Single Source of Truth

Het is maandagochtend. MT-overleg. De verkoopleider opent zijn Excel en presenteert een omzetgroei van 12%. De controller opent haar spreadsheet — en komt op 8%. De rest van de vergadering gaat niet over kansen of koersen, maar over de vraag: wie heeft de juiste cijfers?

Dit scenario herkennen veel MKB-directeuren. Het is geen kwestie van onkunde of slechte wil. Het is het directe gevolg van het ontbreken van een Single Source of Truth.

Waarom kloppen de cijfers nooit?

Een groeiend bedrijf verzamelt systemen. Exact of Twinfield voor de boekhouding. HubSpot of Salesforce voor de klanten. Een WMS voor het magazijn, een planningssheet voor de productie. Elk systeem doet wat het moet doen — maar ze praten niet met elkaar.

Om rapportages te maken, wordt data handmatig geëxporteerd naar Excel. En daar begint het probleem. Want zodra twee mensen dezelfde data op een net andere manier interpreteren, ontstaan er definitieverschillen:

• Rekent Sales een order mee op het moment van tekenen? Of telt Finance pas bij facturering?
• Zitten retouren al verwerkt in de omzetcijfers?
• Is de klantindeling van Sales dezelfde als die van Marketing?

Het resultaat is een kaartenhuis van spreadsheets. Zodra één formule breekt of één kolom verschuift, stort het vertrouwen in de cijfers in. En zonder centrale spelregels vergelijk je appels met peren.

Van Excel-chaos naar één waarheid

Het verschil tussen werken met losse spreadsheets en een centraal datamodel is fundamenteel. Niet in techniek — maar in vertrouwen.

Hoe werkt een datamodel? Het Star Schema uitgelegd

Een datamodel is de blauwdruk van je bedrijfsvoering, vertaald naar data. In Power BI bouwen we dit model om alle losse datastromen samen te brengen en — nog belangrijker — om de relaties tussen die stromen vast te leggen.

De meest gebruikte structuur hiervoor is het Star Schema. Het concept is verrassend simpel: stel je een ster voor met een kern en punten.

De kern: feitentabellen. In het midden van de ster staan de harde cijfers — de transacties die plaatsvinden in je bedrijf. Een verkoopfactuur, een gewerkt uur, een voorraadmutatie. Deze tabellen zijn lang (veel regels) en bevatten getallen die je optelt, middelt of telt.

De punten: dimensietabellen. Om de kern heen liggen de dimensies die context geven aan je cijfers. Ze beantwoorden de vragen wie, wat, waar en wanneer. De klantentabel (naam, regio, segment), de producttabel (artikelnummer, groep, inkoopprijs), de datumtabel (maand, kwartaal, jaar, werkdag).

De kracht van de relatie. Het Star Schema legt relaties vast tussen feiten en dimensies. In plaats van dat Sales en Finance hun eigen klantenlijst bijhouden — waarbij de een "Jansen BV" schrijft en de ander "Jansen B.V." — verwijzen ze beiden naar dezelfde unieke klant in de dimensietabel.

Als je in Power BI filtert op "Klantgroep A", filtert het systeem automatisch alle bijbehorende omzet, kosten en uren uit de feitentabellen. Foutloos en razendsnel.

Het resultaat: de definitie van bruto marge wordt één keer vastgelegd in een DAX-formule. Niemand kan daar per ongeluk een eigen draai aan geven. Als de data ververst, kijkt iedereen — van de stagiair tot de DGA — naar exact dezelfde getallen.

Waarom Excel hier tekortschiet

Excel is een uitstekend gereedschap, maar het mist de structuur die je nodig hebt voor betrouwbare rapportage. Je kunt in cel A1 een datum typen en in cel A2 een tekst — Excel vindt het prima. Een datamodel in Power BI is strenger: een datum is een datum, en een klant is een klant.

Die strengheid is precies wat je nodig hebt. Een Power BI datamodel dwingt je om definities vast te leggen: wat is onze definitie van bruto marge? Welke productgroepen hanteren we? Hoe berekenen we omloopsnelheid? Door deze regels één keer vast te leggen in het model, hoeft niemand ze meer handmatig toe te passen.

Microsoft noemt dit model tegenwoordig een semantic model — een term die benadrukt dat het model niet alleen data opslaat, maar ook de betekenis van die data vastlegt. De definities, de relaties, de beveiligingsregels: alles zit in één beheerde laag.

Hoe bouw je een Single Source of Truth in Power BI?

De overgang van spreadsheets naar een centraal datamodel hoeft geen groot IT-project te zijn. Voor de meeste MKB-bedrijven zijn vier stappen voldoende:

Wat levert een Single Source of Truth op?

De waarde van een centraal datamodel zit niet in de techniek — het zit in de beslissingen die het mogelijk maakt.

Einde aan cijferdiscussies. Iedereen kijkt naar hetzelfde dashboard. Als de omzet €100.000 is, is dat voor iedereen zo. De vergadering verschuift van "kloppen de cijfers?" naar "wat gaan we doen met deze cijfers?".

Tijdwinst. Geen uren meer besteden aan het kopiëren, plakken en controleren van data in Excel aan het einde van de maand. Het datamodel ververst zichzelf — de maandrapportage staat klaar als je maandagochtend binnenloopt.

Schaalbaarheid. Vandaag heb je 1.000 transacties, volgend jaar 100.000. Een goed datamodel groeit moeiteloos mee. Power BI comprimeert data zo efficiënt dat zelfs miljoenen regels in seconden worden geanalyseerd.

Dieper inzicht. Omdat je data schoon en gestructureerd is, kun je complexere vragen stellen. "Wat is de marge per productgroep per regio in Q3 vergeleken met vorig jaar?" In een goed datamodel is dit één klik. In Excel is het een dagproject.

Meer weten over de meetbare impact van data-analyse? Lees het artikel over de ROI van data-analyse voor het MKB.