Sodin Mail

Praktische gidsen voor zakelijke digitalisering en bedrijfsefficiëntie.

Een datastrategie in drie pijlers: zo werkt AI echt

·

Veel organisaties investeren in AI-tools, maar merken dat de resultaten tegenvallen. De oorzaak ligt zelden in de technologie zelf. Bijna altijd is het de onderliggende data die niet klopt, niet beschikbaar is of niet betrouwbaar genoeg is. Hoe pak je dat fundamenteel aan?

Waarom AI zonder goede data niet werkt

AI-modellen zijn zo goed als de data waarop ze draaien. Dat klinkt logisch, maar in de praktijk onderschatten veel organisaties hoe groot de impact van slechte datakwaliteit is. Een taalmodel dat verkeerde of verouderde informatie krijgt, geeft verkeerde antwoorden. Een voorspellingsmodel dat traint op onvolledige historische data, produceert onbetrouwbare uitkomsten.

In accountancy-omgevingen zie je dit concreet terug. Financiële data komt uit meerdere systemen: een ERP, een boekhoudpakket, een rapportagetool. Als die systemen niet goed op elkaar aansluiten, of als definities van begrippen als “omzet” of “kostenplaats” per systeem verschillen, dan werkt elke AI-toepassing bovenop die data verkeerd. Je gooit dan eigenlijk geld weg.

In het onderwijs speelt een vergelijkbaar probleem. Leerlingdata, roosterinformatie en financiële administratie leven vaak in aparte silo’s. Dat maakt het onmogelijk om betrouwbare inzichten te genereren, ook al heb je de nieuwste Microsoft Copilot-licentie in huis.

Pijler één: begin met heldere doelen

De eerste pijler van een goede datastrategie is het formuleren van concrete doelen. Niet “we willen meer doen met data”, maar: welk besluit wil je beter kunnen nemen? Welk proces wil je automatiseren? Welke vraag kun je nu niet beantwoorden, maar zou je moeten kunnen beantwoorden?

Goede doelen zijn specifiek en gekoppeld aan een bedrijfsproces. In een accountantskantoor kan dat zijn: “We willen per klant automatisch signaleren wanneer de btw-aangifte afwijkt van het patroon van de afgelopen twaalf maanden.” In een onderwijsinstelling: “We willen per vestiging inzicht in de verhouding tussen formatie en leerlingaantallen, bijgewerkt per week.”

Als je de doelen helder hebt, kun je terugwerken naar de data die je daarvoor nodig hebt. Dat voorkomt dat je begint met het verzamelen van alles, wat leidt tot onbeheerbare datavolumes en hoge opslagkosten. Doelgericht werken is ook de basis voor een zinvolle datastrategie die verder gaat dan een lijst met technische wensen.

Pijler twee: data-architectuur als fundament

De tweede pijler is data-architectuur: hoe sla je data op, hoe stroomt het door je organisatie, en hoe zorg je dat het beschikbaar is voor de tools die je wilt gebruiken? Binnen het Microsoft-ecosysteem zijn hier duidelijke keuzes te maken.

Microsoft Fabric is het centrale platform voor moderne dataverwerking. Het combineert dataopslag, dataverwerking en analyse in één omgeving, gekoppeld aan Azure. Voor organisaties die al werken met Microsoft 365 en Azure Active Directory is dit een logische stap. Je beheert alles vanuit één tenant, met één beveiligingsmodel.

De architectuur bestaat in de praktijk uit drie lagen. De eerste laag is de ruwe data-opslag, ook wel de lakehouse-laag genoemd. Hier komen data binnen vanuit bronsystemen, onbewerkt. De tweede laag is de transformatielaag, waar data wordt opgeschoond, gecombineerd en gestandaardiseerd. De derde laag is de semantische laag, die klaarstaat voor rapportage en AI-toepassingen via Power BI of Copilot.

Een veelgemaakte fout is het overslaan van de transformatielaag. Organisaties koppelen bronsystemen direct aan een rapportagetool, wat op korte termijn werkt maar op langere termijn zorgt voor inconsistentie. Als een bronsysteem verandert, breekt alles. Een goed ontworpen architectuur absorbeert die wijzigingen zonder dat eindgebruikers er last van hebben.

Pijler drie: organisatie en governance

De derde pijler is de moeilijkste: governance en organisatie. Technologie kun je kopen, maar een dataculture bouw je. Governance gaat over wie verantwoordelijk is voor welke data, wie toegang heeft, hoe kwaliteit wordt bewaakt en hoe je omgaat met privacywetgeving.

In de praktijk betekent dit dat je een aantal rollen duidelijk moet beleggen. Een data owner is verantwoordelijk voor de inhoudelijke kwaliteit van een dataset. Dat is geen IT-functie, maar een business-functie. In een accountantskantoor is de data owner van klantdata waarschijnlijk de manager klantenrelaties, niet de systeembeheerder.

Naast de data owner heb je een data steward nodig: iemand die operationeel de kwaliteit bewaakt, afwijkingen signaleert en correcties doorvoert. En je hebt een centraal aanspreekpunt nodig voor architectuurvragen, vaak een data-engineer of een kleine datateam.

Governance gaat ook over toegangsbeheer. In Microsoft Fabric en Azure kun je werken met rolgebaseerde toegangscontrole (RBAC). Dat betekent dat je per dataset of per werkruimte instelt wie wat mag zien. Voor onderwijsinstellingen is dit extra relevant omdat leerlingdata gevoelig is en valt onder de AVG. Je hoeft de wetgeving niet tot in detail te kennen, maar je moet wel weten dat toegangsbeheer een technische én organisatorische maatregel is, geen bijzaak.

Wat dit betekent voor jouw Microsoft-omgeving

Als je al werkt met Microsoft 365, Azure en Power BI, heb je de bouwstenen al in huis. De vraag is of ze goed op elkaar zijn aangesloten. Een veelvoorkomende situatie is dat Power BI-rapporten draaien op Excel-bestanden die iemand handmatig bijhoudt. Dat is kwetsbaar en schaalt niet.

Een stap verder is het inrichten van dataflows in Power BI of het gebruik van Azure Data Factory voor geautomatiseerde data-integratie. Hiermee haal je data automatisch op uit bronsystemen, verwerk je het en laad je het in een centrale opslag. Dat hoeft niet in één keer perfect te zijn. Begin met één bronsysteem, één doel en één rapportage. Bewijs de waarde, en bouw dan verder.

Microsoft Copilot voor Microsoft 365 werkt het beste als data gestructureerd en vindbaar is. Copilot kan vragen beantwoorden over documenten in SharePoint, e-mails in Outlook en data in Excel, maar alleen als die data actueel en toegankelijk is. Als je wil dat Copilot zinvolle antwoorden geeft over financiële prestaties, moet die data beschikbaar zijn in een gestructureerde vorm, niet verspreid over tientallen losse bestanden.

Veelgemaakte fouten bij het opstellen van een datastrategie

Niet elke datastrategie slaagt. Er zijn een aantal patronen die je bij veel organisaties terugziet als het misgaat.

  • Te veel tegelijk willen: een datastrategie die alles in één keer wil oplossen, wordt nooit afgerond. Begin met één use case en maak die af.
  • Technologie als startpunt: de keuze voor een platform (Azure, Fabric, Databricks) moet volgen uit de doelen, niet andersom.
  • Geen eigenaarschap: als niemand verantwoordelijk is voor de kwaliteit van data, daalt die kwaliteit vanzelf. Governance is geen papieren oefening.
  • Datakwaliteit negeren: slechte data corrigeer je niet door er meer technologie op te zetten. Eerst opschonen, dan automatiseren.
  • Privacy als afterthought: AVG-compliance is geen juridisch probleem, het is een architectuurprobleem. Bouw het in vanaf het begin.
  • Geen verbinding met de business: een datastrategie die alleen door IT wordt gedragen, overleeft de eerste reorganisatie niet. Zorg dat directie en business-eigenaren betrokken zijn.

Veelgestelde vragen over een datastrategie

Hoe lang duurt het om een datastrategie op te stellen?

Een eerste versie van een datastrategie kun je in vier tot zes weken opstellen, als je de juiste mensen aan tafel hebt. Dat betekent: één of twee sessies met directie om doelen te formuleren, een technische sessie om de huidige architectuur in kaart te brengen, en een sessie over governance en rollen. Het resultaat is geen dik document, maar een heldere keuze voor drie tot vijf use cases, een architectuurrichting en een governance-model. De uitvoering duurt langer, maar een strategie hoeft niet perfect te zijn voor je begint.

Wat is het verschil tussen een dataplatform en een datastrategie?

Een dataplatform is technologie: de combinatie van tools, opslaglagen en koppelingen waarmee je data beheert en beschikbaar stelt. Een datastrategie is het plan dat bepaalt waarom je dat platform bouwt, wat je ermee wilt bereiken en hoe je de organisatie inricht om het te laten werken. Veel organisaties bouwen een platform zonder strategie. Dat leidt tot een technische oplossing die niemand gebruikt, of die niet aansluit op de vragen die er in de praktijk toe doen.

Is Microsoft Fabric geschikt voor kleine organisaties?

Microsoft Fabric is ontworpen als enterprise-platform, maar de licentiestructuur is ook toegankelijk voor kleinere organisaties die al Microsoft 365 gebruiken. Voor een accountantskantoor met twintig medewerkers of een kleine onderwijsinstelling is Fabric waarschijnlijk te zwaar als startpunt. In dat geval is een combinatie van Power BI, Azure SQL Database en Power Automate een realistischere eerste stap. Je bouwt dan een lichtere architectuur die later uitgebreid kan worden richting Fabric, als de datavolumes en de complexiteit dat rechtvaardigen.

Meer om te lezen