De semantische laag
Definieer omzet, klanten en elke kernmetric één keer, bovenop uw ruwe en lakehouse-data — zodat BI-tools, analisten en AI-agenten allemaal hetzelfde antwoord krijgen, gefundeerd in uw beheerde ontologie in plaats van in een aangebouwd configuratiebestand.
Eén metric, één keer gedefinieerd
Omzet, actieve klant, churn — elke metric en dimensie wordt één enkele keer gedefinieerd en overal geërfd waar die wordt bevraagd.
Gefundeerd in de ontologie
Definities staan op dezelfde entiteiten en relaties als uw knowledge graph, zodat de semantische laag meegroeit met de organisatie in plaats van ervan af te drijven.
Consistent voor BI & AI
Dashboards, analisten en AI-agenten bevragen allemaal dezelfde beheerde definities — zodat het antwoord van een chatbot overeenkomt met het rapport op dezelfde vraag.
Een semantische laag is een beheerde laag van bedrijfsbetekenis — metrics, dimensies en entiteitsdefinities — bovenop ruwe en lakehouse-data, zodat elke tool en elke persoon die haar bevraagt hetzelfde antwoord krijgt. De semantische laag van Scrydon is gefundeerd in de ontologie in plaats van in een losstaande metrics-configuratie, zodat definities consistent blijven naarmate de onderliggende graaf van entiteiten en relaties evolueert.
Vraag drie analisten wat "actieve klant" betekent en u krijgt vaak drie verschillende SQL-queries — en drie verschillende getallen. Een semantische laag dicht dat gat door metrics, dimensies en entiteiten één keer, centraal te definiëren, zodat elk dashboard, elk rapport en elke query dezelfde definitie erft in plaats van die opnieuw af te leiden. De semantische laag van Scrydon is geen losstaand YAML-metricsbestand dat aan het warehouse is vastgeschroefd: zij is gefundeerd in de ontologie, zodat een metric als "omzet" wordt gedefinieerd in termen van dezelfde entiteiten en relaties waarover uw knowledge graph en AI-agenten al redeneren — en zij evolueert mee met de graaf in plaats van ermee uit de pas te lopen.
Semantische laag in het Scrydon-platform
Eén geïntegreerde, soevereine architectuur. Hier past Semantische laag — uitgelicht binnen de volledige stack waarmee het samenwerkt.
Het AI OS voor mensen en AI-agenten
Ontologie- en semantische laag: één samenhangend model voor uw data, kennis en processen
Het beste van data lakes, datawarehouses en search gecombineerd
AI-agenten, workflows en automatiseringen die uitvoeren over al uw systemen heen
Integreer via A2A, MCP, legacy systemen en databronnen
Veilige domeinfederatie, vertrouwd datadelen en intelligentie over organisatiegrenzen heen
Soevereine fundamenten
Semantische laag in detail
Analytics
Data die in warehouses en dashboards ligt die niemand leest, is data die niemand kan gebruiken. De Analytics-laag verandert dat — door de juiste mensen de juiste informatie te geven zonder dat zij erom hoeven te vragen. Elke metric is verankerd in de Cognitive Enterprise-ontologie, zodat een omzetcijfer nooit los van zijn context binnenkomt. Data in context — niet alleen in dashboards.
Besluitvormers krijgen een live beeld van de organisatie — financiële prestaties, operationele gezondheid, inkoopstatus — zonder te wachten tot een datateam een rapport klaarzet.
- Interactieve notebooks: Python- en SQL-omgevingen met volledige toegang tot uw lakehouse-data — zonder data te verplaatsen.
- Visuele dashboards: Kant-en-klare rapportage die automatisch meebeweegt met de business — geen handmatige refresh, geen verouderde cijfers.
- Agent-native analytics: AI-agenten kunnen autonoom queryen, samenvatten en handelen op inzichten — en zo de cirkel tussen analyse en actie sluiten.
Cognitive Enterprise
Ontologie- en semantische laag: één samenhangend model voor uw data, kennis en processen
De meeste organisaties hebben data die zij niet kunnen gebruiken — niet omdat die er niet is, maar omdat niets haar verbindt. De Cognitive Enterprise-laag is de bepalende intelligentie van het AI OS: een levend, bevraagbaar semantisch model van de entiteiten, processen en regels van uw organisatie. Het is de single source of truth waarmee elke agent, analist en workflow met een consistent begrip over uw business kan redeneren.
Zonder die laag redeneren AI-agenten op ruis. Mét die laag redeneren ze op de business.
- Entiteitengraaf: Modelleer klanten, accounts, orders, producten en elk ander domeinbegrip — en verbind ze met getypeerde, doorzoekbare relaties.
- Procesintegratie: Koppel echte workflows aan ontologie-entiteiten, zodat agenten begrijpen hoe data door uw organisatie stroomt.
- Continue verrijking: Agenten verrijken ontologieknooppunten automatisch met verse data uit het lakehouse en houden het model actueel zonder handwerk.
Eén keer definiëren, overal vertrouwen
Een semantische laag zit tussen uw ruwe en lakehouse-data en iedereen die haar bevraagt — BI-tools, analisten, notebooks en AI-agenten. In plaats van dat elk team zijn eigen SQL schrijft om uit te zoeken wat "omzet" of "actieve klant" betekent, wordt de definitie één keer, centraal vastgelegd, en elke query erft die. Doordat Scrydon die definities fundeert in de ontologie, worden metrics gedefinieerd tegen dezelfde entiteiten en relaties die uw knowledge graph al modelleert, niet tegen een parallelle set tabellen die niemand anders ziet.
Metrics — Definieer omzet, churn, actieve klant en elk kerncijfer één keer, centraal.
Dimensies — Modelleer consistent hoe metrics kunnen worden uitgesplitst — per regio, product of segment.
Entiteiten — Fundeer definities in dezelfde klanten, producten en accounts als de ontologie.
Geërfd, niet opnieuw afgeleid — Elk dashboard, elk rapport en elke query haalt de gedeelde definitie op in plaats van die opnieuw op te bouwen.
Waarom metricdrift het vertrouwen in data en AI breekt
Zonder semantische laag leidt elk team zijn eigen versie van "omzet" of "actieve klant" opnieuw af, en de kleine verschillen stapelen zich op: een boardpresentatie, een regionaal dashboard en een salesrapport tonen elk een licht afwijkend getal, en niemand kan zeggen welk getal klopt. Die erosie van vertrouwen wordt erger zodra AI in beeld komt, want een agent die cijfers rechtstreeks uit ruwe tabellen berekent, produceert vol vertrouwen wéér een ander getal, zonder dat het te rijmen valt. Een gedeelde semantische laag haalt het opnieuw afleiden volledig weg, zodat elk antwoord — van mens of AI — uit dezelfde beheerde definitie komt.
De laag die AI-agenten en dashboards consistent houdt
AI-agenten die bedrijfsvragen beantwoorden, moeten dezelfde cijfers berekenen als uw dashboards tonen, niet een plausibel klinkende benadering. Wanneer een agent de semantische laag bevraagt in plaats van ruwe tabellen, herleidt die "omzet" of "churn" tot exact de beheerde definitie die uw analisten gebruiken, zodat het antwoord overeenkomt met het rapport op dezelfde vraag. Doordat de semantische laag is gefundeerd in de ontologie en niet in een losstaande configuratie, werkt zij bij naarmate uw entiteiten en relaties evolueren — waardoor agenten, dashboards en analisten het permanent met elkaar eens blijven.
Gedeelde single source of truth — Agenten berekenen metrics tegen dezelfde semantische laag als uw BI-tools — geen aparte, onbeheerde definitie van "omzet" voor AI.
Gefundeerd, niet geraden — Agenten herleiden bedrijfsbegrippen tot beheerde definities in plaats van betekenis af te leiden uit kolomnamen of prompts.
Uitlegbare cijfers — Elk cijfer dat een agent teruggeeft is herleidbaar tot een gedefinieerde metric, zodat antwoorden controleerbaar zijn en niet slechts plausibel.
Evolueert met de graaf — Als entiteiten en relaties in de ontologie veranderen, werkt de semantische laag mee bij — geen aparte configuratie om te onderhouden.
Veelgestelde vragen
Wat is een semantische laag?+
Wat is het verschil tussen een semantische laag en een ontologie?+
Hoe verschilt dit van metricslagen in dbt- of Cube-stijl?+
Vervangt een semantische laag mijn BI-tool?+
Hoe vermindert een semantische laag metricdrift?+
Waarom doet de semantische laag er specifiek voor AI-agenten toe?+
Ontdek het platform
Gerelateerd
E-mail ons
Schrijft u liever? Mail naar hello [at] scrydon.com en wij nemen contact met u op.
Partners
