Ik zei dit dit, ik las het op Linkedin en dacht, shit, hoe anders is analytics?

Analytics draait in mijn belevimg om denken, structureren en het stellen van de juiste vragen. En juist in een tijd waarin AI steeds meer taken overneemt, wordt dit onderscheid belangrijker dan ooit. In deze longread neem ik je mee in waarom analytics in essentie een soft skill is, welke fouten veel organisaties maken, hoe een goed analytisch proces eruitziet, en waarom AI dit thema actueler maakt dan ooit.

Hard vs. soft skills in analytics

Hard skills zijn de tastbare vaardigheden die je kunt leren en aantonen: Python-code schrijven, SQL-query’s bouwen, datasets modelleren en dashboards ontwikkelen. Soft skills zijn minder tastbaar, maar minstens zo belangrijk: probleemdefinitie, kritisch denken, context begrijpen en data-inzichten vertalen naar een verhaal dat beslissers overtuigt. Veel organisaties maken de denkfout dat investeren in hard skills automatisch leidt tot betere analytics. Maar een hamer maakt je nog geen timmerman – en een nieuwe BI-tool maakt je nog geen analytische organisatie.

Waar het vaak misgaat

Ik zie het vaak gebeuren bij jonge analisten, maar ook bij ervaren teams: ze duiken vol enthousiasme de data in. Er wordt weken gewerkt aan het perfectioneren van een dataset of het bouwen van een dashboard. En dan, aan het einde van het traject, blijkt dat niemand écht zit te wachten op dit inzicht. Het probleem is nooit goed gedefinieerd. Het gevolg: verspilling van tijd en energie, frustratie bij het team en een groeiend wantrouwen in de waarde van analytics. Het is als Google Maps openen zonder bestemming: je ziet wel wegen, maar je weet niet waar je naartoe gaat.

Het juiste analytische proces

Een sterk analytics-traject begint niet met data, maar met vragen. Een gestructureerde aanpak helpt om tunnelvisie te voorkomen. Drie stappen staan centraal:

1. Definieer het probleem – Vraag niet alleen *wat*, maar vooral *waarom* en *voor wie* iets een probleem is. Zonder die context blijft data oppervlakkig.
2. Vind de juiste data – Hier komen de hard skills in beeld. Maar perfectie is niet het doel; relevantie wel.
3. Werk agile – Begin breed en zoom daarna in. Gebruik de 80/20-regel: focus op de data die 80% van de inzichten levert.

Een team dat deze stappen volgt, voorkomt dat energie weglekt in het najagen van irrelevante datasets. Het proces zorgt ervoor dat analytics echt waarde toevoegt.

De AI-factor

AI verandert het speelveld radicaal. Veel klassieke hard skills – het schrijven van code, draaien van queries, bouwen van dashboards – kunnen steeds vaker door AI worden ondersteund of zelfs volledig overgenomen. Dat klinkt aantrekkelijk, maar het brengt ook een risico met zich mee: dat organisaties gaan denken dat AI de oplossing is voor al hun data-uitdagingen. AI kan razendsnel antwoorden geven, maar alleen mensen kunnen bepalen of de vraag klopt.

Een voorbeeld: vraag een AI-systeem om de omzettrend per productcategorie en je krijgt in seconden een grafiek. Maar de échte vraag is: waarom loopt productcategorie X terug? Is dit tijdelijk, door seizoensinvloeden, of structureel door veranderend klantgedrag? Dat is waar soft skills – probleemdefinitie, businesssense, kritische analyse – onmisbaar worden.

AI kan de schroevendraaier vasthouden, maar jij moet nog steeds weten welke kast je in elkaar wilt zetten.

De nieuwe balans in organisaties

Voor CFO’s, controllers en IT-managers betekent dit dat de prioriteit verschuift. Investeren in de nieuwste tools is belangrijk, maar onvoldoende. De echte uitdaging zit in het ontwikkelen van mensen: data literacy, kritisch denken en storytelling met data. Een organisatie die deze soft skills ontwikkelt, kan AI en hard skills optimaal benutten. Een organisatie die dit negeert, loopt het risico sneller te rennen – maar in de verkeerde richting.

Praktische handvatten voor leiders

Hoe borg je dat soft skills niet ondersneeuwen in de drukte van tooling en projecten? Een paar concrete handvatten:

• Stel altijd de *waarom-vraag* voordat een team data ophaalt.
• Organiseer peer reviews niet alleen op code, maar ook op probleemdefinities.
• Train teams in agile werken, zodat ze sneller leren itereren en bijsturen.
• Investeer in storytelling met data: inzichten moeten niet alleen kloppen, maar ook landen bij besluitvormers.

Een mooi voorbeeld zag ik bij een organisatie die data squads koppelde aan business-vraagstukken. Niet een dataset of model stond centraal, maar de vraag van de business. Dat zorgde voor focus én impact.

Conclusie

Analytics is niet het vinden van de juiste antwoorden. Het is de kunst van het stellen van de juiste vragen. En juist nu AI veel klassieke hard skills kan overnemen, worden soft skills de doorslaggevende factor. De organisaties die hierin investeren, creëren een blijvend concurrentievoordeel.

De vraag aan jou: hoe zorg jij dat in jouw organisatie de balans tussen hard en soft skills in analytics op orde is – juist nu AI zo’n vlucht neemt? Deel je ervaringen, leer van anderen en gebruik platforms zoals TheDataConnection om inzichten uit te wisselen.