Kennis
AI begint bij goede data
Iedereen wil AI. Wij volgen de ontwikkelingen op de voet en zien er veel in. Maar voordat we beginnen, stellen we een vraag die vaak even stil maakt: wat wilt u precies doen, en met welke data?
We hebben dit eerder gezien
Tien, vijftien jaar geleden moest iedereen iets met big data. Streaming, grote volumes, real-time dashboards. Als we doorvroegen, bleek de basis vaak niet op orde: rapportages in Excel, geen datawarehouse, geen stabiele datastroom. Met AI gebeurt nu hetzelfde. De wens is groot, maar de data eronder is er nog niet klaar voor.
Dat is geen reden om AI af te wijzen. Het is een reden om kritisch te kijken naar wat erachter zit. Wilt u de vraag naar uw producten voorspellen? Klanten indelen in groepen? Afwijkingen in uw cijfers automatisch signaleren? Dat zijn heel verschillende vragen, en ze vragen allemaal om dezelfde basis: betrouwbare, gestructureerde data.
“Met een slecht rapport krijg je verkeerde cijfers. Vervelend, maar iemand valt er wel over. Met AI op rommelige data krijg je volledig geautomatiseerd een heleboel verkeerde beslissingen.”
Waar staat u op de ladder?
Als een organisatie AI wil, kijken we eerst samen naar het BI-volwassenheidsmodel. Vaak blijkt dat de organisatie op niveau 2 staat: de data zit nog grotendeels in Excel en losse systemen, en definities verschillen per afdeling. Dan is AI op uw bedrijfsdata nog een stap te ver. Vanaf niveau 4 is een organisatie AI-ready: dan kunnen vragen stellen aan uw data en voorspellen echt werken. AI voor uw eigen werk kan al eerder, zie de vier vormen van AI hieronder.
- Ongeorganiseerd
- Operationele rapportenHier staan veel organisaties
- Management dashboards
- Self-service analyseAI-ready
- Gegevensgestuurde voorspellingen
- Gegevensgestuurde acties
Wat AI nodig heeft
- Een stabiele datastroom. Gegevens komen automatisch en volledig binnen, niet via exports die iemand handmatig maakt.
- Data die klopt. Geen dubbele klanten, geen vervallen artikelen, en dezelfde klant met dezelfde naam in uw CRM en uw facturatie.
- Een datamodel met heldere definities. Wat is omzet, wat is een actieve klant, welke kolom betekent wat? Die afspraken, de metadata, zijn precies wat een AI-toepassing nodig heeft om de juiste data te gebruiken.
- Historie. Voorspellen kan alleen als u weet wat er eerder gebeurde. Een datawarehouse bewaart die geschiedenis.
Hoe wij helpen
We helpen organisaties stap voor stap omhoog op de ladder. Met het Smart Data Platform komen uw bronnen samen in een datawarehouse in uw eigen Azure-omgeving. Daarop bouwen we een datamodel met vaste definities, waar uw mensen zelf mee kunnen werken. Dat is direct waardevol voor uw rapportages, en het is tegelijk het fundament waarop AI kan bouwen.
Staat die basis, dan wordt AI echt interessant. Denk aan een model dat vraag en voorraad zo goed voorspelt dat het zelf inkooporders voorstelt. Dat is niet ver weg meer, maar dat vertrouwen krijgt u alleen als de data eronder klopt.
We gebruiken het zelf
AI is voor ons geen theorie. We gebruiken het dagelijks in ons eigen werk: bij het schrijven en controleren van code en scripts, en bij documentatie. Daardoor weten we wat het goed kan, en waar het misgaat. Een formule die overtuigend klinkt maar iets anders berekent. Een antwoord dat klopt, maar op een andere vraag. Daarom kijkt er bij ons altijd een mens mee voordat iets wordt gebruikt. En daarom beginnen we bij klanten bij de data.
Meer over dit onderwerp: het artikel Iedereen wil AI, maar de data staat nog in Excel en het interview met Edgar op activium.nl.
Vier vormen van AI, en wat elke vorm vraagt
"AI" kan van alles betekenen. Een medewerker die met Copilot een mail opstelt, doet iets heel anders dan een systeem dat zelf inkooporders voorstelt. Elke vorm vraagt iets anders van uw data en uw organisatie, en heeft zijn eigen valkuilen.
Kan op elk niveau
1. AI voor uw eigen werk
Copilot, ChatGPT of Claude als assistent: een mail opstellen, een ingewikkelde Excel-formule bouwen, een presentatie opzetten, een document samenvatten. Snel winst, weinig voorbereiding.
Waar het lastig wordt
- Welke gegevens mogen erin? Klantdata of cijfers in een gratis consumententool plakken is een AVG- en vertrouwelijkheidsrisico. Zakelijke licenties en duidelijke afspraken voorkomen dat.
- Controleren blijft nodig. Een taalmodel klinkt altijd overtuigend, ook als een formule of samenvatting niet klopt.
- Ieder voor zich. Zonder afspraken weet niemand wat er al gebeurt, en blijft goede kennis bij één persoon.
Vraagt schone brondata, vanaf niveau 3
2. AI in uw processen of ERP
AI die meedenkt in het systeem zelf. Bijvoorbeeld: als een factuur deze leverancier en deze omschrijving heeft, stelt het systeem de grootboekrekening voor. Of het vult een veld in op basis van eerdere vergelijkbare gevallen.
Waar het lastig wordt
- Het leert van uw historie. Is er in het verleden slordig geboekt, dan leert het systeem die slordigheid na.
- Uitzonderingen en controle. Wie kijkt mee, en wat gebeurt er als het voorstel fout is? In het begin hoort er altijd een mens tussen.
- Tijd en moeite. Koppelen aan het ERP, testen, inregelen per proces: dit is een project, geen knop die u aanzet.
Vraagt een goed datamodel, niveau 4
3. Vragen stellen aan uw data
In gewone taal vragen stellen aan uw datamodel, bijvoorbeeld met Copilot in Power BI: "Welke klanten kochten dit kwartaal minder dan vorig jaar?" Het taalmodel zoekt zelf de juiste tabellen, kolommen en berekeningen.
Waar het lastig wordt
- Vastleggen is stap één. Wanneer is iets omzet? Dat legt u vast in één meetwaarde in Power BI, zodat iedereen dezelfde berekening gebruikt.
- Beschrijven is stap twee. Een taalmodel ziet alleen namen. Pas als in de metadata bij elke meetwaarde en kolom staat wat die betekent, met synoniemen ("verkoop", "opbrengst"), kiest het de juiste. Anders gokt het. Dat is werk, maar het kan in één keer voor het hele model, met scripts in Tabular Editor.
- Begrijpelijke namen en een opgeruimd model. Cryptische kolomnamen uit het bronsysteem en hulpkolommen die zichtbaar blijven, verwarren een taalmodel net zo goed als een mens.
- Rechten gelden ook hier. Wie bepaalde cijfers niet mag zien, mag ze ook niet via een AI-vraag krijgen. Beveiliging per rij in het model regelt dat.
Niveau 5 en 6 van het model
4. Voorspellen en automatisch handelen
Op basis van historische data inschatten wat er gaat gebeuren: omzet, voorraad, cashflow. En als dat betrouwbaar blijkt, systemen er zelf op laten handelen, zoals een voorstel voor inkooporders. Voorspellen met statistiek en machine learning bestaat overigens al decennia, lang voor de huidige AI-hype.
Waar het lastig wordt
- Historie, en stabiele definities. U heeft meerdere jaren data nodig, waarin "omzet" elk jaar op dezelfde manier is berekend.
- Uitzonderlijke jaren. Een coronajaar of een grote eenmalige order vertekent elk model als niemand er rekening mee houdt.
- Vertrouwen bouwt u stap voor stap op. Eerst voorspellen en vergelijken met de werkelijkheid, dan voorstellen doen, en pas daarna automatisch laten handelen.
- Onderhoud. Een voorspelmodel veroudert als uw markt of assortiment verandert. Het moet bewaakt en bijgesteld worden.
Benieuwd voor welke vormen uw organisatie nu klaar is? De AI-ready check geeft het per vorm aan, naast uw niveau op het BI-volwassenheidsmodel. Heeft u al een concreet idee? Met de AI-ijsberg ziet u in twee minuten wat het van uw data vraagt.
Hoe dicht bent u bij AI-ready?
De AI-ready check laat in 5 minuten zien op welk niveau u staat, en voor welke van de vier vormen van AI uw data nu klaar is.