Welke data heb je écht nodig? Het ZARA-principe als kompas

Veel bedrijven worstelen niet met een tekort aan data, maar met een overvloed ervan zonder duidelijk kader. CRM-systemen, ERP-omgevingen en spreadsheets puilen uit, maar niemand kan precies zeggen welke data écht nodig is, voor wie, en waarom. Bij BizzTrax hanteren we daarom het ZARA-principe: een eenvoudig denkkader, ontwikkeld door onze Strategic Lead Filip Van Tongel, dat elke organisatie helpt om stap voor stap orde te scheppen in haar data. De naam staat voor vier vragen die we achtereenvolgens over elk stukje data stellen: Zelf, Anderen, Rapportering en Artificiële Intelligentie. Wie deze vier letters doorloopt, ontdekt niet alleen welke data nodig is, maar ook waarom en dat maakt het verschil tussen data verzamelen en data laten werken.

Z — Zelf

De eerste vraag die we onszelf stellen, is de meest voor de hand liggende en net daarom slaan bedrijven ze vaak over: welke data heb ik, in mijn eigen rol, daadwerkelijk nodig om mijn werk te doen? Een verkoper heeft andere gegevens nodig om een offerte op te stellen dan de boekhouding om een factuur te verwerken, en een service-technicus op de baan heeft weer een andere set gegevens nodig dan zijn collega achter het bureau.

Binnen deze categorie maken we nog een onderscheid. Primaire data is structureel nodig: contactgegevens, adressen, telefoonnummers: de klassieke masterdata die dagelijks gebruikt wordt. Secundaire data wordt slechts af en toe geraadpleegd, maar is daarom niet minder waardevol. Denk aan een persoonlijke voorkeur van een klant, die je niet elke dag nodig hebt, maar die op het juiste moment het verschil kan maken. Wie zichzelf de Zelf-vraag stelt, legt de eerste en meest essentiële laag van zijn datahuishouding vast.

A — Anderen

Data die je voor jezelf verzamelt, stopt zelden bij jou. Met de tweede letter van ZARA kijken we naar de impact van die data op de rest van de organisatie. Een voorbeeld dat we vaak terugzien: technische specificaties van een verkochte machine worden door de verkoopafdeling vastgelegd, maar zijn onmisbaar voor de service-afdeling wanneer die jaren later onderhoud moet uitvoeren. Hetzelfde geldt voor schijnbaar onbelangrijke details: een persoonlijke interesse van een contactpersoon lijkt voor de verkoper overbodig, maar kan voor marketing net de aanleiding zijn voor een gerichte actie.

De oefening die we daarom aanraden, is op zoek gaan naar de gemene deler: welke data heeft elke afdeling — verkoop, marketing, facturatie, service, productie, management — nodig, onafhankelijk van wie ze invoert? Die gemeenschappelijke basis vormt het fundament van een goed uitgebouwde masterdata-set, en voorkomt dat afdelingen elkaars werk dubbel doen of net mislopen. Wat daarna per persoon of functie overblijft, moet kritisch bekeken worden: als iets slechts door één persoon gebruikt wordt, is de kans groot dat het niet noodzakelijk is. Heeft een volledig team of een afdeling die data nodig, dan is het wél een blijvende en relevante toevoeging.

R — Rapportering

Met de derde letter draaien we de vraag om: in plaats van te vertrekken vanuit de beschikbare data, vertrekken we vanuit het gewenste rapport en redeneren we terug naar wat daarvoor nodig is. Rapportering begint immers niet bij cijfers, maar bij de vraag: aan wie willen we rapporteren, waarom en wanneer?

De eerste vraag is dan ook: aan wie gaan we rapporteren? Niet elke gebruiker heeft dezelfde informatiebehoefte. Een zaakvoerder wil vaak strategische KPI’s zien, terwijl een operationele medewerker vooral nood heeft aan dagelijkse opvolging. Vervolgens bepalen we wanneer er gerapporteerd moet worden. Gaat het om wekelijkse of maandelijkse rapporten, een jaarlijkse evaluatie, ad-hoc analyses of informatie die enkel nodig is wanneer een bepaalde controle of afwijking wordt vastgesteld?

Rapportering betekent vandaag veel meer dan simpelweg lijstjes trekken uit een ERP-systeem. Die operationele lijsten zijn meestal al beschikbaar. De echte meerwaarde ontstaat wanneer gegevens uit verschillende bronnen worden geconsolideerd en met elkaar worden verbonden. Pas dan kunnen analyses worden gemaakt, trends worden ontdekt en onderbouwde beslissingen worden genomen.

Daarbij stellen we steeds een kritische vraag: moet dit eigenlijk wel gerapporteerd worden? Soms is een rapport niet de meest efficiënte manier om informatie over te brengen. Een automatische melding, workflow, dashboard of taak kan in bepaalde situaties veel effectiever zijn. Toch blijft één voorwaarde altijd gelden: de onderliggende data moet correct en volledig in het systeem aanwezig zijn.

A — Artificiële Intelligentie

De laatste letter bouwt rechtstreeks verder op de vorige. AI-functionaliteiten zoals Copilot / Cowork of geavanceerde Power BI-analyses zijn voor een groot deel een extra laag boven op rapportering: zonder volledige en correcte basisdata kan geen enkel AI-model een betrouwbare analyse of voorspelling maken. Hetzelfde euvel dat een rapport blokkeert — zoals die ontbrekende lengte-data — blokkeert dus ook elke AI-berekening die erop zou moeten steunen.

Dat begint al bij een eenvoudige vraag: wat gaan we rapporteren, en moet die informatie expliciet geregistreerd worden, of kan ze worden afgeleid uit bestaande gegevens? Een veelzeggend voorbeeld: wil je de gemiddelde oppervlakte van een product rapporteren, maar registreerde je enkel de breedte en niet de lengte, dan kan dat cijfer nooit automatisch berekend worden, niet in een rapport, en evenmin door een AI-model. Er ontbreekt een schakel, wat ons opnieuw terugbrengt naar de Zelf- en Anderen-vraag: is dat bijkomende veld dan toch nodig, en voor wie?

Goede rapportering is dan ook geen eindpunt van dataverzameling, maar een ontwerpkeuze en meteen de directe voorbereiding op AI. Ze dwingt bedrijven om bewust na te denken over welke informatie echt waarde creëert, voor wie die bedoeld is en welke gegevens daarvoor noodzakelijk zijn.

In onze eigen trajecten zien we dit dagelijks terug: vooraf gedefinieerde Power BI-datasets, gebaseerd op oudere ERP-omgevingen, mappen we naar standaardvelden voor financiën, logistiek, facturatie en projectbeheer. Die gestructureerde basis is precies wat een organisatie klaarmaakt om AI-skillsets zinvol te kunnen inzetten. Wie de eerste drie letters van ZARA grondig heeft doorlopen, heeft met andere woorden al het grootste werk gedaan om AI succesvol te kunnen integreren.

Eén denkoefening, telkens opnieuw

De kracht van het ZARA-principe zit niet in de letters apart, maar in de volgorde waarin ze elkaar opvolgen. Wat je zelf nodig hebt, bepaalt wat anderen kunnen raadplegen; wat anderen nodig hebben, bepaalt wat je kan rapporteren; en wat je kan rapporteren, bepaalt hoe ver je met AI kan gaan.

Het is geen eenmalige checklist, maar een denkoefening die we telkens opnieuw toepassen en dit zeker bij een CRM/ERP-implementatie, een migratie naar een nieuw systeem, of een datacleansing-traject, waar de vraag "welke data nemen we mee, en waarom” plots heel concreet wordt. Bij BizzTrax gebruiken we het ZARA-principe dan ook als uitgangspunt in onze Dynamics 365-implementaties en CRM-optimalisaties: niet om data te verzamelen omdat het kan, maar om elk stukje data een duidelijk doel te geven.

‍