Datageletterdheid

Wat is datageletterdheid?

Datageletterdheid is de vaardigheid om cijfers te lezen, te bevragen en er de juiste conclusies uit te trekken. Wie datageletterd is, ziet in een grafiek niet alleen wat er staat, maar vraagt ook wat er niet staat: waar komen deze cijfers vandaan, wat werd er precies geteld en klopt de conclusie die eraan vasthangt?

Vergelijk het met gewone geletterdheid. Je hoeft geen romans te schrijven om geletterd te zijn; het volstaat dat je een brief kan lezen en doorhebt wanneer iemand je iets probeert aan te smeren. Bij data werkt het net zo: het gaat erom dat je weet wanneer een cijfer een vraag verdient in plaats van een knikje.

Microsoft omschrijft het in zijn adoptiegids voor Fabric en Power BI als het vermogen om data correct te interpreteren, te maken en erover te communiceren. De kern zit in dat eerste woord: interpreteren. Een rapport openen kan iedereen, er het juiste uit besluiten is de eigenlijke vaardigheid.

Wat moet je concreet kunnen op de werkvloer?

Datageletterdheid klinkt abstract, maar op de werkvloer gaat het om een handvol concrete reflexen.

• Weten waar het cijfer vandaan komt. Is die omzet met of zonder btw, met of zonder creditnota's, geboekt of gefactureerd? Twee collega's die over omzet praten, bedoelen geregeld twee verschillende getallen. De eerste vraag bij elk rapport: hoe is dit cijfer gedefinieerd?

• Een grafiek lezen zonder erin te trappen. De klassieker is de afgeknotte as: een as die op 90 begint in plaats van op 0, maakt van een verschil van drie procent een visuele kloof. Percentages op kleine aantallen vertekenen net zo hard. Klachten die met 50 procent stijgen klinkt alarmerend, tot je ziet dat het van twee naar drie klachten ging.

• Samenhang en oorzaak uit elkaar houden. IJsverkoop en verdrinkingen stijgen elke zomer samen, maar ijsjes veroorzaken geen verdrinkingen: het warme weer stuurt allebei. Op de werkvloer duikt hetzelfde patroon op. Klanten die je nieuwsbrief lezen, kopen meer. Komt dat door de nieuwsbrief, of lezen je trouwste klanten gewoon vaker de nieuwsbrief?

• Weten wanneer een gemiddelde bedriegt. Eén grote uitschieter trekt het gemiddelde weg van wat typisch is. De mediaan heeft daar geen last van, en het verschil tussen die twee beslist geregeld mee over voorraad, prijzen en personeelsplanning.

Gemiddelde of mediaan: één uitschieter vertekent alles

Stel: je webshop verwerkt tien bestellingen. Negen klanten kopen voor 100 euro, één zakelijke klant bestelt voor 3.000 euro. Je gemiddelde bestelwaarde is dan 390 euro. Dat oogt goed in een presentatie, maar negen op de tien klanten besteden 100 euro.

De mediaan, de middelste waarde als je alle bestellingen rangschikt, zegt hier veel meer: die blijft gewoon 100 euro. Wie zijn voorraad, marketing of gratis-verzenddrempel afstemt op die gemiddelde klant van 390 euro, mikt op een klant die amper bestaat.

Dit is geen exotisch statistiekprobleem. Het duikt op bij lonen, bij doorlooptijden, bij klantwaarde: overal waar één grote waarde tussen veel kleine zit. Een datageletterde collega vraagt bij elk gemiddelde hoe de verdeling erachter eruitziet.

De bottleneck van elk BI-project

Het mooiste dashboard is dood kapitaal als niemand het durft of kan lezen. Je kan maanden investeren in een datawarehouse en strak rapportwerk, maar als het team de cijfers niet begrijpt of niet vertrouwt, vallen beslissingen terug op buikgevoel en de Excel van vroeger. Microsoft zegt het in diezelfde adoptiegids onomwonden: voor succesvolle adoptie volstaat het niet om software en licenties uit te delen.

Datakwaliteit lost dat maar half op. Een foutloos cijfer kan nog altijd fout gelezen worden, en een team dat het verschil niet ziet tussen een trend en een toevallige uitschieter, haalt uit perfecte data toch de verkeerde conclusies.

Voor self-service analytics geldt dat dubbel. Het hele idee dat medewerkers zelf rapporten bouwen en hun eigen vragen beantwoorden, veronderstelt dat ze data kunnen bevragen en de resultaten juist interpreteren. Zonder die basis krijg je vooral een wildgroei aan tegenstrijdige cijfers en discussies over wiens versie juist is.

Datageletterdheid en AI-geletterdheid

AI-geletterdheid is het jongere broertje van datageletterdheid, en de twee liggen in elkaars verlengde. Datageletterdheid gaat over cijfers en grafieken juist interpreteren. AI-geletterdheid gaat over AI-output beoordelen: weten wat een model kan, waar het de mist ingaat en wanneer je het resultaat naleest.

Er is één verschil dat ertoe doet. Cijfers komen binnen als ruw materiaal dat je nog moet interpreteren, dus de uitnodiging om na te denken zit ingebakken. AI-output komt binnen als een afgewerkt antwoord in vlotte taal, en net daardoor voelt controle overbodig aan terwijl ze dat niet is.

Het goede nieuws: de onderliggende reflex is dezelfde. Wie gewoon is om bij een cijfer te vragen waar het vandaan komt, stelt die vraag ook bij een AI-antwoord. Werken aan datageletterdheid is meteen de beste voorbereiding op AI-geletterdheid, die sinds februari 2025 via de AI Act zelfs een wettelijke verplichting werd voor bedrijven die AI inzetten.

Hoe werk je eraan als KMO?

Dit vraagt geen opleidingsprogramma van zes maanden en geen certificaat. Een paar gewoontes die je consequent volhoudt, brengen je verder.

1. Leg definities vast en deel ze. Eén lijst met wat omzet, marge en een actieve klant precies betekenen bij jullie. Het klinkt banaal, maar de meeste cijferdiscussies in een KMO zijn eigenlijk definitiediscussies.

2. Zet bij elk rapport een woordje uitleg. Waar komt de data vandaan, wanneer werd ze ververst en wat betekent elke KPI. Drie zinnen volstaan, en ze schelen tientallen vragen achteraf.

3. Moedig vragen aan. In teams waar een cijfer dient om gelijk te halen, stopt iedereen met vragen stellen. De collega die vraagt of dat percentage wel klopt, verdient een compliment, geen zucht.

4. Begin klein, bij de mensen die dagelijks met de cijfers werken. Een planner, een boekhouder, een verantwoordelijke verkoop. Als zij de rapporten scherp lezen en er goede vragen bij stellen, sijpelt dat door naar de rest.

Ter vergelijking: de Vlaamse overheid maakte datageletterdheid tot een van de vier pijlers van haar datastrategie en traint er haar eigen personeel op. Zo groot hoef je het als KMO niet aan te pakken, maar het toont wel dat dit geen luxeprobleem van grote organisaties is.

Waar moet je op letten bij het werken aan datageletterdheid?

Een eenmalige opleiding beklijft niet. Wie in september een workshop volgt en pas in maart opnieuw met de cijfers werkt, is alles kwijt. Koppel leren aan het echte werk: bespreek elke maand kort het rapport dat het team toch al gebruikt, en leg dan uit wat er achter één cijfer zit.

Geletterdheid verschilt bovendien per rol. De boekhouder moet weten hoe de marge berekend wordt, de verkoper wat er in de pipelinecijfers zit, de zaakvoerder wanneer een trend echt een trend is. Eén generieke sessie voor iedereen mist daardoor bijna iedereen.

Let ten slotte op met hoe cijfers in vergaderingen gebruikt worden. Zodra een dashboard vooral dient om af te rekenen, leren mensen hoe ze hun cijfers verdedigen in plaats van hoe ze ze begrijpen.

FAQ over datageletterdheid

1. Is datageletterdheid hetzelfde als goed overweg kunnen met Excel of Power BI?
Nee. Toolkennis is kunnen klikken, datageletterdheid is kunnen interpreteren. Iemand kan perfect een draaitabel bouwen en toch de verkeerde conclusie trekken uit het resultaat. Omgekeerd stelt iemand zonder één formule Excel-kennis soms haarscherp de juiste vraag bij een rapport.

2. Moet iedereen in mijn bedrijf een data-opleiding volgen?
Begin bij de mensen die dagelijks met cijfers werken en op basis van rapporten beslissen. Voor de rest volstaat een basis: weten waar de cijfers staan, wat de belangrijkste KPI's betekenen en bij wie je terechtkan met vragen.

3. Hoe weet je of het beter gaat?
Kijk naar gedrag. Worden de rapporten gebruikt? Stellen mensen vragen bij een cijfer voor ze het doorsturen? Circuleren er nog verschillende versies van dezelfde KPI? Dat zegt meer dan een quiz of een testscore.

4. Is datageletterdheid wettelijk verplicht, zoals AI-geletterdheid?
Nee. De AI Act verplicht sinds februari 2025 een voldoende niveau van AI-geletterdheid voor wie AI inzet, maar voor datageletterdheid bestaat geen vergelijkbare wet. Hier controleert geen toezichthouder; de kost zit in de beslissingen die op een fout gelezen cijfer gebouwd worden.