AI begint bij betrouwbare data: de rol van een data lake

Naarmate je bedrijf groeit, groeit vaak ook het aantal systemen waarin je data vastlegt. Business Central bevat financiële en operationele gegevens, in je CRM staat informatie over klanten en sales en daarnaast gebruik je misschien nog andere applicaties en Excel-bestanden. Dat hoeft geen probleem te zijn, totdat je informatie uit verschillende bronnen nodig hebt om een beslissing te nemen. Welk cijfer is dan leidend? En hoeveel tijd kost het je om alle gegevens bij elkaar te brengen en te controleren?

Juist daar ligt een belangrijke stap naar een meer datagedreven bedrijfsvoering: niet nóg meer losse rapportages bouwen, maar zorgen dat je relevante data centraal en betrouwbaar beschikbaar maakt. Een data lake brengt die versnipperde data centraal bij elkaar en geeft je één basis voor analyse en rapportage. In een data lake breng je data uit verschillende bronnen, zoals Business Central, je CRM en andere applicaties, op één centrale plek samen. Zo kun je gegevens gezamenlijk analyseren en gebruiken voor bijvoorbeeld rapportages, Power BI en AI.

In de SucceedIT Podcast bespreken Adriaan Hoogduijn, Founder & Director bij HIPER Consultancy, en Mark-Jan Hennink, directeur en mede-eigenaar van SucceedIT, hoe je zo’n datafundament opbouwt. Ze bespreken hoe een data lake helpt om versnipperde data samen te brengen, waarom betrouwbare data de basis vormt voor AI en hoe je voorkomt dat de technologie ingewikkelder wordt dan het vraagstuk dat je wilt oplossen.

Discussieert je MT over cijfers of over besluiten?

Misschien herken je het: tijdens het overleg heeft ieder MT-lid zijn eigen rapportage voor zich. Het omzetcijfer uit het CRM wijkt af van het cijfer uit de financiële administratie en voordat je een besluit kunt nemen, ontstaat eerst een discussie over welke gegevens kloppen. Mark-Jan vraagt in de podcast naar de rol van één centrale databron:

Mark-Jan: “Kan ik dan spreken over een ‘single source of truth’? Hoe zien jullie dat voor je? Werk je dan met het aggregeren van de data? Breng je de data dan bij elkaar in een systeem? Wat doe je daar precies mee?”

Adriaan: “In het vakjargon noemen we dat een ‘data lake’. In de data lake brengen we eigenlijk de data vanuit al die verschillende silo’s samen. Het idee daarvan is dat je een geaggregeerde laag aan data hebt waar je realtime alle cijfers kunt zien die je nodig hebt. Zodat je je besluitvorming datagedreven en feitelijk kan vormgeven. En niet dat je in veel managementteams de discussie hebt over de juistheid van gegevens of dat ze wel up-to-date zijn.”

De valkuil van maatwerk in je kernapplicatie

Een oplossing lijkt soms voor de hand te liggen: meer maatwerk en rapportages toevoegen aan je ERP of CRM. Maar hoe meer logica je in je kernapplicaties onderbrengt, hoe belangrijker het wordt om naar onderhoud, prestaties en flexibiliteit te kijken.

Adriaan wijst daarbij op een aantal aandachtspunten:

Prestaties: veel maatwerk kan invloed hebben op de prestaties van je kernapplicatie.
Onderhoud: maatwerk kan updates en beheer complexer maken.
Flexibiliteit: hoe meer processen afhankelijk zijn van specifiek maatwerk, hoe lastiger het kan worden om je IT-landschap aan te passen.

Door je kernapplicaties en de manier waarop je data analyseert van elkaar te scheiden, voorkom je dat steeds meer rapportagelogica en maatwerk in je ERP of CRM terechtkomt. Maak je data uit verschillende systemen centraal beschikbaar in een data lake, dan kun je die gebruiken voor rapportages, analyses in Power BI en AI-toepassingen. Zo houd je je ERP zo veel mogelijk standaard en behoud je flexibiliteit in wat je met je data doet.

Wat een data lake je bedrijf oplevert

Bij een data lake denk je misschien al snel aan grote bedrijven met complexe IT-landschappen. Maar juist wanneer je met een kleiner team werkt, telt de tijd die medewerkers besteden aan het verzamelen, combineren en controleren van gegevens. Een data lake brengt die informatie centraal beschikbaar, zodat je minder afhankelijk bent van losse exports en handmatig samengestelde rapportages. Adriaan legt uit waarom dat voor het mkb relevant is:

Adriaan: “Corporates hebben veel meer capaciteit die zij tegen zo’n probleem aan kunnen gooien. Die kunnen extra afdelingen of controleprocessen inrichten. Veel MKB-bedrijven kunnen dat niet. Als daar iemand een dag bezig is met het creëren van overzichten of het analyseren van cijfers, merk je die afwezigheid direct in je operatie of je billability.”

Een data lake naast Business Central

Werk je met Business Central, dan staat daar veel waardevolle informatie over bijvoorbeeld financiën, verkoop en voorraad. Maar waarschijnlijk staat niet alle informatie die je nodig hebt in Business Central. Denk aan klantgegevens uit je CRM, informatie uit je webshop of gegevens uit andere applicaties.

Een data lake brengt die gegevens op één centrale plek samen. Binnen de Microsoft-omgeving biedt Microsoft Fabric hiervoor een concrete oplossing. Daarmee kun je data uit Business Central combineren met data uit andere bronnen en die gezamenlijk gebruiken voor rapportages, analyses in Power BI en toepassingen met AI.

Business Central blijft daarbij de plek waar je dagelijkse bedrijfsprocessen plaatsvinden. Het data lake komt ernaast te staan en maakt informatie uit verschillende systemen gezamenlijk bruikbaar.

Vertrouwen in je cijfers

De waarde van een data lake staat of valt met de kwaliteit van de data die je erin samenbrengt. Centrale opslag maakt gegevens namelijk niet automatisch juist, actueel of consistent. Daarvoor heb je duidelijke afspraken nodig over waar data vandaan komt, hoe je die verwerkt en welke definities je gebruikt. Dat is waar data governance praktisch wordt. Mark-Jan vraagt Adriaan hoe je daarmee omgaat:

Mark-Jan: “Hoe gaan jullie daarmee om? Een stukje data governance.”

Adriaan: “Data governance moet vooral niet te zwaar worden gemaakt, alsof je een heel bureaucratisch model à la een ISO-certificering moet optuigen. Wat ik er vooral onder schaar, is dat je zeker bent van de juistheid en durft te vertrouwen op de data. Dat data via geijkte processen in de centrale plek terechtkomt en er kwaliteitscontrole op zit.”

Begin klein en houd het resultaat meetbaar

Een goed datafundament bouw je stap voor stap. Begin met een concreet vraagstuk waarvan je het resultaat kunt meten:

Breng je huidige tijdsbesteding in kaart: hoeveel uur besteedt je team nu aan het handmatig ophalen, combineren en controleren van data uit verschillende systemen?

Kies één helder proces: begin bijvoorbeeld met verkoop-, financiële of voorraaddata.

Meet het resultaat: kijk hoeveel sneller je informatie beschikbaar hebt en hoeveel handmatig werk je daarmee bespaart.

Breid stap voor stap uit: werkt de aanpak, dan kun je andere databronnen en processen toevoegen.

Zonder betrouwbare data geen betrouwbare AI

AI werkt met de data die je beschikbaar stelt. Is die data onvolledig, inconsistent of slecht gestructureerd, dan werkt dat door in de kwaliteit van de uitkomsten. Daarom begint een serieuze inzet van AI niet bij het kiezen van een model of agent, maar bij je datahuishouding.

Adriaan benadrukt in de podcast waarom de kwaliteit van je data bepalend is voor wat je met AI kunt bereiken:

Adriaan: “Het belangrijkste van AI succesvol inzetten is gewoon je datahuishouding. De hygiëne en de kwaliteit van je data bepalen hoe goed de technologie zelf kan functioneren. Als je datahuishouding niet op orde is, kun je er zoveel AI op loslaten als je wilt, maar blijven de resultaten achter.”

Grip op schaduw-AI en dataveiligheid

Zodra medewerkers AI-tools gebruiken buiten de afspraken en beveiliging van je bedrijf, ontstaat schaduw-AI. Het risico zit vooral in de data die daarbij wordt gedeeld. Bedrijfs- of klantinformatie kan zo terechtkomen in toepassingen die je bedrijf niet heeft beoordeeld of goedgekeurd.

Mark-Jan vraagt in de podcast hoe je AI en dataveiligheid met elkaar verbindt:

Mark-Jan: “Hoe zit het daar met een stukje security? Als we het intern over een data lake hebben en je gaat daar AI op aansluiten, hoe zit dat dan precies?”

Adriaan: “Dat brengt je precies terug naar de schaduw-AI die je bij veel bedrijven ziet: het ongeautoriseerde gebruik van AI via de browser. Het wordt voor ieder bedrijf belangrijk om AI-gebruik te embedden binnen je bredere security-framework. Zeker met wetgeving zoals NIS2 moeten AI-toepassingen binnen een veilige, gereguleerde omgeving draaien waar dezelfde maatregelen gelden tegen antiphishing en ransomware als op de rest van je werkplek.”

Los procesfouten op aan de bron

Met betrouwbare data ontstaat ook ruimte om AI-agents gericht in je processen in te zetten. Denk aan een servicedesk die regelmatig dezelfde vragen krijgt over de status van leveringen. Een AI-agent kan zulke vragen analyseren en, waar het proces zich daarvoor leent, automatisch afhandelen.

Maar automatiseren is niet altijd de eerste stap. Ontstaan terugkerende vragen bijvoorbeeld door onduidelijke communicatie eerder in het proces? Dan is het effectiever om eerst die oorzaak aan te pakken. Zo zet je AI in om een goed proces te versterken, in plaats van een inefficiënt proces te automatiseren.

Van data lake naar betere besluitvorming

Een data lake is geen doel op zich. De waarde zit in wat je ermee bereikt: betrouwbare informatie uit verschillende systemen op één plek, minder handmatig uitzoekwerk en een betere basis voor rapportages, besluitvorming en AI.

Daarvoor hoef je niet direct je volledige IT-landschap opnieuw in te richten. Begin bij een concreet vraagstuk en breng de data samen die je nodig hebt om dat op te lossen. Vanuit die basis kun je je data lake stap voor stap uitbreiden en toepassingen zoals Power BI en AI toevoegen waar ze daadwerkelijk waarde toevoegen.

Werk je met Business Central en wil je onderzoeken hoe je data uit verschillende systemen beter kunt benutten? We denken graag met je mee.