Een datamodel dat klopt voor mensen klopt ook voor AI

Agentic analytics, Copilot op je data, text to SQL. De beloften zijn groot, de praktijk is wisselvallig. Gartner deelde tijdens de Data en Analytics Summit in 2026 een voorspelling die het verschil tussen winnaars en verliezers scherp neerzet: organisaties die in 2027 prioriteit geven aan semantiek in hun data, verhogen de accuratesse van hun agentic AI tot 80% en verlagen de kosten tot 60%. Tegelijkertijd voorspelt Gartner dat in 2028 zes op de tien agentic analytics projecten zonder consistente semantische laag mislukken.

Het patroon eronder is bekend. Forrester rapporteerde in 2024 dat 61% van enterprises vier of meer BI platformen in gebruik heeft, met als gevolg dat dezelfde metric in verschillende tools verschillende getallen oplevert. Voor mensen is dat al verwarrend. Voor een AI agent, die geen intuïtie heeft voor wat met "omzet" of "actieve klant" wordt bedoeld, is het funest. De agent kiest een definitie, bouwt er overtuigende taal omheen, en levert een antwoord af dat klinkt als waarheid en het niet is.

AI agents praten namelijk niet met dashboards. Ze praten met je datamodel. Klopt de business logica in dat model, dan klopt het antwoord. Klopt het niet, dan krijg je overtuigende onzin. Wie nu zijn modelleer laag goed neerzet, lost twee dingen tegelijk op: de adoptie van data binnen de business, en het klaar zijn voor AI op grote schaal.

‍

Wat we bouwen

Onze modelleer 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 semantische laag als bron van waarheid

De semantische laag is de plek waar business definities centraal staan. Dimensies, measures en metrics, één keer vastgelegd, niet in elk dashboard opnieuw bedacht. Een MT lid vraagt naar marge per regio, en zowel het Power BI dashboard als de AI agent halen exact dezelfde definitie en logica op.

Wij bouwen die laag waar hij hoort, dicht bij het warehouse. Soms via dbt en MetricFlow, soms via Cube of AtScale, soms native in Snowflake of Databricks. De keuze volgt jullie stack en jullie volwassenheid. Belangrijker dan de tool is de discipline: één definitie, versiebeheer, lineage, en dezelfde laag die zowel dashboards als agentic analytics voedt. Hoe die laag uiteindelijk zichtbaar wordt voor de business lees je op onze pagina over dashboards en rapportages.

Eén definitie van omzet, marge en klant

Een datamodel staat of valt bij de business definities die erin landen. Wat is omzet? Wat is een klant? Wanneer is een klant actief? Die afspraak ontstaat niet in de techniek, maar in de business analyse aan de voorkant. Hoe wij die vraag scherp krijgen lees je op: Business analyse.

Vervolgens beleggen wij die definitie in de semantische laag, met één eigenaar per domein. Finance is eigenaar van omzet en marge, sales van klantsegmenten, operatie van levertijden. Versiebeheer en lineage zorgen dat veranderingen traceerbaar zijn. Zo voorkom je dat iedereen weer een eigen versie maakt zodra de definitie ook maar een fractie schuift.

Dimensioneel modelleren, data vault, one big table: wanneer wat

Er is een hype rond denormalisatie en one big table omdat moderne cloud warehouses het aankunnen. Dimensioneel modelleren zou dood zijn. De praktijk laat iets anders zien. Dimensioneel modelleren is de standaard manier waarop Power BI en Tableau optimaal werken, en het is daarmee de meest gebruikte modelleer aanpak in BI wereldwijd.

In ons werk kiezen we op basis van de vraag, niet op basis van hype:

- Sterschema (Kimball) als default voor BI en analyse. Heldere afspraak tussen business en techniek, conformed dimensions over feiten heen, snel begrijpelijk voor analisten en business gebruikers.

- Data vault waar historisering, audit en compliance zwaar wegen. Vaak in financiële dienstverlening en in omgevingen met strenge governance eisen.

- One big table of activity schema voor specifieke event analytics use cases, waar denormalisatie performance levert die je in een sterschema niet haalt.

Combinaties komen vaker voor dan zuivere keuzes. Een data vault als historische laag, met een sterschema als delivery laag erbovenop, is in serieuze omgevingen eerder regel dan uitzondering. De modelleer laag staat los van het opslag formaat eronder.

Klantmodel: hoe ziet het er per sector uit

Een klantbegrip komt vrijwel nooit uit één bronsysteem. Het ontstaat uit de combinatie van bronnen, en het modelleer werk bepaalt hoe scherp dat begrip is.

In e commerce zien we een klantmodel waarin identity resolution centraal staat: dezelfde persoon op web, app, e-mail- en marketing platforms koppelen tot één klant ID. Daaromheen attributen die de business sturen: lifetime value, RFM segment, retentie status, marketing attributie per kanaal. Zonder dit model rekent elk team met een eigen klantdefinitie en lopen marketing budgetten weg op kortingsjagers in plaats van waardevolle klanten.

In financiële dienstverlening ziet hetzelfde klantmodel er anders uit. Identity resolution blijft belangrijk, maar daarbovenop landen risico classificatie, KYC status, productportefeuille, retentie indicatoren en compliance markers. De definitie van actieve klant verschuift met regelgeving (AI Act, DORA, GDPR), wat versiebeheer in het model strikt noodzakelijk maakt.

Retail en zakelijke dienstverlening kennen hun eigen modelleer dilemma's. Retail moet één klant maken over winkel, webshop en loyalty programma heen. Zakelijke dienstverleners hebben klanten met meerdere projecten, contactmomenten en facturatie ritmes. In alle gevallen geldt dezelfde regel: één begrip van klant in het model, of vijf versies in vijf dashboards.

Voor wie werken wij

Onze gesprekspartners zijn ondernemers, CEO's, CFO's, CTO's en MT leden bij bedrijven met 100 tot 2.500 medewerkers. Per sector verschilt de modelleer vraag, maar de discipline is overal hetzelfde:

- E commerce die één klantbegrip wil over web, app, e mail en marketing platforms

- Retail die één productmodel wil over winkels, webshop en supply chain

- Zakelijke dienstverlening die één projectmodel wil met uren, marge en bezetting samen

- Financiële dienstverlening die één klantmodel wil met portefeuille, risico en compliance metrics in één samenhangend geheel

‍

Wat onderscheidt ons

Business, organisatie en techniek samen op nr. 1

Een datamodel dat technisch elegant is maar geen business vraag beantwoordt, mislukt. Een model dat de juiste vraag beantwoordt maar geen eigenaar heeft, ook. Wij modelleren samen met business en data team, en beleggen eigenaarschap per domein. Onze mensen schakelen tussen MT kamer en data team zonder dat er een vertaler tussen hoeft.

Data modelleer experts met een AI hart

De semantische laag die wij vandaag bouwen, voedt morgen jouw AI agents. Klopt je datamodel, dan klopt je AI. Geen dubbel werk, wel een veel grotere voorsprong op organisaties die hun modelleer laag pas gaan opzetten als de eerste agentic analytics pilot op zijn bek is gegaan.

Kennisoverdracht in ons DNA

Een datamodel dat alleen wij begrijpen, is een risico voor jouw bedrijf. Daarom documenteren we, bouwen we met heldere naming conventions, en dragen we eigenaarschap per domein over aan jouw mensen. Hoe sneller jouw organisatie het zelf kan onderhouden en uitbreiden, hoe beter wij ons werk hebben gedaan.

Wanneer is data modelleren waardevol

Niet elke organisatie heeft een modelleer traject nodig. Soms staat het er al en is een gerichte aanscherping genoeg. Maar in deze situaties zien we dat een serieus data modelleer traject wel het verschil maakt:

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

- Dashboards spreken elkaar tegen en niemand weet meer welk cijfer klopt

- Een agentic analytics of Copilot pilot levert antwoorden die overtuigend klinken en feitelijk niet kloppen

- Een nieuwe BI tool is uitgerold, maar het modelleer werk eronder is overgeslagen

- Een ERP migratie of fusie staat voor de deur en het klantbegrip moet opnieuw worden vastgesteld

- Het data team bouwt query logica in elk dashboard opnieuw in plaats van centraal

‍

Komt dit 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, kijken samen naar jullie huidige modelleer laag, en laten zien waar data modelleren het meeste verschil kan maken voor de business én de AI ambities.

We geven antwoord op de vraag of je op dit moment hulp nodig hebt bij data modelleren, en geven je minimaal drie aanknopingspunten:

1. Waar de grootste definitie verschillen zitten tussen afdelingen

2. Welk modelleer patroon het meeste rendement oplevert voor jullie business

3. Wat een realistische volgorde is om jullie semantische laag op te bouwen

‍

Of we nu samen doorgaan of niet, je gaat met deze aanknopingspunten naar huis.

Plan een: Data Impact Sessie