Is je semantisch model in Power BI klaar voor AI?

De meeste semantische modellen in Power BI zijn gebouwd voor rapporten die mensen lezen. Het model bevat de metingen en relaties. De rest van de uitleg staat in het rapport, of zit in het hoofd van degene die ermee werkt.

Dat ging lange tijd goed. Mensen begrijpen de context en vullen ontbrekende informatie zelf aan. Maar zodra AI rechtstreeks vragen stelt aan je model, valt een deel van die context weg.

Denk aan Copilot in Power BI of AI-agents die via MCP (Model Context Protocol) met je data werken. Zij kunnen het model raadplegen zonder het rapport te gebruiken zoals een medewerker dat doet. Wat alleen in een paginatitel, tekstvak of mondelinge toelichting staat, is dan niet vanzelfsprekend beschikbaar.

Wil je betrouwbare antwoorden van AI? Dan moet je semantisch model duidelijk maken wat je cijfers betekenen.

Moet een analist het rapport toelichten? Dan ontbreekt er nog context

Een goed Power BI-rapport bevat vaak meer informatie dan het onderliggende model.

De paginatitel vermeldt dat interne verkopen tussen groepsmaatschappijen niet meetellen. Een paginafilter sluit testklanten uit. Onder een grafiek staat dat de cijfers van de lopende maand pas na de maandafsluiting definitief zijn. En door de indeling kijk je eerst naar de totale omzet en daarna naar de verkochte aantallen.

Dat zijn geen losse vormgevingskeuzes. Ze bepalen hoe je de cijfers moet interpreteren. Toch staat die informatie vaak alleen in het rapport, omdat dat tot nu toe de plek was waar iedereen de data gebruikte.

Daarnaast is er kennis die nergens is vastgelegd. De analist weet dat de meting ‘Omzet v2’ verouderd is. Dat creditnota’s soms in een andere maand worden geboekt dan de oorspronkelijke factuur. En dat de cijfers van één bedrijfsonderdeel altijd een week later binnenkomen.

Collega’s kunnen om uitleg vragen. Een AI-agent heeft die achtergrondkennis niet vanzelf.

Rapportagelaag, semantische laag en semantisch model: wat is het verschil?

De rapportagelaag is wat gebruikers zien: de rapporten, dashboards en visualisaties waarmee je data presenteert.

De semantische laag legt vast wat de data betekent. Hier definieer je begrippen, berekeningen en relaties, zodat iedereen met dezelfde uitgangspunten werkt.

Het semantisch model is de concrete uitwerking daarvan. Het brengt tabellen, relaties, metingen, berekeningen en hiërarchieën samen. In Power BI heette dit vroeger een dataset.

Wat AI uit je Power BI-model kan halen

Welke informatie een AI-toepassing kan gebruiken, hangt af van de toepassing, de koppeling en de toegangsrechten. Bij vragen aan een semantisch model spelen onder meer de namen en beschrijvingen van tabellen, kolommen en metingen een belangrijke rol.

Maar uitleg die alleen in het rapport staat, wordt niet automatisch meegenomen wanneer een agent het model rechtstreeks bevraagt.

Welke van de vijf omzetmetingen moet de agent kiezen? Betekent de waarde ‘3’ in ‘Status_cd’ dat een bestelling is afgerond of juist geannuleerd? En zijn de cijfers van deze maand al compleet?

Zonder duidelijke definities kan de agent een berekening technisch correct uitvoeren en toch een antwoord geven dat niet past bij de vraag.

Een ervaren analist herkent misschien dat het bedrag afwijkt van wat gebruikelijk is. Van een AI-agent kun je niet verwachten dat die dezelfde controles uitvoert als je ze nergens hebt vastgelegd.

Daar zit de verandering: het model moet ook begrijpelijk zijn zonder iemand die het rapport toelicht.

Zeven verbeteringen om je semantisch model klaar te maken voor AI

1. Geef tabellen, kolommen en metingen een duidelijke beschrijving

Power BI heeft al jaren een beschrijvingsveld. Toch blijft dat in veel modellen leeg. Daarmee laat je een kans liggen om zowel gebruikers als AI meer context te geven.

Een goede beschrijving vertelt wat een meting berekent, wat wel en niet meetelt en wanneer je de meting gebruikt.

Bijvoorbeeld:

‘Netto-omzet exclusief btw en interne verkopen tussen groepsmaatschappijen, na aftrek van creditnota’s. Gebruik deze meting voor algemene vragen over omzet.’

Die omschrijving moet natuurlijk aansluiten op de definitie die jouw organisatie hanteert.

Zo pak je het aan: inventariseer met Tabular Editor welke metingen nog geen beschrijving hebben. Werk je met een Power BI-project in .pbip-formaat en TMDL-bestanden? Dan kun je AI laten helpen met conceptbeschrijvingen. Laat een inhoudelijk verantwoordelijke ze controleren voordat je het model publiceert.

2. Leg vaste bedrijfsregels vast in het model

Een filter kan meer zijn dan een tijdelijke selectie. Soms bevat het een regel die voor vrijwel elke berekening hoort te gelden.

Als testklanten standaard buiten de omzetrapportage moeten blijven, is het kwetsbaar om dat op iedere rapportpagina opnieuw in te stellen. Leg zo’n vaste regel vast in de juiste meting of op een andere passende plek in het model.

Maak daarbij onderscheid tussen permanente bedrijfsregels en keuzes die een gebruiker bewust maakt. Een selectie op regio of periode hoeft niet voor het hele model te gelden.

Zo pak je het aan: loop de paginafilters en filters op afzonderlijke visuals na. Welke bepalen de zakelijke betekenis van een cijfer? Verplaats die logica waar nodig naar het model en controleer of bestaande rapporten dezelfde uitkomsten blijven geven.

3. Kies één standaardmeting per begrip

Bevat je model ‘Omzet’, ‘Omzet v2’, ‘Omzet nieuw’ en ‘Omzet_FIN’? Dan moeten gebruikers en AI zelf uitzoeken welke de juiste is.

Zorg voor één duidelijke standaard per bedrijfsbegrip. Zijn meerdere omzetdefinities nodig, bijvoorbeeld gefactureerde omzet en geboekte omzet? Geef ze dan namen en beschrijvingen die het verschil duidelijk maken.

Zo pak je het aan: onderzoek welke metingen ongebruikt zijn of elkaar overlappen, bijvoorbeeld met Measure Killer. Controleer ook afhankelijkheden in andere rapporten voordat je iets verwijdert. Markeer verouderde metingen, verberg ze waar passend en verwijder ze pas als ze niet meer nodig zijn. Alleen een meting in een map ‘Verouderd’ zetten, verbergt die niet.

4. Gebruik de taal van je organisatie

‘Fact_SalesLines’ en ‘Status_cd’ zijn namen die vanuit een bronsysteem logisch kunnen zijn. Voor iemand die een zakelijke vraag stelt, zijn ‘Verkoopregels’ en ‘Orderstatus’ duidelijker.

Dat geldt ook voor de waarden in je data. Een status ‘Geannuleerd’ heeft meer betekenis dan een losse code ‘3’.

Zo pak je het aan: geef velden in de semantische laag herkenbare namen. Vertaal codes via een beheerde vertaaltabel en verberg technische sleutelkolommen die gebruikers niet nodig hebben. Gebruik dezelfde begrippen consequent in je modellen.

5. Maak ongeschreven regels expliciet

Wanneer zijn maandcijfers definitief? Hoe loopt het boekjaar? Welke databron wordt met vertraging bijgewerkt? En welke uitzonderingen gelden voor een bepaald bedrijfsonderdeel?

Zulke informatie bepaalt hoe je een antwoord moet lezen. Leg die daarom vast.

Power BI biedt hiervoor onder meer AI-instructies binnen ‘Prep data for AI’. Die helpen om Copilot context mee te geven. Maar eerst moet je het binnen de organisatie eens zijn over de inhoud.

Zo pak je het aan: bespreek de belangrijkste uitzonderingen met finance, sales en andere betrokken teams. Leg relevante toelichting vast in de AI-instructies en bewaar een gecontroleerde versie bij je modeldocumentatie. Controleer bij andere AI-agents afzonderlijk welke instructies zij ondersteunen en daadwerkelijk gebruiken.

6. Geef je model een duidelijk doel

Een model met honderden metingen voor de hele organisatie maakt het lastig om de juiste informatie te vinden. Ook voor AI.

Een duidelijke afbakening helpt. Voor wie is het model bedoeld? Welke vragen moet het beantwoorden? En welke tabellen en metingen zijn daarvoor nodig?

Dat betekent niet dat je voor ieder rapport een nieuw model moet bouwen. Wel dat je bewust kiest wat je samenbrengt en wat je aan AI beschikbaar stelt.

Zo pak je het aan: bekijk of een model logisch is afgebakend rond bijvoorbeeld sales of finance. Gebruik waar passend het AI-gegevensschema in Power BI om Copilot op relevante velden te richten. Zo’n selectie helpt de AI, maar vervangt geen toegangsbeveiliging.

7. Test de antwoorden én de toegangsrechten

Een model dat begrijpelijk lijkt, kan in de praktijk nog steeds verkeerde antwoorden opleveren.

Stel daarom twintig herkenbare bedrijfsvragen op, inclusief de juiste antwoorden en de bijbehorende uitgangspunten. Laat de AI die vragen na relevante wijzigingen opnieuw beantwoorden. Zo zie je waar definities ontbreken of antwoorden veranderen.

Controleer daarnaast welke data gebruikers mogen raadplegen. Een rapportpagina toont maar een selectie van het model; die selectie is geen beveiligingsgrens.

Zo pak je het aan: bewaar je testvragen en verwachte uitkomsten als vaste controleset. Gebruik waar passend ‘verified answers’ in Power BI voor veelgestelde vragen. Test ook beveiliging op rijniveau (RLS) en objectniveau (OLS), inclusief de rollen en rechten in de gepubliceerde omgeving. De functie ‘Weergeven als’ in Power BI Desktop helpt bij het controleren van RLS.

De techniek is vaak eenvoudiger dan de afspraken

Beschrijvingen toevoegen en metingen opschonen is technisch meestal goed te doen. De lastigste vraag is: wat is de juiste definitie?

Als een BI-ontwikkelaar vastlegt hoe creditnota’s meetellen in de netto-omzet, heeft dat gevolgen voor de interpretatie van het cijfer. En als finance en sales verschillende margedefinities gebruiken, lost een beschrijving dat verschil niet op. Die maakt het zichtbaar.

Geef belangrijke metingen daarom een inhoudelijk eigenaar die de definitie goedkeurt. Het BI-team zorgt voor een goede technische uitwerking en bewaakt de kwaliteit. De verantwoordelijke afdeling bepaalt wat het cijfer zakelijk moet betekenen.

AI maakt zo duidelijk welke afspraken al goed zijn vastgelegd en welke nog afhangen van een gesprek met de juiste collega.

Waar begin je?

Je hoeft niet al je Power BI-modellen tegelijk aan te pakken. Begin met één model dat veel wordt gebruikt en waarop het management belangrijke beslissingen baseert.

Vier stappen zijn genoeg om de eerste knelpunten te vinden:

• Kies één belangrijk model. Neem een model waarvan de cijfers ertoe doen en dat een duidelijke eigenaar heeft.
• Breng de rapportlogica in kaart. Bekijk paginafilters, titels, toelichtingen en filters op visuals. Welke informatie ontbreekt in het model?
• Praat met de analist. Welke uitzonderingen houdt diegene in het achterhoofd? Wat moet een nieuwe collega altijd eerst weten?
• Test twintig bedrijfsvragen. Vergelijk de antwoorden van de AI met de verwachte uitkomsten en onderzoek de verschillen.

  Zo ontdek je snel waar context ontbreekt. Vaak zie je ook hoeveel van je datagedreven besluitvorming nog afhangt van wat individuele medewerkers weten.

De vraag is dus niet alleen of je platform AI ondersteunt. Kan je semantisch model ook uitleggen wat je analist allang weet?

Wil je meer halen uit Power BI of heb je extra expertise nodig om je rapportages en datamodellen te verbeteren?

Ontdek onze analytics-diensten