Datagedreven werken is beslissen op gemeten feiten in plaats van op gevoel of gewoonte. Organisaties groeien daar in vijf niveaus naartoe: van cijfers die per vraag met de hand worden verzameld, via één gedeelde bron met vaste definities, naar cijfers die een vergadering daadwerkelijk van richting laten veranderen.
Die definitie is het makkelijke deel. Vrijwel elke directie onderschrijft hem al, en vrijwel geen enkele organisatie haalt hem helemaal. De rapportages staan er, de cijfers kloppen meestal ook, en toch valt het besluit in de maandvergadering uiteindelijk op de inschatting van degene die er het langst zit.
Dat ligt zelden aan een tekort aan data. Het ligt aan de afstand tussen het cijfer en het besluit: iemand moet het getal opzoeken, iemand anders moet geloven dat het klopt, en tegen de tijd dat die twee rond zijn, is het overleg al doorgelopen naar het volgende agendapunt.
Datagedreven werken is daarom geen knop die je omzet, maar een volgorde die je afloopt. Hieronder staat welke vijf niveaus daartussen zitten, op welk niveau de meeste organisaties beter kunnen stoppen, en met welke stap je maandag begint.
Wat is datagedreven werken precies?
Het komt neer op twee dingen tegelijk: een besluit valt pas nadat het cijfer op tafel ligt, en iedereen aan die tafel kijkt naar hetzelfde cijfer. Het gaat dus niet om meer rapportages, maar om minder discussie over de rapportages die er al zijn.
Drie dingen moeten daarvoor kloppen, en ze staan bewust in deze volgorde:
- Eén plek waar het cijfer vandaan komt. Zolang de omzet uit drie systemen kan komen, gaat elk gesprek over de bron in plaats van over de uitkomst. Dat is wat één versie van de waarheid betekent: één definitie, één herkomst.
- Een afspraak over wat het cijfer betekent. Telt een order mee op het moment van de opdracht of op het moment van levering? Zit btw erin? Zonder dat antwoord blijft elke rapportage een interpretatie.
- Een besluit dat eraan vastzit. Een getal dat niemand tot iets verplicht, is rapportage. Pas als het gedrag erop verandert, is het stuurinformatie.
Datagestuurd werken wordt vaak als synoniem gebruikt, en in het Nederlands is dat het ook. Waar mensen wél iets anders bedoelen, is bij data-geïnformeerd werken: daar weegt het cijfer zwaar mee, maar het beslist niet in zijn eentje. Voor de meeste organisaties is dat trouwens precies het punt waar je wilt uitkomen, want marktkennis en ervaring zijn ook data, alleen niet gemeten.
Waarom datagedreven werken zo vaak strandt
Er is de afgelopen tien jaar geen organisatie bijgekomen die mínder data heeft dan tien jaar geleden. Het aantal besluiten dat op een gemeten feit rust, is in diezelfde periode nauwelijks meegegroeid. Daar zit de kern van het probleem: het tekort zit niet in de data, het zit in cijfers die iedereen vertrouwt en waar iemand zich aan verbindt.
Hoe scheef dat verdeeld is, laat Eurostat zien. In 2025 analyseerde 33,02 procent van de EU-bedrijven met tien of meer medewerkers data met eigen mensen. Bij grote bedrijven was dat 78,84 procent, bij kleine 27,86 procent, en die verdeling per bedrijfsgrootte staat in de Europese cijfers over digitalisering. Bijna drie keer zoveel dus, terwijl beide groepen in vergelijkbare systemen werken en dezelfde soort transacties vastleggen. Wat de grote bedrijven extra hebben, is geen data. Het is capaciteit om er iets mee te doen.
In het MKB loopt het meestal op drie dingen vast:
- De bronnen staan los van elkaar. Verkoop in het CRM, facturen in de boekhouding, uren in weer een ander pakket. Elk systeem heeft gelijk over zijn eigen stukje en niemand heeft gelijk over het geheel.
- Niemand is eigenaar van een definitie. Zonder eigenaar verandert de betekenis van een kpi stilletjes mee met wie hem berekent, en merkt niemand dat tot twee rapportages elkaar tegenspreken.
- Het ligt bij iemand die er geen tijd voor heeft. Datagedreven werken belandt vaak bij de collega die toevallig goed is met Excel, naast zijn eigenlijke werk. Dat houdt precies zolang stand als zijn agenda het toelaat.
De vijf niveaus van datavolwassenheid
Datavolwassenheid is niets anders dan het antwoord op de vraag hoever je bent. Er bestaan tientallen modellen en ze verschillen minder van elkaar dan hun namen doen vermoeden. Zo zien de vijf niveaus er in de praktijk uit:
- Niveau 1, ad hoc. Elke vraag om een cijfer is een klusje. Iemand exporteert, plakt en rekent na. Het antwoord klopt meestal wel, maar het is twee dagen later en niemand kan het herhalen.
- Niveau 2, herhaalbaar. Er ligt een vaste maandrapportage. Nog steeds handwerk, maar de opzet staat vast en de maanden zijn met elkaar te vergelijken.
- Niveau 3, gedeeld. De bronnen komen samen in één model, de definities liggen vast en iedereen kijkt naar hetzelfde scherm. Dit is het niveau waarop de discussie over welk cijfer klopt ophoudt.
- Niveau 4, sturend. De cijfers zitten in het ritme van de organisatie. Elke kpi heeft een eigenaar, een norm en een afgesproken moment waarop er iets gebeurt zodra die norm niet gehaald wordt.
- Niveau 5, voorspellend. Modellen kijken vooruit en geven een signaal voordat het misgaat. Dat vraagt schone historie en mensen die kunnen beoordelen of de uitkomst hout snijdt.
Microsoft hanteert een vergelijkbare indeling voor Power BI en Fabric en beschrijft per niveau wat je in de organisatie ziet gebeuren. Het nut van zo’n model zit niet in het stempel dat je jezelf geeft. Het zit erin dat je ziet welk niveau je niet kunt overslaan.
Op welk niveau moet je stoppen?
Hier gaat het bij de meeste trajecten mis, en niet omdat de ambitie te laag is. Voor een organisatie van vijftig tot tweehonderd mensen zit vrijwel alle winst tussen niveau twee en niveau vier. De sprong van “iedereen zijn eigen cijfer” naar “één cijfer met een eigenaar” verandert de manier waarop je stuurt. De sprong van vier naar vijf verandert vooral je IT-begroting.
Niveau vijf is dus geen diploma dat elke organisatie hoort te halen, het is een investering die zich moet terugverdienen op een concrete voorspelling: hoeveel voorraad, hoeveel uitval, hoeveel capaciteit volgende maand. Kun je die vraag niet in één zin stellen, dan is het er nog geen tijd voor.
Wie op niveau één toch een voorspelmodel laat bouwen, krijgt precies waar hij om vroeg: een computer die met grote stelligheid het verkeerde getal voorspelt.
Hoe begin je met datagedreven werken?
Niet met een tool. Begin bij één beslissing die beter moet, en werk van daaruit terug.
Dat klinkt abstract tot je het invult. Een financieel directeur wil niet zes weken na de maandafsluiting horen dat de marge is weggelopen, maar op het moment dat het gebeurt. Een operationeel directeur wil weten wáár in het proces de vertraging ontstaat, niet dát er vertraging is. Een algemeen directeur wil van elke groeiende omzetstroom weten of er onderaan de streep ook iets van overblijft. Drie rollen, drie heel verschillende eerste vragen, en dus drie verschillende eerste projecten.
Zodra die vraag scherp is, volgt de rest daaruit:
- Leg de definities vast voordat je iets bouwt. Schrijf op wat omzet is, wat marge is en over welke periode je meet. Dit kost een middag en voorkomt het grootste deel van het herstelwerk verderop.
- Ontsluit alleen de bronnen die deze beslissing raken. Niet het hele systeemlandschap, alleen de twee of drie bronnen waar deze kpi’s in zitten. De rest komt bij de volgende vraag.
- Bouw de kleinste versie die het besluit kan veranderen. Eén scherm met de cijfers die ertoe doen is genoeg om te toetsen of er ook echt anders wordt besloten. Hoe zo’n eerste versie eruitziet en wat die kost, staat in ons artikel over een Power BI dashboard laten maken.
- Zet het in het ritme. Een cijfer dat niet op een vast moment wordt besproken, wordt niet besproken. Voor de financiële kant is dat meestal de maandelijkse cijferbespreking, waar een financieel dashboard de plek van het handwerk inneemt.
- Wijs per kpi een eigenaar aan. Iemand met een naam, niet een afdeling. Die persoon bewaakt de definitie en legt uit wat er gebeurt als de norm niet gehaald wordt.
Microsoft noemt dat laatste stuk gegevenscultuur en wijdt er een eigen handleiding aan, wat aangeeft hoe vaak dit de smalste schakel is. De techniek staat er meestal binnen weken. Het ritme eromheen is het echte werk.
Wanneer je er beter niet aan begint
Er zijn drie situaties waarin wij een organisatie afraden om nu aan datagedreven werken te beginnen:
- Er hangt geen besluit aan. Als niemand kan benoemen wat er anders gaat zodra het cijfer bekend is, bouw je een rapportage die alleen bevestigt wat je al dacht.
- De bronregistratie klopt niet. Worden orders inconsistent ingevoerd of uren nauwelijks geboekt, dan maakt een dashboard die rommel alleen zichtbaarder en sneller. Eerst het invoerproces, dan de rapportage.
- Niemand heeft er tijd voor. Zonder iemand die de definities bewaakt en de cijfers in de vergadering brengt, is elke oplevering het startpunt van verval.
In alle drie de gevallen is het antwoord niet “nooit”, maar “eerst iets anders”. Een partij die daaroverheen stapt en toch begint, levert je een omgeving op die je over een jaar niet meer gebruikt en nog wel betaalt. Onze aanpak begint daarom met die vraag en niet met een demo.
Wat er verandert als het werkt
Het verschil is in één vergadering te zien. Eerst ging het eerste kwartier over de vraag of het cijfer wel klopte en de rest van het uur over de uitleg. Daarna staat het cijfer er, is het vooraf gezien, en gaat het gesprek over wat je eraan gaat doen.
Verder verandert er minder dan mensen verwachten, en dat is precies de bedoeling. Je vergadert niet vaker, je rapporteert niet meer, en er komt geen extra systeem bij waar iedereen in moet leren werken. Wat verdwijnt, is de voorbereiding: de export, de handmatige correctie en het kwartier waarin drie mensen hun eigen versie verdedigen.
Wat je ervoor terugkrijgt, is tijd op de plek waar die het meeste waard is, namelijk vóór het besluit in plaats van erna. Wat business intelligence daar precies aan bijdraagt en waar het ophoudt, leggen we uit op onze pagina over BI.
Valt het besluit bij jullie op basis van het cijfer, of op basis van wie het het overtuigendst brengt? Wil je weten op welk niveau je organisatie nu staat en wat de eerstvolgende stap oplevert? Neem contact op, dan lopen we het samen door.
Veelgestelde vragen
Wat is datagedreven werken?
Datagedreven werken is beslissen op gemeten feiten in plaats van op gevoel of gewoonte. In de praktijk betekent het dat het cijfer op tafel ligt vóór het besluit valt, dat iedereen naar dezelfde bron kijkt, en dat er een afspraak hangt aan wat er gebeurt als het cijfer een kant op beweegt.
Wat is het verschil tussen datagedreven en datagestuurd werken?
In het Nederlands worden ze door elkaar gebruikt en betekenen ze hetzelfde. Een echt verschil zit tussen datagedreven en data-geïnformeerd: bij het eerste is het cijfer doorslaggevend, bij het tweede weegt het mee naast marktkennis en ervaring. Voor de meeste organisaties is die tweede vorm het realistische eindpunt.
Hoe meet je de datavolwassenheid van je organisatie?
Door te kijken hoe een cijfer bij een besluit terechtkomt, niet door te tellen hoeveel dashboards er zijn. Wordt het per vraag met de hand verzameld, dan zit je op niveau één. Komt het uit één gedeeld model met vaste definities, dan zit je op niveau drie. Heeft elke kpi een eigenaar en een norm, dan zit je op niveau vier.
Waar begin je met datagedreven werken?
Bij één beslissing die beter, sneller of scherper moet worden, niet bij een tool. Leg vast welke cijfers die beslissing bepalen, spreek af wat ze precies betekenen, en ontsluit alleen de bronnen die daarvoor nodig zijn. Een eerste werkende versie staat er dan binnen weken in plaats van maanden.
Wat zijn de grootste valkuilen van datagedreven werken?
Beginnen bij de tool in plaats van bij de beslissing, data verzamelen zonder dat er iets aan vastzit, en het bij één handige collega neerleggen naast zijn eigenlijke werk. Alle drie leveren ze hetzelfde op: een omgeving die technisch klopt en die na een paar maanden niemand meer opent.
Heb je een datastrategie nodig om datagedreven te werken?
Niet vooraf, wel snel daarna. Voor je eerste project is één concrete stuurvraag genoeg. Zodra er een tweede en derde bij komen, bepaalt een datastrategie welke bronnen, definities en vaardigheden je nodig hebt, zodat je niet per vraag opnieuw begint.
Moet datagedreven werken bij IT liggen?
IT levert de techniek, maar de definities en de normen horen bij de mensen die op die cijfers sturen. Ligt het eigenaarschap volledig bij IT, dan krijg je rapportages die technisch kloppen en die in de directievergadering geen enkel besluit veranderen.
