Vragen stellen aan je cijfers, in gewone taal

Een dashboard beantwoordt de vragen die iemand vooraf bedacht heeft. Omzet per maand, marge per productgroep, afwezigheid per afdeling. Dat werkt, tot je een vraag hebt die er niet op staat.

Dan heb je twee keuzes: zelf beginnen filteren tot je het vindt, of iemand vragen een nieuw rapport te bouwen. Allebei te traag voor een vraag die je vandaag hebt.

Vragen stellen in gewone taal lost dat op. Je typt wat je wil weten, en je krijgt een antwoord uit je eigen data.

Hoe ik het zelf gebruik

Ik werk elke dag zo met mijn eigen datamodellen. Ik heb er gereedschap voor gebouwd, zodat ik via AI rechtstreeks met het model werk: vragen stellen, berekeningen nakijken, iets uitzoeken zonder eerst een visual te bouwen.

Het belangrijkste wat dat oplevert, is controle. Een cijfer kan ik op drie plaatsen nakijken. In de bron zelf, het CRM of het ERP, via de API die de gegevens als JSON teruggeeft. In de PostgreSQL-database waar de gegevens na het ophalen staan, met een SQL-query. En in het Power BI-model, via een MCP-koppeling die AI rechtstreeks laat rekenen met de measures die het rapport gebruikt.

Geven die drie hetzelfde getal, dan weet ik dat het ophalen klopt, de verwerking klopt en de berekening in het rapport klopt. Wijken ze af, dan zie ik meteen in welke laag het misloopt. Met de hand is dat een namiddag werk. Via AI zijn het een paar vragen.

Wat me onderweg het meest opviel: het gaat pas goed als het model netjes in elkaar zit. Een vraag over omzet werkt als er één duidelijke berekening voor omzet bestaat. Liggen er drie naast elkaar, dan kiest de AI er een. Niet altijd die van jou.

Wat het goed doet

De snelle vraag. Welke klant bestelde vorige maand niets? Hoeveel kostte transport in het tweede kwartaal? Welk filiaal zakte het sterkst in juli? Vragen die je anders laat liggen omdat ze het werk niet waard lijken.

En de vervolgvraag. Een dashboard toont dat iets gezakt is. In gewone taal vraag je meteen door: waar dan, bij wie, sinds wanneer.

Waar het misloopt

Het antwoord klinkt even zeker als het fout is als wanneer het juist is. Dat is de grootste valkuil.

Een AI die rechtstreeks op je ruwe bronnen zit, moet zelf beslissen wat een actieve klant is, welke facturen meetellen en of een creditnota van de omzet af moet. Het kiest iets verdedigbaars, en je ziet niet dat er gekozen werd.

Daarom werkt dit alleen op een proper datamodel, met vastgelegde definities. Dan zit de keuze in het model en niet in de gok van het taalmodel.

Hoe je het veilig doet

Drie gewoontes.

Laat het tonen hoe het tot het antwoord kwam. Welke tabel, welke filter, welke berekening. Kan het dat niet, vertrouw het antwoord dan niet.

Leg een nieuw antwoord de eerste keren naast een cijfer dat je al kent. Klopt de omzet van vorige maand met je rapport, dan kan je verder vragen. En kan je over de lagen heen controleren zoals hierboven, doe het dan.

En geef het niet meer toegang dan de gebruiker zelf heeft. Een verkoper die via AI vragen stelt, hoort dezelfde grenzen te hebben als in zijn rapport. Zie wie mag wat zien in je rapport.

Wat het niet vervangt

Het vaste dashboard. De cijfers die je elke week bekijkt, wil je elke week op dezelfde manier zien, niet telkens opnieuw laten formuleren. Vragen in gewone taal zijn voor alles ernaast.

En het denkwerk. Zoals in het artikel over AI staat: het is nauwkeurig en snel, maar de goede vraag moet nog altijd van jou komen.

De stelling

Vragen stellen in gewone taal maakt je data niet slimmer. Het maakt je definities zichtbaar, en dus ook je gaten.