Whitepaper · september 2026
Waarom datagedreven werken vastloopt op besluitvorming en niet op techniek. Een beslisraamwerk voor directies: vijf schakels, twee breukvlakken, vier stadia, vijf meetgrootheden en vijf dingen die u morgen kunt doen.
Gemaakt met AI. Hoe deze whitepaper tot stand kwam, staat onderaan.
Stel uzelf één vraag, en neem de tijd om hem eerlijk te beantwoorden. Welk besluit is in uw organisatie de afgelopen maand aantoonbaar anders genomen doordat er data was? Niet: welk besluit is achteraf met cijfers onderbouwd. Niet: welk rapport is gelezen. Welke keuze viel anders uit dan hij zonder die data zou zijn gevallen.
In de gesprekken die wij voeren met directies en managementteams blijft het na die vraag meestal even stil. Niet omdat er geen data is; die is er in overvloed. Niet omdat er geen rapportages zijn; die zijn er te veel. De stilte valt omdat de vraag een verbinding veronderstelt die in de praktijk vaak ontbreekt, namelijk die tussen het cijfer en de keuze.
Dat is de kern van deze whitepaper. Datagedreven werken wordt in de meeste organisaties aangepakt als een datavraagstuk: een platform, een governancemodel, een dashboardomgeving, een team van specialisten. Die dingen zijn nodig. Ze zijn alleen niet het probleem. Het probleem zit een schakel verderop, op de plek waar informatie een besluit zou moeten worden en dat niet wordt. Wie daar niets aan doet, kan zijn datafundament vertienvoudigen en ziet daar weinig van terug in de snelheid en de kwaliteit van de besluiten die de organisatie neemt.
Wij brengen die plek in kaart met een keten van vijf schakels: signaal, betekenis, besluit, uitvoering en terugkoppeling. Die keten breekt zelden aan de voorkant. Hij breekt op twee plekken verderop: tussen betekenis en besluit, waar de informatie bij iemand terechtkomt die niet mag kiezen, en tussen uitvoering en terugkoppeling, waar niemand meet of de keuze heeft gewerkt. De eerste breuk maakt uw data machteloos. De tweede maakt uw organisatie vergeetachtig: elk besluit is het eerste.
Vervolgens vertalen wij dat naar iets wat u kunt gebruiken. Vier stadia van besluitvolwassenheid, beschreven in waarneembaar gedrag en niet in een cijfer, zodat u uw organisatie erin kunt herkennen zonder een vragenlijst. Vijf grootheden waarmee u de keten meet, waarvan er vier gaan over dingen die de meeste organisaties nooit tellen. En vijf dingen die u morgen kunt doen, te beginnen met de vraag hierboven en met een test die niets kost: zet een rapportage stil en kijk wie er klaagt.
Eén waarschuwing vooraf, want zij loopt door dit hele stuk heen. Meer data repareert een gebroken keten meestal niet, en vaak verergert het de zaak. Elke rapportage die erbij komt, verhoogt de prijs van kiezen: meer om te lezen, meer om te wegen, meer manieren om een besluit uit te stellen tot de cijfers compleet zijn. Ze zijn nooit compleet.
Vraag een willekeurige organisatie wat zij doet om datagedreven te worden, en het antwoord gaat over infrastructuur. Er komt een dataplatform. Er worden bronnen ontsloten. Er wordt een definitielijst gemaakt zodat iedereen hetzelfde bedoelt met “actieve klant”. Er komt een dashboardomgeving, en daarna een governancemodel om te regelen wie welk cijfer mag wijzigen.
Elk van die stappen is verdedigbaar. Samen vormen ze een programma dat jaren kan duren en waarvan de voortgang uitstekend te rapporteren is: aantal ontsloten bronnen, aantal gepubliceerde rapportages, dekkingsgraad van de definitielijst. Het is werk met een duidelijk begin en een duidelijk einde, en het levert artefacten op die u kunt laten zien.
Precies daarin schuilt de valkuil. Een programma dat zichzelf afrekent op artefacten, bereikt zijn doel zodra de artefacten er zijn. De vraag of de organisatie andere besluiten is gaan nemen, valt buiten de scope, en wordt daarom niet gesteld. Zo ontstaat de situatie die wij regelmatig aantreffen: een technisch geslaagd dataprogramma in een organisatie die precies zo stuurt als vijf jaar geleden.
Het misverstand is begrijpelijk. Het zit ingebakken in de manier waarop wij over informatie praten. De bekende trap van data naar informatie naar kennis naar wijsheid, die Ackoff (1989) beschreef, suggereert dat de stappen vanzelf op elkaar volgen: leg genoeg data klaar en er ontstaat vanzelf inzicht, en uit inzicht volgt vanzelf een beter besluit. Die laatste pijl is de zwakste van de hele reeks, en in de praktijk is het de enige die er echt toe doet.
Waarom is die pijl zo zwak? Omdat besluiten niet worden genomen door organisaties maar door mensen, in vergaderingen, onder tijdsdruk, met belangen die niet allemaal op tafel liggen. Simon (1947) beschreef al dat bestuurders niet optimaliseren maar genoegen nemen met de eerste oplossing die voldoet. March (1994) liet zien dat besluitvorming in organisaties vaak eerder een verdeling van aandacht is dan een afweging van alternatieven. En Kahneman (2011) bracht in kaart hoe systematisch de intuïtie afwijkt van wat de cijfers zeggen, en hoe zelden mensen dat bij zichzelf opmerken. Kahneman et al. (2021) voegden daar een tweede foutenbron aan toe die in dit verband minstens zo hard aankomt: naast vertekening bestaat er ruis, de spreiding tussen oordelen die identiek hadden moeten zijn. Twee managers die hetzelfde dossier anders beoordelen, hebben geen van beiden een mening; samen hebben zij een meetprobleem.
Dat is geen pleidooi tegen data. Het is een verklaring waarom data alleen niet genoeg is. Een cijfer verandert pas een besluit als het op het juiste moment bij de juiste persoon ligt, in een vorm die een keuze afdwingt, en als die persoon het mandaat heeft om anders te kiezen dan hij gisteren deed. Aan elk van die vier voorwaarden kan het schorten, en meestal schort het aan meer dan één.
Om te zien waar het misgaat, helpt het om de weg van cijfer naar keuze in stukken te knippen. Wij hanteren vijf schakels.
| Schakel | Wat er gebeurt | Wie het doet |
|---|---|---|
| 1. Signaal | Er verandert iets in de werkelijkheid en dat wordt geregistreerd | Het systeem, de meting, de registratie |
| 2. Betekenis | Het signaal krijgt een duiding: is dit een afwijking, en zo ja, waarvan | De analist, de rapportage, de norm |
| 3. Besluit | Iemand met mandaat kiest tussen handelingsalternatieven | De beslisser |
| 4. Uitvoering | De keuze wordt in de werkelijkheid gebracht | Het team, het proces, het systeem |
| 5. Terugkoppeling | Het effect van de keuze wordt gemeten en beoordeeld | De organisatie, als zij eraan denkt |
De keten is een kring, geen lijn. Schakel vijf voedt schakel een: wat u meet over het effect van een besluit, is zelf een signaal. Organisaties die deze kring rondmaken, worden met elke omwenteling een beetje beter in kiezen. Organisaties die hem niet rondmaken, herhalen hun besluiten zonder te weten of ze werkten.
Het nut van deze indeling zit in de precisie die zij afdwingt. “Wij willen datagedreven werken” is geen opdracht waar iemand mee aan de slag kan. “Wij krijgen het signaal over voorraadafwijkingen pas elf dagen nadat het is ontstaan bij iemand die erover mag beslissen” is dat wel.
Het is de moeite waard om eerst vast te stellen waar het probleem meestal niet zit, omdat daar wel het meeste geld naartoe gaat.
Schakel één is in veel organisaties het best af te bakenen. Er wordt veel geregistreerd, vaak meer dan nodig, en waar het ontbreekt is het meestal een technisch vraagstuk met een voorspelbare oplossing: een koppeling, een sensor, een aangepast formulier. Dat maakt het niet altijd licht werk: registratiegedrag en datakwaliteit in oude systemen kunnen hardnekkig zijn. Maar het is werk waarvan de aard bekend is.
Schakel twee is een vak, en organisaties die erin investeren zien resultaat. Analisten worden beter, definities worden scherper, rapportages worden leesbaarder. Ook hier is de voortgang zichtbaar en de investering uitlegbaar.
Juist omdat de eerste twee schakels goed te managen zijn, trekken zij de aandacht en het budget. Het gevolg is een organisatie die uitstekend registreert en duidt, en vervolgens niets anders doet dan voorheen.
De eerste breuk is de bekendste en tegelijk de meest onderschatte. De informatie is er, zij is juist, zij is begrijpelijk, en zij komt terecht bij iemand die er niets mee mag.
Dit gebeurt zelden opzettelijk. Het is een optelsom van kleine, verdedigbare keuzes. Het dashboard is gebouwd op verzoek van de afdeling die de data het beste kent, dus bij de analisten. De rapportage gaat naar het managementteam, dat maandelijks vergadert, terwijl het signaal wekelijks verandert. De medewerker die de afwijking als eerste ziet, mag de bestelling niet aanpassen zonder akkoord van iemand die het dashboard niet opent.
Wij noemen dit de laatste meter. De data heeft een reis van kilometers afgelegd, door koppelingen, transformaties en visualisaties, en strandt in de laatste meter tussen scherm en beslissing. Drie vormen komen het vaakst voor.
Dat derde punt verdient nadruk, omdat het het goedkoopst te repareren is en het vaakst over het hoofd wordt gezien. De meeste rapportages zijn beschrijvend gebouwd: zij tonen wat er is. Een rapportage die besluiten voedt, is normatief gebouwd: zij toont wat er is ten opzichte van wat had gemoeten, en maakt zichtbaar welke handeling daarbij hoort. Dat verschil is geen kwestie van techniek maar van ontwerp, en het is doorgaans sneller te realiseren dan een nieuw datatraject, mits eigenaar, norm en handelingsopties duidelijk zijn.
De tweede breuk is stiller en op termijn schadelijker. Er wordt een besluit genomen, het wordt uitgevoerd, en daarna kijkt niemand meer om.
Dit is geen nalatigheid. Het is de natuurlijke uitkomst van hoe organisaties hun aandacht verdelen. Een genomen besluit is van de agenda af; de volgende kwestie wacht al. Bovendien vraagt terugkijken iets ongemakkelijks: de bereidheid om vast te stellen dat een keuze verkeerd was, in een omgeving waar besluiten aan personen hangen.
De gevolgen zijn tweeledig. Ten eerste leert de organisatie niet. Zonder gemeten effect blijft elk besluit een eerste besluit, en blijft ervaring een verzameling anekdotes in plaats van een groeiend vermogen. Ten tweede, en dat is subtieler, verliest de data zelf haar scherpte. Modellen die voorspellen zonder ooit te worden afgerekend op wat er werkelijk gebeurde, drijven ongemerkt af van de werkelijkheid. Niemand merkt het, want niemand kijkt.
De test voor deze breuk is eenvoudig. Noem een besluit dat uw organisatie het afgelopen jaar heeft teruggedraaid omdat de meting liet zien dat het niet werkte. Kunt u er geen noemen, dan is er één van twee dingen aan de hand: al uw besluiten waren goed, of u meet ze niet.
Abstract beschreven is dit patroon het makkelijkst te ontkennen. Drie situaties die wij in verschillende gedaanten telkens terugzien.
De voorraad die te laat kantelt. Een organisatie meet dagelijks haar voorraadstanden en heeft een goed werkend voorspelmodel. De afwijking wordt op maandag zichtbaar. De inkoopbeslissing valt in het wekelijkse overleg op donderdag, en de bestelling gaat vrijdag de deur uit. Niemand doet iets verkeerd, en toch is de doorlooptijd van signaal naar handeling vier dagen in een markt die in twee dagen draait. De oplossing zit niet in een beter model maar in een besluitmandaat bij de planner, met een drempel waarboven hij zelf mag handelen.
Het dashboard dat vragen oproept in plaats van keuzes. Een managementteam krijgt maandelijks een overzicht met twaalf grafieken. De bespreking gaat elke maand over dezelfde twee vragen: klopt dit cijfer, en hoe komt het dat die lijn daalt. Er volgt een verzoek om nadere analyse. De maand daarop ligt de analyse er, is de situatie veranderd, en begint het opnieuw. Dit is het vormgat in zuivere vorm: het overzicht beschrijft de werkelijkheid uitstekend en dwingt geen enkele keuze af.
Het project dat niemand durft te stoppen. Een initiatief loopt achttien maanden. Er is nooit vastgelegd waaraan het zou worden afgemeten, dus is er ook geen moment waarop het aantoonbaar faalt. Het gesprek gaat over inspanning en vertrouwen in plaats van over resultaat, en het besluit om te stoppen zou een persoonlijk oordeel zijn in plaats van een afgesproken uitkomst. Dit is het ontbreken van weerlegbaarheid, en het kost meer geld dan alle dashboards bij elkaar.
Tot slot een voorbeeld uit eigen huis, omdat het patroon ons net zo goed treft als onze opdrachtgevers. Wij meten wekelijks hoe onze eigen website gevonden wordt en wat daar uit voortkomt, in een vaste opzet met vastgelegde definities, zodat vooruitgang niet te verwarren is met een andere afbakening.
In die opzet stond aanvankelijk alleen een telling over achtentwintig dagen. Dat venster verbergt een stilstand. Een periode zonder enige aanvraag ziet er in zo’n telling uit als een wat lager gemiddelde, niet als een stop, en een lager gemiddelde roept hooguit de vraag op of het seizoen meespeelt. Het cijfer was er, de betekenis niet, en dus bleef het besluit uit.
De reparatie kostte geen nieuwe data en geen nieuw dashboard: naast de telling over achtentwintig dagen staat nu de datum van de laatste werkelijke aanvraag. Één veld erbij, en de vraag of het nog loopt is in één oogopslag te beantwoorden in plaats van na een analyse. Dat is het vormgat uit de vorige paragraaf, bij onszelf, en de les is dezelfde: het probleem zat niet in de meting maar in wat zij een lezer liet zien.
Volwassenheidsmodellen hebben een slechte naam, en terecht. Zij leveren een cijfer op dat comfortabel voelt en niets verandert. Wij beschrijven de vier stadia daarom in waarneembaar gedrag: dingen die u in een organisatie kunt zien gebeuren, zonder vragenlijst.
Het bekendste model in dit vakgebied is dat van Davenport en Harris (2007), die vijf stadia van analytische volwassenheid beschreven, oplopend van organisaties met verspreide losse analyses naar organisaties die hun concurrentiepositie erop bouwen. Dat model kijkt naar het analytische vermogen van een organisatie. Het onze kijkt naar iets anders, en daarom telt het ook anders: niet hoe goed u analyseert, maar of de uitkomst van die analyse een besluit verandert. Een organisatie kan in hun model hoog scoren en in het onze in stadium twee blijven steken.
| Stadium | Waaraan u het herkent | Wat er daarna nodig is |
|---|---|---|
| 1. Verzamelen | Cijfers worden ná het besluit opgevraagd, ter onderbouwing van wat al is besloten. Discussies gaan over de juistheid van het cijfer, niet over de keuze. | Eén proces waarin het cijfer vóór het besluitmoment op tafel ligt. |
| 2. Rapporteren | Er zijn veel rapportages en zij worden bekeken. Zet u er één stil, dan klaagt niemand. Niemand kan een besluit noemen dat eruit volgde. | Per rapportage een eigenaar die ook mag beslissen, en een drempel die een handeling uitlokt. |
| 3. Besluiten | Mensen kunnen concrete keuzes noemen die anders zijn gevallen door data. De onderbouwing is later terug te vinden. | Vooraf vastleggen waarop het besluit zou worden teruggedraaid, en dat achteraf toetsen. |
| 4. Leren | Besluiten worden achteraf gemeten, soms teruggedraaid, en de uitkomst verandert de volgende ronde. Terugkijken is routine en niet persoonlijk. | Bewaken dat het ritme blijft bestaan als de drukte toeneemt. |
Twee opmerkingen bij dit model, want zonder die opmerkingen werkt het averechts.
Ten eerste geldt het per proces en niet per organisatie. Vrijwel elke organisatie die wij zien, zit tegelijk in verschillende stadia: de financiële sturing in stadium drie, het voorraadbeheer in stadium één, de klantbediening ergens ertussenin. Een organisatiebreed cijfer middelt dat weg en verbergt precies de plek waar winst te halen is.
Ten tweede is stadium vier geen eindpunt maar een toestand die onderhoud vraagt. Terugkijken is het eerste dat sneuvelt zodra de agenda vol raakt. Organisaties die dit stadium bereiken en er niets voor doen, zakken binnen een jaar terug naar drie.
Wie de keten wil verbeteren, moet hem kunnen meten. De vijf grootheden hieronder zijn met opzet niet ontleend aan de datawereld maar aan de besluitwereld. Vier ervan worden in de meeste organisaties nergens geteld, en juist dat maakt ze de moeite waard.
Die laatste grootheid verdient toelichting, omdat zij vaak weerstand oproept. Vooraf vastleggen waarop u zou terugkomen, voelt als het uitnodigen van kritiek. In de praktijk werkt het omgekeerd: het verlaagt de inzet van het besluit. Wie vooraf zegt “wij evalueren dit in het tweede kwartaal en bij minder dan dit resultaat stoppen wij”, hoeft niet te winnen om geloofwaardig te blijven. Dat maakt het makkelijker om een besluit te nemen, en veel makkelijker om het terug te draaien.
De meest voorkomende reactie op een haperende besluitvorming is een verzoek om meer informatie. Er komt een aanvullende analyse, een extra dashboard, een verdiepend onderzoek. Dat voelt als voortgang en is het zelden.
Er zijn drie redenen waarom meer data een gebroken keten eerder verergert dan herstelt.
De prijs van kiezen stijgt. Elke extra rapportage vergroot de hoeveelheid die een beslisser geacht wordt te hebben meegewogen. Dat verhoogt de drempel om te kiezen en levert een uitstekend argument om te wachten: de cijfers zijn nog niet compleet. Zij worden nooit compleet.
De aandacht versnippert. Aandacht is in elke organisatie schaars, schaarser dan geld. Een rapportage die niemand opent, is niet gratis: zij vraagt onderhoud, zij verschijnt in overzichten, en bij elke verstoring moet iemand vaststellen of het erg is. De twintigste rapportage maakt de andere negentien minder zichtbaar.
Het verplaatst de schuldvraag. Zolang het antwoord op een haperend proces “wij hebben meer inzicht nodig” is, hoeft niemand vast te stellen dat het mandaat verkeerd belegd is of dat het besluitritme niet past bij het probleem. Dat is comfortabel, en het is de reden dat dit patroon zich jaren kan herhalen.
De uitweg is niet minder data, maar een andere volgorde. Begin bij het besluit dat u anders wilt zien vallen, werk terug naar het signaal dat daarvoor nodig is, en bouw alleen dat. Wat overblijft aan bestaande rapportages, mag bewijzen dat het gemist wordt.
Deze whitepaper gaat over besluitvorming, en de meest gestelde vraag van het afgelopen jaar is wat AI daaraan verandert. Het antwoord is scherper dan verwacht: AI verbetert de schakel die al het beste werkte, en laat de twee breukvlakken onaangeroerd.
AI wordt meestal het eerst ingezet in schakel twee: duiden, samenvatten, verbanden leggen, voorspellen. Dat gaat sneller en vaak beter dan een mens met dezelfde tijd kan, en het is echte winst; wij bouwen die oplossingen met overtuiging. AI kan ook elders in de keten helpen, bij het voorbereiden van een besluit, bij de uitvoering en bij het bewaken van het effect. Wat zij nergens vanzelf oplost, is wie er mag kiezen en of er wordt teruggekeken.
Maar het mandaat verandert er niet door. De doorlooptijd tot het besluitmoment verandert er niet door. En of er wordt teruggekeken, verandert er al helemaal niet door. Een organisatie die op het eerste breukvlak vastloopt en daar AI aan toevoegt, heeft straks sneller en beter geduide informatie die op precies dezelfde plek blijft liggen.
Er is bovendien een effect dat de andere kant op werkt. AI verlaagt de kosten van een eerste analyse sterk. Waar vroeger een analist een week nodig had, ligt er nu binnen een uur een eerste versie. De kosten van validatie, context en interpretatie blijven; die van het produceren verdwijnen bijna. Dat betekent dat het aanbod aan signalen sneller groeit dan het vermogen om erop te beslissen. Precies het mechanisme uit het vorige hoofdstuk, nu in een stroomversnelling: de prijs van kiezen stijgt, de aandacht versnippert verder, en het argument dat er nog een analyse nodig is, wordt goedkoper dan ooit.
Daar komt een tweede bij die in de bestuurskamer vaak wordt gemist. Een model dat voorspelt zonder ooit te worden afgerekend op de uitkomst, drijft af. Bij een menselijke analist merkt u dat: hij verliest geloofwaardigheid. Bij een model gebeurt het geruisloos, want het blijft met dezelfde stelligheid cijfers produceren. Het tweede breukvlak, het ontbreken van terugkoppeling, is daarmee bij AI geen leerprobleem meer maar een kwaliteitsprobleem.
De praktische conclusie is niet om terughoudend te zijn met AI. Zij is dat de volgorde uitmaakt. Repareer eerst het mandaat en het ritme op één proces, en zet AI daarna in op datzelfde proces. Dan is elk gewonnen uur in schakel twee ook echt een gewonnen uur tot het besluit. Andersom is het een investering in snelheid op een weg die verderop doodloopt.
Vijf stappen, oplopend in inspanning. De eerste twee kosten niets en zijn deze week af.
Die laatste zinsnede is geen formaliteit. De meest voorkomende reden dat verbetertrajecten rond besluitvorming doodbloeden, is dat niemand kan laten zien dat er iets veranderd is. Een nulmeting van een halve dag maakt het verschil tussen een traject dat volgend jaar nog bestaat en een traject dat wordt wegbezuinigd.
Deze whitepaper beschrijft een patroon dat wij herkennen uit ons werk aan data- en AI-oplossingen bij organisaties in zorg, industrie en de publieke sector. Wij bouwen en beheren die oplossingen, en juist daardoor zien wij vaak wat er ná de oplevering gebeurt, en wat er niet gebeurt.
Wat wij hier niet doen, is uw besluitvorming diagnosticeren op afstand. De vier stadia en de vijf grootheden zijn bedoeld als taal en als meetlat, niet als oordeel. Elke organisatie heeft haar eigen redenen waarom de keten loopt zoals hij loopt, en die redenen zijn zelden dom.
Wat wij ook niet doen, is beweren dat techniek er niet toe doet. Een besluit dat elf dagen wacht op een handmatige export, is een technisch probleem met een technische oplossing. Ons punt is enger dan dat: de techniek is noodzakelijk en niet voldoende, en de organisaties die vastlopen, lopen vrijwel nooit vast op het deel dat zij het beste beheersen.
Herkent u het patroon en wilt u weten waar uw eigen keten breekt, dan kunt u met onze gratis Data Maturity Scan een eerste beeld krijgen. Wilt u liever meteen de scherpe versie, kies dan één proces en stel de vraag uit de managementsamenvatting. Wij denken graag mee over wat het antwoord betekent.
Martijn van Grieken is oprichter van Twentynext. Hij werkt sinds 2014 aan data- en AI-oplossingen voor organisaties in zorg, industrie en de publieke sector, van eerste vraagstelling tot werkende software die in productie draait en beheerd wordt.
Twentynext is een data- en AI-bureau in Eindhoven. Wij adviseren, bouwen en beheren: van businessvraag naar werkende software, en daarna het onderhoud dat nodig is om die software te laten blijven werken. Die combinatie is bewust: advies, realisatie en beheer vragen in onze ervaring om samenhang. Advies zonder realisatie blijft een rapport, en realisatie zonder beheer wordt op termijn een probleem.
De ketenindeling en de vier stadia in deze whitepaper zijn ons eigen raamwerk, gevormd in het werk. Zij bouwen voort op een traditie in de besluitvormingsliteratuur die verder teruggaat dan het vakgebied data en analytics: op Simon (1947), die beschreef dat bestuurders niet optimaliseren maar genoegen nemen; op March (1994), die besluitvorming in organisaties vooral als een verdeling van aandacht analyseerde; en op Kahneman (2011) en Kahneman et al. (2021) over de systematiek waarmee oordelen afwijken, zowel door vertekening als door ruis. Voor het onderscheid met bestaande volwassenheidsmodellen verwijzen wij naar Davenport en Harris (2007); de DIKW-trap waarmee hoofdstuk 1 opent, gaat terug op Ackoff (1989).
De literatuurverwijzingen volgen APA 7. Wij hebben elke bron in deze lijst op titel, jaar, uitgever en vindplaats geverifieerd; waar een uitgever per markt verschilt, noemen wij de uitgever van de eerste uitgave.
De voorbeelden in dit stuk zijn patronen, geen cases. Waar wij over klantsituaties schrijven, doen wij dat uitsluitend met toestemming en in de vorm die is afgesproken. Cijfers over onze eigen praktijk noemen wij alleen als zij terug te voeren zijn op een vastgelegde meting.
Zo maken we dit. Deze whitepaper is met behulp van AI tot stand gekomen. Twentynext is verantwoordelijk voor de inhoud, maar kan juistheid en volledigheid niet garanderen. Zie onze disclaimer.
Weten waar u staat?
Wij voeren de reconstructietoets uit op één systeem naar keuze en vertalen de uitkomst naar een meetlat op de vijf auditgrootheden, met een volgorde van wat het eerst moet. Van eerste audit tot inrichting en structureel beheer.
Samenwerken
De mensen die het bouwen, beheren het daarna. Sinds 2014 in Eindhoven.
Wij gebruiken Google Tag Manager om bezoek te meten en Leadinfo om te herkennen welk bedrijf onze site bezoekt. Beide laden alleen als u daarmee instemt. Kiest u voor alleen noodzakelijk, dan werkt de site gewoon en meten wij niets. Cookieverklaring · Privacyverklaring
'/%3E%3C/svg%3E){kind=small}
