Datagedreven werken in het mkb: begin met wat je al hebt

Wat datagedreven werken wel en niet is

Datagedreven werken klinkt als iets voor grote bedrijven met een datateam. In de praktijk betekent het iets eenvoudigers: dat je terugkerende besluiten baseert op actuele cijfers. Neem je iemand aan omdat het druk voelt, of omdat de declarabiliteit drie maanden boven de 85 procent zit? Bel je een klant na omdat je eraan denkt, of omdat de factuur twintig dagen vervallen is en de klant bij de top vijf debiteuren hoort?

Het is dus geen project met een einddatum, maar een gewoonte. Microsoft beschrijft het in zijn adoptieroadmap als een datacultuur: een organisatie waarin mensen vanzelfsprekend naar data grijpen om een beslissing te onderbouwen.

Wat het niet is: zoveel mogelijk dashboards bouwen, een datawarehouse laten ontwikkelen voordat je weet welke vragen je hebt, of elke beslissing uitstellen tot er perfecte data is.

Waarom het in het mkb vaak strandt

De drie meest voorkomende redenen:

1. Data zit verspreid. Facturen in de boekhouding, uren in de urenregistratie, projecten in de projectsoftware, klanten in het CRM. Wie een vraag heeft die twee systemen raakt, moet exporteren en in Excel combineren.
2. Cijfers verschillen per persoon. Sales rapporteert omzet op orderdatum, finance op factuurdatum. Het overleg gaat dan over wie gelijk heeft in plaats van over wat je gaat doen.
3. Rapportages zijn te laat. Een maandrapport dat half de volgende maand klaar is, beschrijft het verleden. Bijsturen kan niet meer.

Geen van deze problemen los je op door meer data te verzamelen. Je lost ze op door bestaande data beter te ontsluiten.

Stap 1: begin bij besluiten, niet bij data

Maak een lijst van vijf besluiten die je elke week of maand neemt. Bijvoorbeeld: welke projecten krijgen extra capaciteit, welke klanten bellen we na, nemen we deze opdracht aan tegen deze prijs, huren we iemand in. Schrijf per besluit op welke informatie je nu mist of te laat hebt.

Dit is de belangrijkste stap. Wie hem overslaat, bouwt dashboards die niemand gebruikt.

Stap 2: kies per besluit één of twee kengetallen

Vertaal elk besluit naar een meetbaar kengetal met een grens. "Projecten die uitlopen" wordt "projecten waarvan meer dan 80 procent van het urenbudget op is bij minder dan 60 procent voortgang". Zie 12 KPI-voorbeelden voor het mkb voor inspiratie.

Stap 3: zoek uit welke software de data al heeft

Voor bijna elk kengetal in een mkb-bedrijf staat de brondata al ergens:

Het ontbrekende stuk is bijna nooit de data zelf, maar de verbinding tussen de systemen.

Stap 4: koppel één keer in plaats van elke maand te exporteren

Een handmatige export is prima voor één analyse. Voor datagedreven werken is het een valkuil, omdat iemand hem elke week opnieuw moet maken. Door de bronsoftware te koppelen, worden de gegevens dagelijks gesynchroniseerd naar één plek. Van daaruit kun je ze gebruiken in dashboards, in Power BI of Excel via OData, of in vragen aan een AI-agent. Begrotingen en doelen upload je als CSV.

Je hoeft daarvoor geen datawarehouse te laten bouwen. Wil je later toch een eigen model in Power BI, dan helpt een sterschema om feiten en dimensies netjes te scheiden.

Wil je zien hoe dit er met je eigen software uitziet? Vraag een demo van 20 minuten aan. We koppelen één bron en laten je eigen cijfers zien, zonder verkooptraject.

Stap 5: leg definities vast

Spreek af wat omzet, marge en een actief project betekenen, en schrijf het op. Kleine verschillen in definitie zijn de belangrijkste reden dat mensen dashboards gaan wantrouwen. Lees meer over een semantische laag voor KPI-definities.

Stap 6: maak er een ritme van

Datagedreven werken wordt pas een gewoonte als de cijfers op een vast moment op tafel liggen. Drie ritmes die in het mkb goed werken:

• Maandagochtend: een automatisch overzicht per e-mail met vijf kengetallen voor het managementteam.
• Wekelijks projectoverleg: de lijst met projecten boven de grens.
• Maandafsluiting: de maandcijfers tegen begroting, met een korte toelichting.

Tussendoor stel je vervolgvragen aan de AI-agent in plaats van een nieuwe export aan te vragen.

Voor de commerciële kant van dit ritme zijn er uitgewerkte voorbeelden per bron: HubSpot koppelen aan Power BI voor pijplijn en scoreratio, Google Analytics 4 in Power BI voor websiteverkeer en conversies, en retaildata in Power BI voor winkels en franchiseketens.

Hoe je weet dat het werkt

Meet na drie maanden drie dingen: hoeveel tijd het maken van rapportages kost, hoe snel een afwijking wordt opgemerkt, en of er besluiten eerder of anders zijn genomen. Als het antwoord op de laatste vraag nee is, ligt het niet aan de data maar aan stap 1.

Weet je nog niet welke vragen je wilt stellen? Begin met 50 vragen aan je bedrijfsdata. Lees ook hoe je bedrijfsdata centraliseert.

De kengetallen uit dit stappenplan komen samen in een KPI dashboard met een doel per KPI.