Wat is big data en hoe haal je er betere beslissingen uit?

Organisaties verzamelen meer data dan ooit: berichten en foto's op social media, opnames van klantgesprekken, sensordata uit machines, miljoenen transacties per dag. Dat noemen we big data. Er zit bijna altijd een schat aan informatie in verborgen. Toch levert big data in de meeste organisaties verrassend weinig op.

Dat ligt zelden aan de data of de technologie. Het ligt aan de vraag waarmee je begint. Wie start met "wat kunnen we met al die data?", verzamelt veel en beslist weinig beter. Wie start met "welke beslissing willen we beter kunnen nemen?", weet precies welke data ertoe doet en wat de analyse moet opleveren.

In dit artikel lees je wat big data is, welke 5 kenmerken erbij horen, welke soorten je tegenkomt en wat de effecten zijn. Je ziet hoe een big data analyse in 8 stappen verloopt als je de beslissing centraal zet, en we laten 5 voorbeelden zien, van de brandweer tot Netflix. Tot slot krijg je 7 tips om er echt waarde uit te halen.

Wat is big data?

Big data zijn gegevens die ongestructureerd, complex of heel groot in omvang zijn. Ze zijn veel lastiger te analyseren dan de overzichtelijke data die netjes in een gewone database past. Je hebt specifieke technieken en technologie nodig, zoals AI, machine learning en data lakes, om er iets mee te kunnen. Wij hanteren deze definitie:

Big data zijn grote hoeveelheden (vaak ongestructureerde) gegevens die na grondige analyse nieuwe kennis opleveren. Die kennis wordt pas waardevol als mensen er betere beslissingen mee nemen: over processen, klanten, producten en innovatie.

De definitie maakt duidelijk dat big data niet iets is om op te slaan en te laten 'rusten'. Je verzamelt het, analyseert het doorlopend en vertaalt de uitkomsten naar procesoptimalisatie, innovatie en vooral: betere beslissingen in het dagelijks werk.

Big data versus traditionele data

In de tabel hieronder zie je de belangrijkste verschillen tussen big data en de traditionele, gestructureerde data die de meeste organisaties met business intelligence analyseren.

De 5 kenmerken van big data

Big data laat zich beschrijven met vijf kenmerken die allemaal met een V beginnen. Bij één of meer van deze situaties mag je van big data spreken:

1. Volume: de hoeveelheid data is zo groot of zo ongestructureerd dat die niet past in traditionele databasetabellen met rijen en kolommen. Opslag vindt plaats in filesystemen, data lakes of moderne objectgeoriënteerde databases.
2. Velocity: big data ontstaat snel en kan net zo snel weer verdwijnen. Denk aan berichten op social media die binnen minuten van de tijdlijn verdwijnen, of aan machinedata die via het mobiele netwerk wordt verstuurd. Vang je die niet op, dan ben je ze kwijt.
3. Variëteit: de data varieert sterk in structuur, omvang en betekenis. Gaat 'Utrecht' over de provincie, de stad of de gemeente? Is 's-Hertogenbosch hetzelfde als Den Bosch? En hoe interpreteer je sarcasme, zoals "Mijn nieuwe laptop loopt na één dag alweer vast. Topkwaliteit!"? Dat maakt big data analyse lastig.
4. Veracity: big data geeft niet altijd een waarheidsgetrouw beeld. Bots en spamaccounts kunnen een sentimentanalyse op recensies volledig vertekenen, en limieten van API's leveren soms ongemerkt een onvolledige dataset op. Wisselende datakwaliteit maakt het lastig om op de uitkomsten te vertrouwen.
5. Value: het belangrijkste kenmerk. Welke waarde levert big data analytics op voor je organisatie en je klanten? Die vraag beantwoord je pas goed als je weet welke beslissingen er beter moeten. Anders investeer je in technologie zonder richting.

De vijf kenmerken laten zien dat big data analyse complex is. Gartner-analist Nick Heudecker schatte in 2017 dat bijna 85% van de big data projecten mislukt, en voegde eraan toe dat "het probleem niet de technologie is" (TechRepublic, 2017). In onze ervaring is de meest voorkomende oorzaak dat niemand vooraf heeft bepaald welke beslissing het project moest verbeteren. Je hebt mensen nodig die technologie, machine learning, bedrijfsprocessen én besluitvorming begrijpen. Lees hoe de Diamond Decisions-aanpak begint bij de beslissing.

Wat is big data analytics?

Het verzamelen, opslaan en analyseren van big data en er waarde uit halen, noemen we big data analytics. Omdat de gegevens zo omvangrijk of ongestructureerd zijn, vertrouw je voor de opslag op data lakes of een dataplatform, en voor de analyse op artificial intelligence en machine learning, bij voorkeur met rekenkracht in de cloud. Handmatige analyse kan in principe ook, maar dan ben je jaren bezig en zie je veel over het hoofd.

Big data en AI versterken elkaar: een AI-model wordt nauwkeuriger naarmate het op meer data getraind wordt. Maar een accuraat model is nog geen betere beslissing. Dat wordt het pas als de uitkomst terechtkomt bij de mensen die beslissen, op het moment dat ze beslissen, in een vorm waar ze iets mee kunnen.

Soorten big data

Misschien weet je niet eens welke big data je organisatie al genereert. Op het laagste niveau bestaat alle data uit bits, maar op een hoger niveau onderscheiden we deze soorten:

• Documenten: e-mails, offertes, beleidsnota's en tekstbestanden
• Foto's: gemaakt met een telefoon, camera of speciale (medische) apparatuur
• Video's: van telefoons, bewakingscamera's of drones
• Geluidsfragmenten: zoals opnames van klantgesprekken
• Sensor- en machinedata: gegenereerd door machines en apparaten
• RFID-tags: polsbandjes of stickers met een chip die je kunt detecteren
• Social media berichten: door gebruikers zelf geplaatst
• Logfiles: gegenereerd door computers, websites en systemen

Begin niet met de vraag welke van deze bronnen je allemaal kunt ontsluiten. Begin met de beslissingen die het verschil maken in je organisatie en vraag je af welke van deze bronnen daar informatie over bevatten. Zet daarvoor mensen uit de business, data-analisten en IT samen aan tafel. Er zit meer in big data dan je denkt, maar de kunst is om te weten waar je moet zoeken.

De grootste effecten van big data analytics

Big data analytics is complex, maar als het lukt heeft het een grote positieve impact op je organisatie, je klanten en je processen:

• Gestroomlijnde processen: je ziet waar het knelt en kunt gericht bijsturen (zie ook KPI's en big data)
• Hogere productiviteit: medewerkers verzetten meer werk in minder tijd
• Tevredener klanten: je kunt klanten veel beter segmenteren en bedienen
• Van reactief naar proactief: voorspellende modellen laten je eerder handelen
• Innovatiekracht: sneller nieuwe producten en diensten ontwikkelen (big data en innovatie)
• Betere beslissingen: vaker beslissen op basis van feiten, zonder de ervaring en intuïtie van mensen uit te schakelen

De echte kracht van big data is dat je veel fijnmaziger kunt werken en veel vaker datagedreven kunt beslissen, ook lager in de organisatie. Medewerkers krijgen meer handelingsperspectief en meer autonomie. Dat is minstens zo waardevol als de efficiëntiewinst.

Doordat je analyses automatiseert, verdwijnt bovendien willekeur (bias) uit je processen. Steekproeven zijn niet meer nodig als je alle gevallen kunt analyseren. Je marktkennis neemt toe en je spoort risico's sneller op. Dat maakt je organisatie wendbaarder en robuuster.

Big data-analyse in 8 stappen: begin bij de beslissing

Veel big data projecten leveren geen rendement op omdat ze vanuit IT of vanuit de beschikbare data worden aangevlogen. Er wordt dan veel verzameld, maar weinig toegepast. De stappen hieronder dwingen je om te starten met een businessvraagstuk en de beslissing die daarbij hoort, en daarna pas met de data:

1. Bepaal welke beslissing beter moet: verken samen met collega's welke businessvraagstukken en beslissingen in aanmerking komen. Koppel ze aan de missie, de strategie en de belangrijkste KPI's van je organisatie.
2. Verzamel en prepareer de relevante data: selecteer de data die nodig is om die beslissing te ondersteunen en schoon die op waar nodig. Lees meer over het verbeteren van je datakwaliteit.
3. Verken en analyseer de data: verken de data met een BI-tool en visualiseer die op verschillende manieren, zodat je begrijpt of de data het vraagstuk kan beantwoorden. Lees meer over datavisualisatie.
4. Stel een definitieve dataset samen: herhaal stap 1 tot en met 3 tot je een dataset hebt die compleet, schoon en snel is.
5. Bouw het model: ontwikkel een machine learning model dat leert voorspellen, groeperen of classificeren op basis van de geselecteerde trainingsdata.
6. Valideer het model met de beslissers: laat domeinexperts en de mensen die met de uitkomsten gaan werken beoordelen of de voorspellingen kloppen en bruikbaar zijn.
7. Breng het model in productie: is het model valide en heb je de datakwaliteit onder controle, dan breng je het in productie, ingebed in het werkproces waar de beslissing genomen wordt.
8. Evalueer en leer: toets regelmatig of het model nog goede uitkomsten geeft en of de beslissingen er aantoonbaar beter van worden. Verfijn het model op basis van die evaluatie.

Deze stappen houden de beslissing centraal en maken duidelijk wie waarvoor verantwoordelijk is. Ze laten ook zien dat big data analyse geen eenmalige exercitie is, maar een doorlopend proces van leren en verbeteren.

Patronen vinden in big data lukt niet met traditionele analysetools: de datasets zijn te groot of te complex. Algoritmes zoals een neuraal netwerk of een regressiemodel automatiseren de analyse voor je op een efficiënte en effectieve manier.

Big data-oplossingen en tools

Er is een groot aanbod aan big data tools en platforms die je helpen data te onderzoeken, AI toe te passen en machine learning modellen te bouwen. Bekende leveranciers zijn onder meer Microsoft, Google, Amazon, SAS, Oracle, Qlik en SAP. De beste keuze hangt af van de beslissingen die je wilt ondersteunen, je bestaande IT-landschap en de kennis in je team. Kies de tool daarom als laatste, niet als eerste.

5 opvallende big data-voorbeelden

Om van andere organisaties te leren, geven we vijf aansprekende voorbeelden van big data toepassingen. Opvallend veel voorbeelden komen uit de publieke sector. Dat is logisch: de publieke ruimte is enorm en alles tussen huis, kantoor en andere bestemmingen levert data op. Let bij elk voorbeeld op welke beslissing er dankzij big data beter wordt genomen.

1. Branden voorspellen: van repressie naar preventie

Brandweer Amsterdam-Amstelland voorspelt op basis van tientallen (open en grote) datasets waar branden kunnen ontstaan, nog voordat ze uitbreken. Met die kennis kiezen brandweerlieden waar ze huis-aan-huis voorlichting geven, bijvoorbeeld over hoe bewoners bepaalde branden zelf kunnen voorkomen. De beslissing waar zetten we onze preventie-inzet in? wordt zo datagedreven. Het project won zowel de publieks- als de juryprijs van de Dutch BI & Data Science Award. Lees meer over big data bij Brandweer Amsterdam-Amstelland.

2. Verkeersstromen optimaliseren in Dublin

Het stadsbestuur van Dublin wilde files verminderen met big data analytics. In het wegdek kwamen sensoren, in de bussen GPS-systemen en op belangrijke punten regendetectors. Daarnaast gebruikt de stad de beelden van alle verkeerscamera's.

Alle data komt realtime binnen in een data lake en wordt op een kaart van de stad getoond. Medewerkers van het verkeerscontrolecentrum zien direct waar files ontstaan en wat de oorzaak is, en ondernemen meteen actie. Bij een ernstig ongeluk waarschuwen ze politie en ambulance soms nog voordat betrokkenen dat zelf kunnen. In andere gevallen sturen ze verkeersregelaars ter plaatse. Ook de optimale busroutes worden met deze data berekend.

3. De smart inhaler helpt astma-aanvallen te reduceren

Astma treft wereldwijd honderden miljoenen mensen, waarvan ruim een half miljoen in Nederland. De smart inhaler helpt patiënten de ziekte beter onder controle te houden. Het apparaat registreert niet alleen hoe en wanneer de patiënt het medicijn inhaleert, maar ook de locatie, de luchtkwaliteit, de hoeveelheid pollen, de temperatuur en de luchtvochtigheid.

Een machine learning model analyseert die data en bepaalt of er actie nodig is. Het kan de patiënt adviseren binnen vijf minuten te inhaleren, waarschuwen dat de inhaler nog thuis ligt of melden dat de patiënt een gebied met veel graspollen binnenrijdt. Zo neemt de patiënt zelf betere beslissingen, krijgt hij minder aanvallen en ontdekt hij beter wat die aanvallen veroorzaakt.

4. Het beste moment voor onderhoud voorspellen

Met predictive maintenance voorspel je wanneer machines of onderdelen dreigen uit te vallen. Sensoren meten bijvoorbeeld temperatuur en trillingen, en een algoritme herkent in die data patronen die op een naderend defect wijzen. De onderhoudsplanner beslist daardoor niet meer op basis van vaste intervallen, maar op basis van de werkelijke toestand. Dat voorkomt kostbare uitval en verhoogt de klanttevredenheid. Lees ook 5 redenen waarom controllers zich moeten verdiepen in AI.

5. Netflix schrijft geschiedenis met big data

Netflix begon in 1997 als online videotheek die dvd's per post verstuurde. Vanaf 2007 stapte het bedrijf over op streaming. Het grootste kantelpunt kwam toen Netflix op grote schaal klant- en kijkdata ging analyseren: wie er in een serie speelde, waar kijkers pauzeerden of afhaakten, welke afleveringen ze opnieuw bekeken. Uit die analyse kwamen steeds drie kenmerken naar voren: Kevin Spacey, politieke thriller en Washington als decor.

Op basis daarvan nam Netflix een gewaagde beslissing: de serie House of Cards zelf produceren, die in 2013 uitkwam. De serie werd een groot succes. Inmiddels produceert Netflix veel eigen films en series, die meerdere Emmy's en Academy Awards wonnen. De omzet groeide van 3,6 miljard dollar in 2012 naar 45,2 miljard dollar in 2025 (Macrotrends). Netflix laat zien wat er gebeurt als je big data koppelt aan de beslissingen die er echt toe doen: een complete industrie ging op de schop.

Ook buiten deze voorbeelden zijn de toepassingen talrijk. Drones met (infrarood)camera's laten zien of bomen ziek zijn, hoe hoog het onkruid staat of of parkeerplaatsen bezet zijn door auto's zonder vergunning. En in de zorg worden big data analyses steeds vaker ingezet om ziektes in een vroeg stadium op te sporen.

7 tips voor succes met big data analytics

Succes met big data begint bij een open, lerende en analytische cultuur, en bij een management dat betrokken is en ruimte en budget geeft. Daarnaast vraagt het veel bedrijfs- en proceskennis en creativiteit, van zowel de business als de data scientist. Deze zeven punten maken het verschil:

1. Verbind big data met je missie, strategie en KPI's: zorg dat de big data doelen bijdragen aan de organisatiedoelen. Zomaar een data lake aanleggen is zinloos. Laat niet de technologie leidend zijn, maar je strategie, je processen en de beslissingen die daarin genomen worden.
2. Betrek de beslissers vanaf het begin: de mensen die met de uitkomsten gaan werken, moeten begrijpen wat big data voor hun eigen werk kan betekenen. Een agile aanpak helpt, net als een gezamenlijke inspiratie- en alignmentsessie waarin je een gedeeld beeld en een gedeelde taal ontwikkelt.
3. Bewaak de datakwaliteit: bij big data is datakwaliteit nog belangrijker dan bij reguliere business intelligence, omdat je beslissingen deels automatiseert. Een machine learning model in productie werkt vaak als een black box, en in data lakes ontbreken meestal voorzieningen om de kwaliteit over de hele linie te meten en te verbeteren. Beleg daarom data-eigenaarschap.
4. Neem ethiek en privacy serieus: bij het verwerken van persoonsgegevens kunnen de AVG en de Europese AI-verordening (AI Act) al snel een flinke drempel opwerpen. Neem die vanaf het begin mee in je ontwerp.
5. Bouw een solide datafundament: foto's, teksten, machinedata en video's vragen al snel om petabytes aan opslag. Je hebt een robuust, schaalbaar en toekomstbestendig dataplatform nodig, met voldoende rekenkracht, zodat je toepassingen snel en wendbaar kunt ontwikkelen.
6. Stel een gebalanceerd team samen: combineer ervaren data science experts met mensen die de business en de besluitvorming kennen. Zo vullen ze elkaar aan en speel je sneller in op nieuwe informatiebehoeften.
7. Zorg dat inzichten tot actie leiden: een big data toepassing moet bruikbaar, toegankelijk en gebruiksvriendelijk zijn. Maar het belangrijkste is dat de inzichten een vaste plek krijgen in het ritme van de organisatie, bijvoorbeeld in een datagedreven PDCA-cyclus.

Deze zaken hangen nauw met elkaar samen en vragen om een vaste hand, gedegen kennis en ervaring. Wil je weten waar jouw organisatie staat? Lees hoe Diamond Inspirations directie en management helpt bepalen welke beslissingen als eerste beter moeten.

Verder lezen over big data

Wil je je verder verdiepen in big data analytics? Deze artikelen helpen je op weg:

• De 7 grootste valkuilen in big data
• Big data toepassingen in de overheid
• Hoe big data innovatie verandert
• De ethiek van big data en AI
• Trends in BI, AI en datagedreven werken voor 2026

Bronnen

• Heudecker, N. (Gartner), geciteerd in: 85% of big data projects fail, TechRepublic, 10 november 2017.
• Omzet Netflix 2012–2025: Macrotrends, Netflix Revenue, op basis van de jaarverslagen van Netflix.
• Verordening (EU) 2016/679 (Algemene Verordening Gegevensbescherming).
• Verordening (EU) 2024/1689 (AI-verordening).

Over de auteur

Jack Esselink MA is data- en AI-evangelist, trainer en spreker. Hij werkte bij softwarebedrijven als Cognos en IBM, laatst als Data Science & Machine Learning Evangelist bij IBM, waar hij wereldwijd trainingen, workshops en keynotes gaf over AI, business intelligence en machine learning. Zijn motto: “It’s all about data.”

Over Diamond Decisions

Diamond Decisions helpt organisaties beter te worden door betere beslissingen mogelijk te maken. We starten niet bij data, dashboards of AI, maar bij de beslissing die beter moet, en bouwen van daaruit terug naar KPI's, data en technologie. Dat doen we in vier stappen: inspiratie en alignment, business modeling, analytics en dataplatform en datagedreven beslissers. Zo zorgen we dat big data en AI geen IT-project blijven, maar elke dag waarde opleveren.