Conversational analytics: wat het is en waarom zelf bouwen zelden loont

Voor de meeste organisaties zijn data en analytics nog altijd een kostenpost. Er is fors geïnvesteerd in data lakes, warehouses en analisten, maar voor de gemiddelde medewerker blijft toegang tot data lastig. Een salesmanager die wil weten waarom de omzet daalt, dient een ticket in en moet maar hopen dat de analist ‘omzet’ hetzelfde definieert als het CRM. Dat kost tijd, geld en momentum.

Conversational analytics belooft die dynamiek om te draaien. Maar wie simpelweg een chatbot op zijn data zet en denkt dat daarmee het probleem is opgelost, creëert geen nieuwe bron van waarde, maar een nieuw risico.

Wat is conversational analytics?

Conversational analytics is een vorm van data-analyse waarbij je in natuurlijke taal vragen stelt aan je bedrijfsdata en antwoorden krijgt in tekst, cijfers of visualisaties. Je kunt vervolgens direct doorvragen. In plaats van een dashboard te openen of een analist in te schakelen, vraag je bijvoorbeeld: “Waarom daalde de omzet vorige maand?” en krijg je een onderbouwd antwoord.

De technologie maakt gebruik van agentic AI: AI-agents die niet alleen vragen beantwoorden, maar ook zelfstandig analyses uitvoeren, afwijkingen signaleren en vervolgacties in gang zetten. Het doel is om de drempel zo laag te maken dat iedereen in de organisatie vragen kan stellen, betrouwbare antwoorden krijgt en direct kan handelen. Zo wordt data een bron van waarde in plaats van alleen een kostenpost.

De vraag ernaar is groot. Uit ons rapport State of Data and Analytics blijkt dat 94% van de zakelijke leiders beter denkt te kunnen presteren als ze rechtstreeks vanuit hun meestgebruikte programma’s en apps toegang zouden hebben tot data.

Waarom is natural language querying (NLQ) niet genoeg?

Natural language querying (NLQ) beantwoordt vooral het ‘wat’, terwijl zakelijke beslissingen juist draaien om het ‘waarom’ en ‘wat nu’. NLQ zet een feitelijke vraag, zoals “Hoeveel klanten hebben we in Nederland?”, om in een SQL-query en geeft het antwoord terug als een getal of grafiek.

Generatieve AI heeft zich zo snel ontwikkeld dat eenvoudige NLQ inmiddels gemeengoed is. Je uploadt een CSV-bestand naar een openbaar beschikbare LLM, of een ontwikkelaar bouwt in een weekend een tool waarmee je met je data kunt ‘chatten’. Aan de oppervlakte ziet dat er indrukwekkend uit. Maar het is slechts het topje van de ijsberg.

NLQ heeft moeite met dubbelzinnige vragen en mist vaak de zakelijke context. Dat risico is reëel: 89% van de data- en analyticsleiders met AI in productie kreeg te maken met onjuiste of misleidende AI-output. Als een agent een margeberekening verzint omdat hij je bedrijfslogica niet kent, neemt je team alleen maar sneller de verkeerde beslissing.

Een chatbot die gokt, is speelgoed. Een systeem dat werkt met de juiste context en definities, is een zakelijk instrument. Het verschil zit in de infrastructuur onder de waterlijn.

Wat is een semantisch model en waarom heeft AI het nodig?

Een semantisch model legt de bedrijfslogica van je organisatie vast. Het definieert precies wat begrippen als ‘brutomarge’, ‘churn’ of ‘winstgevendheid’ betekenen en hoe ze worden berekend. Een LLM kan die logica niet zelf afleiden. Het semantisch model (Engelstalig) vormt als het ware de broncode van hoe je organisatie naar haar eigen data kijkt, zodat AI en medewerkers dezelfde taal spreken.

In conversational analytics werkt het semantisch model als vertaler en vangrail. Het koppelt een vraag in natuurlijke taal aan de exacte, vastgelegde metric die jouw organisatie gebruikt. Het LLM verwoordt vervolgens alleen het resultaat dat uit die logica voortkomt.

Een voorbeeld. Een retailmanager vraagt: “Wat is onze brutomarge in EMEA?” Een generieke bot rekent mogelijk simpelweg omzet min kostprijs van de verkochte goederen. Maar jouw definitie van brutomarge laat verzendkosten misschien buiten beschouwing en telt retouren wel mee. Loopt de vraag via de semantische laag, dan wordt steeds jouw formule gebruikt en krijgt de manager hetzelfde getal als in het rapport van de CFO.

Een semantische laag is alleen zo goed als de data eronder. Lees daarom ook hoe je je datakwaliteit in 5 stappen verbetert. Meer over de Salesforce-aanpak lees je op de pagina over Tableau Semantics.

Wat heeft betrouwbare conversational analytics nog meer nodig?

Naast een semantisch model vraagt betrouwbare conversational analytics om drie dingen: proactieve inzichten, diepgaande analyses die analisten kunnen verfijnen en acties die direct vanuit het gesprek kunnen worden uitgevoerd. Samen vormen ze het deel van de ijsberg dat onder water ligt.

Proactieve, contextuele inzichten

Een goede analist wacht niet op een ticket, maar tikt je op de schouder zodra er iets opvalt. Je systeem zou hetzelfde moeten doen: belangrijke metrics bewaken en je op trends of afwijkingen wijzen zonder dat je er zelf om hoeft te vragen.

Neem een supplychainmanager. In plaats van elke ochtend in te loggen om de voorraad te controleren, krijgt ze een melding van een agent: “De voorraad van SKU-123 in het magazijn in Venlo is onder de veiligheidsvoorraad gezakt.” Zo krijgt ze het inzicht voordat het probleem groter wordt.

Diepgaande analyse en continue verfijning

Zakelijke vragen zijn zelden in één keer beantwoord. Je hebt systemen nodig die in meerdere stappen redeneren en voorspellende analyses aankunnen, en die ruimte laten voor bijsturing door experts. Door antwoorden te toetsen aan vragen uit de praktijk maken analisten de agent stap voor stap nauwkeuriger en betrouwbaarder.

Een marketingdirecteur ziet het aantal leads dalen en vraagt: “Waarom presteerden we vorige week slechter?” Een eenvoudige bot bevestigt alleen dat er een daling was. Een agent die doorgraaft, antwoordt: “Het aantal leads daalde met 12%, vooral door een scherpe afname van betaald zoekverkeer in België. Het organische verkeer bleef stabiel.” Zo wordt sneller duidelijk waar het probleem zit en hoe AI inzichten direct kan omzetten in actie.

Acties vanuit het gesprek

Een inzicht heeft pas echt waarde als je er direct naar kunt handelen. Een complete oplossing maakt het mogelijk om vanuit hetzelfde gesprek actie te ondernemen, binnen de bestaande workflow. Zo verdwijnt de frictie in de laatste stap van business intelligence (Engelstalig): van data begrijpen naar er direct iets mee doen.

Meldt je analytics-agent aan een salesmanager dat een belangrijke deal stagneert, dan hoeft die manager de chat niet te verlaten om in te grijpen. De agent kan vanuit het gesprek een vooraf ingerichte actie starten, zoals het toewijzen van een nieuwe taak. Een nieuw tabblad of een andere applicatie is niet nodig.

Zonder deze elementen blijft er niet veel meer over dan een veredelde chatbot of een agent die op basis van onvolledige context moet gokken. Betrouwbare agents die complexe zakelijke bedoelingen begrijpen, hebben de volledige structuur nodig, met data governance als fundament.

Waarom mislukt zelf bouwen (DIY) zo vaak?

Zelf conversational analytics bouwen loopt meestal op twee dingen vast: governance en onderhoud. Wie losse tools aan elkaar knoopt om de volledige infrastructuur zelf na te bouwen, haalt nieuwe risico’s en kosten binnen terwijl het doel juist was die te beperken.

Het governancegat. Beveiliging mag geen sluitstuk zijn. Bij een zelfbouwoplossing moet je die vanaf de basis zelf inrichten, van bescherming tegen prompt-injectie tot het voorkomen van ongeautoriseerde toegang. De meeste organisaties zijn daar nog niet klaar voor: slechts 43% van de data- en analyticsleiders heeft een formeel data governance framework en bijbehorend beleid vastgesteld (Salesforce, State of Data and Analytics, november 2025). Juist daarom is het belangrijk om vanaf het begin rekening te houden met wat er nodig is om AI-agents veilig in te zetten.

De onderhoudstredmolen. Modelleveranciers brengen voortdurend updates uit. Bouw je zelf, dan besteden je duurste dataspecialisten veel tijd aan het bewaken van prestaties, herschrijven van prompts en herstellen van integraties. Je datateam wordt zo al snel een onderhoudsploeg in plaats van een team dat de strategie vooruithelpt. Dat is ook een van de redenen waarom het belangrijk is om goed af te wegen waar een eigen LLM-aanpak wel en niet werkt.

Meer hierover vertel ik in mijn gesprek op LinkedIn (Engelstalig).

Hoe begin je met conversational analytics zonder zelf te bouwen?

Kies een platform waarin semantiek, governance en acties al zijn ingebouwd, en zet je eigen capaciteit in voor wat je organisatie onderscheidt. Veilige, nauwkeurige en actiegerichte conversational analytics vraagt om een complexe technische basis. Bouw je die zelf, dan zijn schaarse specialisten veel tijd kwijt aan infrastructuur in plaats van aan werk waarmee je organisatie het verschil maakt.

Je hoeft het wiel dus niet opnieuw uit te vinden. Met een platform waarin beveiliging, beheer en schaalbaarheid al zijn geregeld, kun je sneller aan de slag. Bij het kiezen van zo’n oplossing is het belangrijk om te kijken naar de mogelijkheden voor data-integratie, governance, analytics en AI. Lees meer over waar je op moet letten bij een business intelligence-platform.

Daarom hebben we Tableau Next gebouwd. Tableau Next combineert Tableau Semantics met proactieve inzichten en acties vanuit het gesprek. Zo krijgen medewerkers betrouwbare en relevante inzichten in de tools waarin ze al werken, en kunnen ze daar direct mee aan de slag.

Tableau Next heeft een vaste prijs per gebruiker per maand. Analytische query’s, datatransformaties en AI-gebruik worden niet afzonderlijk gemeten (Engelstalig). Tableau Next is ook los verkrijgbaar, zonder bundel.

Klaar voor de volgende stap? Ontdek conversational analytics met Tableau Next.

Veelgestelde vragen