Headless BI

Wat is headless BI?

Headless BI is een manier om je business intelligence op te splitsen. De laag die je bedrijfscijfers definieert en berekent, de metrics- of semantische laag, staat los van eender welke visualisatietool. Die laag stelt je cijfers beschikbaar via een API of een SQL-interface, zodat elke tool die er iets mee wil doen dezelfde definities gebruikt.

"Headless" betekent letterlijk zonder ingebouwd hoofd. Het hoofd is hier de presentatielaag: de grafieken en dashboards die je normaal in één pakket meekrijgt. Bij headless BI knip je dat hoofd eraf. De backend rekent de cijfers uit, de front-end kies je zelf: Power BI, een spreadsheet, een eigen webapp of een AI-assistent.

Het belangrijkste effect is consistentie. Omdat een begrip als "omzet" of "actieve klant" op één plek gedefinieerd staat, krijgt iedereen hetzelfde cijfer, welke tool ze ook openen.

De vergelijking met een headless CMS

De term komt uit de wereld van content management. Een klassiek CMS zoals WordPress bewaart je content én rendert de pagina's. Een headless CMS doet enkel het eerste: het beheert de content en biedt die aan via een API, waarna je zelf beslist waar ze terechtkomt, op een website, in een app of op een scherm in de winkel.

Headless BI trekt diezelfde lijn door naar cijfers. De backend definieert en berekent je metrics, de presentatie laat je over aan de tool die het beste past. Content los van weergave in het ene geval, cijfers los van weergave in het andere.

Omzet één keer definiëren, overal gebruiken

Stel dat je "netto-omzet" definieert als facturatie min creditnota's min interne verrekeningen. In een klassieke opstelling schrijft elke tool die logica opnieuw: een keer in Power BI, een keer in het Excel-model van de boekhouding, een keer in de query achter je klantenportaal. Drie plekken, drie kansen op een afwijkend cijfer.

Bij headless BI staat die berekening één keer in de semantische laag. Power BI vraagt "netto-omzet per maand" op via de SQL-interface, de spreadsheet van de boekhouding haalt hetzelfde cijfer op, en een AI-assistent die je vraagt wat de netto-omzet in Q2 was, geeft exact dezelfde uitkomst. Pas je de definitie aan, dan volgt alles automatisch mee.

Hetzelfde geldt voor een begrip als "actieve klant". Je legt in de laag vast dat dit een klant is met minstens één abonnement met status actief. Vanaf dan telt elk rapport, elke export en elke chatbot op net dezelfde manier.

Headless BI versus een klassieke BI-tool

In een alles-in-één-tool zoals Tableau of het klassieke Power BI-model leven je metrics binnen de muren van dat ene pakket. Wie ze wil gebruiken, moet in die tool werken. Wil de boekhouding hetzelfde cijfer in Excel, dan bouwt iemand de logica opnieuw, met alle risico op verschil.

Headless BI keert dat om. De definities staan buiten elke tool en worden aangeboden via een open interface, waardoor de visualisatietool inwisselbaar wordt: je kan Power BI vervangen door iets anders zonder je metrics opnieuw te schrijven. De keerzijde is dat je die laag zelf moet opzetten en onderhouden. Een alles-in-één-tool geeft je sneller een dashboard, headless BI geeft je cijfers die overal gelijk lopen.

De band met de metrics layer en het semantisch model

Headless BI is de architectuurkeuze, de metrics layer is het onderdeel dat ze mogelijk maakt. De metrics layer bevat de definities: welke maten er bestaan, hoe ze berekend worden, welke dimensies erbij horen. Headless BI is de bredere opzet daaromheen, die metrics layer plus de API's die de cijfers naar buiten brengen, de toegangscontrole en de caching.

Een semantisch model speelt in de kern dezelfde rol, maar die term hoor je vooral in de Microsoft-wereld, waar het model in Power BI of Microsoft Fabric zit. Het verschil zit in de koppeling: een klassiek semantisch model hangt meestal vast aan Power BI zelf, terwijl een headless opzet dat model juist tool-onafhankelijk maakt. In de moderne datastack staan de definities vaak al in dbt of in een aparte semantische laag, klaar om door meerdere tools bevraagd te worden.

Cube als referentieproduct

Cube is het product dat het meest met headless BI geassocieerd wordt. Het beschrijft zichzelf als een semantische laag waarop je analytics bouwt, en biedt je metrics aan via meerdere interfaces: een SQL-endpoint voor tools die SQL spreken, een REST API voor eigen applicaties en embedded analytics, en een GraphQL API. Recenter positioneert Cube zich ook richting AI, met een MCP-interface zodat assistenten als Claude of ChatGPT dezelfde gedefinieerde cijfers kunnen opvragen in plaats van zelf iets samen te rekenen.

Het idee blijft telkens hetzelfde: definieer je metrics één keer in code en laat elke front-end erop aansluiten. Cube is niet het enige product in deze hoek, maar wel het bekendste voorbeeld van de headless-gedachte in de praktijk.

Waar moet je op letten bij headless BI

Je hebt een team nodig dat de laag beheert
De definities in code zetten en onderhouden vraagt mensen met SQL- en engineering-gewoontes. Voor een klein team zonder die capaciteit is een alles-in-één-tool vaak realistischer.

Een extra laag is een extra ding dat stuk kan
De semantische laag zit tussen je warehouse en je tools. Valt ze uit of loopt ze traag, dan voelt elk aangesloten rapport dat. Caching en monitoring horen er vanaf dag één bij.