Waarom je data en AI producten niet renderen zonder business analyse

MIT Sloan Management Review en BCG rapporteerden in 2024 dat slechts 10% van bedrijven significant financieel voordeel haalt uit hun AI investeringen. Een BCG vervolgonderzoek in 2025 bevestigde het beeld: 60% van organisaties zegt dat AI investeringen tot dusver weinig of geen materiële waarde hebben geleverd. Voor BI en analytics zien we sinds jaar en dag hetzelfde patroon.

Het probleem zit niet in de tool. Tools zijn al jaren goed genoeg. Het zit in wat MIT Sloan de "last mile" noemt: het model werkt, het dashboard staat, de AI agent draait, maar het wordt niet gebruikt in dagelijkse besluiten en workflows. Een commercieel manager vraagt naar de marge per kanaal. Een analist of een AI engineer hoort de vraag, vertaalt hem naar wat hij denkt dat bedoeld wordt, bouwt iets, levert het op. De commercieel manager kijkt ernaar en herkent zijn vraag niet meer. Volgende week stuurt hij toch op onderbuik.

In een MIT Sloan artikel uit 2024 verwoordde Airbus het zo: "we don't invest in AI, we invest in a business problem." Die volgorde is precies waar het bij de meeste organisaties misgaat. Eerst de tool, dan op zoek naar een toepassing. Eerst het AI experiment, dan op zoek naar een gebruiker. Business analyse keert die volgorde om. We beginnen bij de business vraag en bouwen pas dan terug naar het data of AI product dat hem beantwoordt.

‍

Wat doen we met onze business analyse aanpak

Onze business analyse aanpak bestaat uit vier samenhangende onderdelen. Soms doen we ze allemaal, soms één. We werken vanaf dag één met jouw mensen en dragen kennis over, zodat jullie het straks zelf kunnen.

De businessvraag scherp krijgen

Wat wil je echt weten? Wat is het besluit dat eraan vastzit? En, minstens zo belangrijk, wat valt buiten scope?

Een vraag als "ik wil meer inzicht in onze klanten" levert nooit een bruikbaar dashboard of een nuttige AI agent op. Die vraag valt uiteen in tientallen mogelijke richtingen. Wij schuiven aan bij de business, vragen door, en formuleren de vraag zo dat het besluit eronder zichtbaar wordt. Pas dan kan je bepalen welke techniek hierbij het beste ingezet kan worden.

Vertalen naar een datavraag

Welke bronnen kun je gebruiken om de vraag te beantwoorden? Welke definities gelden? Op welk niveau van granulariteit moet je het antwoord ophalen? Welke aannames moet je expliciet maken voordat de cijfers de business in gaan?

Hier pakken onze business analyse experts de regie. We vertalen de vraag van de business naar een specificatie waar het data team of het AI team mee verder kan zonder dat er nog een interpretatieronde overheen hoeft.

Eigenaarschap beleggen

Een data of AI product zonder eigenaar zweeft. Niemand voelt zich verantwoordelijk als de cijfers afwijken, niemand pakt aan als een definitie verandert, niemand is gesprekspartner als de business iets anders gaat vragen.

Wij beleggen eigenaarschap per domein bij een vraageigenaar die de business kent. We bouwen een feedback ritueel in dat onderdeel wordt van het werk. Voor de bredere cultuurkant rond datagedreven besluitvorming verwijzen we naar: Datagedreven werken

De brug naar het datamodel en het product

De vraag die we hebben scherpgekregen, landt vervolgens in een datamodel en wordt zichtbaar in een dashboard, rapportage of AI toepassing. Wij zorgen dat die overdracht klopt. Dat de definities die we met de business hebben afgesproken één op één terugkomen in de semantische laag, en dat het uiteindelijke product de vraag beantwoordt zoals die was gesteld.

Lees op: Data modelleren hoe wij datamodellen bouwen die de business begrijpt, en op: dashboards & rapportages hoe wij dashboards bouwen waar het management daadwerkelijk op stuurt.

‍

De rol van de business analist

Een business analist is bij ons geen ticket verwerker. Het is de schakel tussen de business, de gebruikers en het data of AI team. Iemand die in de directiekamer een vraag kan ophalen, in een werkoverleg met operatie of finance kan doorvragen, en vervolgens in een sprintplanning met de data engineers of AI engineers kan vertellen wat er gebouwd moet worden.

In internationale literatuur wordt deze rol vaak analytics translator genoemd. Diverse onderzoekers wijzen erop dat organisaties die deze rol serieus invullen aanzienlijk meer rendement halen uit hun data en AI investeringen dan organisaties die hem overslaan of impliciet bij een data scientist of een dashboard ontwikkelaar leggen.

Wij leveren business analisten die deze rol invullen zolang dat nodig is. Maar onze rol is uiteindelijk om jouw eigen mensen op te leiden tot deze schakel, niet om hem zelf te blijven invullen. Dat past bij hoe wij überhaupt werken: jouw organisatie zelfstandig maken, niet afhankelijk.

‍

Vier sectoren, vier soorten vragen

Onze gesprekspartners zijn ondernemers, CEO's, CFO's, CTO's en MT leden bij bedrijven met 100 tot 2.500 medewerkers. Groot genoeg om business analyse echt te benutten, klein genoeg om beslissingen niet maandenlang te laten zweven.

Wat we zien is dat elke sector zijn eigen typische vragen heeft. Vragen die wij regelmatig terug zien komen:

- E commerce: welke marketingkanalen leveren klanten op met de hoogste lifetime value, en welke trekken alleen kortingsjagers? Welke producten dragen de marge, en welke alleen het volume?

- Retail: hoe ontwikkelt de omzet per vierkante meter zich per winkel en categorie? Welke productgroepen halen de sell through die we hadden begroot, en welke blijven structureel achter?

- Zakelijke dienstverlening: hoe zit de declarabiliteit per team en per type opdracht in elkaar? Welke projecten zijn marge dragend, en welke alleen omzet dragend?

- Financiële dienstverlening: welke klantsegmenten dragen het meest bij aan de winst, en welke kosten meer dan ze opleveren? Waar zitten de risico's in de portefeuille die we nu nog niet zien?

‍

In elk van deze sectoren is de vraag onder de vraag belangrijker dan de cijfers eroverheen. Of de uiteindelijke oplossing nou een dashboard, een voorspelmodel of een AI agent wordt, het werk aan de voorkant blijft hetzelfde. Daar zit ons werk.

‍

Wat onderscheidt ons?

Business, organisatie en techniek samen op nr. 1

Een data of AI product dat technisch klopt maar geen business vraag beantwoordt, mislukt. Een product dat een business vraag beantwoordt maar geen eigenaar heeft, mislukt ook. Wij denken in alle drie tegelijk. Onze mensen schakelen tussen MT kamer en data team zonder dat er een vertaler tussen hoeft.

Business analyse expert met een data en AI hart

Wij weten dat de vraag van vandaag morgen aan een AI agent wordt gesteld. Een directielid dat nu naar finance loopt voor de marge per regio, vraagt het straks aan een AI agent die de cijfers uit jullie datamodel ophaalt. Dat werkt alleen als de business logica onder dat datamodel klopt.

Daarom bouwen wij de vertaling van businessvraag naar datavraag zo, dat hij vandaag jullie dashboards voedt en morgen jullie AI agents. Wie zijn business analyse goed neerzet, levert tweemaal waarde. Wie het overslaat, krijgt AI antwoorden die overtuigend klinken en feitelijk onjuist zijn.

Lees meer over: AI Agents

Kennisoverdracht in ons DNA

Een externe business analist die jouw business vraag voor je formuleert is op de korte termijn handig en op de lange termijn een afhankelijkheid. Daarom werken wij vanaf dag één met jouw mensen mee, leiden we ze op tot deze schakel rol, en dragen we het eigenaarschap over. Hoe sneller jouw organisatie het zelf kan, hoe beter wij ons werk hebben gedaan.

Wanneer is business analyse waardevol

Niet altijd, om eerlijk te zijn. Als je vraag scherp is, het datamodel klopt en de producten landen, dan voegt een business analyse traject weinig toe. Maar in deze situaties zien we dat het wel het verschil maakt:

- Het MT initieert data projecten, die na oplevering niet meer worden gebruikt

- Elke afdeling heeft een eigen versie van omzet, marge of klant, en finance schaaft maandelijks bij

- Data en AI producten zweven tussen analisten en business zonder dat één iemand eigenaar wordt

- De business stelt vragen die het data team niet aankan, en het data team levert dingen die de business niet vroeg

- Jullie willen agentic analytics inzetten, maar weten dat de business logica daar nog niet klaar voor is

- AI experimenten leveren technisch correcte antwoorden, maar er wordt niet op gestuurd

‍

Komt iets je bekend voor? Dan loont een gesprek waarschijnlijk de moeite.

‍

Plan een Data Impact Sessie

Een Data Impact Sessie duurt 90 minuten. Geen verkooppraatje, geen powerpoint van tachtig sliders. We schuiven aan, luisteren naar wat er speelt, en laten zien waar het in jullie organisatie misgaat tussen businessvraag en datavraag. We nemen je mee in onze visie op hoe je die vertaalslag verbetert, met concrete voorbeelden uit jullie sector.

We geven antwoord op de vraag of je op dit moment business analyse hulp nodig hebt, en geven je minimaal drie aanknopingspunten:

1. Welke vragen uit het MT op dit moment niet goed bij het data of AI team aankomen

2. Welke data of AI producten het meeste rendement zouden opleveren als je ze opnieuw zou opzetten vanuit de business vraag

3. Wat een realistische volgorde is om jullie business analyse capaciteit op te bouwen

‍

Hoe het gesprek ook eindigt, je gaat met deze aanknopingspunten naar huis.‍

Plan een: Data Impact Sessie