes betekent en hoe je dat herkent in de cijfers. Vertaal dit naar meetbare grootheden, zoals NPS, doorlooptijd of margepercentage. Leg daarna exact vast hoe de KPI wordt berekend, welke filters gelden en uit welke bron de data komt. Koppel de KPI tenslotte aan de brondata in Power BI door measures te gebruiken in het semantic model.

Op die manier wordt elke KPI herleidbaar tot de strategie en is de berekening transparant voor iedereen die ermee werkt.

Consistentie door semantic modeling

Binnen Power BI is het semantic model de spil van betrouwbaar rapporteren. Hier definieer je niet alleen de berekeningen, maar ook de context: welke data hoort bij welke periode, welke filters gelden standaard en hoe hiërarchieën zijn opgebouwd.

Wanneer alle KPI’s in datzelfde model zijn opgenomen, kunnen verschillende teams zelfstandig dashboards bouwen zonder dat definities afwijken. Een verkoopdashboard en een financieel rapport tonen dan exact dezelfde omzet, ook al zijn ze bedoeld voor verschillende doelgroepen.

Goede KPI’s zijn afhankelijk van de context

Een KPI heeft pas waarde als hij binnen context wordt geïnterpreteerd. Een omzetgroei van vijf procent klinkt positief, maar is dat nog steeds zo als de markt met tien procent groeit? Daarom is het belangrijk om in Power BI niet alleen cijfers te tonen, maar ook referentiepunten, zoals doelen, trends of benchmarks.

Door doelwaarden in KPI-kaarten of visuele kleurcoderingen te gebruiken, wordt in één oogopslag duidelijk of een resultaat goed, matig of onvoldoende is.

Van rapportage naar sturing

KPI’s zijn bedoeld om beslissingen te ondersteunen, niet om rapporten te vullen. Dat betekent dat elk dashboard moet aansluiten bij de vragen die de gebruiker probeert te beantwoorden.

Een goed ingericht Power BI-dashboard toont niet alleen de stand van zaken, maar ook de ontwikkeling en mogelijke oorzaken. Door KPI’s te combineren met doorklikmogelijkheden of verklarende dimensies ontstaat inzicht dat aanzet tot actie.

De sleutel: duidelijkheid en eigenaarschap

Een sterke KPI-structuur ontstaat niet vanzelf. Het vraagt samenwerking tussen business en data-experts. De business bepaalt wat belangrijk is, de data-consultant zorgt dat het meetbaar en betrouwbaar wordt. Definities moeten worden vastgelegd, actief worden gecommuniceerd en regelmatig worden herzien.

Wanneer KPI’s eenmaal goed zijn ingericht, wordt Power BI meer dan een visualisatietool. Het wordt een strategisch instrument waarmee de organisatie gericht kan sturen op resultaat.

Conclusie: meten is pas weten als de KPI’s kloppen

Een goed KPI-design zorgt voor duidelijkheid, consistentie en sturing. Power BI biedt de technische mogelijkheden om KPI’s centraal vast te leggen en betrouwbaar te visualiseren. De uitdaging ligt niet in het bouwen van grafieken, maar in het ontwerpen van de juiste metingen.

Met heldere definities, een centraal semantic model en duidelijke afspraken over eigenaarschap wordt meten pas echt weten.

Wil je weten hoe volwassen jouw Power BI-omgeving al is?

Doe onze checklist en ontdek binnen vijf minuten waar je staat.

Checklist

Wil je liever direct aan de slag met Power BI, maar weet je niet waar te beginnen? Klik hieronder en kom in contact met ons.

Plan een gesprek

  • Bel ons:
030 – 207 43 25
Inloggen DataPartner