Latest / M365.FM – Microsoft 365, Copilot & AI podcast in het Nederlands / Copilot vs. ontwikkelaar in Power BI: wie wint bij datamodellering, DAX en dashboardontwerp? (AI-nasynchronisatie)

Transcript

Copilot vs. ontwikkelaar in Power BI: wie wint bij datamodellering, DAX en dashboardontwerp? (AI-nasynchronisatie) · M365.FM – Microsoft 365, Copilot & AI podcast in het Nederlands

0:00
Speaker 2: Klaar voor 10 dagen Microsoft 365, Copilot, AI, Azure en
0:05
Speaker 2: de mensen die de toekomst van werk vormgeven? Deze januari
0:09
Speaker 2: is M365 komt terug en we pakken groter uit. Doe
0:12
Speaker 2: mee voor live sessies, praktijkdemo's en praktische kennis van MVP's
0:16
Speaker 2: en experts van over de hele wereld. Geen algemene presentaties,
0:20
Speaker 2: geen eindeloze modewoorden. We pakken de echte uitdagingen aan Copilot Studio,
0:25
Speaker 2: AI Agents, Fabric, Beveiliging, Beheer en Automatisering. Of je nu IT-professional,
0:31
Speaker 2: ontwikkelaar of zakelijk leider bent, er zijn sessies speciaal voor jou.
0:35
Speaker 2: Met 10 volledige dagen kun je talloze technologieën verkennen en
0:38
Speaker 2: in contact komen met een wereldwijde community. Kijk live mee
0:41
Speaker 2: en neem praktische inzichten mee terug naar jouw organisatie. Januari 2027,
0:47
Speaker 2: 10 dagen, 1 Microsoft Community. De registratie is nu geopend.
0:53
Speaker 2: Claim vandaag nog jouw plek. Meld je nu aan op m365con.net
1:03
Speaker 2: en we zien je live in januari. Als Microsoft Copilot
1:06
Speaker 2: sneller een Power BI dashboard kan bouwen dan een getrainde ontwikkelaar,
1:09
Speaker 2: wat betekent dat dan voor de toekomst van jouw baan?
1:11
Speaker 2: In deze video stellen we die exacte vraag op de
1:14
Speaker 2: proef met een onderlinge strijd tussen AI en menselijke expertise.
1:17
Speaker 2: De ene kant vertrouwt op jarenlange ervaring, de andere op machineautomatisering.
1:21
Speaker 2: De echte vraag, welke levert waarde waar je in een
1:23
Speaker 2: zakelijke omgeving echt iets aan hebt? De grote angst, zijn
1:27
Speaker 2: ontwikkelaars vervangbaar? De grote vraag die in de lucht hangt
1:30
Speaker 2: is simpel. Als Copilot met één druk op de knop
1:32
Speaker 2: volledige dashboards kan maken, wat blijft er dan over voor
1:35
Speaker 2: mensen die jarenlang zijn getraind om hetzelfde werkkantmatig te doen?
1:38
Speaker 2: Dit is niet het soort, wat als, dat je zomaar
1:40
Speaker 2: even wegwuift. Voor ontwikkelaars die hun carrière hebben opgebouwd rondom power,
1:43
Speaker 2: bidax en datamodellering, is het tempo waarmee Microsoft Copilot pust
1:47
Speaker 2: niet alleen spannend, maar ook verontrustend. En die onrust komt
1:50
Speaker 2: voort uit een heel reële bron. Tools binnen Microsoft 365
1:54
Speaker 2: hebben in een razendsnel tempo stilletjes AI geadopteerd, en elke
1:57
Speaker 2: nieuwe release lijkt meer werk te verschuiven van handmatige controle
1:59
Speaker 2: naar automatisering. Functies die voorheen vaardigheid of training vereisten, Vertrouwen
2:04
Speaker 2: nu op het genereren van suggesties direct uit de machine.
2:06
Speaker 2: Als jouw levensonderhoud afhangt van die vaardigheden, vraag je je
2:09
Speaker 2: natuurlijk af of de grond onder je voeten wordt weggeslagen.
2:11
Speaker 2: Het helpt niet dat we allemaal krantenkoppen hebben gezien waarin
2:14
Speaker 2: AI-systemen mensen overtreffen op gebieden waarvan we dachten dat ze
2:16
Speaker 2: onaantastbaar waren voor automatisering. Machines die code schrijven, taalmodellen die
2:20
Speaker 2: slagen voor professionele examens, AI die in seconden realistische ontwerpen
2:23
Speaker 2: genereert waarvoor voorheen uren creatieve arbeid nodig was. Die verhalen
2:27
Speaker 2: bouwen een krachtig narratief op. Mensen struikelen, AI schaalt op.
2:30
Speaker 2: De vraag die steeds naar boven komt, is of wij
2:32
Speaker 2: de volgende op de lijst zijn. Nu Copilot direct in
2:34
Speaker 2: het ecosysteem van Microsoft is ingebakken, hoeven werknemers niet eens
2:36
Speaker 2: te kiezen voor concurrentie. Het is rechtstreeks ingevoegd in de
2:38
Speaker 2: tools die zij al gebruiken voor hun werk. Dus de
2:40
Speaker 2: spanning groeit. Als de software al op je dashboard staat
2:43
Speaker 2: en direct resultaten kan produceren, hoe lang duurt het dan
2:46
Speaker 2: voordat dat goed genoeg is om jou volledig te vervangen?
2:48
Speaker 2: Maar Power BI is niet slechts een speeltuin voor drag-and-drop grafieken.
2:52
Speaker 2: Onder de oppervlakte gaat het om het structureren van rommelige bedrijfsdata...
2:55
Speaker 2: Het oplossen van definitieconflicten en zorgen dat de cijfers aansluiten
2:59
Speaker 2: op echte processen. Iedereen die wel eens een model met
3:01
Speaker 2: meerdere feitetabellen moest debuggen, weet dat er een kloof is
3:03
Speaker 2: tussen visuele aantrekkingskracht en analytische betrouwbaarheid. Die context, dat oordeelsvermogen,
3:08
Speaker 2: dat is niet iets wat een algoritme automatisch onder de
3:10
Speaker 2: knie heeft. Je kunt het een beetje vergelijken met de
3:11
Speaker 2: komst van rekenmachines in wiskundeles lokale decennia geleden. Hebben die
3:15
Speaker 2: de behoefte aan wiskundige weggenomen? Nee, wat ze deden, was
3:18
Speaker 2: het speelveld veranderen. Plotseling had basisrekenen minder carrièrebelang omdat machines
3:22
Speaker 2: dat beter konden. Maar redeneren op hoger niveau en toegepaste
3:25
Speaker 2: logica werden juist belangrijker. Dat is dezelfde herrijking die ontwikkelaars
3:29
Speaker 2: verwachten dat hier zal gebeuren. Onderzoek laat vaak zien dat
3:32
Speaker 2: AI floreert wanneer de regels expliciet zijn en de taak
3:35
Speaker 2: repetitief is. Geef het een formule om te optimaliseren en
3:38
Speaker 2: het zal dat doen zonder vermoeidheid. Maar nuance, het grijze
3:41
Speaker 2: gebied waar het juiste antwoord afhangt van bedrijfscultuur of lokale strategie,
3:45
Speaker 2: is niet waar machines uitblinken. Neem zowieets praktisch als Copilot
3:48
Speaker 2: die een nieuwe maatstaf voorstelt. Het model geeft misschien een
3:51
Speaker 2: som of gemiddelde dat technisch correct lijkt, maar een ervaren
3:54
Speaker 2: ontwikkelaar weet dat er filtercontext of aanpassing voor de bedrijfsbetekenis
3:57
Speaker 2: nodig is. Een collega deelde ooit precies dat moment. Copilot
4:00
Speaker 2: genereerde DAX in minder dan drie seconden, maar men moest
4:03
Speaker 2: nog steeds pauzeren... Testen en de maatstaf aanpassen omdat de
4:06
Speaker 2: machine niet begreep wat geldige verkoop in de bedrijfslogica werkelijk betekende.
4:10
Speaker 2: De AI was efficiënt, maar efficiëntie vereist de toezicht. Dus
4:14
Speaker 2: wat betekent dit in de praktijk? Dat betekent dat we
4:17
Speaker 2: abstracte aannames over AI die banen overneemt niet zomaar voor
4:20
Speaker 2: waar aan moeten nemen. We moeten zien hoe het presteert
4:22
Speaker 2: wanneer de taak zowel snelheid als begrip vereist. We willen
4:25
Speaker 2: weten of Copilot instort wanneer tabellen ingewikkeld worden of dat
4:29
Speaker 2: het stand houdt tegen de chaos van eisen uit de
4:31
Speaker 2: echte wereld. En dat is waar dit experiment van belang is.
4:34
Speaker 2: In plaats van om de angst heen te draaien, zetten
4:36
Speaker 2: we het direct aan het werk. A.I. aan de ene kant,
4:38
Speaker 2: menselijke vaardigheid aan de andere, dezelfde uitdaging, dezelfde input. Zal
4:41
Speaker 2: Copilot bewijzen dat handmatig modelleren verouderd is, of zal de
4:44
Speaker 2: ontwikkelaar laten zien dat menselijke interpretatie nog steeds onmisbaar is?
4:47
Speaker 2: Deze video is onze manier om speculatie te vervangen door bewijs.
4:50
Speaker 2: Je zult zien hoe Copilot wordt getest onder dezelfde beperkingen
4:53
Speaker 2: als een professional, en de resultaten zullen vermoedens ofwel bevestigen
4:56
Speaker 2: ofwel wegnemen. Misschien is de angst om vervangen te worden overdreven,
4:59
Speaker 2: of is de bezorgdheid terecht op manieren die we nog
5:01
Speaker 2: niet hebben toegegeven. Hoe dan ook, deze competitie zal duidelijkheid scheppen.
5:04
Speaker 2: En over duidelijkheid gesproken, laten we kijken naar de opzet
5:07
Speaker 2: van de uitdaging, mens versus copilot. Kan een druk op
5:09
Speaker 2: de knop echt opwegen tegen jarenlange gestructureerde praktijkervaring in het
5:12
Speaker 2: bouwen van datamodellen, het schrijven van DAX en het vormgeven
5:14
Speaker 2: van visuals die de juiste punten benadrukken voor besluitvormers? Dat
5:17
Speaker 2: is wat we hier op het spel gaan zetten. De
5:18
Speaker 2: opzet is eenvoudig. Twee deelnemers, één uitdaging, dezelfde dataset. Aan
5:23
Speaker 2: de ene kant een ontwikkelaar die de ins en outs
5:24
Speaker 2: van Power B kent en die talloze verbroken relaties en
5:27
Speaker 2: verkeerd afgestelde measures in productiesystemen heeft opgelost. Aan de andere kant, Copilot.
5:31
Speaker 2: In plaats van formules te typen of velden te verslepen,
5:34
Speaker 2: luistert het naar prompts en genereert het automatisch code en grafieken.
5:37
Speaker 2: Het is snelheid tegenover oordeelsvermogen, automatisering tegenover vakmanschap. En de
5:41
Speaker 2: belangrijkste vraag, welke methode werkt eigenlijk beter zodra je iets
5:44
Speaker 2: nodig hebt waar een bedrijf op moet kunnen vertrouwen. Om
5:46
Speaker 2: dit meer te maken dan alleen theorie, hebben we een
5:48
Speaker 2: taak gekozen die precies in het midden ligt van wat
5:49
Speaker 2: de meeste professionals dagelijks tegenkomen. Het is niet zo triviaal
5:52
Speaker 2: dat demodata het in seconden kunnen oplossen, maar ook niet
5:55
Speaker 2: zo aangepast dat geen enkele machine het zou kunnen proberen.
5:57
Speaker 2: Beide partijen krijgen een verkoopdataset met meerdere tabellen, orders, klanten,
6:01
Speaker 2: productdetails en tijdsperiode. De vraag is eenvoudig te formuleren, verbind
6:05
Speaker 2: de databron, bouw relaties op, maak measures voor omzet en
6:08
Speaker 2: winst en toon deze in een dashboardweergave. Maar iedereen die
6:11
Speaker 2: met Power BI heeft gewerkt, weet dat deze bewoording een
6:13
Speaker 2: hoop uitdagingen verbergt. Relaties sluiten niet altijd netjes op elkaar aan.
6:17
Speaker 2: Winstberekeningen kunnen lastiger zijn dan ze lijken en visuals kunnen
6:20
Speaker 2: er goed uitzien in een standaardlayout, maar betekenen weinig zonder context.
6:23
Speaker 2: De ontwikkelaar zal het aanpakken zoals bij klantprojecten. Stap 1.
6:26
Speaker 2: Controleer de brontabellen op integriteit. Stap 2. Definiëer relaties bewust
6:31
Speaker 2: in plaats van uit te gaan van standaardinstellingen. Stap 3.
6:33
Speaker 2: Ontwerp measures die aansluiten bij de bedrijfsvereisten in plaats van
6:36
Speaker 2: bij pure rekenkunde. Het is gestaag, methodisch werk. De aanpak
6:39
Speaker 2: van Copilot ziet er ter vergelijking bijna buitenaards uit. Je
6:42
Speaker 2: schrijft een prompt zoals toonverkoop per klantregio of maak een
6:45
Speaker 2: measure voor netto-winst en een paar seconden later genereert het
6:48
Speaker 2: de uitvoer. In theorie kan één prompt enkele minuten handmatig
6:51
Speaker 2: werk omzeilen, maar snelheid alleen maakt het nog niet correct.
6:54
Speaker 2: Als Copilot een relatie opbouwt op basis van louter kolomnamen,
6:57
Speaker 2: vangt het wellicht de daadwerkelijke bedrijfslogica niet op. Een mismatch
7:00
Speaker 2: in foreign keys die een mens snel zou opmerken, kan
7:02
Speaker 2: geruisloos in de suggestie van Copilot terechtkomen. Daar komen de
7:05
Speaker 2: belangen om de hoek kijken. Het gaat niet alleen om
7:07
Speaker 2: wie sneller is, maar om wie gelijk heeft. Een rekenfout
7:10
Speaker 2: in een leerzame demo is ongevaarlijk. Een rekenfout in een
7:13
Speaker 2: kwartaalverslag kan beslissingen veranderen met echte kosten tot gevolg. En
7:16
Speaker 2: toch valt de aantrekkingskracht van een druk op de knop
7:18
Speaker 2: met direct resultaat niet te ontkennen. Het is alsof je
7:21
Speaker 2: twee atleten in dezelfde race ziet, maar één van hen
7:24
Speaker 2: wordt voortgestuurd door een machine. In de sport hervormt technologie
7:27
Speaker 2: vaak de competitie, hardloopschoenen, badkleding, zelfs prestatieanalyses. De vergelijking hier
7:32
Speaker 2: is precies hetzelfde. Co-pilot is de techniek die het proces
7:35
Speaker 2: zelf naar zijn hand zet. Terwijl de ontwikkelaar vertrouwt op
7:37
Speaker 2: zijn eigen getrainde discipline, is het fascinerend om te zien
7:41
Speaker 2: of technische kracht het echt wint van expertise. Wat deze
7:43
Speaker 2: vergelijking extra interessant maakt, is het starttempo. Copilot schiet snel
7:48
Speaker 2: uit de startblokken. Binnen enkele seconden na het kiezen van
7:50
Speaker 2: een dataset genereert het de eerste visuals, maakt het berekende
7:54
Speaker 2: velden aan en vult het een leeg canvas met kleur.
7:56
Speaker 2: Op het eerste gezicht lijkt het een voorsprong die een
7:58
Speaker 2: mens nooit meer kan inhalen. Maar snelheid kan misleidend zijn.
8:01
Speaker 2: Die eerste grafieken zien er misschien mooi uit, maar zijn
8:03
Speaker 2: mogelijk niet gekoppeld aan echte KPIs. Misschien wordt het omzetcijfer
8:06
Speaker 2: onjuist opgehaald of sluiten filters niet aan bij de rapportageverwachtingen.
8:10
Speaker 2: De vroege glans kan diepe barsten maskeren. Voor de ontwikkelaar
8:13
Speaker 2: voelt de start trager omdat zij onderweg alles valideren. Ze
8:16
Speaker 2: tonen geen onmiddellijk vuurwerk, maar leggen een basis die stand
8:19
Speaker 2: houdt bij kritische controle. Dus, wat gaan we precies meten
8:22
Speaker 2: om de winnaar te bepalen? Drie dingen, snelheid, want sneller
8:25
Speaker 2: klaar zijn is waardevol bij naderende deadlines. Nauwkeurigheid, want verkeerde
8:29
Speaker 2: cijfers zijn niet alleen nutteloos, maar gevaarlijk. En kwaliteit, oftewel
8:32
Speaker 2: hoe bruikbaar en begrijpelijk het uiteindelijke dashboard is voor een
8:35
Speaker 2: manager of besluitvormer. Die drie punten zorgen voor een eerlijke
8:38
Speaker 2: balans tussen brood, kracht en doordacht ontwerp. Net als in
8:41
Speaker 2: een sportwedstrijd waar snelle acties punten opleveren, maar consistentie kampioenen maakt.
8:45
Speaker 2: Zowel flitsende momenten als gestage uitvoering zijn hier van belang.
8:48
Speaker 2: En dat is het toneel dat we hebben opgebouwd. Twee spelers,
8:51
Speaker 2: één gedeelde dataset, een mix van techniek, logica en presentatie.
8:54
Speaker 2: Nu het kader duidelijk is, is het tijd om te
8:56
Speaker 2: stoppen met speculeren en te gaan kijken. Laten we zien
8:58
Speaker 2: hoe Copilot de eerste grote hindernis aanpakt van dataset naar
9:02
Speaker 2: werkend resultaat komen zonder fouten te maken. Snelheid versus nauwkeurigheid,
9:06
Speaker 2: de eerste resultaten stromen binnen. Snel betekent niet altijd correct
9:09
Speaker 2: en de eerste resultaten maken dat duidelijk. Copilot gaat direct
9:12
Speaker 2: over tot actie. Binnen seconden na ontvangst van de dataset
9:15
Speaker 2: heeft het al staafdiagrammen, lijngrafieken en een handvol DAX-metingen uitgespuugd
9:19
Speaker 2: die op het eerste gezicht verrassend gepolijst ogen. Voor iemand
9:22
Speaker 2: die live meekijkt, is de eerste indruk dat het in
9:24
Speaker 2: enkele ogenblikken creëert waar een menselijke ontwikkelaar normaal gesproken veel
9:28
Speaker 2: tijd aan kwijt is. Die snelheid is indrukwekkend, zonder twijfel.
9:32
Speaker 2: Maar de uitdaging die we testen is niet alleen of
9:34
Speaker 2: er snel iets op het scherm verschijnt. De echte test
9:36
Speaker 2: is of die resultaten werkelijk betrouwbaar zijn wanneer ze onder
9:39
Speaker 2: zakelijke druk komen te staan. De menselijke ontwikkelaar voelt in
9:42
Speaker 2: vergelijking bijna traag aan. Die neemt de tijd om de
9:44
Speaker 2: tabellen te verkennen, relaties te traceren en datatypen dubbel te
9:48
Speaker 2: checken voordat er überhaupt een visual wordt geplaatst. In eerste
9:50
Speaker 2: instantie oogt dit inefficiënt, zeker naast de onmiddellijke productiviteit van Copilot.
9:55
Speaker 2: Maar dit is wat belangrijk is, dat tragere tempo is bewust.
9:58
Speaker 2: Elke actie is erop gepland. om zeker te stellen dat
10:01
Speaker 2: de cijfers niet bezwijken onder complexe zoekopdrachten of filters. Het
10:05
Speaker 2: ziet er misschien niet glamoureus uit, maar dit fundament zorgt
10:08
Speaker 2: voor een solide basis in plaats van een structuur die
10:10
Speaker 2: instort zodra aannames worden getoetst. En hier zien we de
10:14
Speaker 2: spanning ontstaan. Copilot heeft geen moeite met de basis. Het
10:17
Speaker 2: berekenen van de totale omzet is bijvoorbeeld geen probleem. Het
10:20
Speaker 2: herkent het juiste veld, plaatst er een somfunctie omheen en
10:23
Speaker 2: genereert een goed werkende maatstaf. Voor beginners of managers die
10:26
Speaker 2: slechts een globaal overzicht willen, is dat al waardevol. Maar
10:28
Speaker 2: zodra de verrijste verder gaan dan het eenvoudige, worden de
10:31
Speaker 2: gebreken zichtbaar. Neem zoiets als de jaar tot datum winstmarge.
10:34
Speaker 2: Copilot creëert een maatstaf die er in formulevorm goed uitziet,
10:37
Speaker 2: maar bij toepassing weerspiegelen de totale niet de bedoelde bedrijfslogica.
10:40
Speaker 2: Filters werken inconsistent door tabellen heen. Sommige categorieën worden te
10:43
Speaker 2: hoog ingeschat, andere rapporteren te laag. Aan de oppervlakte lijkt
10:45
Speaker 2: het nog steeds een werkende grafiek, maar wie die pergraaft,
10:47
Speaker 2: ziet dat de resultaten misleidend zijn. De ontwikkelaar is trager
10:50
Speaker 2: met hetzelfde verzoek. In plaats van direct een maatstaf aan
10:52
Speaker 2: te maken, controleert deze eerst welke kolommen de winstmarge bepalen.
10:55
Speaker 2: Er wordt expliciet gecorrigeerd voor productportingen. Er wordt gecontroleerd of
10:58
Speaker 2: de tijdintelligentiefuncties naar de juiste kalendertabel verwijzen. Door deze extra
11:02
Speaker 2: tests wordt er geen visual gepubliceerd voordat men er zeker
11:04
Speaker 2: van is dat het precies weergeeft hoe het bedrijf de
11:05
Speaker 2: march berekent. Het proces lijkt voorzichtig, en dat is het ook.
11:09
Speaker 2: Dat is het verschil. Copilot gaat voor directe output, terwijl
11:12
Speaker 2: de mens stapsgewijze validatie prioriteert. Als je zelf ooit hebt
11:15
Speaker 2: geprobeerd een geavanceerdere DAX-expressie te schrijven, komt dit scenario je
11:18
Speaker 2: bekend voor. Dingen lijken eerst eenvoudig, maar ontaardensnel invallen en
11:21
Speaker 2: opstaan zodra filters, relaties en aangepaste logica erbij komen kijken.
11:25
Speaker 2: En het blijkt dat de AI worstelt met dezelfde valkuilen
11:27
Speaker 2: waar ook menselijke leerlingen over struikelen. Eenvoudige berekeningen, geen probleem.
11:31
Speaker 2: Zodra er filtercontext, swaps of aangepaste aggregaties nodig zijn, wordt
11:35
Speaker 2: het plotseling wankel. Copilot zien interpreteren wat geld als actieve
11:38
Speaker 2: klantomzet is bijna een schoolvoorbeeld van een fout, een die
11:40
Speaker 2: je herkent als je ooit een verkeerd toegepaste, calculate, hebt
11:43
Speaker 2: moeten debuggen. Dat verschil doet ertoe, want hoewel snelle prototyping
11:47
Speaker 2: echte waarde heeft, eisen productieomgevingen betrouwbaarheid. Managers willen niet alleen
11:51
Speaker 2: snel cijfers zien, ze willen cijfers die ze kunnen verdedigen
11:53
Speaker 2: in een vergadering, cijfers die ze kunnen vertrouwen om beslissingen
11:56
Speaker 2: te nemen zonder aan de onderliggende berekeningen te twijfelen. Copilot's
11:59
Speaker 2: voorsprong in het opstellen van concepten is fantastisch voor brainstormsessies
12:03
Speaker 2: of eerste verkenningen, maar in productie wordt het risico dat
12:05
Speaker 2: kleine afwijkingen uitgroeien tot grote rapportagefouten een beperkende factor. De
12:09
Speaker 2: afruil is duidelijk op het scherm te zien. Snelheid zorgt
12:12
Speaker 2: voor vroege opscheeprechten, maar nauwkeurigheid zorgt voor waarde op de
12:15
Speaker 2: lange termijn. Iedereen die kijkt ziet dat Copilot deze eerste
12:18
Speaker 2: ronde qua snelheid makkelijk wint. Het is lastig discussiëren met
12:21
Speaker 2: directe visualisaties en automatisch gegenereerde meetwaarden die technisch gezien moeiteloos werken.
12:25
Speaker 2: Maar naast elkaar ontstaan er twijfels. Als elke grafiek toch
12:28
Speaker 2: dubbel gecontroleerd moet worden, hoeveel tijd bespaar je dan echt?
12:31
Speaker 2: Voor nu is Co-Pilot sneller over de eerste finishlijn gekomen,
12:34
Speaker 2: maar het laat de indruk achter van een atleet die
12:36
Speaker 2: vroeg sprint maar niet stabiel genoeg lijkt om de hele
12:38
Speaker 2: race te winnen. En de echte test moet nog komen.
12:41
Speaker 2: Snelle visualisaties bouwen is één ding, maar als het gaat
12:44
Speaker 2: om tabellen koppelen, meerdere relaties beheren en de juiste filtercontext behouden,
12:49
Speaker 2: stijgt de druk. Dat is waar snelheid op oppervlakkig niveau
12:51
Speaker 2: minder belangrijk zal zijn dan aanpassingsvermogen aan zakelijke complexiteit, wat
12:54
Speaker 2: de volgende kritieke vraag oproept. Zodra we bij relationele datamodellering komen,
12:58
Speaker 2: zal automatisering dan zijn grenzen bereiken of kan Copilot zijn
13:01
Speaker 2: momentum vasthouden. Het breekpunt, complexe datamodellering. Eenvoudige demo's zijn makkelijk.
13:07
Speaker 2: De echte test komt wanneer de data niet langer netjes
13:09
Speaker 2: is en zich gaat gedragen als in de echte wereld.
13:11
Speaker 2: In deze ronde van de uitdaging verschuift de focus naar
13:13
Speaker 2: complexe modellering. In plaats van te werken met een overzichtelijke
13:16
Speaker 2: tabel met verkooptransacties, worden zowel Copilot als onze ontwikkelaar geconfronteerd
13:20
Speaker 2: met een dataset met meerdere tabellen. Er zijn klantgegevens, producthierarchieën, verkooporders, kortingstabellen,
13:25
Speaker 2: retouren en een aparte kalendertabel voor tijdintelligentie. Iedereen die een
13:29
Speaker 2: complex Power BI-model heeft gebouwd, weet dat het hier vaak misgaat.
13:33
Speaker 2: Een flitsende grafiek betekent weinig tenzij de basis, de relaties
13:37
Speaker 2: en de berekende velden stand houden bij daadwerkelijke bedrijfslogica. Copilot's
13:41
Speaker 2: aanpak is hier automatiseren. Het kijkt naar kolomnamen, scant op
13:44
Speaker 2: vergelijkbare sleutels en stelt relaties voor alsof het overduidelijke matches zijn.
13:48
Speaker 2: Op het eerste gezicht klinkt dat behulpzaam, maar in werkelijkheid
13:51
Speaker 2: sluit bedrijfsdata zelden netjes aan op basis van alleen een kolomname.
13:54
Speaker 2: Copilot ziet bijvoorbeeld een klant-ID in twee tabellen en legt
13:57
Speaker 2: direct een koppeling. Technisch gezien werkt het, maar zodra het
14:00
Speaker 2: model wordt getest met actieve versus vertrokken klanten, blaast de
14:03
Speaker 2: joint totalen op omdat statusvelden die mee hadden moeten tellen,
14:06
Speaker 2: worden genegeerd. Het levert een resultaat op, maar niet het
14:09
Speaker 2: juiste resultaat. En het echte probleem is dat de output
14:12
Speaker 2: er volkomen in orde uitziet totdat je onderzoekt waarom de
14:14
Speaker 2: cijfers niet kloppen. De ontwikkelaar gaat er daarentegen niet van
14:17
Speaker 2: uit dat een klant-ID altijd direct gekoppeld moet worden. Die
14:19
Speaker 2: staat stil en controleert hoe het bedrijf een actieve klant
14:22
Speaker 2: definieert in de dataset. Dit bewustzijn verandert de manier waarop
14:25
Speaker 2: de relatie wordt gemodelleerd. In plaats van elke klant te
14:27
Speaker 2: laten koppelen, voegen ze filters toe zodat alleen actieve klanten
14:30
Speaker 2: meetellen voor de berekening. Dit kost meer tijd, maar de
14:33
Speaker 2: totalen komen nu overeen met de verwachtingen. Dit verschil illustreert
14:36
Speaker 2: de kernuitdaging waar Copilot voor staat. Machines kunnen joins raden,
14:40
Speaker 2: maar ze kunnen niet eenvoudig de nuance toepassen van bedrijfsregels
14:43
Speaker 2: die niet expliciet in het schema staan. Een ander voorbeeld
14:45
Speaker 2: is de winstberekening over meerdere feitentabellen heen. Copilot genereert automatisch
14:50
Speaker 2: een relatie tussen de verkoop- en kortingstabel, maar kiest standaard
14:53
Speaker 2: voor een fill-op-fill join omdat beide tabellen overlappende sleutels bevatten.
14:57
Speaker 2: Iedereen die met fill-op-fill in Power BI heeft gewerkt, weet
14:59
Speaker 2: dat dit kan leiden tot opgeblazen aggregaties, zeker als filters
15:02
Speaker 2: niet correct worden toegepast. Copilot geeft hiervoor geen waarschuwing. De
15:05
Speaker 2: grafiek die het maakt ziet er strak uit, maar vergeleken
15:08
Speaker 2: met de versie van de ontwikkelaar schieten de winstmarges onrealistisch omhoog.
15:11
Speaker 2: Zakelijk gezien kunnen deze opgeblazen cijfers het management laten geloven
15:15
Speaker 2: dat de prestaties veel sterker zijn dan ze in werkelijkheid zijn.
15:17
Speaker 2: De ontwikkelaar ziet het probleem snel. Ze herstructureren het model
15:21
Speaker 2: door de kortingsdata te normaliseren en onder te brengen in
15:24
Speaker 2: een tussentabel. Die stap zet de relatie om in een
15:26
Speaker 2: één op veel, wat zorgt voor een accurate aggregatie die
15:28
Speaker 2: de bedrijfsomstandigheden goed weergeeft. Dit moment benadrukt waarom context alles
15:32
Speaker 2: bepalend is. Voor Copilot is een join gewoon een join.
15:35
Speaker 2: Voor een B-ontwikkelaar is een join een beslissing met directe
15:38
Speaker 2: impact op hoe het management naar bedrijfsprestaties kijkt. Dat verschil
15:41
Speaker 2: is het breekpunt dat we merken wanneer we overstappen van
15:43
Speaker 2: eenvoudige taken naar zinvolle modellering. Er is ook nog de
15:46
Speaker 2: kwestie van berekende velden. Copilot kan dax expressies opstellen... Maar
15:50
Speaker 2: zodra tijdintelligentie nodig is, wordt het wankel. Zo stelt het
15:53
Speaker 2: een jaar op jaar maatstaf voor met een ingebouwde functie,
15:56
Speaker 2: maar past deze toe op de transactiedatum in de ordertabel
15:59
Speaker 2: in plaats van de speciale kalendertabel. Het resultaat toont cijfers
16:02
Speaker 2: die plausibel lijken, maar ze wijken licht af door ontbrekende periodes.
16:06
Speaker 2: In praktijksituaties blijven subtiele fouten als deze vaak onopgemerkt tot
16:09
Speaker 2: een kwartaalrevisie de discrepanties blootlegt. De ontwikkelaar weet uiteraard wel beter.
16:14
Speaker 2: Zij valideren dat de berekeningen de juiste kalendertabel gebruiken en
16:17
Speaker 2: in lijn zijn met de logica van het boekjaar. Het
16:18
Speaker 2: is niet alleen een kwestie van een formule schrijven, het
16:20
Speaker 2: gaat erom welke referentie resultaten oplevert waar het management op vertrouwt.
16:23
Speaker 2: De twee naast elkaar bekijken is veelzeggend. Copilot produceert in
16:26
Speaker 2: recordtempo flitsende resultaten, maar de zelfverzekerdheid verhult fundamentele fouten. De
16:30
Speaker 2: ontwikkelaar lijkt misschien langzamer, maar de nauwkeurigheid van hun model
16:33
Speaker 2: elimineert het risico op misleidende rapporten. Het onderstreept een simpele waarheid.
16:37
Speaker 2: AI leest patronen, maar begrijpt de betekenis niet tenzij de
16:40
Speaker 2: regels expliciet zijn ingevoerd. Bedrijfslogica bevindt zich vaak buiten de dataset,
16:44
Speaker 2: in gesprekken, beleid en context die Copilot niet kan afleiden.
16:48
Speaker 2: Dat is waar menselijke expertise nog steeds een voorsprong heeft.
16:50
Speaker 2: De geautomatiseerde workflow lijkt soepel totdat regels veranderen of onduidelijkheid
16:54
Speaker 2: de kop opsteekt. Dan komen de gebreken aan het licht.
16:56
Speaker 2: Complexe modellering draait niet om hoe snel een grafiek wordt gegenereerd,
16:59
Speaker 2: maar om de zekerheid dat de logica er achter stand
17:01
Speaker 2: houdt bij kritische toetsing. In deze ronde laat de ontwikkelaar
17:04
Speaker 2: precies dat zien. Copilot struikelt, de mens corrigeert en het
17:07
Speaker 2: eindmodel weerspiegelt de bedrijfsrealiteit nauwkeuriger. Nu de fundamenten staan, verschuift
17:12
Speaker 2: de focus opnieuw. Met gebouwde modellen en geteste berekeningen gaat
17:15
Speaker 2: de aandacht naar de laatste fase, dit alles omzetten in
17:18
Speaker 2: dashboards waar besluitvormers echt iets aan hebben. De laatste sprint,
17:21
Speaker 2: dashboard kwaliteit en bruikbaarheid. Het gaat niet alleen om de
17:23
Speaker 2: vraag of de cijfers kloppen. Een goed dashboard moet meer
17:26
Speaker 2: doen dan alleen data tonen. Het moet de gebruikers direct aanspreken.
17:30
Speaker 2: In deze fase gaat het minder om de berekeningen en
17:32
Speaker 2: meer om de gebruiksvriendelijkheid. Je kunt het meest nauwkeurige model
17:36
Speaker 2: ter wereld hebben, maar als leiders niet snel zien wat
17:38
Speaker 2: belangrijk is, daalt de waarde. Dat is waar we een
17:40
Speaker 2: heel ander soort kloof beginnen op te merken tussen Copilot
17:42
Speaker 2: en de ontwikkelaar. Copilot neemt opnieuw de leiding met zijn
17:45
Speaker 2: pure snelheid. Binnen enkele minuten vult het canvas zich met grafieken,
17:48
Speaker 2: slicers en automatisch gegenereerde layouts. Het dekt de basis, verkoopt
17:51
Speaker 2: per regio, omzet over tijd, uitsplitsingen per productcategorie. Het is
17:55
Speaker 2: onbetwistbaar sneller dan elk visueel element handmatig bouwen. De automatisering
17:59
Speaker 2: voelt indrukwekkend, omdat dashboards waar je normaal een middag over doet,
18:02
Speaker 2: bijna direct verschijnen. Maar zodra je de resultaten van dichterbij bekijkt,
18:05
Speaker 2: vervaagt het enthousiasme. De visuals staan netjes, maar voelen generiek aan,
18:08
Speaker 2: bijna als schablonen. Er is geen echte prioritering. Omzet krijgt
18:12
Speaker 2: hetzelfde gewicht als minder kritieke statistieken en de hiaten in
18:14
Speaker 2: het verhaal zijn merkbaar. Een manager die door het dashboard bladert,
18:17
Speaker 2: krijgt wel informatie, maar geen narratief. Dat narratief is precies
18:21
Speaker 2: wat de menselijke ontwikkelaar benadrukt. In plaats van Power BI-grafieken
18:24
Speaker 2: in tijdelijke aanduidingen te laten plaatsen, vraagt de ontwikkelaar zich af,
18:27
Speaker 2: wat is het eerste dat een besluitvormer moet zien? Winsttrend bovenaan,
18:30
Speaker 2: trend van klantverloop voor regionale details. Context komt naar voren
18:33
Speaker 2: in hoe visuals zijn gerangschikt, geschaald en gelabeld. Titels zijn
18:36
Speaker 2: geschreven in begrijpelijke zakelijke taal in plaats van ruwe database-namen.
18:39
Speaker 2: Het eindproduct is meer dan een reeks grafieken. Het is
18:42
Speaker 2: een verhaal. Het leidt een gebruiker op een logische manier
18:44
Speaker 2: van overzicht naar detail. Je ziet dat tijd en doordachtheid
18:47
Speaker 2: het dashboard vormen in plaats van alleen snelheid. Hier wordt
18:50
Speaker 2: het contrast echt duidelijk. Copilot kan snel veel content genereren,
18:54
Speaker 2: maar kwantiteit is geen kwaliteit, zeker niet in Analytics. Bijvoorbeeld,
18:57
Speaker 2: in de eerste versie toont Copilot het totale kortingsbedrag in
19:00
Speaker 2: een opvallende... losse grafiek. Op papier is dat een valide metrie.
19:04
Speaker 2: In de juiste context betekent het weinig zonder het te
19:06
Speaker 2: koppelen aan marges. Het management geeft niet om het bruto
19:09
Speaker 2: totaalbedrag aan kortingen. Ze geven erom of die kortingen ten
19:12
Speaker 2: koste gingen van de winst of het verkoopvolume effectief verhoogde.
19:15
Speaker 2: Dat verband is iets wat AI moeilijk ziet, omdat het
19:18
Speaker 2: redenering vereist over hoe de ene metrie de andere beïnvloedt.
19:21
Speaker 2: De ontwikkelaar modeleert die vergelijking echter direct door kortingen af
19:24
Speaker 2: te zetten tegen de bruto en netto winst over tijd.
19:26
Speaker 2: Het verhaal wordt direct duidelijker omdat het uitleg in plaats
19:29
Speaker 2: van alleen toont. Onderzoek naar visualisatie en business intelligence wijst
19:33
Speaker 2: er herhaaldelijk op dat de beste dashboards niet de meeste
19:36
Speaker 2: elementen hebben, maar de sterkste communicatie. Best practices benadrukken zaken
19:40
Speaker 2: als het vermijden van rommelige grafieken, het benadrukken van vergelijkingen
19:44
Speaker 2: en KPIs koppelen aan organisatiedoelen. Copilot kan deze regels nabootsen,
19:49
Speaker 2: zoals getallen uitspreken. voor leesbaarheid of een staafdiagram voorstellen in
19:53
Speaker 2: plaats van een cirkeldiagram bij veel categorieën. Maar subtiele best practices,
19:57
Speaker 2: zoals de kunst van het kiezen wat het belangrijkst is,
19:59
Speaker 2: liggen nog buiten zijn bereik. Dat vereist bekendheid met zowel
20:02
Speaker 2: de data als de zakelijke vraagstukken. Het praktische verschil is
20:04
Speaker 2: zichtbaar in hoe de dashboards overkomen op verschillende doelgroepen. De
20:08
Speaker 2: output van Copilot ziet eruit als een gepolijst concept, nuttig
20:11
Speaker 2: voor interne verkenning of brainstorm-sessies. Een team kan ermee aan
20:14
Speaker 2: de slag, het aanpassen en toewerken naar iets beters. Maar
20:16
Speaker 2: vraag jezelf af, zou je hiermee een bestuursvergadering binnenstappen zonder wijzigingen?
20:20
Speaker 2: Waarschijnlijk niet. Ter vergelijking, het dashboard van de ontwikkelaar kost
20:23
Speaker 2: meer tijd, maar lijkt direct klaar voor een directiebeoordeling. Het
20:26
Speaker 2: heeft structuur. Het communiceert intentie. Het management kan in één
20:29
Speaker 2: oogopslag op de belangrijkste visuals kritische trends binnen enkele seconden begrijpen.
20:32
Speaker 2: Wat we hier dus zien, is een verschil in bruikbaarheid.
20:34
Speaker 2: Copilot is X.