Bij de meeste organisaties waar ik kom, betekent “analytics” nog steeds: inloggen op een dashboard. Wie een vraag heeft, opent het pakket, klikt een rapport open en zet filters. Wie dat niet kan of wil, vraagt het aan de collega die het wel kan. Of laat de vraag liggen.

Dat gaat veranderen. Niet omdat dashboards verdwijnen, maar omdat ze niet meer de enige plek zijn waar je bij je data komt. Daar is een woord voor: headless analytics.

Kort antwoord
Voor publieke organisaties is de kern: de data blijft van jou, op een plek die jij beheert. Headless analytics betekent dat verzamelen, opslaan en bevragen losse lagen zijn. Het dashboard is één manier om erbij te komen. Je AI-assistent, je eigen datawarehouse of een ander systeem kunnen dat ook zijn, zonder dat je de data opnieuw hoeft in te richten.

Wat betekent headless?

De term komt uit de wereld van websites. Een traditioneel CMS doet twee dingen tegelijk: het beheert de content en het bepaalt hoe die eruitziet. Bij een headless CMS zijn die twee losgeknipt. De content staat op één plek en kan naar een website, een app, een nieuwsbrief of een informatiezuil, zonder dat je hem steeds opnieuw invoert.

Veel communicatieafdelingen in de publieke sector werken al zo. Hetzelfde nieuwsbericht staat op de website, op het intranet en in de app, en wordt maar één keer geschreven.

Headless analytics past hetzelfde idee toe op je meetgegevens. Het “hoofd” is het dashboard. Haal je dat los, dan houd je een laag over die data verzamelt, opslaat en berekent. Daarboven kies je zelf hoe je erbij komt: via het dashboard, via een vraag in gewone taal, of rechtstreeks vanuit een ander systeem.

Waarom nu?

Drie ontwikkelingen maken het dashboard minder vanzelfsprekend als enige ingang.

AI-assistenten zijn de nieuwe werkplek. Steeds meer mensen stellen hun vragen aan een AI-assistent, niet aan een pakket. Met een open standaard als MCP (Model Context Protocol) kan die assistent rechtstreeks data ophalen uit je analyticsplatform. Je vraagt “welk nieuwsbericht werd vorige week het meest gelezen?” en het antwoord komt terug, zonder dat je inlogt.

De meeste vragen worden niet gesteld. Een dashboard beantwoordt de vragen die iemand vooraf heeft ingebouwd. De redacteur, de teamleider of de beleidsmedewerker met een eigen vraag haakt vaak af. Niet omdat de data er niet is, maar omdat de weg ernaartoe te lang is.

Webdata staat niet op zichzelf. Wie wil weten of een campagne meer aanvragen opleverde, wil websitedata naast gegevens uit het zaaksysteem of de klantcontactcentrale leggen. Dat lukt alleen als de data in een vorm beschikbaar is die past naast andere bronnen, en niet opgesloten zit in de rapporten van één leverancier.

Drie lagen in plaats van één pakket

Wie analytics headless bekijkt, ziet drie lagen die je los van elkaar kunt beoordelen.

  1. Verzamelen. Hoe komt de data binnen: via een script op de website, een tracker op het intranet of server side, via je eigen domein. Hier beslis je wat je vastlegt en wat niet.
  2. Datalaag. Waar de data staat, in welk model, en hoe snel hij beschikbaar is. Dit is de laag die je wilt bezitten, want alles daarboven is ervan afhankelijk.
  3. Bevragen. Het dashboard, een vraag in gewone taal, je eigen AI-assistent, of een koppeling met een datawarehouse. Hier kies je per gebruiker wat het beste werkt.
Diagram: drie lagen van headless analytics. Onderaan Verzamelen (website, intranet, server side), in het midden de Datalaag op een groene band, bovenaan Bevragen via dashboard, Ask AI, je AI-assistent of eigen systemen.
Data komt onderin binnen, staat in het midden op een plek die jij kiest, en is bovenin via meerdere ingangen te bevragen.

Data komt onderin binnen, staat in het midden op een plek die jij kiest, en is bovenin via meerdere ingangen te bevragen.

Bij een klassiek pakket zitten die drie lagen aan elkaar vast. Kies je het dashboard, dan kies je ook waar je data staat en hoe je hem verzamelt. Headless betekent dat die keuzes niet meer samenvallen.

Waarom dit uitmaakt voor publieke organisaties

Voor een overheid of onderwijsinstelling is headless analytics geen technische hobby. Het raakt drie vragen die een CISO, een inkoper of een functioneel beheerder toch al stelt.

Gemeenten kennen het idee al van Common Ground: scheid de data van de applicatie, en haal gegevens bij de bron in plaats van ze overal te kopiëren. Hetzelfde principe ligt ten grondslag aan de NLGov API Design Rules van Logius: systemen praten via open standaarden met elkaar, niet via kopieën van elkaars data. Headless analytics past datzelfde principe toe op de gegevens over je websites en intranet. Het is dus geen nieuw marketingwoord, maar een bekende architectuurkeuze, toegepast op een nieuwe plek.

Van wie is de data? Als de onderste laag van jou is, maakt het minder uit welk dashboard of welke assistent je erboven zet. De data blijft staan waar jij dat hebt bepaald: in Nederland, in een ander EU-land of op je eigen infrastructuur.

Kun je weg? Een contract loopt ooit af, een leverancier verandert van koers. Als verzamelen, opslaan en bevragen los van elkaar staan, vervang je één laag zonder alles opnieuw te bouwen. Dat is geen principekwestie, maar gewoon risicobeheer.

Wie kan er vragen stellen? Hoe meer ingangen, hoe meer mensen zelf antwoorden halen. Dat is de echte winst: niet nog een rapport, maar een organisatie die zelf vragen stelt aan de eigen data.

Wat headless analytics niet is

Geen afscheid van het dashboard. Voor wie dagelijks met de cijfers werkt, blijft een goed dashboard de snelste weg. Headless voegt ingangen toe, het haalt er geen weg.

Geen bouwpakket. Je hoeft geen eigen datateam te hebben om headless te werken. De lagen kunnen los staan en toch door één partij beheerd worden.

Geen vrijbrief om alles te meten. Juist omdat de data makkelijker te bevragen wordt, is het belangrijk vooraf te bepalen wat je vastlegt. Dat besluit hoort in de onderste laag, niet in het dashboard.

Hoe Govanalytics dit invult

Govanalytics is vanaf het begin zo opgezet. Per laag:

  • Verzamelen: de tracker voor website en SharePoint-intranet, en server side tracking zonder Google-componenten in de meetlaag. Bestaande gtag-implementaties kunnen direct naar Govanalytics doorsturen.
  • Datalaag: het open-source platform d8a.tech, gehost bij UpCloud in Amsterdam, of in een ander EU-land of op je eigen infrastructuur. Data is binnen het uur beschikbaar, in een eenvoudig datamodel dat naast je andere bronnen past.
  • Bevragen: het dashboard met eigen rapporten, flows en funnels; Ask AI voor vragen in gewone taal; en de MCP-connector, waarmee je vanuit je eigen AI-assistent vragen stelt. Die connector kan alleen lezen.

Omdat het platform open source is, zit je nergens aan vast. Wie wil, kan het zelf draaien of door een andere partij laten beheren.

De komende weken schrijf ik per laag een artikel. Het eerste voorbeeld staat er al: MCP: je analyticsdata in je AI-assistent. Daarna volgen waar je data staat en waarom dat uitmaakt, meten zonder tussenpersoon met server side tracking, en hoe je een organisatie leert zelf vragen te stellen.

Veelgestelde vragen