Het antwoord

Een semantische laag zoals Cube zorgt dat al je AI-assistenten, dashboards en rapporten dezelfde definitie van omzet, winstmarge of klantverloop gebruiken, zonder dat je een BI-team nodig hebt om cijfers te blijven controleren. Het probleem is niet dat je data niet klopt, maar dat elke tool zijn eigen interpretatie van dezelfde cijfers hanteert.

Wat er aan de hand is

Cube is een platform dat een universele semantische laag biedt voor AI-gedreven analyses. Het kernprincipe is eenvoudig: definieer een bedrijfsmetriek één keer in het datamodel, en alle downstream-tools — AI-chat, dashboards, embedded analytics, spreadsheets — gebruiken diezelfde definitie. Dr. Jun Huang, Global Head of Data Science bij Alcon, beschrijft dat analisten zonder Cube twintig verschillende queries schreven voor één kernmetriek. Met Cube is die metriek één keer gedefinieerd, en elke tool erft zowel de definitie als de rekenlogica.

Cube integreert met bestaande stackonderdelen zoals ClickHouse voor snelle query-uitvoering. Webflow gebruikt Cube Cloud naast ClickHouse, en Brex verkoos Cube boven dbt’s Semantic Layer en LookML — specifiek omdat de semantische laag AI bruikbaar maakt.

Wat dit betekent

Voor ondernemers zonder BI-team betekent dit dat je niet langer hoeft te kiezen tussen snelheid en betrouwbaarheid. Als je een AI-assistent een vraag stelt over de omzet van vorige maand, en diezelfde vraag stelt in je dashboard, krijg je hetzelfde antwoord. Dat klinkt logisch, maar in de praktijk gebruiken de meeste bedrijven verschillende definities per tool. De ene tool telt alle orders, de andere alleen betaalde orders, en een derde gebruikt een andere margeberekening.

Het gevolg is dat je tijd verliest aan het reconciliëren van cijfers in plaats van aan het vinden van inzichten. En als je AI inzet zonder semantische laag, worden fouten niet kleiner maar groter: het model produceert zelfverzekerde antwoorden die nergens op slaan, maar die je niet kunt verifiëren omdat de definitie nergens vastligt.

Hoe je dit kunt toepassen

Als je een webshop runt met meerdere verkoopkanalen en je gebruikt een AI-assistent voor verkooprapportages, dan is de kans groot dat je cijfers per kanaal verschillen. Je zou kunnen overwegen om een semantische laag in te richten die één definitie van ‘omzet’ hanteert — inclusief retourzendingen, kortingen en betaalmethoden. Zodra die definitie vastligt, gebruiken al je tools dezelfde logica, of je nu rapporteert in Google Data Studio, een AI-chatbot of een spreadsheet.

Als je een team aanstuurt dat met data werkt maar geen specialisten in huis heeft, dan is een semantische laag een manier om fouten te voorkomen zonder dat iedereen data-expert hoeft te worden. Een optie is om te starten met één kernmetriek — bijvoorbeeld ‘actieve klanten’ — en die in een semantisch model vast te leggen. Zodra die definitie klopt, kun je die uitbreiden naar andere metriek zoals klantverloop of gemiddelde orderwaarde.

Als je embedded analytics aan klanten levert en elke klant vraagt om eigen definities, dan wordt het snel complex. Cube biedt multi-tenancy en rij-niveau governance vanuit hetzelfde model, zonder dat je per klant aparte queries hoeft te bouwen. Je zou kunnen overwegen om te beginnen met een proof of concept voor één klantsegment, en de semantische laag daarna uit te rollen naar andere segmenten.

Als je overweegt AI in te zetten voor interne rapportages maar twijfelt over de betrouwbaarheid, dan is een semantische laag een voorwaarde om AI bruikbaar te maken. Zonder die laag produceert AI antwoorden die je niet kunt verifiëren. Met een semantische laag zijn antwoorden traceerbaar en controleerbaar, omdat ze terug te voeren zijn naar dezelfde definitie als je dashboards.

Bron: Martech