Ik heb jarenlang dashboards gebouwd en de data erachter voorbereid. Daarbij zag ik steeds dezelfde paradox: organisaties investeren fors in datasets, definities en dashboards, terwijl het werkelijke gebruik ervan beperkt blijft.
Een deel van het probleem zit in de menselijke kant. Een filiaalmanager die wil begrijpen waarom de resultaten achterblijven, moet het dashboard kennen en vertrouwen, weten hoe het werkt en een hele reeks grafieken in samenhang kunnen interpreteren.
Conversational analytics wijst naar een andere toekomst: je stelt je vraag gewoon, en de technologie bepaalt welke data en analyse daarvoor nodig zijn.
De technologie begint dat serieus goed te kunnen. Maar Microsoft, Databricks en andere leveranciers laten ook zien dat een taalmodel alleen niet genoeg is. Tussen de vraag van de gebruiker en de data zit een beheerde laag met de betekenis van de gegevens nodig.
Die laag is om een eenvoudige reden belangrijk. Het systeem kan taal niet zomaar omzetten in een query. Het moet begrijpen wat de organisatie bedoelt met omzet, marge, actieve klant, filiaalprestatie of budgetafwijking, welke bron leidend is, welke toegangsrechten gelden en welke logica al is gevalideerd. De toekomst van conversational analytics hangt daarom niet alleen af van betere modellen, maar ook van een betere semantische basis.
Hoe leveranciers dit probleem oplossen
Microsoft bouwt voort op het semantische model in Power BI en Fabric. De richtlijnen voor Fabric data agents benadrukken goed gestructureerde semantische modellen, beschrijvingen die geschikt zijn voor AI, betrouwbare rekenregels en heldere zakelijke context. Daarachter zit een breder ontwerpprincipe: een agent moet cruciale betekenis niet zelf uit ruwe tabellen afleiden.
Databricks kiest met Genie vanuit het dataplatform een vergelijkbare aanpak. Een Genie Agent krijgt niet zomaar toegang tot tabellen. Hij wordt ingericht met instructies, zorgvuldig geselecteerde data en testvragen, zodat teams kunnen nagaan of het systeem steeds de verwachte antwoorden geeft. De details verschillen, de logica is vergelijkbaar.
De architecturen verschillen, maar het onderliggende probleem is hetzelfde.
Het systeem moet niet alleen taal begrijpen. Het moet ook weten welke omzetdefinitie geldt, voor welk filiaal de gebruiker verantwoordelijk is, welke periode relevant is, welke databron leidend is en welke toegangsrechten gelden.
Generatieve AI neemt dat werk niet weg. Goede definities, metrics, metadata, bedrijfslogica en datakwaliteit worden juist voorwaarden voor een betrouwbaar gesprek met je data. Steeds vaker betekent dit ook een beheerde semantische laag die definities, toegangsbeleid en herkomst consequent doorgeeft aan dashboards, SQL, applicaties en AI-agents.
Wat kan het nog niet betrouwbaar?
De technologie is nog geen feilloze digitale data-analist.
Dubbelzinnige begrippen blijven lastig. Complexe bedrijfslogica kan tot onjuiste uitkomsten leiden. Problemen met datakwaliteit verdwijnen niet. Microsoft waarschuwt zelf dat slecht voorbereide semantische modellen de kwaliteit van antwoorden verlagen, en praktische richtlijnen benadrukken steeds weer het belang van een afgebakende scope, evaluatie en stapsgewijs bijstellen.
Er ontstaat ook een nieuw risico. Een AI-assistent kan een onjuist getal heel overtuigend toelichten. Voor managementinformatie worden transparantie, controle en systematisch testen daarom belangrijker, niet minder.
Betrouwbare conversational analytics geeft daarom niet alleen een antwoord, maar laat ook zien wat erachter zit: de bron, de gebruikte definitie, de periode, de context van de gebruiker en waar mogelijk de logica of query die tot het resultaat leidde. Kan het systeem die keten niet duidelijk genoeg maken, wees dan voorzichtig met het gebruik ervan voor managementbeslissingen.
Er is ook een diepere analytische beperking. Een vloeiender gesprek maakt een systeem niet automatisch methodologisch volwassen. Een goed conversationeel systeem moet kunnen aangeven waar het bewijs zwak is, waar steekproeven te klein zijn, waar vergelijkingen scheef zijn of waar een verband niet als oorzaak mag worden gelezen. Hoe natuurlijker de interface, hoe belangrijker de analytische discipline achter de schermen.
Over drie jaar: analyse op aanvraag
Mijn werkhypothese is dat conversational analytics veel verder zal gaan dan vragen stellen over bestaande dashboards.
Ook het monitoren zelf kan een gesprek worden.
Een filiaalmanager vraagt onderweg:
“Hoe ontwikkelt mijn omzet zich?”
De agent begrijpt de context van de manager, analyseert actuele data en antwoordt bijvoorbeeld:
“Je omzet ligt deze maand 4% onder budget, maar 6% boven dezelfde periode vorig jaar. Het grootste deel van het verschil met het budget komt uit twee productcategorieën.”
Ter plekke genereert het systeem de visualisaties die dat antwoord het best onderbouwen.
Dat is een fundamentele verandering ten opzichte van traditionele BI. Nu proberen analisten vooraf te voorspellen welke informatie gebruikers nodig hebben, en bouwen ze datasets, rekenregels, dashboards, filters en grafieken rond die verwachte behoeften.
In de toekomst kan de vraag zelf bepalen welke analyse en visualisatie op dat moment worden gegenereerd. Een trendlijn voor de ene vraag; een benchmark, watervaldiagram, tabel of prognose voor de volgende.
De agent kan ook relevante vervolgvragen voorstellen:
“Het verschil zit vooral in twee productcategorieën. Zal ik onderzoeken wat daarachter zit?”
Of:
“Je filiaal groeit langzamer dan vergelijkbare filialen. Zal ik de vergelijking corrigeren voor verschillen in klantmix en filiaalgrootte?”
De manager kan het gesprek gewoon voortzetten:
“Voer die benchmark uit.”
“Welke verschillen vallen op?”
“Welke factoren hangen het sterkst samen met de beter presterende filialen?”
“Welke daarvan kan ik beïnvloeden?”
Achter dat gesprek kan veel meer analytische rekenkracht beschikbaar komen dan normaal in een managementdashboard past. Een agent kan groepen vergelijken, afwijkingen opsporen, grote aantallen variabelen onderzoeken, verbanden vinden, prognoses maken en scenario's doorrekenen.
Ook complexere vragen over oorzaak en gevolg kunnen binnen hetzelfde gesprek worden onderzocht, mits de beschikbare data en de onderzoeksopzet die conclusies dragen. Een volwassen systeem maakt duidelijk waar het bewijs ophoudt, in plaats van een verband als oorzaak te presenteren.
Analytics kan daardoor aan de voorkant eenvoudiger worden en aan de achterkant statistisch veel dieper.
En ieder antwoord kan volledig op maat zijn. Niet hetzelfde dashboard met een ander filiaalfilter, maar een analyse die op dat moment wordt gemaakt op basis van de gebruiker, het filiaal, de klantportefeuille, de historische ontwikkeling, relevante vergelijkingen en de specifieke vraag.
Die toekomst gebruikt ook steeds meer vormen tegelijk. De interactie hoeft niet in een chatvenster te blijven. Dezelfde analytische sessie kan wisselen tussen tekst, spraak, werken met grafieken, meldingen, briefings en acties in workflows, terwijl de context steeds behouden blijft. Zo groeit conversational analytics uit tot een bredere interactielaag in plaats van één type interface.
Van inzicht naar actie
Het gesprek hoeft niet te stoppen bij analyse.
Een manager zou kunnen vragen:
“Waar moet mijn team zich deze week op richten?”
De agent kan signalen, voorspellingen en verwachte waarde combineren tot een geprioriteerde actielijst: klanten met een verhoogd risico, kansen, achterblijvende productgroepen of andere zaken die aandacht vragen.
De gebruiker kan verder vragen:
“Waarom staat deze klant bovenaan?”
“Laat alleen acties zien die mijn team deze week realistisch kan beïnvloeden.”
Monitoren, analyseren, voorspellen, beslissen en uitvoeren beginnen in elkaar over te lopen.
Die samenkomst roept ook een belangrijke ontwerpvraag op: hoe ver mag het systeem gaan? Er is een groot verschil tussen een systeem dat antwoordt, een systeem dat onderzoekt, een systeem dat aanbeveelt en een systeem dat handelt. Naarmate analytics zelfstandiger wordt, zijn voor elk van die niveaus duidelijke grenzen, expliciete bevoegdheden en goede controleerbaarheid nodig. Anders is de stap van nuttige ondersteuning naar ongecontroleerde automatisering te snel gezet.
Analyse raakt minder aan een scherm gebonden
Ik verwacht ook dat spraak een veel belangrijkere interface wordt.
Een manager kan onderweg om een gesproken briefing vragen. Tijdens een overleg kan iemand mondeling om een andere uitsplitsing vragen, waarna direct een nieuwe grafiek verschijnt. Een belangrijke afwijking kan binnenkomen als bericht. Een uitgebreidere analyse kan tijdelijk openen als interactieve visualisatie.
Tekst, spraak, tabellen en grafieken worden verschillende weergaven van dezelfde analytische interactie.
Ook de verspreiding wordt flexibeler. Analytics hoeft niet langer alleen in Power BI, Tableau of een andere BI-omgeving te leven. Het kan gebruikers bereiken via de kanalen waarin ze al werken.
De toekomst die ik zie, is dus niet simpelweg chatten met een dashboard. Het is een persoonlijke analytics-agent die kan monitoren, onderzoeken, visualiseren, vergelijken, voorspellen en mogelijke acties prioriteren — direct en specifiek voor de vraag van dat moment.
Om goed te werken, moet die agent dezelfde regels respecteren als de gebruiker die hij helpt. Bevoegdheden, afbakening, herkomst van data en betrouwbare betekenis moeten met het gesprek meereizen en mogen er niet door worden omzeild. De interface wordt misschien lichter, de governance moet sterker worden.
Hoe begin je vandaag?
Ik zou niet proberen het hele datawarehouse conversationeel te maken.
Begin met één groep gebruikers, bijvoorbeeld filiaalmanagers, en breng systematisch in kaart welke vragen zij werkelijk aan hun data stellen. Gebruik interviews, bestaande dashboards en terugkerende verzoeken aan BI-analisten.
Deel die vragen bijvoorbeeld in:
- Monitoring: Hoe ontwikkelt mijn omzet zich?
- Diagnose: Waarom blijf ik achter?
- Vergelijken: Hoe presteer ik ten opzichte van vergelijkbare filialen?
- Voorspelling: Waar verwachten we deze maand uit te komen?
- Actie: Waar moet mijn team zich deze week op richten?
Zo weet je welke definities, metrics, dimensies, bedrijfsregels en databronnen als eerste betrouwbaar moeten zijn.
Leg voor belangrijke en veelgestelde vragen gevalideerde logica en antwoorden vast. Diezelfde vragen worden daarna een testset om na te gaan of het systeem goed antwoordt wanneer gebruikers ze anders formuleren.
Werken met zo'n testset wordt een praktische standaard. Databricks raadt nadrukkelijk testsets met bekende, verwachte uitkomsten aan om de prestaties van Genie te beoordelen en zo stap voor stap vertrouwen op te bouwen, in plaats van te varen op de indruk dat de agent “goed aanvoelt”.
Methodisch lijkt dit op het bouwen van een chatbot voor klantenservice. Je probeert niet vanaf dag één iedere denkbare vraag te beantwoorden. Je brengt veelgestelde vragen in kaart, ordent de benodigde kennis, test verschillende formuleringen en breidt de scope geleidelijk uit.
Het verschil is dat conversational analytics niet simpelweg bestaande antwoorden ophaalt. Iedere nieuwe vraag kan een nieuwe berekening, analyse en visualisatie in gang zetten.
Daarom mag de implementatie niet ophouden bij het begrijpen van taal. Teams hebben semantische modellen nodig, betrouwbare definities, vaste evaluatiemomenten, transparantie en heldere afspraken over waar het systeem mag adviseren en waar het mag handelen.
Dat is de echte belofte
Van een wereld waarin we duizenden dashboards vooraf bouwen naar een wereld waarin een groot deel van de analyse direct wordt gemaakt: volledig op maat, statistisch diepgaand en steeds vaker aangestuurd met gewone taal en spraak.
Maar de diepere belofte is nog breder. Het is een verschuiving van analytics als bestemming naar analytics als interactielaag: minder gebonden aan een vast scherm, beter bewust van context, beter in staat om analyses ter plekke te maken en steeds beter in staat om de weg te ondersteunen van monitoren naar verklaren, voorspellen en gericht handelen.
Wil die toekomst betrouwbaar zijn, dan moeten de fundamenten gelijk op verbeteren. Conversational analytics wordt pas op grote schaal echt waardevol wanneer semantische basis, gevalideerde bedrijfslogica, transparantie, governance en statistische discipline net zo snel volwassen worden als de interface.