Wie start met data-gedreven werken, loopt al snel tegen dezelfde vraag aan: welke data is nu eigenlijk relevant? Veel organisaties verzamelen data die niemand gebruikt, terwijl de cijfers die écht tot betere beslissingen leiden, ontbreken. In dit artikel leggen we uit welke drie soorten data je nodig hebt om een beslissing daadwerkelijk te onderbouwen, met een concreet rekenvoorbeeld uit de praktijk.
Wat zijn 3 soorten data voor besluitvorming?
Voor onderbouwde besluitvorming heb je doorgaans drie soorten data nodig: beschrijvende data (wat is er gebeurd), diagnostische data (waarom is het gebeurd) en voorspellende data (wat gaat er waarschijnlijk gebeuren). Samen geven ze niet alleen een beeld van het verleden, maar ook richting voor de volgende stap.
Deze indeling sluit aan bij hoe data-analyse in de praktijk wordt toegepast: eerst vaststellen wat er is gebeurd, dan begrijpen waarom, en vervolgens inschatten wat er gaat gebeuren. Bij Oakleaf Analytics gebruiken we deze driedeling als uitgangspunt bij vrijwel elk traject, omdat het bedrijven helpt om niet te verdrinken in data, maar gericht te kijken naar wat een beslissing daadwerkelijk beter maakt.
Beschrijvende data: wat is er gebeurd?
Beschrijvende data is de basis van elk datagedreven proces. Het gaat om feitelijke, historische gegevens: omzetcijfers, aantal support tickets, doorlooptijden, verzuimpercentages of klantretouren. Deze data vertelt je wát er is gebeurd, maar geeft nog geen verklaring.
Voorbeelden van beschrijvende data die veel organisaties al beschikbaar hebben:
- Verkoopcijfers per maand, regio of productgroep
- Aantal binnengekomen leads of offertes
- Gemiddelde levertijd of doorlooptijd van een proces
- Personeelsverloop of ziekteverzuim over een bepaalde periode
Deze cijfers zijn vaak al aanwezig in bestaande systemen, zoals een CRM, ERP of simpelweg in Excel. Het probleem is meestal niet dat deze data ontbreekt, maar dat ze versnipperd is of niet consequent wordt gebruikt om beslissingen te onderbouwen.
Diagnostische data: waarom gebeurde het?
Diagnostische data verklaart de patronen die je in beschrijvende data ziet. Waar beschrijvende data laat zien dát de omzet in een bepaalde regio daalt, laat diagnostische data zien waarom: bijvoorbeeld doordat een specifieke klantgroep afhaakt, of doordat de levertijd in die regio structureel langer is.
In de praktijk combineer je hiervoor meerdere databronnen. Denk aan klantdata gekoppeld aan verkoopdata, of personeelsdata gekoppeld aan verzuimpatronen. Pas door die koppeling ontstaat inzicht in oorzaak en gevolg, in plaats van alleen een constatering.
Voorspellende data: wat gaat er waarschijnlijk gebeuren?
Voorspellende data gebruikt historische patronen om een inschatting te maken van de toekomst. Dit is de stap waarin machine learning en AI vaak een rol spelen, bijvoorbeeld bij het voorspellen van vraag, doorlooptijd of het risico dat een klant of medewerker vertrekt.
Belangrijk om te beseffen: voorspellende data is geen vervanging van de eerste twee soorten, maar bouwt erop voort. Zonder betrouwbare beschrijvende en diagnostische data heeft een voorspelling weinig waarde, hoe geavanceerd het model ook is.
Rekenvoorbeeld: van drie databronnen naar een betere beslissing
Om te laten zien hoe deze drie soorten data in de praktijk samenkomen, werken we een voorbeeld uit. Stel dat een groothandel met 40 medewerkers worstelt met een terugkerend probleem: te veel voorraad van bepaalde artikelen, terwijl andere producten juist vaak uitverkocht zijn.
Beschrijvende data: het magazijnsysteem laat zien dat de voorraadwaarde van slecht verkopende artikelen in de afgelopen twaalf maanden is opgelopen van 80.000 naar 140.000 euro, terwijl bij 15 procent van de bestellingen een populair artikel niet op voorraad was.
Diagnostische data: door verkoopdata te koppelen aan inkoophistorie en seizoenspatronen blijkt dat de inkoop grotendeels op ervaring gebeurt, zonder rekening te houden met actuele verkooptrends per product. Bepaalde artikelen worden stelselmatig te vroeg of te laat besteld.
Voorspellende data: op basis van historische verkoopcijfers, seizoensinvloeden en levertijden van leveranciers wordt een eenvoudig voorspellingsmodel gebouwd dat per artikel een verwachte vraag voor de komende acht weken berekent.
Stel dat deze combinatie van data leidt tot een aanpassing van het inkoopproces, waarbij bestellingen voortaan op basis van de voorspelling worden geplaatst in plaats van op ervaring. Als de overtollige voorraad daalt met 30.000 euro en het aantal misgelopen verkopen door “niet op voorraad” halveert, is het effect direct meetbaar in twee cijfers: minder kapitaal vast in voorraad, en minder omzetverlies door tekorten. Dit is een voorbeeldberekening met aannames; het daadwerkelijke effect verschilt per organisatie en vraagt eigen meting.
Dit voorbeeld laat ook zien waarom vraagvoorspelling een van de AI-toepassingen is die verspilling vermindert en planning voorspelbaarder maakt: het combineert precies deze drie datasoorten in één toepassing. Wil je zien hoe dit er in de praktijk uitziet, dan is de interactieve demo van vraagvoorspelling een goed startpunt.
Hoe bepaal je welke data je daadwerkelijk nodig hebt?
Niet elke organisatie heeft dezelfde data nodig. Wat relevant is, hangt volledig af van de beslissing die je wilt verbeteren. In plaats van te starten met een groot dataplatform, adviseren wij om te beginnen bij één concrete, terugkerende bedrijfsbeslissing, bijvoorbeeld welke leads prioriteit krijgen, waar marketingbudget naartoe gaat, of welke klanten dreigen af te haken.
Vanuit die ene beslissing bepaal je vervolgens welke 2 à 5 gegevens nodig zijn om die beslissing aantoonbaar beter te nemen, en maak je die gegevens consequent inzichtelijk. Zo wordt datagedreven werken een praktische verbetering van de dagelijkse besluitvorming, in plaats van een IT-project dat maanden duurt voordat het iets oplevert.
Een veelgemaakte fout is dat organisaties eerst alle beschikbare data willen verzamelen en structureren, voordat ze bepalen welke beslissing ze willen verbeteren. Dat kost tijd, levert onduidelijkheid op over prioriteiten, en resulteert vaak in een dashboard dat niemand echt gebruikt. Wij zien in de praktijk dat het omgekeerde beter werkt: start bij de beslissing, en werk van daaruit terug naar de benodigde data.
Welke tools passen bij welke databehoefte?
Voor de meeste eerste trajecten is uitgebreide data-infrastructuur niet nodig. Wij kiezen doorgaans voor laagdrempelige tools die aansluiten op wat een organisatie al gebruikt, zoals Power BI, Looker Studio of eenvoudige dashboards bovenop bestaande databases of Excel-bestanden. De eenvoudigste oplossing waarmee een beslisser snel en betrouwbaar het juiste inzicht krijgt, heeft de voorkeur boven een complexe technische oplossing.
Pas wanneer is getoetst of dat initiële inzicht daadwerkelijk tot betere beslissingen leidt, overweeg je verdere automatisering, systeemkoppelingen of uitgebreidere data-infrastructuur. Een uitgebreide vergelijking van de belangrijkste categorieën vind je in ons overzicht van data-analyse tools voor besluitvorming.
Signalen dat je de verkeerde data gebruikt
Sommige signalen laten zien dat een organisatie wel data verzamelt, maar deze niet effectief inzet voor besluitvorming. Denk aan beslissingen die worden onderbouwd met uitspraken als “dit werkt bij ons altijd zo”, terwijl relevante data wél aanwezig is maar nauwelijks wordt benut.
Andere veelvoorkomende signalen zijn versnipperde Excel-bestanden, meerdere versies van dezelfde KPI in omloop, en vergaderingen die vooral gaan over de juistheid van cijfers in plaats van over de betekenis ervan. Herken je deze situatie, dan is dat vaak een teken dat de basis, de datakwaliteit, eerst op orde moet zijn voordat de drie datasoorten effectief kunnen worden ingezet. Meer hierover lees je in ons artikel over het verbeteren van datakwaliteit voor betrouwbare besluitvorming.
Van data naar structurele besluitvorming
De drie soorten data, beschrijvend, diagnostisch en voorspellend, vormen samen een compleet beeld: wat is er gebeurd, waarom, en wat gebeurt er waarschijnlijk. Losse cijfers zonder deze samenhang leveren zelden een betere beslissing op. Pas wanneer je vooraf vaststelt wat “beter beslissen” concreet betekent, bijvoorbeeld tijdsbesparing, hogere conversie of lagere kosten, kun je na verloop van tijd ook daadwerkelijk meten of de nieuwe aanpak werkt.
Wil je weten hoe je deze aanpak stap voor stap opbouwt in je eigen organisatie? In ons pillar-artikel over data-gedreven besluitvorming: van intuïtie naar inzicht gaan we dieper in op de bredere implementatie, inclusief een rekenvoorbeeld van de ROI en een checklist om te bepalen of je organisatie klaar is voor de volgende stap.
Wij helpen organisaties bij het bepalen van precies deze databehoefte, van een AI-readiness assessment tot een concrete roadmap voor implementatie. Op onze pagina over onze expertise lees je hoe wij dit traject vormgeven, van strategie tot daadwerkelijke uitvoering.
Veelgestelde vragen
Wat is het verschil tussen beschrijvende en voorspellende data?
Beschrijvende data laat zien wat er in het verleden is gebeurd, bijvoorbeeld verkoopcijfers of doorlooptijden. Voorspellende data gebruikt die historische patronen om een inschatting te maken van wat er in de toekomst waarschijnlijk gaat gebeuren.
Heb ik alle drie de soorten data nodig om datagedreven te werken?
Niet per se voor elke beslissing. Voor eenvoudige, operationele keuzes volstaat vaak beschrijvende data, terwijl complexere vraagstukken, zoals klantverloop voorspellen, ook diagnostische en voorspellende data vereisen.
Waar vind ik de data die ik nodig heb?
In veel gevallen is de benodigde data al aanwezig in bestaande systemen, zoals een CRM, ERP, boekhoudpakket of Excel-bestanden. De uitdaging zit meestal niet in het verzamelen van nieuwe data, maar in het consequent en overzichtelijk inzichtelijk maken van wat er al is.
Wat is het verschil tussen data-gedreven en data-geïnformeerde besluitvorming?
Bij data-gedreven besluitvorming is data de doorslaggevende factor in de beslissing, terwijl bij data-geïnformeerde besluitvorming data één van de input is naast ervaring en context. Het verschil en de afweging tussen beide aanpakken staat uitgebreid beschreven in ons artikel over data-gedreven versus data-geïnformeerde besluitvorming.
Hoeveel data heb ik minimaal nodig om te starten?
Vaak volstaan 2 tot 5 concrete gegevens die direct gekoppeld zijn aan één beslissing die je wilt verbeteren. Meer data betekent niet automatisch een betere beslissing; relevantie en betrouwbaarheid wegen zwaarder dan volume.
Lees ook ons uitgebreide overzichtsartikel: bekijk het complete overzicht.