Als je met business intelligence werkt, kent het probleem: dezelfde KPI staat in drie dashboards, maar elke definitie is net anders. Omzet in het ene rapport is exclusief retouren, in het andere inclusief. Vaak beginnen ze met dezelfde definitie, maar na verloop van tijd wordt een wijziging in de metric alleen in dashboard 1 en 2 doorgevoerd, een andere alleen in 1 en 3, en een derde alleen in dashboard 2. Het management vergelijkt cijfers die niet vergelijkbaar zijn — en niemand weet precies waar het verschil zit.
De oorzaak zit vaak niet in de visualisatie, maar in hoe de semantische laag is ingericht: waar definities van dimensies en indicatoren (measures) leven, en hoe dashboards daaraan gekoppeld zijn.
In DataOwn bouw je die laag centraal met de Model Builder. Eén plek voor al je star-modellen, één gedeelde definitie van elke indicator — en in elk dashboard kun je alle star-modellen combineren die je nodig hebt.
Wat is een semantische laag?
Een semantische laag is de vertaallaag tussen ruwe databasetabellen en wat mensen in rapporten zien. Ze bevat dimensies (velden waarmee je groepeert of filtert), indicatoren (aggregaties zoals som of gemiddelde) en relaties tussen fact- en dimensietabellen in een star-schema.
Zonder centrale laag kopieert elke rapportbouwer deze logica opnieuw. Met een centrale laag definieert je BI-team "omzet" één keer — en iedere dashboard gebruikt dezelfde definitie.
Dat sluit aan bij hoe open-source BI-tools semantische modellen inrichten. Lightdash, dat DataOwn gebruikt voor dashboards, beschrijft hetzelfde principe in hun semantische laag: metrics, dimensies en tabellen één keer definiëren in YAML (vaak via dbt), en daarna consistent gebruiken in de app, via API en door AI-agents.
Chat-with-your-data met AI is in BI momenteel het gesprek van de dag. Stel vragen in gewone taal en krijg een volledige analyse van je data terug. De betrouwbaarheid is echter een probleem. Onderzoek wijst er consequent op dat een semantische laag absoluut essentieel is voor betrouwbare antwoorden — en dat AI zo één bron van waarheid voor elke definitie kan gebruiken.
Eén Model Builder, meerdere star-modellen
In DataOwn is de Model Builder het hart van je semantische laag. Je kunt star-modellen bouwen: een facttabel met metingen, omringd door dimensietabellen (klant, product, tijd, organisatie). Dat volgt gangbare Kimball-principes — maar een star-schema is één mogelijkheid; andere modelleeropties zijn ook mogelijk.
Het verschil met "per rapport een query schrijven" is structureel:
- Je definieert meerdere star-modellen — verkopen, voorraad, servicekosten — elk met heldere granulariteit.
- Indicatoren worden centraal vastgelegd — naam, aggregatie, weergaveformaat en beschrijving.
- Alle star-modellen hangen in dezelfde semantische laag — joins zijn vastgelegd in de Model Builder.
- Elk dashboard kan alle star-modellen gebruiken — ook over verschillende star-modellen heen, zonder per rapport een apart datamodel.
Hoe dit verschilt van de standaard Power BI-workflow
In Power BI Desktop is de standaard workflow voor veel teams: nieuw .pbix-bestand, data laden, modelleer in dat bestand, visuals bouwen, publiceren. Het semantisch model zit in of direct gekoppeld aan dat rapport. Twee dashboards over dezelfde brondata leiden gemakkelijk tot twee parallelle modellen.
Power BI kent alternatieven: gedeelde datasets met "thin reports", of semantische modellen in Fabric. Dat werkt, maar vraagt extra inrichting — centrale datasetbeheer, vaak Premium/Fabric-capaciteit, en discipline om niet terug te vallen op losse .pbix-bestanden. Zonder die setup is het patroon vaak: effectief één semantische laag per dashboard.
DataOwn keert dat om: standaard één semantische laag voor het platform, met de Model Builder als centrale plek. Dashboards consumeren die laag; ze definiëren ze niet opnieuw.
Aan de slag
Lees de volledige uitleg in onze documentatie: Model Builder.