Iedereen wil AI op de eigen data: een vraag stellen in gewone taal en direct een betrouwbaar antwoord. Dat antwoord is nooit beter dan wat eronder ligt. De basis voor AI is een goed georganiseerde BI, draaiend op een goed georganiseerd data platform. Axelio bouwt dat fundament op het platform dat bij u past: SQL Server on-premises, Azure Databricks of Microsoft Fabric, met hetzelfde framework en dezelfde modellen.
Om een vraag goed te beantwoorden
- Eén definitie per begrip, niet drie
- Data die compleet en actueel is, en waarvan dat vaststaat
- Rechten die bepalen wat iemand mag zien
- Herkomst die te herleiden is tot de bron
Het fundament eronder
- Semantische modellen met vaste KPI-definities
- Gelaagde opslag: bronze, silver, gold
- Security op elke laag, tot op rijniveau
- Logging en lineage van bron tot rapport
| Aspect | SQL Server on-premises | Azure Databricks | Microsoft Fabric |
|---|---|---|---|
| Waar het draait | Op eigen servers of in een eigen datacenter | Azure, als beheerde Spark-omgeving | Microsoft-cloud, als SaaS op één capaciteit |
| Opslag | Relationele tabellen in SQL Server | Delta-tabellen in Azure Data Lake Storage | Delta-tabellen in OneLake: lakehouse en warehouse |
| Transformatie | SSIS en T-SQL | Notebooks in Spark SQL en PySpark | Notebooks, T-SQL en dataflows |
| Orkestratie | SQL Server Agent | Databricks Jobs of Azure Data Factory | Data Factory-pipelines in Fabric |
| Catalogus en lineage | Via de metadata van het framework | Unity Catalog | OneLake-catalogus en Microsoft Purview |
| Semantisch model | Analysis Services Tabular of Power BI (import) | Power BI, import of DirectQuery | Power BI met Direct Lake |
| Rapportage | Power BI Report Server, volledig on-premises | Power BI-service | Power BI, geïntegreerd in Fabric |
| AI data agents | Zodra het model in de Power BI-service staat | Genie op de gold-laag, Copilot op het Power BI-model | Fabric data agents en Copilot, direct op model en lakehouse |
| Past bij | Data die binnen de muren moet blijven, bestaande SQL-kennis | Grote volumes, data science, meerdere clouds | Een Microsoft-landschap, snel starten, één licentiemodel |
Het Axelio BI Framework draait op alle drie hetzelfde. Klein starten op het ene platform en later overstappen vraagt geen nieuw ontwerp. Productnamen zijn die van Microsoft en Databricks in 2026.
| Traditionele ETL | Medallion | Wat de laag doet |
|---|---|---|
| Staging | Bronze | Ruwe kopie van de bron, zo min mogelijk aangeraakt |
| Integratielaag (ODS) | Silver | Opgeschoond, ontdubbeld, codes en sleutels gelijkgetrokken |
| Datawarehouse en datamarts | Gold | Bedrijfsklaar: feiten en dimensies volgens Kimball |
| Cube (Analysis Services) | Semantisch model | Meetwaarden, hiërarchieën en rechten voor de gebruiker |
Andere namen, dezelfde gedachte
Medallion is geen nieuwe architectuur maar een nieuwe naam voor een beproefde gelaagdheid. Het echte verschil zit in opslag en volgorde: bij ETL wordt getransformeerd vóór het laden in de database, bij medallion (ELT) wordt eerst geladen en daarna in het lake getransformeerd, in open Delta-bestanden die elke engine kan lezen. Het ontwerp van feiten, dimensies en KPI's blijft hetzelfde, en daarom bouwt het framework op alle drie de platforms dezelfde modellen.
Van cube naar semantisch model
Wat vroeger een Analysis Services-cube was, heet nu een semantisch model. De gedachte is dezelfde: meetwaarden, hiërarchieën en rechten één keer vastgelegd. In Power BI draait het op dezelfde Tabular-engine als Analysis Services.
Eén model, vier soorten gebruik
Power BI-rapporten, Excel via Analyseren in Excel, paginated reports voor pixelperfecte en printbare output, en AI data agents die vragen in gewone taal beantwoorden. Allemaal op dezelfde definities.
Rechten reizen mee
Row-level security in het model geldt voor het rapport, voor Excel én voor de agent. Een agent kan niet meer laten zien dan de vrager mag zien.
De basis voor AI is een goed georganiseerde BI
Een data agent beantwoordt een vraag door een meetwaarde te kiezen. Staat 'marge' drie keer in drie rapporten, met drie definities, dan kiest hij er één, en niemand ziet welke. Staat hij één keer in het semantische model, met een omschrijving, de juiste relaties en de juiste rechten, dan geeft de agent hetzelfde antwoord als het rapport. AI maakt een rommelig fundament niet beter; het maakt het sneller zichtbaar.
Security
Toegang via Microsoft Entra ID of Active Directory, rollen per laag en per workspace, row-level security in het semantische model, sleutels en wachtwoorden in een kluis in plaats van in de code. Eén keer ingericht, overal van kracht.
Orkestratie
Eén metadata-gestuurde orkestratie bepaalt wat in welke volgorde laadt, bewaakt de afhankelijkheden en herstart vanaf het punt waar het misging. Op SQL Server Agent, Databricks Jobs of Data Factory.
Logging
Elke run legt vast wat er liep, hoe lang, hoeveel rijen en welke fouten. Zo weet u vóór het ochtendoverleg of de cijfers van vandaag compleet zijn, in plaats van tijdens.
Data lineage
Van rapportveld terug naar bronkolom: welke tabellen en transformaties deze KPI voeden. Nodig voor audit en impactanalyse, en om het antwoord van een agent te kunnen herleiden.
Platform kiezen
Op basis van waar de data mag staan, volumes, bestaande kennis en licenties. Het framework is op alle drie gelijk, dus later overstappen vraagt geen nieuw ontwerp.
Lagen en framework inrichten
Bronze, silver en gold, of staging en datawarehouse, met security, orkestratie en logging vanaf de eerste dag.
Data products en semantische modellen
Per domein, met vaste KPI-definities en omschrijvingen die een mens én een agent kan lezen.
Eerst rapporten, dan agents
Eerst Power BI, Excel en paginated reports op het model; data agents volgen op hetzelfde model, niet ernaast.