Dashboards die zeggen wat je nog niet wist

Ja, en vaak is dat ook waar we beginnen. Een dashboard op vieze data geeft mooie grafieken die niets zeggen, of erger: cijfers die elkaar tegenspreken. We doen eerst een data-quality audit: welke bronnen heb je, welke velden zijn betrouwbaar, waar zitten dubbelingen, lege records, foute formats, achterhaalde definities. Daarna richten we een lichte modelleerlaag in (vaak met dbt) waar de logica eenmalig staat: wat is een actieve klant, hoe tellen we omzet, wat hoort bij welke campagne. Pas op die schone laag bouwen we dashboards en AI-analyses. Dat klinkt als omweg maar is goedkoper dan twee keer iets bouwen op data waar je niet op kunt vertrouwen. We zijn eerlijk: soms is dit voorwerk groter dan het dashboard zelf, en daar zeggen we dat ook van.

We werken met BigQuery, Postgres of DuckDB als warehouse, dbt voor de modellering, Fivetran of Airbyte voor connectoren (of custom scripts als dat goedkoper is), en Looker Studio, Metabase of Hex voor dashboards. Voor AI-analyses gebruiken we Claude of GPT via API. Dit is bewust een open stack: je SQL-modellen draaien op elke warehouse, dbt is open source, je dashboards kunnen we wegzetten in een tool die jij zelf kunt beheren. We leveren altijd documentatie en code in jouw repository, niet in een platform waar je vast zit. Als je later van leverancier wisselt, of het zelf wil overnemen, kan dat. Geen black box.

Klantsegmentatie en gedragsanalyse vallen onder de AVG zodra je persoonsgegevens verwerkt, ook als het alleen e-mail of klant-ID is. Belangrijk: een grondslag moet helder zijn. Voor analyses op je eigen klantdata is dat meestal gerechtvaardigd belang of uitvoering van overeenkomst, mits je het kunt onderbouwen en de impact op de klant beperkt is. We helpen die afweging maken en documenteren. Voor zwaardere profilering met geautomatiseerde besluitvorming gelden strengere regels (artikel 22 AVG). Praktische maatregelen die we standaard inrichten: pseudonimiseren waar het kan, retentietermijnen op datasets, geen klantdata naar externe AI-leveranciers zonder DPA, en een verwerkingsregister-update zodat je het kunt verantwoorden bij een audit. Voor twijfelgevallen: de AI Quickscan kijkt eerst welke data je mag gebruiken op /ai-strategie.

Zelf onderhouden is het uitgangspunt. We bouwen dashboards in tools die je zonder ons kunt openen, aanpassen en delen, zoals Looker Studio (gratis, Google-account) of Metabase (open source, eigen server). De SQL-modellen daaronder staan in dbt en zijn versiebeheerd in jouw GitHub of GitLab, dus iedere collega met SQL-kennis kan ze lezen en wijzigen. We schrijven uitleg bij elke metric: wat telt mee, wat niet, en waarom. Als je een interne data-collega hebt of inhuurt, kan die het overnemen. We blijven graag betrokken voor de zware AI-analyses en nieuwe bronnen, maar dat is een keuze, geen verplichting.

Een data warehouse is een gestructureerde opslag voor schone, gemodelleerde data — typisch SQL-tabellen waar dashboards en rapportages op draaien. Voorbeelden: BigQuery, Snowflake, Postgres, DuckDB. Een data lake is een rauwere opslag, vaak in een goedkoop bestandssysteem (S3, GCS), waar data in zijn oorspronkelijke vorm landt voordat hij gemodelleerd wordt. Voor de meeste MKB-bedrijven is een data warehouse genoeg. Een data lake (of "datalake") wordt pas zinvol bij hoge volumes ongestructureerde data — bijvoorbeeld logbestanden, afbeeldingen, of sensordata waar je later iets mee wil. We adviseren bijna altijd te beginnen bij een eenvoudig warehouse (BigQuery is goedkoop tot je er niet meer onder uit komt) en pas uit te bouwen naar een lake-architectuur als de use cases dat rechtvaardigen. Dataverwerking en data-quality is overal hetzelfde principe: schoon model, herleidbare definities, geteste pipelines.

Ja. We werken vaak met Looker Studio, Metabase of Hex omdat dat sneller en goedkoper is voor het MKB, maar als jullie al fors investeren in Power BI of Tableau dan bouwen we daar gewoon op verder. De warehouse en de dbt-modellen werken hetzelfde, alleen de visualisatie-laag verschilt. Wat we vaak zien: het dashboard-werk in Power BI is prima, maar de data eronder is een wirwar van Excel-exports en handmatige stappen. Daar zit de winst, niet in de visualisatie. We pakken dan de pipeline aan en houden Power BI als presentatie-laag. Hetzelfde geldt voor Tableau, Qlik, of Pyramid.

Ja, en dat is vaak waar de meeste waarde zit. Als je data al schoon staat in een warehouse, dan kunnen we daar bovenop bouwen: anomalie-detectie (welke transacties wijken af van het patroon), klantsegmentatie op gedrag (clustering met machine learning), voorspellingen (cashflow, voorraad, klantverloop), sentiment-analyse op reviews of supporttickets, en natural-language interfaces ("vraag aan je data hoeveel orders we vorige maand hadden uit Brabant"). We sluiten aan op je bestaande tabellen, voegen geen nieuwe systemen toe als het niet hoeft, en leveren de output terug in dashboards die je al kent of in geautomatiseerde rapportages naar e-mail of Slack.

Drie checks die we standaard inbouwen. Een: elk getal in een dashboard heeft een definitie en een herleidbare query. Je kunt altijd doorklikken naar de onderliggende rijen om te kijken of het klopt. Twee: dbt heeft tests (uniqueness, niet-null, referentiele integriteit, business-rules) die op elke run draaien. Als de data afwijkt krijgen we een alert voor jij het in het dashboard ziet. Drie: voor AI-analyses (voorspellingen, segmentaties) doen we een back-test op historische data en laten zien hoe goed de output overeenkomt met wat er werkelijk gebeurde. Geen blind vertrouwen op een model. Als de back-test slecht is, dan zeggen we dat ook. Een goed dashboard zegt wat je niet wist, maar het moet wel kloppen.