Business Intelligence
Lecture 1.0
Introductie — Eerste Les (2025–2026)
Theorie: Len Lemeire — Universiteit Gent (Arteveldehogeschool)
Practicum: Els Clarysse & Greet Maes
1. Waardecreatie via Business Intelligence
1.1 De DATA Value Escalator (Gartner, 2016)
De DATA Value Escalator is een model van Gartner dat beschrijft hoe organisaties steeds
meer waarde kunnen halen uit hun data door op te klimmen langs een ladder van
analytische volwassenheid. De stappen van laag naar hoog zijn:
• Descriptive analytics (Wat is er gebeurd?) — basisrapportage en dashboards.
• Diagnostic analytics (Waarom is het gebeurd?) — oorzaakanalyse.
• Predictive analytics (Wat zal er gebeuren?) — voorspellingsmodellen.
• Prescriptive analytics (Wat moeten we doen?) — aanbevelingssystemen en
optimalisatie.
Elke hogere trede levert meer potentiële waarde op, maar vereist ook meer technische
sophisticatie en investeringen.
1.2 De Data Value Gap
De data value gap is het verschil tussen de potentiële waarde die in data aanwezig is en de
effectief gecreëerde waarde. Deze kloof bestaat altijd, omdat analysetechnieken
voortdurend evolueren — de mogelijkheden groeien sneller dan de implementatie.
• Bedrijven waarvan de data value gap min of meer constant blijft, zijn bedrijven die
continu innoveren en investeren in nieuwe analysetools.
• Een groeiende kloof duidt op stagnatie: het bedrijf benut zijn datakapitaal niet
optimaal.
De data value gap is geen probleem dat volledig opgelost kan worden — het is een permanent
kenmerk van een snel evoluerende sector. Het doel is de kloof zo klein mogelijk te houden door
voortdurende innovatie.
2. Waarom is Data Science Belangrijk voor
Economiestudenten?
,2.1 Strategische en Managementrelevantie
Data science is niet louter een technisch verhaal — het is in de eerste plaats een
economisch en managementverhaal. Managers en bedrijfsleiders hoeven geen
programmeurs te zijn, maar moeten wel begrijpen wat er mogelijk is met data om:
• Strategische beslissingen te onderbouwen met data-gedreven inzichten.
• De juiste vragen te stellen aan data-analisten en data scientists.
• De output van modellen correct te interpreteren en te vertalen naar beleid.
• Risico's en beperkingen van data-analytische projecten correct in te schatten.
2.2 Top Skill Gaps 2023 (bron: Playablo / PWC)
Uit onderzoek van onder meer PWC blijkt dat data analytics consistent bij de grootste
vaardigheidskloven in het bedrijfsleven hoort. Dit betekent dat er een groot tekort is aan
profielen die:
• Data kunnen analyseren en interpreteren in een businesscontext.
• Analytische inzichten kunnen communiceren naar niet-technische stakeholders.
• Data-gedreven besluitvorming kunnen faciliteren binnen organisaties.
Het belang van deze competentie is sindsdien alleen maar toegenomen, mede door de
opkomst van generatieve AI en grootschalige automatisering.
2.3 AACSB-Accreditatie
Business Intelligence past ook in de context van internationale kwaliteitseisen voor
bedrijfsopleidingen. De AACSB (Association to Advance Collegiate Schools of Business)
stelt in standaard A7 (Information Technology Skills and Knowledge) dat accountancy- en
businessopleidingen leerresultaten moeten omvatten rond:
• Data creation en data sharing.
• Data analytics en data mining.
• Data reporting en opslag binnen en tussen organisaties.
Dit vak draagt rechtstreeks bij aan het voldoen aan deze internationale accreditatievereisten.
2.4 Wat Is Data Science?
Data science situeert zich op het snijpunt van drie domeinen:
• Wiskundige en statistische kennis — de basis voor modellering en analyse.
• Programmeer- en informaticakennis — de tools om data te verwerken.
• Domeinkennis (business, economie, zorg, etc.) — de context om de juiste vragen te
stellen.
In de context van dit vak ligt de nadruk op data-driven decision making: het inzetten van
data en analytische modellen om betere, meer gefundeerde beslissingen te nemen.
2.5 Top 20 Use Cases van Data Science
De slides presenteren 20 concrete toepassingen van data science in de bedrijfswereld:
• Fraudedetectie
• Real-time voorraadbeheer
• Klanteninzichten
• Geautomatiseerde vraagvoorspelling
• Gerichte reclame
• Supply chain optimalisatie
• Predictief onderhoud
, • Slimme prijsstrategieën
• Voorspellende uitkomstmodellering
• Voorspellende risicomodellering
• Intelligente chatbots
• Gepersonaliseerde aanbevelingen
• Netwerkbeveiliging
• Tekst- en beeldherkenning
• Slimme productieprocessen
• Sociale media-analyse
• Locatietracking
• Medische diagnostiek
• Juridische documentclassificatie
• Geautomatiseerde kwaliteitscontrole
2.6 Data Science in de Curricula van HW en BPM
Het vak Business Intelligence past in een breder opleidingslandschap. Een overzicht:
• BA BPM: Keuzevak B.I.
• 3BA HW en schakelprogramma: B.I. (dit vak)
• Master HW — Management en Informatica: Databanken, Programmeren (Python),
International Business Cases, Masterproef, Stage
• Master HW — Finance en Risicomanagement: Analysetechnieken in de financiële
sector, Masterproef, Stage
• Master HW — Commercieel Beleid: Marktonderzoek, Marketingcommunicatie,
Masterproef, Stage
• Master HW — Personeel en Organisatiemanagement: Masterproef, Stage
• Master HW — Fiscaliteit: Masterproef, Stage
3. Doelstellingen van het Vak
Het vak richt zich op drie fundamentele competenties:
Doelstelling 1 Hoe past data science in een organisatie? Hoe kan data science
bijdragen tot competitief voordeel?
Doelstelling 2 Data-analytisch denken: het identificeren van de juiste/nodige data en
de juiste/nodige methoden.
Doelstelling 3 Het aanreiken van concepten die je in staat stellen om kennis te halen
uit data.
Belangrijkste overkoepelend doel: Een bedrijfsprobleem kunnen benaderen
en oplossen vanuit een dataperspectief.
, De overgang van informatie naar kennis is een veel complexere stap dan louter data
verzamelen. Je moet data begrijpen en kunnen interpreteren in een businesscontext — dat is de
kern van dit vak.
4. Praktische Informatie
4.1 Lesgevers
Theorie Len Lemeire — — Hoveniersberg lokaal
15.10.110.34
Practicum Els Clarysse () & Greet Maes
()
4.2 Lesschema 2025–2026
Het vak bestaat uit 6 theoriesessies en 4 practicumsessies. Legende: blauw = theorie, geel
= practicum, groen = proclamatie.
Week Datum Inhoud
Week 1 Do 12 feb Introductie + Theorie sessie 1 (1.1–1.2)
Week 2 Do 19 feb Theorie sessie 2 (2.1–2.2)
Week 3 Do 26 feb Theorie sessie 3 (3.1–3.2)
Week 4 Do 5 maart Practicum sessie 1 (online)
Week 5 Do 12 maart Practicum sessie 2 (online)
Week 6 Do 19 maart Theorie sessie 4 (4.1–4.2)
Week 7 Do 26 maart Practicum sessie 3 (online) — start Dagobah
Week 8 Do 2 april Theorie sessie 5 (5.1–5.2)
Week 9 Do 23 april Theorie sessie 6 (6.1–6.4)
Week 10 Do 30 april Geen les
Week 11 Do 7 mei Practicum sessie 4 (online)
Week 12 Do 14 mei Geen les
Inhaalweek Ma 18 mei Prijsuitreiking (proclamatie)
Theorie: 6 sessies. Practica: 4 sessies. Groepswerkbegeleiding: dinsdagvoormiddag en
vrijdagnamiddag vanaf lesweek 6.
4.3 Theorie — Lesmateriaal
Het handboek voor de theoriecursus is:
Data Science for Business — What you need to know about data mining and
data-analytic thinking
Lecture 1.0
Introductie — Eerste Les (2025–2026)
Theorie: Len Lemeire — Universiteit Gent (Arteveldehogeschool)
Practicum: Els Clarysse & Greet Maes
1. Waardecreatie via Business Intelligence
1.1 De DATA Value Escalator (Gartner, 2016)
De DATA Value Escalator is een model van Gartner dat beschrijft hoe organisaties steeds
meer waarde kunnen halen uit hun data door op te klimmen langs een ladder van
analytische volwassenheid. De stappen van laag naar hoog zijn:
• Descriptive analytics (Wat is er gebeurd?) — basisrapportage en dashboards.
• Diagnostic analytics (Waarom is het gebeurd?) — oorzaakanalyse.
• Predictive analytics (Wat zal er gebeuren?) — voorspellingsmodellen.
• Prescriptive analytics (Wat moeten we doen?) — aanbevelingssystemen en
optimalisatie.
Elke hogere trede levert meer potentiële waarde op, maar vereist ook meer technische
sophisticatie en investeringen.
1.2 De Data Value Gap
De data value gap is het verschil tussen de potentiële waarde die in data aanwezig is en de
effectief gecreëerde waarde. Deze kloof bestaat altijd, omdat analysetechnieken
voortdurend evolueren — de mogelijkheden groeien sneller dan de implementatie.
• Bedrijven waarvan de data value gap min of meer constant blijft, zijn bedrijven die
continu innoveren en investeren in nieuwe analysetools.
• Een groeiende kloof duidt op stagnatie: het bedrijf benut zijn datakapitaal niet
optimaal.
De data value gap is geen probleem dat volledig opgelost kan worden — het is een permanent
kenmerk van een snel evoluerende sector. Het doel is de kloof zo klein mogelijk te houden door
voortdurende innovatie.
2. Waarom is Data Science Belangrijk voor
Economiestudenten?
,2.1 Strategische en Managementrelevantie
Data science is niet louter een technisch verhaal — het is in de eerste plaats een
economisch en managementverhaal. Managers en bedrijfsleiders hoeven geen
programmeurs te zijn, maar moeten wel begrijpen wat er mogelijk is met data om:
• Strategische beslissingen te onderbouwen met data-gedreven inzichten.
• De juiste vragen te stellen aan data-analisten en data scientists.
• De output van modellen correct te interpreteren en te vertalen naar beleid.
• Risico's en beperkingen van data-analytische projecten correct in te schatten.
2.2 Top Skill Gaps 2023 (bron: Playablo / PWC)
Uit onderzoek van onder meer PWC blijkt dat data analytics consistent bij de grootste
vaardigheidskloven in het bedrijfsleven hoort. Dit betekent dat er een groot tekort is aan
profielen die:
• Data kunnen analyseren en interpreteren in een businesscontext.
• Analytische inzichten kunnen communiceren naar niet-technische stakeholders.
• Data-gedreven besluitvorming kunnen faciliteren binnen organisaties.
Het belang van deze competentie is sindsdien alleen maar toegenomen, mede door de
opkomst van generatieve AI en grootschalige automatisering.
2.3 AACSB-Accreditatie
Business Intelligence past ook in de context van internationale kwaliteitseisen voor
bedrijfsopleidingen. De AACSB (Association to Advance Collegiate Schools of Business)
stelt in standaard A7 (Information Technology Skills and Knowledge) dat accountancy- en
businessopleidingen leerresultaten moeten omvatten rond:
• Data creation en data sharing.
• Data analytics en data mining.
• Data reporting en opslag binnen en tussen organisaties.
Dit vak draagt rechtstreeks bij aan het voldoen aan deze internationale accreditatievereisten.
2.4 Wat Is Data Science?
Data science situeert zich op het snijpunt van drie domeinen:
• Wiskundige en statistische kennis — de basis voor modellering en analyse.
• Programmeer- en informaticakennis — de tools om data te verwerken.
• Domeinkennis (business, economie, zorg, etc.) — de context om de juiste vragen te
stellen.
In de context van dit vak ligt de nadruk op data-driven decision making: het inzetten van
data en analytische modellen om betere, meer gefundeerde beslissingen te nemen.
2.5 Top 20 Use Cases van Data Science
De slides presenteren 20 concrete toepassingen van data science in de bedrijfswereld:
• Fraudedetectie
• Real-time voorraadbeheer
• Klanteninzichten
• Geautomatiseerde vraagvoorspelling
• Gerichte reclame
• Supply chain optimalisatie
• Predictief onderhoud
, • Slimme prijsstrategieën
• Voorspellende uitkomstmodellering
• Voorspellende risicomodellering
• Intelligente chatbots
• Gepersonaliseerde aanbevelingen
• Netwerkbeveiliging
• Tekst- en beeldherkenning
• Slimme productieprocessen
• Sociale media-analyse
• Locatietracking
• Medische diagnostiek
• Juridische documentclassificatie
• Geautomatiseerde kwaliteitscontrole
2.6 Data Science in de Curricula van HW en BPM
Het vak Business Intelligence past in een breder opleidingslandschap. Een overzicht:
• BA BPM: Keuzevak B.I.
• 3BA HW en schakelprogramma: B.I. (dit vak)
• Master HW — Management en Informatica: Databanken, Programmeren (Python),
International Business Cases, Masterproef, Stage
• Master HW — Finance en Risicomanagement: Analysetechnieken in de financiële
sector, Masterproef, Stage
• Master HW — Commercieel Beleid: Marktonderzoek, Marketingcommunicatie,
Masterproef, Stage
• Master HW — Personeel en Organisatiemanagement: Masterproef, Stage
• Master HW — Fiscaliteit: Masterproef, Stage
3. Doelstellingen van het Vak
Het vak richt zich op drie fundamentele competenties:
Doelstelling 1 Hoe past data science in een organisatie? Hoe kan data science
bijdragen tot competitief voordeel?
Doelstelling 2 Data-analytisch denken: het identificeren van de juiste/nodige data en
de juiste/nodige methoden.
Doelstelling 3 Het aanreiken van concepten die je in staat stellen om kennis te halen
uit data.
Belangrijkste overkoepelend doel: Een bedrijfsprobleem kunnen benaderen
en oplossen vanuit een dataperspectief.
, De overgang van informatie naar kennis is een veel complexere stap dan louter data
verzamelen. Je moet data begrijpen en kunnen interpreteren in een businesscontext — dat is de
kern van dit vak.
4. Praktische Informatie
4.1 Lesgevers
Theorie Len Lemeire — — Hoveniersberg lokaal
15.10.110.34
Practicum Els Clarysse () & Greet Maes
()
4.2 Lesschema 2025–2026
Het vak bestaat uit 6 theoriesessies en 4 practicumsessies. Legende: blauw = theorie, geel
= practicum, groen = proclamatie.
Week Datum Inhoud
Week 1 Do 12 feb Introductie + Theorie sessie 1 (1.1–1.2)
Week 2 Do 19 feb Theorie sessie 2 (2.1–2.2)
Week 3 Do 26 feb Theorie sessie 3 (3.1–3.2)
Week 4 Do 5 maart Practicum sessie 1 (online)
Week 5 Do 12 maart Practicum sessie 2 (online)
Week 6 Do 19 maart Theorie sessie 4 (4.1–4.2)
Week 7 Do 26 maart Practicum sessie 3 (online) — start Dagobah
Week 8 Do 2 april Theorie sessie 5 (5.1–5.2)
Week 9 Do 23 april Theorie sessie 6 (6.1–6.4)
Week 10 Do 30 april Geen les
Week 11 Do 7 mei Practicum sessie 4 (online)
Week 12 Do 14 mei Geen les
Inhaalweek Ma 18 mei Prijsuitreiking (proclamatie)
Theorie: 6 sessies. Practica: 4 sessies. Groepswerkbegeleiding: dinsdagvoormiddag en
vrijdagnamiddag vanaf lesweek 6.
4.3 Theorie — Lesmateriaal
Het handboek voor de theoriecursus is:
Data Science for Business — What you need to know about data mining and
data-analytic thinking
