Voorbij het dashboard: de realiteit van Conversational Analytics (en hoe je het écht werkend krijgt)

Jarenlang was het dashboard het ultieme doel van business intelligence. Maar nu de snelheid van zowel het bedrijfsleven als AI-ontwikkelingen toeneemt, verliest dit traditionele model steeds meer relevantie.

We bevinden ons aan de vooravond van het tijdperk van conversational analytics, maar om dit succesvol in te zetten is meer nodig dan simpelweg een AI-model aan je database koppelen.

Laten we eerlijk zijn: Dashboards zijn geweldig, totdat niemand er meer naar kijkt nadat er veel tijd en budget in is geïnvesteerd.

Ze zijn namelijk perfect ontworpen om de vragen te beantwoorden waarvan je gisteren al wist dat je ze had. Maar zodra een marketingdirecteur of CEO een vervolgvraag stelt die niet vooraf in het dashboard is ingebouwd, loopt het proces vast. Er moet een nieuw verzoek worden ingediend, het datateam raakt overbelast en de stakeholder wacht dagen op een antwoord dat eigenlijk direct nodig was.

De voorgestelde oplossing? Conversational analytics. Het idee is eenvoudig: gebruikers stellen hun vragen in gewone mensentaal en krijgen direct antwoord. Vervolgens kunnen ze doorvragen op basis van dat antwoord, net zoals in een normaal gesprek. Hoewel indrukwekkende AI-demo’s doen vermoeden dat dit eenvoudig te realiseren is, blijkt de praktijk een stuk ingewikkelder.

Dit is waarom Big Tech hier nog steeds mee worstelt, en hoe vooruitstrevende bedrijven het nu al succesvol in de praktijk brengen.

De illusie van een plug-and-play AI-oplossing

Veel organisaties denken dat ze een Large Language Model (LLM) rechtstreeks kunnen aansluiten op hun datawarehouse. In de praktijk leidt dat bijna altijd tot problemen, om drie belangrijke redenen:

1. Het betrouwbaarheidsprobleem
Taalmodellen zijn voorspellende systemen. Ze berekenen welk woord waarschijnlijk als volgende komt. Voor zakelijke besluitvorming is dat echter niet voldoende.

Wanneer een directieteam vraagt naar de omzet van het derde kwartaal, is een waarschijnlijk antwoord niet goed genoeg. Ze verwachten exacte cijfers. Zodra een AI een KPI verzint, een foutieve SQL-query genereert of een onjuist antwoord geeft, verdwijnt het vertrouwen direct.

2. Complex gegevensschema
Bedrijfsdata is zelden netjes georganiseerd. Tabellen bevatten vaak cryptische afkortingen, missen relaties of vereisen ingewikkelde koppelingen tussen datasets.

Zonder duidelijke context heeft een AI geen idee hoe de data werkelijk samenhangt. Het risico dat verkeerde tabellen worden gecombineerd of verkeerde conclusies worden getrokken is daardoor groot.

3. Beveiliging en governance
Je kunt een AI niet onbeperkt toegang geven tot je data warehouse. Organisaties moeten zeer strikte toegangsrechten en controlemechanismen inrichten om ervoor te zorgen dat gebruikers uitsluitend gegevens kunnen zien waarvoor zij geautoriseerd zijn. Zonder die waarborgen vormt conversational analytics een serieus risico voor beveiliging en compliance.

In de praktijk: het Google Cloud-ecosysteem en toepassingsvoorbeelden

Voor organisaties die werken binnen het Google Cloud-ecosysteem is deze ontwikkeling inmiddels volop gaande. Er bestaan verschillende manieren om conversational analytics toe te passen: van maatwerkoplossingen tot volledig geïntegreerde tools.

1. GA Advisor
Voor gebruikers van Google Analytics heeft Google de GA Advisor geïntroduceerd. Deze oplossing, aangedreven door Gemini, maakt het mogelijk om direct in Google Analytics vragen te stellen via de zoekbalk.

De Roadmap

De eerste preview-versie verscheen eind 2024 en richtte zich vooral op eenvoudige historische analyses, zoals:

“Waarom daalde het verkeer afgelopen dinsdag?”

De roadmap laat zien dat Google de functionaliteit steeds verder uitbreidt richting voorspellende analyses. In de toekomst zal de Advisor niet alleen verklaren waarom verkeer is afgenomen, maar ook proactief aanbevelingen doen, bijvoorbeeld over het verschuiven van advertentiebudgetten op basis van verwachte klantuitval.

2. Open agent-frameworks en directe LLM-integraties (MCP & API’s)
Je hoeft niet afhankelijk te zijn van de gebruikersinterface van één leverancier om conversational analytics te benutten.

Steeds meer organisaties bouwen een architectuur waarmee onafhankelijke AI-modellen of externe agents rechtstreeks met datasets kunnen communiceren. Dit gebeurt bijvoorbeeld via het Model Context Protocol (MCP) of aangepaste API-middleware.

De Slack Google Analytics AI Bot (maatwerk middleware)

Soms is de beste gebruikersinterface simpelweg de tool die medewerkers al dagelijks gebruiken. Wij ontwikkelden een maatwerkapplicatie in Node.js die Slack, de Google Analytics 4 Data API en Google Gemini met elkaar verbindt.

Achter de schermen verloopt het proces als volgt:

• Een gebruiker stelt een vraag in gewone taal via Slack.
• Gemini vertaalt deze vraag naar een gestructureerde data-opdracht.
• De GA Data API haalt de benodigde gegevens op.
• De resultaten worden terugvertaald naar een begrijpelijk antwoord, inclusief een overzichtelijke tabel.

Voor snelle inzichten voelt dit bijna magisch. Stel je voor dat een accountmanager tijdens een klantgesprek gevraagd wordt:

“Wat was vorige week ons mobiele conversiepercentage?”

In plaats van te moeten zeggen dat dit nagezocht moet worden door het datateam, kan de accountmanager de bot in Slack raadplegen en binnen enkele seconden het juiste antwoord teruggeven.

De beperkingen

Het is wel belangrijk om de grenzen van zo’n oplossing te begrijpen. Deze bot is ontwikkeld voor snelle controles en managementinzichten, niet voor diepgaande exploratieve analyses.

GA kent bijvoorbeeld complexe regels rondom zogenaamde “scopes”. Het combineren van gebruikersdimensies met event-metrics kan ervoor zorgen dat een query ongeldig wordt. Zonder extra beveiligingslagen zou een AI hierdoor gemakkelijk foutieve antwoorden genereren. Daarom hebben we de bot beperkt tot een zorgvuldig samengestelde lijst van veilige metrics en dimensies. Daarmee ontstaat een lichte semantische laag die voorkomt dat de AI buiten de gebaande paden treedt.

3. BigQuery Agents
Met BigQuery Conversational Analytics zet Google een grote stap verder dan traditionele text-to-SQL-oplossingen. Hier wordt een geavanceerde AI-redeneringslaag rechtstreeks geïntegreerd binnen het datawarehouse.

Deze agents functioneren als gespecialiseerde assistenten die werken binnen duidelijke en streng gecontroleerde kaders.

Kennisbronnen

Beheerders bepalen expliciet welke tabellen, views en functies beschikbaar zijn voor de agent. Hierdoor krijgt de AI geen toegang tot irrelevante, verouderde of niet-geautoriseerde datasets.

Instructies en bedrijfswoordenboeken

Een generieke AI kent niet automatisch de interne definitie van uw bedrijf van een „high-ticket-klant“ of „actieve gebruiker“. Met BigQuery kunnen datateams expliciete systeeminstructies, synoniemen en bedrijfswoordenlijsten invoeren. U kunt standaardgedrag vastleggen, bijvoorbeeld door de agent expliciet op te dragen testaccounts altijd uit te sluiten, bepaalde kolommen voorrang te geven of specifieke join-paden tussen complexe tabellen te gebruiken.

Verified Queries

Voor cruciale financiële of marketing-KPI’s is elke vorm van gokwerk onacceptabel. Met Verified Queries kunnen dataspecialisten vooraf goedgekeurde SQL-queries koppelen aan veelgestelde vragen. Wanneer een CMO bijvoorbeeld vraagt om een “Quarterly Profit Analysis”, hoeft de AI niet zelf te redeneren welke query nodig is. De vraag wordt direct gekoppeld aan een vooraf gevalideerde SQL-query, waardoor het resultaat altijd consistent en betrouwbaar is.

De intelligentie beschikbaar maken binnen de hele organisatie

Deze agents zijn niet uitsluitend bruikbaar binnen de BigQuery-omgeving. Zodra een agent is getest en gepubliceerd, kan deze organisatiebreed worden ingezet. Zo kunnen marketeers en businessgebruikers dezelfde gecontroleerde agent gebruiken vanuit Data Studio naast hun bestaande dashboards. Daarnaast kunnen ontwikkelaars via de Conversational Analytics API en de Agent Development Kit (ADK) deze intelligente data-agents integreren in maatwerkapplicaties en interne platformen.

Wanneer gebruik je welke oplossing?

Een slimme evolutie van data-analyse

Conversational AI komt niet om de baan van de data-analist over te nemen. Het is bedoeld om de handmatige aspecten van het werk over te nemen. Het doel van deze overgang is het automatiseren van de repetitieve, ad-hocverzoeken die data-pijplijnen vaak verstoppen.

Om vertrouwen te wekken in deze AI-gestuurde inzichten is de ontwikkeling nodig van een robuuste architectuur die in staat is tot volledig contextueel begrip, waardoor ‘hallucinaties’ worden voorkomen, met name wanneer belanghebbenden vragen stellen over gevoelige informatie zoals financiële prestaties, waarvoor nauwkeurige gegevensresultaten vereist zijn.

Klaar om niet langer te wachten op dashboards en een dialoog met je data aan te gaan?

Als je Conversational Analytics op een veilige manier wilt implementeren binnen je eigen bedrijfsprojecten is het belangrijk om klein te beginnen en zo min mogelijk fouten in het begin te maken om draagvlak te behouden. Vind een data partij voor deskundige ondersteuning bij het ontwerpen van de juiste AI-redeneringspijplijnen, het opzetten van bedrijfsbrede waarborgen en het omvormen van je data warehouse tot een dynamische conversatiemotor.

 

Over de auteur: Daniel Fernández is Data & Analytics Consultant bij TRKKN