Wat het is
Een datacatalogus is een overzicht waarin per veld staat wat het betekent. Geen kopie van je data — een beschrijving ervan. Voor elk veld dat ertoe doet:
- ·Wat het betekent — in gewone taal, niet de kolomnaam nog eens herhaald.
- ·Welke waardes erin voorkomen — en wat díé betekenen. Hier zit meestal het echte probleem.
- ·Waar het vandaan komt — welk systeem, en wat er onderweg mee gebeurd is.
- ·Welke regel eroverheen ligt — wat telt mee, wat niet.
- ·Wie erover beslist — want bij twijfel moet iemand knopen doorhakken.
Wat het niet hoeft te zijn
De datacatalogus heeft een imagoprobleem, en dat is verdiend. De term komt uit grote organisaties, waar hij hoort bij een implementatietraject van maanden, een platform met een jaarlijkse licentie en een stuurgroep.
Voor een MKB-bedrijf is dat overdreven. Een bruikbare catalogus voor een bedrijf van vijftig man past vaak op een paar pagina's en beslaat de dertig tot vijftig velden waar daadwerkelijk op gestuurd wordt. Niet je hele database — de velden die in beslissingen terechtkomen.
Wanneer je er een nodig hebt
Vier signalen. Herken je er twee of meer, dan verdien je de moeite terug.
Meerdere bronsystemen
Zodra gegevens uit twee systemen samenkomen, moet iemand beslissen welke definitie wint. Zonder catalogus beslist dat toevallig degene die de koppeling bouwde.
Definities verschillen per afdeling
Verkoop telt een order bij ondertekening, financiën bij facturatie. Allebei terecht — maar dan moeten het twee getallen zijn met twee namen.
Er gaat kennis de deur uit
Iemand die vijftien jaar de rapportages deed gaat met pensioen. Wat die persoon wist, staat nergens. Dit is het duurste moment om te ontdekken dat je geen catalogus hebt.
Er liggen AI-plannen
Dit is de nieuwste reden, en de dwingendste. Zie hieronder.
Wanneer je hem beter kunt overslaan
Eén systeem, één iemand die de rapportage maakt, een vaste set cijfers die al jaren hetzelfde betekent? Dan is een catalogus werk zonder opbrengst. Je legt iets vast dat niemand opzoekt, en over een jaar klopt het niet meer omdat niemand het bijhoudt.
Een catalogus die niet gebruikt wordt is erger dan geen catalogus, want mensen gaan hem wél vertrouwen. Begin dus klein en alleen waar het schuurt.
Waarom AI dit van "netjes" naar "noodzakelijk" verplaatst
Een taalmodel heeft niet genoeg aan tabelnamen en veldnamen. Het moet weten wát een veld betekent, welke waardes erin voorkomen en wat die betekenen, en welke regel eroverheen ligt. Dat detailniveau is precies wat een catalogus vastlegt.
Zonder die beschrijving zegt een model niet "dat weet ik niet". Het geeft een antwoord, in een nette zin, met een onderbouwing die klopt behalve op het punt dat ertoe doet. Een mens die twijfelt, laat dat zien. Een model niet.
Daarom is de volgorde: eerst vastleggen wat je data betekent, dan pas AI erop. Andersom bouw je een machine die overtuigend de verkeerde kant op wijst. Wil je weten hoe ver je bent? Doe de zelfscan: is jouw data klaar voor AI?
Hoe wij het aanpakken
Niet als apart project. Een catalogus die los van het werk wordt gemaakt, veroudert vanaf dag één. Bij ons ontstaat hij onderweg: als we een koppeling bouwen of een vastgelopen werkblad omzetten naar een applicatie, moeten die regels toch expliciet worden. Wat je overhoudt is de beschrijving, en die is van jou.
Komt de vraag bij jou vanuit een werkblad dat vastloopt? Dan is dit de snelste ingang: de gratis check van Excel naar app — die laat ook zien of je het beter gewoon in Excel kunt houden. En als de vraag begint bij "niemand weet meer wat dit veld betekent", dan leest dit artikel waarschijnlijk herkenbaarder.