In ieder bedrijf hoor je de gedachte: Wij willen méér met AI. Of je het nu Large Language Models(LLM), Machine Learning of Agents noemt: als bedrijf met data kom je er niet meer omheen. Ook bij onze klanten merken we een steeds grotere vraag naar automatisering met AI.

Bij DataGrow bouwen we al 7 jaar aan slimme warehouse- en dashboard oplossingen. De komst van AI zorgt ervoor dat ons werk als consultants ontzettend verandert. Daarom hebben we dit jaar besloten hierop te sturen. Ik heb de laatste maanden, samen met collega’s, AI-projecten ontwikkeld die aan deze snel veranderende tijd bijdragen!

Onze projectontwikkeling

Wat voor projecten zijn dit dan? Denk aan Narrative Agents as Code, die BI-ready data vertalen naar bruikbare acties. Of een door AI ondersteunde Medallion architectuur in Databricks, voor gestructureerde en ongestructureerde data. Maar waar deze blog over gaat, is het genereren van Power BI-dashboards met Claude Code.

Het werk dat in een Power BI dashboard gaat

Een van onze diensten is het maken van robuuste, slimme dashboards. We vertalen informatiebehoeften naar logische oplossingen, waar klanten op zowel productie- als bestuursniveau slimmer te werk kunnen gaan. Maar ook hier zijn er onderdelen die nog veel losse handelingen vereisen. Denk aan het ontsluiten van bronnen, het opschonen van data en het maken van een datamodel. En dan is er nog het handmatig in elkaar zetten van het dashboard in Power BI. Het datamodel koppelen, het semantisch model inrichten, visuals instellen en valideren. Dit kost veel tijd die we liever ergens anders aan besteden. Daarom zijn we gaan kijken naar het genereren van dashboards met AI.

De oplossing – .pbip & pbi-cli

Sinds kort heeft Microsoft een nieuw format voor Power BI-bestanden: .pbip. Hiermee is een Power BI-bestand als code te lezen en dus óók te herschrijven door een LLM. Tegelijkertijd ontstaan er online open-source projecten die dit mogelijk maken. Eén daarvan vonden we op versiebeheer applicatie GitHub: pbi-cli, een tool die het herschrijven van Power BI-code mogelijk maakt terwijl Power BI Desktop lokaal open staat. Dit was het moment waarop we besloten in te haken.

De tool gebruiken en verfijnen

We zijn gestart met het testen van pbi-cli via Claude Code. De eerste dashboards waren niet perfect, dus hebben we de learnings gedocumenteerd om zo de tool per bouw sessie te verbeteren. De tool is geschreven in Python en maakt het mogelijk om Power BI-bestanden in .pbip-format aan te passen, terwijl wijzigingen naar de schijf worden geschreven. Een integraal onderdeel van het werken met Claude Code zijn skills: pbi-cli geeft bijvoorbeeld AI specifieke instructies voor het werken met Power BI.

Om dit project op een continue manier te kunnen ontwikkelen, hebben we een Azure DevOps-repository opgezet. Hierin werken we met Claude Code in Visual Studio Code, zodat we snel meerdere testen kunnen draaien voor het genereren van dashboards.

Onze learnings en uitdagingen bij de implementatie

Na een aantal dashboards gebouwd te hebben, besloten we de tool tot ons eigen product te maken (vendoring). Zo kunnen collega’s hem inzetten om gezamenlijk sneller aan het werk te gaan. Maar hier komen nieuwe uitdagingen bij kijken: Hoe zorgen we dat iedereen begrijpt waar hij of zij mee bezig is? Hoe maken we het toegankelijk? Hoe garanderen we een waardevol resultaat? En hoe gebruiken we het veilig?

Om hier antwoord op te krijgen, verzamelen we actief feedback van collega’s die de tool gebruiken. Zo laten we Claude aan het einde van een bouw sessie zelfs vragen naar feedback!

Dit proces loopt niet vlekkeloos. We zien uitdagingen rondom de toegangsrechten die een agent nodig heeft om wijzigingen efficiënt naar de schijf te schrijven: dit vergt vertrouwen of een strenge afbakening Daarnaast neemt een agent soms ‘creatieve’ keuzes die we in ontwikkeling proberen te beperken. Deze creativiteit kan echter nuttig zijn om meerdere mogelijkheden te verkennen.

Hoe ziet het proces er nu uit?

De verschillende fasen bij het bouwen van een dashboard met behulp van Claude Code zijn inmiddels helder gedefinieerd. In de eerste prompt formuleren we zelf een aantal zaken die de LLM van context voorzien: waar het dashboard over gaat, en wie het straks opent.

Zoals in de schermopname hieronder zichtbaar is, verschijnen er tijdens het proces gerichte pop-up vragen die helpen om de informatiebehoefte scherp te krijgen.

Al het andere komt als keuze langs, met een voorstel erbij. De tweede prompt voegt inhoud toe, waardoor het dashboard pas echt iets te zeggen heeft.

Daarmee ging Claude aan de slag, en al snel lag er een werkbaar resultaat:

De data in dit voorbeeld is synthetisch: de locaties bestaan, de meetwaarden zijn gegenereerd om het bouwproces te demonstreren.

De toekomst van AI & Dashboarding

Dit project is nog in ontwikkeling, maar het laat wel zien wat mogelijk is als je niet bang bent om AI als onderliggende kracht voor je bedrijf in te zetten. Bij DataGrow zijn we actief onze processen aan het verbeteren en versnellen met behulp van deze vooruitgang.

De vraag is niet óf dit de toekomst is, maar hoe snel jouw organisatie deze stap wil maken.

Benieuwd hoe dit in jouw context zou werken? Laten we praten.