Power BI Gebruikersdagen 2026 Utrecht: onze ervaringen van een dag vol inzichten en inspiratie

Begin maart waren wij aanwezig op de Power BI Gebruikersdagen 2026 in de Jaarbeurs Utrecht – hét jaarlijkse evenement voor iedereen die serieus met data werkt in Nederland. We waren er één dag, de zaterdag, maar dat was meer dan genoeg om vol ideeën, aantekeningen en gespreksstof naar huis te rijden.

In dit artikel delen wij onze eerlijke ervaringen: van de keynote die de toon zette, tot praktische sessies over samenwerken, semantische modellen, storytelling en AI-agents. En – misschien wel het belangrijkste – wat dit allemaal betekent voor organisaties die vandaag investeren in data.

De keynote van Philip Seamark: alleen al de moeite waard

De zaterdag opende met een keynote van Philip Seamark, Principal Program Manager bij Microsoft. En eerlijk gezegd: deze sessie alleen al was de ticketprijs waard.

Philip liet live zien hoe je binnen een paar minuten, met behulp van Copilot, je eigen Power BI-visuals kunt bouwen. Niet de standaard staafdiagrammen, maar echt bijzondere visuals: met animaties, interactieve elementen en – ja, zelfs met muziek. Je kunt je letterlijk een DJ voelen met zelf gebouwde code via Copilot. Het publiek reageerde met een mix van verbazing en enthousiasme, en dat zegt genoeg.

Maar naast het spectaculaire was er ook een scherpe, inhoudelijke boodschap die ons echt bijbleef:

“Build reports for the chaos, not for the calm.”

Dat klinkt simpel, maar het is een fundamentele verschuiving in hoe je naar rapportage kijkt. Dashboards worden meestal gebouwd voor de ideale situatie. Maar jouw eindgebruiker opent een rapport juist op het moment dat er iets mis is, dat de druk hoog is, dat er snel beslissingen genomen moeten worden. Bouw dus voor dát moment.

Twee andere kernboodschappen die we noteren voor onszelf én voor onze klanten:

• Bouw instrumenten die mensen écht vertrouwen. Een rapport dat niemand gelooft, heeft geen waarde.

• Investeer in het begeleiden van eindgebruikers. Zorg dat mensen begrijpen wat ze zien, hoe het gebouwd is en wat de beperkingen zijn.

Philip sprak ook over DirectLake – de architectuur binnen Microsoft Fabric waarmee je direct op OneLake-data kunt werken zonder import of DirectQuery-beperkingen. Een onderwerp dat in meerdere sessies die dag terugkwam, en terecht.

Samenwerken aan Power BI: GIT, TMDL en een betere werkwijze

Een van de meest praktisch waardevolle sessies was die van Ralph van Woudenberg: “Effectief (samen)werken in Power BI met GIT, TMDL en DAX functies.”

Voor iedereen die weleens met meerdere mensen tegelijk aan een Power BI-rapport of semantisch model heeft gewerkt: je herkent de frustratie. Wie heeft wat gewijzigd? Welke versie is de goede? Ralph liet stap voor stap zien hoe je dit kunt oplossen – ook zonder Fabric-licentie.

De kern van de aanpak:

Sla je Power BI-bestand op als .pbip in plaats van .pbix. Hierdoor worden het rapport en het semantische model los van elkaar opgeslagen, wat versiebeheer aanzienlijk eenvoudiger maakt. Combineer dit met TMDL (Tabular Model Definition Language), waarmee je het semantische model opsplitst in losse, leesbare bestanden per entiteit. En voor het rapport zelf geldt hetzelfde via PBIR.

Het resultaat: je kunt met een gewone GIT-workflow (VS Code + Git) samenwerken aan Power BI, conflicten oplossen en wijzigingen traceren – precies zoals developers dat doen bij software.

Wat wij hieruit meenemen: de stap naar professioneel versiebeheer in Power BI is kleiner dan veel organisaties denken. Wat heb je nodig: duidelijke afspraken, een gedeelde werkwijze en een beetje tijd om het in te richten. De ALM Toolkit kan daarbij helpen.

Wil je hier meer over weten? Dit is precies het soort werkwijze dat wij bij klanten implementeren.

Semantische modellen, AI-readiness en governance: de rode draad

Meerdere sessies hadden een gemeenschappelijk thema: hoe maak je jouw data klaar voor AI, en hoe houd je het beheersbaar?

De boodschap was helder: een goed semantisch model is de basis voor alles.

Een paar inzichten die we direct meenemen:

Gebruik expliciete measures en vermijd impliciete berekeningen. Voeg beschrijvingen en synoniemen toe aan je semantisch model – niet alleen voor de leesbaarheid voor mensen, maar ook zodat Copilot begrijpt wat de data betekent. Power BI heeft inmiddels een optie om data voor te bereiden voor AI-gebruik (“Prep data for AI”); gebruik die bewust.

Vanuit governance-perspectief werd een aantal principes meerdere keren herhaald: beperk het aantal admins (maximaal twee, heel soms drie), gebruik aparte omgevingen voor ontwikkeling, test en productie, verwijder ongebruikte rapporten en modellen actief, en werk met een Enterprise gateway in plaats van persoonlijke gateways.

Verder: data-engineers, analisten en businessgebruikers moeten nauw samenwerken bij het definiëren van metadata. Als iedereen een ander begrip heeft van wat “omzet” of “actieve klant” betekent, los je dat niet op met betere technologie – dat los je op met betere afstemming.

Een praktisch hulpmiddel dat meerdere sprekers noemden: een Data dictionary, waarmee je de definities van je semantisch model vastlegt en beschikbaar maakt. Dit is een kleine investering met een groot effect op vertrouwen in je data.

Storytelling met data: van ‘wat’ naar ‘waarom’ naar ‘wat nu’

Een sessie die ons op een andere manier raakte, ging niet over techniek, maar over communicatie.

De kern van de boodschap: de meeste Power BI-rapporten tonen wat er is gebeurd. Maar de meeste beslissers willen weten waarom het er toe doet – en nog liever: wat ze nu moeten doen.

Er werd een duidelijk onderscheid gemaakt:

• Reporting vertelt wat er is gebeurd (KPI’s, cijfers).

• Analytics legt uit waarom het gebeurde (trends, oorzaken).

• Storytelling stuurt aan op actie (wat moet er veranderen?).

De meeste dashboards bevinden zich in de eerste categorie, sommige in de tweede. En slechts weinig komen bij de derde.

Wat helpt? Ontwerp je rapport vanuit de gebruiker, niet vanuit de data. Gebruik Gestalt-ontwerpprincipes om de aandacht te sturen naar wat écht belangrijk is. En structureer je verhaal altijd zo: begin met de kernboodschap, geef ondersteunend bewijs, voeg context toe, en sluit af met een concrete actie.

Dit is een principe dat wij direct meenemen in hoe wij dashboards ontwerpen voor klanten.

AI-agents en real-time intelligence: de toekomst is nu

Frank Geisler, een bekende naam in de internationale Microsoft-community en veelgevraagd spreker op data- en AI-evenementen, gaf een van de meest toekomstgerichte sessies van de dag.

Het onderwerp: de combinatie van AI-agents en real-time intelligentie binnen Microsoft Fabric.

Om het concreet te maken gebruikte hij een treffend demo-voorbeeld: een fietsverhuurbedrijf dat real-time data over het weer, evenementen in de buurt en historische verhuurpatronen combineert – en op basis daarvan automatisch voorspelt hoeveel fietsen er op welke locatie nodig zijn. Met behulp van een MCP-server, een AI-agent en geautomatiseerde triggers kan het systeem vervolgens zelfstandig actie ondernemen, zonder menselijke tussenkomst.

Dit klinkt als science fiction, maar de technologie bestaat vandaag. Azure Event Hubs, Stream Analytics en Fabric Real-Time Intelligence zijn beschikbaar en worden actief ingezet.

De vraag die wij onszelf stelden na deze sessie: welke beslissingen in onze eigen organisatie – of die van onze klanten – zijn eigenlijk routinematig genoeg om geautomatiseerd te worden? Dat is een waardevolle vraag om te stellen.

Van popcorn tot Power BI: hoe een bioscoopketen haar bedrijfsvoering transformeerde

Een van de meest aansprekende praktijkcases van de dag kwam van de Vue Cinemas bioscoopketen. Als je denkt aan data-transformaties, denk je misschien niet meteen aan bioscoopzalen, maar dit verhaal maakt duidelijk waarom elke sector er mee te maken heeft.

De uitdaging is herkenbaar: minder bezoekers door de nasleep van COVID, toenemende concurrentie van streamingdiensten, en de opkomst van andere vormen van avondsbesteding. Tegelijkertijd is het runnen van een bioscoop een ingewikkeld operationeel spel: bezettingsgraden per zaal, personeelsplanning rond pieken en dalen, ticketmixen met tientallen verschillende tarieven en vouchers, en de gemiddelde besteding per bezoeker aan consumpties en merchandise.

Vijftien jaar geleden werkte dit bedrijf nog volledig met Excel, aangevuld door één medewerker die Power BI als hobby had opgepakt, en die ook nog eens ver weg woonde. De systemen waren verouderd en het vertrouwen in de toekomst was laag.

Wat ze hebben gebouwd, is indrukwekkend: een bezettingsforecastmodel waarmee twee tot drie weken van tevoren voorspeld wordt hoeveel bezoekers er per film en per locatie verwacht worden. Die voorspelling gaat naar de planningsafdeling, die op basis hiervan openingstijden, personeelsbezetting en programmering aanpast. Films worden bewust pas één week van tevoren bekendgemaakt om de voorspelling zo scherp mogelijk te houden. Zelfs weersomstandigheden worden meegenomen: mooi weer betekent minder bioscoopbezoekers, en dat weet het model.

Inmiddels is de keten overgestapt naar Azure en werkt de nieuwe vestiging in Amsterdam met Microsoft Fabric. De data-architectuur volgt het klassieke medaillon-model: van ruwe data via brons naar zilver en uiteindelijk naar goud: klaar voor rapportage en analyse. Machine learning is nog niet volledig geïmplementeerd, maar de richting is helder.

De les voor iedere organisatie: je hoeft geen techbedrijf te zijn om data serieus te nemen. En je hoeft niet te wachten tot alles perfect is – beginnen met wat je hebt, levert al resultaat.

Star schema versus flat table: waarom structuur er écht toe doet

Een technischere maar zeer waardevolle sessie ging over datamodellering, en meer specifiek over waarom het star schema in de meeste situaties de beste keuze is.

Een flat table (alle data in één grote tabel zonder relaties) lijkt op het eerste gezicht eenvoudiger. En voor simpele berekeningen kan het inderdaad sneller zijn: geen joins nodig, de engine kan direct scannen en aggregeren. Maar zodra de complexiteit toeneemt, keert het voordeel om.

Een star schema bestaat uit een fact-tabel(len) (met meetwaarden en sleutels) en dimensietabellen (klant, product, datum, enzovoort). Dit model is kleiner, beter comprimeerbaar en efficiënter voor analytische queries. Filters worden eerst toegepast op de kleine dimensietabellen, waarna alleen relevante rijen in de fact-tabel worden verwerkt. Dat is precies hoe BI-engines zijn geoptimaliseerd om te werken.

Een kleine tabel is overigens niet automatisch een snelle tabel. De structuur en het gebruik bepalen de prestaties, niet de omvang alleen. Maar als algemene richtlijn geldt: gebruik een star schema, tenzij je een hele goede reden hebt om dat niet te doen.

Power BI-performance: het zit vaker in het model dan in de DAX

Aansluitend op het vorige thema was er een diepgaande sessie over Power BI-performance en over een veelgemaakte vergissing.

Wanneer een rapport traag is, wijzen gebruikers en ontwikkelaars bijna altijd naar de DAX-code. Maar in de praktijk blijkt zo’n tachtig procent van de performanceproblemen te zitten in het datamodel, niet in de berekeningen.

Centraal in deze sessie stond VertiPaq: de in-memory kolomgebaseerde opslagengine die Power BI onder de motorkap aandrijft. VertiPaq slaat data per kolom op in segmenten en gebruikt technieken als dictionary encoding, run-length encoding en value encoding om data zo compact mogelijk op te slaan. De compressie die daarmee bereikt wordt, hangt sterk af van de cardinaliteit van een kolom: hoe minder unieke waarden, hoe beter de compressie, hoe sneller de query.

Twee engines werken samen bij het uitvoeren van queries: de Storage Engine (snel, werkt kolomgewijs, voert aggregaties uit) en de Formula Engine (langzamer, evalueert DAX en voert iteratieve berekeningen uit). Een goed model zorgt ervoor dat zo veel mogelijk werk door de Storage Engine wordt gedaan.

De praktische boodschap: verlaag de cardinaliteit van kolommen waar mogelijk, gebruik gehele getallen boven decimalen en tekst, vermijd onnodige kolommen en gebruik DAX Studio om te meten waar de tijd daadwerkelijk naartoe gaat.

Als je serieus bent over Power BI-performance, begin dan niet met de DAX-code – begin met het model.

Fabric-capaciteit: wanneer kies je waarvoor?

Een veelgestelde vraag tijdens de sessie over Microsoft Fabric ging over de keuze tussen gebruikerslicenties en capaciteitslicenties. Die keuze is niet alleen technisch, maar ook financieel.

Een praktische vuistregel: bij een grote groep rapportkijkers (ongeveer vijfhonderd of meer) wordt een capaciteitslicentie interessant. Met een F64-capaciteit of hoger hebben kijkers namelijk geen eigen Power BI Pro-licentie meer nodig. Bij kleinere omgevingen met beperkte datasets en refreshes volstaat vaak een Pro-licentie per gebruiker.

Fabric verdeelt rekenkracht via Capacity Units (CU’s) over interactieve taken (zoals rapportgebruik) en achtergrondtaken (zoals verversingen). Wanneer de capaciteit structureel te zwaar belast wordt, kan het platform eerst vertraging introduceren en uiteindelijk taken weigeren.

Ook modelontwerp maakt verschil: onnodige Power Query-transformaties, sterk genormaliseerde modellen en Excel-achtige rapportstructuren kunnen onnodig veel capaciteit verbruiken.

De kern: ken je capaciteit, monitor het gebruik en ontwerp je modellen efficiënt.

De beursvloer: kennis zit ook in de gesprekken

Tussen de sessies door was er ruimte om te netwerken, mee te doen aan activiteiten, prijzen te winnen en bij te praten met andere data-professionals. En dat is minstens zo waardevol als de presentaties zelf.

Grote dank aan de organisatoren, vrijwilligers en alle deelnemers voor een goed georganiseerde dag.

Wat nemen wij mee?

Na een dag vol sessies en gesprekken zijn dit onze drie belangrijkste conclusies:

1. AI-readiness begint bij je semantisch model, niet bij je AI-tool. Zolang je data slecht gedocumenteerd, inconsistent benoemd of slecht gestructureerd is, zal Copilot je niet redden.
2. Samenwerken aan Power BI kan beter zijn. GIT, TMDL en PBIP zijn beschikbaar vandaag en de drempel is lager dan je denkt.
3. Dashboards die niet aansturen op actie, zijn half af. De technische kant klopt bij veel organisaties al aardig. De communicatieve kant – het vertalen van data naar beslissingen – is nog een groot verbeterpotentieel.

Wil je sparren over wat deze trends betekenen voor jouw organisatie? Wij denken graag met je mee – vrijblijvend en praktisch. Neem contact op of plan een kennismakingsgesprek.