De praktische toepassing van het Brons-Zilver-Goud Model

Veel managers herkennen het: data is overal aanwezig, maar vaak verspreid over Excelbestanden, boekhoudexports en handmatige lijsten. In de eerste fase van datavolwassenheid kan dit nog werkbare inzichten opleveren, maar naarmate een bedrijf groeit, worden de beperkingen zichtbaar. Rapportages worden tijdrovend, foutgevoelig en bieden slechts een terugblik in plaats van actuele sturing.

Data maturity – of datavolwassenheid – beschrijft de reis van een organisatie van eenvoudige, handmatige rapportages naar schaalbare, betrouwbare en geautomatiseerde data-oplossingen. Voor het MKB, specifiek de ondernemingen die groeien van klein naar middel en wellicht verder, is deze reis essentieel om wendbaar te blijven en beslissingen te nemen op basis van feiten in plaats van aannames.

Het doel van deze white paper is om te laten zien hoe data transformatie tools zoals Alteryx, Knime of Matillion groeiende ondernemingen ondersteunen in elke stap van dit groeipad. We doen dit aan de hand van een herkenbaar voorbeeld: het bouwen van een Winst- en Verliesdashboard. Daarbij volgen we verschillende niveaus van datavolwassenheid en laten we zien hoe je met het Brons-Zilver-Goud model een schaalbare methodiek toepast.

Het Brons–Zilver–Goud (BZG) model is een bewezen manier om data stap voor stap te ontwikkelen van ruwe input naar hoogwaardige, direct bruikbare informatie. Dit model sluit goed aan bij de praktijk van veel MKB-ondernemers om betrouwbare rapportages te bouwen zonder ingewikkelde IT-trajecten. Zonder een duidelijke methode ontstaat al snel een lappendeken van losse bestanden, handmatige bewerkingen en ad-hoc oplossingen. Het BZG-model biedt juist de structuur om datagroei beheersbaar te maken en duurzame inzichten te creëren.

In de Brons-laag bevindt zich de ruwe data: de onbewerkte bestanden en exports zoals ze rechtstreeks uit een bron komen. Dit kan gaan om Excel-sheets uit Finance, CSV-bestanden uit een CRM-systeem, API-downloads uit een webshop of zelfs logbestanden van machines of sensoren. Deze data is vaak heterogeen, incompleet,  inconsistent of bevat nog fouten.

De Zilver-laag is de fase waarin brons data wordt opgeschoond en geharmoniseerd. Hier wordt de kwaliteit verbeterd: doublures verdwijnen, inconsistenties worden hersteld en verschillende databronnen worden samengebracht in een uniforme structuur. Denk bijvoorbeeld aan het standaardiseren van productcodes, het valideren van adressen of het combineren van klantinformatie uit meerdere systemen. 

Tot slot levert de Goud-laag de datasets die direct klaar zijn voor gebruik door de business. In deze fase wordt de zilver data afgestemd op de informatiebehoefte van de organisatie. De gegevens zijn betrouwbaar, gevalideerd en zo gestructureerd dat ze zonder extra bewerking kunnen worden ingezet in rapportages, dashboards of voorspellende analyses. Dit kan bijvoorbeeld een omzetoverzicht per regio zijn voor Power BI, een 360°-klantbeeld voor marketing, of een dataset die dagelijks automatisch wordt gepubliceerd naar een dataplatform zoals Snowflake. Deze tabel wordt vervolgens automatisch ververst en dient als directe bron voor dashboards in bijvoorbeeld Power BI of Tableau.

Het BZG-model zorgt er zo voor dat organisaties niet alleen inzicht krijgen in hun data, maar dit ook gestructureerd en schaalbaar kunnen inzetten. Voor ondernemingen betekent dit dat zij stap voor stap kunnen doorgroeien in datavolwassenheid, zonder dat het proces onnodig complex wordt of onnodig aan verandering onderhevig.

Om het groeipad van datavolwassenheid concreet te maken, nemen we een herkenbaar voorbeeld: het opbouwen van een Winst- en Verliesdashboard. Vrijwel iedere onderneming rapporteert periodiek de financiële resultaten, maar in de praktijk blijkt dat deze informatie vaak gefragmenteerd en moeilijk toegankelijk is. Rapportages worden samengesteld in Excel op basis van losse boekhoudexports, handmatige klantlijsten of aanvullende productgegevens. Het resultaat is arbeidsintensief, foutgevoelig en nauwelijks schaalbaar.

Met de juiste tools kan dit proces stap voor stap volwassen worden gemaakt. In de eerste fase – de beginnende datavolwassenheid – start de ondernemer met een eenvoudige CSV-export uit de boekhouding, aangevuld met Excel-bestanden met bijvoorbeeld klant- en productinformatie. In Alteryx, Knime of Matillion worden deze bestanden samengebracht, opgeschoond en verrijkt, zodat er een overzicht ontstaat van omzet en kosten per klant en product. De output is vaak nog een Excel-rapport, maar wel met een stevige kwaliteitsverbetering.

In een volgende fase wordt de data niet langer handmatig geëxporteerd, maar direct ontsloten uit een boekhoud- of ERP-systeem, zoals Exact, Afas of Salesforce, via een API of connector. Daarmee ontstaat niet alleen actualiteit, maar ook betrouwbaarheid en schaalbaarheid. De transformaties in Alteryx worden complexer, met validatieregels en berekeningen die direct de business logica weerspiegelen. De resultaten leveren niet langer een Excel-rapport, maar een dataset die direct bruikbaar is in een visualisatietool zoals Power BI of Tableau.

In de meest volwassen fase is de hele keten gestandaardiseerd: ruwe data stroomt periodiek of zelfs real-time binnen, de logica is centraal vastgelegd en de Goud-laag levert een semantisch model dat door de hele organisatie eenduidig gebruikt kan worden. Het Winst- en Verliesdashboard groeit zo uit tot een strategisch stuurinstrument voor de ondernemer.

Stap 1 - Beginfase: Losse bestanden samenbrengen

Veel ondernemers starten met data die uit verschillende systemen handmatig wordt geëxporteerd. Denk aan een CSV-bestand uit de boekhouding en Excel-lijsten met klanten en producten. In deze Brons-laag is de data vaak heterogeen, incompleet of inconsistent.
Deze brons bestanden worden in de Zilver-laag samengebracht, opgeschoond en verrijkt, bijvoorbeeld door klantnamen te koppelen aan klant-ID’s of productcategorieën te standaardiseren. Het resultaat in de Goud-laag is een eerste Winst- en Verliesoverzicht, vaak nog als Excel-rapport, maar wel betrouwbaar en reproduceerbaar. De afbeeldingen hieronder tonen hoe zo’n proces er ongeveer uit zou kunnen zien in bijvoorbeeld Knime.