Conversational analytics

Wat is conversational analytics?

Conversational analytics, of analyse in gewone taal, betekent dat je een vraag over je bedrijf typt zoals je ze aan een collega zou stellen, en dat je een antwoord terugkrijgt waar je iets mee kan: een cijfer, een grafiek en twee zinnen die zeggen wat dat cijfer betekent. Dat doe je in je BI-tool, in een chatassistent, of gewoon in Teams. Niemand opent een rapporteditor, niemand schrijft een query.

Het beeld dat je best voor ogen houdt: de zaakvoerder van een bedrijf met vijftig mensen zit om zeven uur 's ochtends op de trein, typt "omzet vorige week per regio" in de Power BI-app op zijn telefoon, en krijgt een staafdiagram, een totaal, een korte uitleg en, als de tool zijn werk doet, een lijstje met precies welke measure en welke periode gebruikt zijn. Dat is de hele belofte op één scherm.

Hoe de assistent je zin omzet in een query, lees je bij text-to-SQL. Dit lemma gaat over wat jij te zien krijgt, en over de vraag die belangrijker is dan de technologie: hoe weet je dat het antwoord klopt?

Wat er gebeurt tussen je vraag en het antwoord

Elk serieus product doet dezelfde vijf dingen, in deze volgorde. Bij elke stap kan het antwoord fout lopen.

1. Het legt je vraag naast een model
   Je woorden worden gekoppeld aan dingen die het model kent: een measure Netto-omzet, een kolom Regio, een datumtabel. De synoniemen en beschrijvingen die de bouwer van het model heeft ingevuld, bepalen of "omzet" op de juiste measure terechtkomt.

2. Het bouwt een query
   DAX, SQL, KQL of een query op een semantische laag, afhankelijk van de tool. Sommige tools laten het model vrij schrijven, andere laten het enkel een measure en een paar filters kiezen.

3. Het voert de query uit onder jouw naam
   Het resultaat komt terug met jouw rechten.

4. Het schrijft de uitleg
   Een taalmodel maakt van de resultaattabel een paar zinnen en kiest een grafiektype. Daardoor voelt het alsof een analist je geantwoord heeft.

5. Het toont wat het gebruikt heeft
   Microsoft noemt dat "How Copilot arrived at this", Looker "How was this calculated?", en Amazon Quick zet de gegenereerde SQL in een Explanation-paneel. Op deze stap doe je best geen toegevingen.

Waarom het semantisch model de kwaliteit bepaalt

Op ruwe tabellen moet de assistent gokken. Vraag "wat is onze marge per productgroep" en hij zoekt een omzetkolom, vindt iets wat op een kostkolom lijkt, kiest zelf een join en geeft je een geloofwaardig cijfer. Misschien nam hij de aankoopprijs waar de boekhouding de volledige kostprijs gebruikt. Dat zie je niet, want het cijfer ziet er goed uit.

Op een semantisch model met een measure Marge rekent de assistent niets zelf uit. Hij kiest de measure die je financiële team gedefinieerd heeft, past de filter toe en geeft het cijfer van het bedrijf terug. De definitie is één keer vastgelegd, door een mens, en elke vraag hergebruikt ze.

Daarom gaat de richtlijn van Microsoft voor Copilot in Power BI bijna volledig over het model en amper over prompten: duidelijke namen, synoniemen, een schema zonder de technische kolommen, AI-instructies met jullie bedrijfstermen, en een model dat je expliciet als goedgekeurd markeert. Google zegt hetzelfde over Looker, waar de LookML-definities de "source of truth" zijn, en ThoughtSpot heeft een coaching-stap waarin een analist Spotter de termen van het bedrijf aanleert.

De keerzijde is minder aangenaam. Als een measure niet bestaat, improviseren de meeste assistenten. Copilot in Power BI schrijft zelf DAX voor "groei ten opzichte van vorig jaar" als je model die measure niet heeft. Soms is dat wat je wou. Soms is het een definitie van groei die niemand ooit goedgekeurd heeft, met evenveel zelfvertrouwen gepresenteerd als de echte.

Conversational analytics tegenover een dashboard

Het nuttige verschil is wie de vraag bepaalt.

Bij een dashboard bepaalt de analist dat. Iemand heeft op voorhand nagedacht over de twaalf vragen die het salesteam elke maandag stelt, voor elke vraag een pagina gebouwd en de cijfers nagekeken. Je kan alleen die twaalf vragen stellen, en de antwoorden zijn betrouwbaar.

Bij conversational analytics bepaal jij dat, op het moment zelf. De dertiende vraag, die niemand had voorzien, krijgt ook een antwoord. De prijs is dat niemand dat antwoord nagekeken heeft voor jij het zag.

De twee zijn dus geen concurrenten. Een dashboard is voor cijfers die terugkomen en elke keer identiek moeten zijn: de cijfers voor de raad van bestuur, de wekelijkse salesmeeting, alles wat een toezichthouder ziet. Conversational analytics is voor de vervolgvraag: "oké, maar zit dat vooral bij één klant?" Daarom is de zaakvoerder op de trein de ideale gebruiker, en de analist niet. De zaakvoerder wil een antwoord. De analist wil bouwen, en daarvoor heb je nog altijd de rapporteditor nodig.

Wat de tools vandaag kunnen

Dit is de stand van zaken in september 2026, als voorbeelden en niet als koopgids.

Copilot in Power BI antwoordt met een visual, een tekstsamenvatting die de gebruikte velden opsomt, en een uitklapbaar "How Copilot arrived at this". Hij kan zelf DAX schrijven en laat je die query bekijken. Modeleigenaars kunnen verified answers toevoegen (een door een mens goedgekeurde visual gekoppeld aan triggerzinnen, herkenbaar aan een vinkje) en AI-instructies. Het Copilot-paneel in een rapport is algemeen beschikbaar; de losstaande chat, de chat in een app en de chat in de mobiele app zaten op moment van schrijven nog in preview.

Fabric data agents zijn de versie die je zelf configureert: tot vijf databronnen, instructies, voorbeeldqueries, read-only, algemeen beschikbaar, en oproepbaar vanuit Microsoft 365 Copilot, Copilot Studio en Teams. Row-level en column-level security blijven gelden, omdat de agent de query uitvoert als de persoon die de vraag stelt.

Looker Conversational Analytics draait Gemini bovenop LookML. Je bouwt Explore data agents met instructies, geverifieerde queries en een begrippenlijst, en elk antwoord heeft een deel "How was this calculated?" met de ruwe veldnamen, de berekeningen en de filters.

Amazon Quick Sight, het analysedeel van wat Amazon nu Amazon Quick noemt, werkt vanuit Topics: een semantische laag over maximaal twaalf datasets met eigen instructies. De chatagent schrijft SQL over die datasets heen en toont die SQL in een Explanation-paneel.

Tableau Agent in dashboards geeft een overzicht, inzichten per visual en een vraagvenster op de onderliggende gepubliceerde databron. In release 2026.2 zat dat nog in bèta, en je hebt er een Tableau+ of Tableau Cloud+ abonnement voor nodig.

Wat een antwoord betrouwbaar maakt

Geen van deze tools is betrouwbaar zoals hij uit de doos komt. Betrouwbaar wordt hij door vijf beslissingen die jij neemt. Wij zouden er geen uitrollen bij een klant zonder alle vijf.

• Verified answers voor de vragen die terugkomen. Koppel de twintig meest gestelde vragen aan een visual die een mens nagekeken heeft.

• Een vaste set measures. De assistent kiest uit measures die bestaan. Laat je hem vrij om zelf berekeningen te verzinnen, leg dat dan vast als een beslissing en zeg het aan de gebruikers.

• De query blijft zichtbaar. Elk antwoord toont welke measure, velden en filters het gebruikt heeft, en iemand in je team kan dat lezen. Een antwoord dat je niet kan nakijken, is een mening.

• Een testset met gekende antwoorden. Schrijf voor de uitrol vijftig vragen op in de woorden die je collega's echt gebruiken, met het juiste antwoord ernaast, en laat ze lopen. Laat ze opnieuw lopen na elke aanpassing aan het model. Scoort het lager dan wat je van een nieuwe analist zou aanvaarden, dan is het model niet klaar, hoe mooi de demo ook was.

• Enkel goedgekeurde modellen. Richt de assistent op één of twee goedgekeurde modellen, nooit op elke dataset in de tenant. Minder tabellen betekent minder foute gokken. Power BI heeft precies daarvoor een beheerdersinstelling die enkel goedgekeurde items toont in de losstaande Copilot.

Waar moet je op letten bij conversational analytics

Dubbelzinnige vragen krijgen een zelfverzekerd antwoord. "Omzet vorige maand" kan gefactureerd, besteld of geleverd betekenen, en "vorige maand" kan de kalendermaand zijn of de laatste dertig dagen. Een collega zou vragen welke je bedoelt. De assistent kiest er één. Zet de definities in het model en in de instructies, en leer gebruikers de bronvermelding openen.

De periode klopt stilletjes niet. "Groei in maart" op een datumtabel die enkel weken kent, of op een boekjaar dat in april begint, geeft een cijfer dat klopt voor de verkeerde periode. Een datumtabel met de juiste kalender, en een beschrijving die dat zegt, voorkomt het grootste deel.

Gebruikers zien niet altijd het verschil tussen een fout en een juist antwoord. Dat is het hele risico in één zin. De zaakvoerder op de trein ziet een grafiek en een overtuigende alinea, en als de definitie eronder geïmproviseerd is, zegt niets op het scherm dat.

Row-level security blijft gelden, en de assistent mag niet meer zien dan de gebruiker. Controleer dat de tool de query uitvoert als de persoon die de vraag stelt, en niet als een serviceaccount met toegang tot alles. Fabric data agents en Copilot in Power BI doen dat. Lees ook de kleine lettertjes: Microsoft zegt dat verified answers in combinatie met row-level security tijdens de preview niet volledig ondersteund zijn en dat je er niet op mag rekenen als beveiliging.

Taal. Copilot in Power BI en Fabric data agents ondersteunen op moment van schrijven officieel enkel Engels. Een vraag in het Nederlands of Frans werkt soms, en dat is niet hetzelfde als ondersteund zijn.