7.3 Analytics en business intelligence

Overzicht en motivatie

Analytics en business intelligence zetten bestuurde, geëngineerde data om in begrip en actie. Business intelligence (BI) betekent traditioneel de rapportage, dashboards en self-servicetools waarmee mensen kunnen zien wat er in het bedrijf gebeurt. Analytics is de bredere praktijk van vragen stellen en beantwoorden met data, van eenvoudige beschrijvingen van het verleden tot modellen die aanbevelen wat te doen. Samen zijn ze hoe een organisatie zichzelf ziet.

Voor grote teams is deze laag waar data haar bestaansrecht verdient of een bron van verwarring wordt. Wanneer duizenden medewerkers hun eigen rapporten kunnen bouwen, is het risico niet te weinig informatie maar te veel conflicterende informatie: drie dashboards met drie verschillende omzetgetallen, elk verdedigbaar, geen gezaghebbend. Ondernemingen leven en sterven bij de getallen in bestuurspresentaties en regelgevende indieningen. Overheidsinstanties rapporteren aan wetgevers, toezichtsorganen en het publiek. In beide is een statistiek die voor verschillende mensen iets anders betekent een verplichting. Een grafiek die misleidt, zelfs onschuldig, kan dure foute beslissingen drijven of publiek vertrouwen eroderen.

Het kernidee om dit op schaal te temmen is de semantische laag: een bestuurde, centrale definitie van statistieken en dimensies waaruit elke tool en elk rapport put, zodat “actieve klant” of “maandelijkse omzet” overal op één afgesproken manier wordt berekend. Rond dat idee zitten de disciplines van eerlijke visualisatie, bewust dashboardontwerp en het beheren van de wildgroei die self-service onvermijdelijk produceert. Dit hoofdstuk laat zien hoe je mensen brede toegang tot data geeft zonder één enkele versie van de waarheid op te geven.

Kernprincipes

Er moet één bestuurde definitie zijn van elke belangrijke statistiek, overal gebruikt.
Stem het analyticstype af op de vraag: beschrijven, diagnosticeren, voorspellen of voorschrijven.
Self-service is krachtig maar moet worden bestuurd om wildgroei van statistieken te voorkomen.
Grafieken moeten eerlijk zijn. Het doel is begrip, geen overtuiging door vervorming.
Dashboards moeten beslissingen drijven, niet alleen data tonen.
Certificeer betrouwbare content zodat afnemers weten waarop ze kunnen vertrouwen.
Cureer en schaf af. Meer dashboards is niet meer inzicht.
Bed analytics in waar beslissingen worden genomen, in plaats van alleen in een apart BI-portaal.

Aanbevelingen

Begrijp de vier soorten analytics

Descriptieve analytics rapporteert wat er gebeurde. Diagnostische analytics verklaart waarom het gebeurde. Voorspellende analytics voorspelt wat waarschijnlijk gaat gebeuren. Voorschrijvende analytics beveelt aan wat eraan te doen. De meeste organisaties investeren te veel in descriptieve dashboards en te weinig in diagnose en actie. Duw je werk met opzet omhoog langs deze ladder. Koppel elke belangrijke statistiek aan het vermogen om in oorzaken in te zoomen en verbind voorspellingen met concrete beslissingen en interventies. Zo verandert analytics gedrag in plaats van het slechts te beschrijven.

Bouw een semantische laag en bestuur statistieken

Definieer statistieken en dimensies eenmaal in een centrale semantische laag en laat elke BI-tool, elk notebook en elk ingebed rapport uit die definities berekenen. Dit doodt het klassieke probleem van uiteenlopende getallen. Het maakt statistieklogica ook geversioneerd, testbaar en beoordeelbaar. Bestuur statistieken als een API: elke gecertificeerde statistiek heeft een eigenaar, een heldere definitie en een changelog. Houd gecertificeerde statistieken gescheiden van experimentele, zodat afnemers weten wat gezaghebbend is.

Maak self-service mogelijk binnen vangrails

Geef analisten en bedrijfsgebruikers self-servicetoegang om data te verkennen. Centrale BI-teams kunnen niet elke vraag beantwoorden, en knelpunten duwen mensen alleen naar spreadsheets. Maar bied vangrails: gecureerde gecertificeerde datasets, de semantische laag voor consistente statistieken, sjablonen en training. Het doel is eenvoudig: laat het makkelijke pad bestuurde definities gebruiken. Markeer lagen content (gecertificeerd, door het team ondersteund en persoonlijk) zodat de vrijheid om te verkennen zich niet voordoet als officiële waarheid.

Ontwerp dashboards voor beslissingen

Begin elk dashboard bij de beslissing die het ondersteunt en het publiek dat haar neemt. Begin met de paar statistieken die ertoe doen. Bied context (doelen, trends, vergelijkingen) zodat de getallen interpreteerbaar zijn en maak inzoomen mogelijk voor diagnose. Weersta de neiging om elke beschikbare grafiek op één pagina te proppen. Een dashboard dat “liggen we op koers, en zo niet, waar kijk ik?” beantwoordt is veel meer waard dan een met vijftig statistieken waar niemand naar handelt.

Oefen eerlijke datavisualisatie

Kies grafiektypen die bij de data passen: lijnen voor trends in de tijd, staven voor vergelijkingen over categorieën. Vermijd taartdiagrammen voor alles voorbij een paar plakken. Laat staafdiagramassen bij nul beginnen, houd schalen consistent en vermijd dubbele assen die valse correlaties fabriceren. Gebruik kleur doelgericht en toegankelijk, niet decoratief. Label helder en toon onzekerheid waar het ertoe doet. De toets is eenvoudig: zou een geïnformeerde kijker dezelfde conclusie bereiken die de data ondersteunt, of heeft het ontwerp hem naar een andere geduwd?

Cureer content en bestrijd wildgroei

Self-service zonder curatie produceert duizenden verouderde, gedupliceerde en verlaten dashboards. Zet levenscyclusbeheer op: volg gebruik, archiveer ongebruikte content, verwijder duplicaten en hercertificeer periodiek wat overblijft. Maak de gecertificeerde catalogus makkelijk te vinden, zodat mensen betrouwbare content hergebruiken in plaats van opnieuw te bouwen. Een kleinere set betrouwbare, goed onderhouden dashboards verslaat een uitdijend kerkhof.

Bed analytics en operationele rapportage in

Niet alle analytics hoort in een apart portaal. Bed relevante statistieken en rapporten direct in de operationele applicaties waar mensen al werken, zoals het CRM (customer relationship management-systeem), het zaakbeheersysteem of de ticketingtool, zodat inzicht op het beslismoment aankomt. Gebruik voor operationele rapportage met strikte latentie- of opmaakeisen (facturen, afschriften, regelgevende indieningen) speciaal gebouwde rapportage. Rek interactieve dashboards niet op voor een taak waar ze slecht bij passen.

Afwegingen: voor- en nadelen

Keuze	Voordelen	Nadelen	Past het best bij
Gecentraliseerd BI-team	Consistent, bestuurd, kwaliteitsgecontroleerd	Knelpunt, traag in reactie	Gereguleerde rapportage
Self-service BI	Snel, schaalbaar, versterkt gebruikers	Wildgroei, inconsistente statistieken	Brede verkenning
Semantische laag	Eén waarheid, herbruikbaar, bestuurd	Modelleren en onderhoud vooraf	Elke organisatie voorbij kleine schaal
Ingebedde analytics	Inzicht op het beslismoment	Engineeringkosten, moeilijker te besturen	Operationele workflows
Rijke dashboards	Volledig overzicht	Overweldigend, laag actiepercentage	Zelden ideaal
Gefocuste dashboards	Drijft beslissingen	Vraagt redactionele discipline	De meeste gebruiksgevallen

De kernspanning is toegang tegenover consistentie. BI binnen een centraal team opsluiten garandeert consistente getallen, maar laat de organisatie verhongeren van tijdige antwoorden en kweekt schaduwspreadsheets. Volledige self-service versterkt iedereen, maar vermenigvuldigt conflicterende statistieken en verouderde content. Je hoeft geen kant te kiezen. Combineer brede self-servicetoegang met een bestuurde semantische laag en certificering, zodat mensen vrij zijn te verkennen terwijl de belangrijke getallen enkelvoudig en betrouwbaar blijven.

Vragen om met je team te bespreken

Heb je geïnvesteerd in een semantische laag, en bestuur je elke gecertificeerde statistiek als een API met een eigenaar, een definitie en een changelog? Het centrale idee van het hoofdstuk is één bestuurde definitie van elke statistiek waaruit elke tool, elk notebook en elk ingebed rapport berekent, wat het klassieke probleem van drie dashboards met drie omzetgetallen doodt. Voor ondernemingen wier bestuurspresentaties en regelgevende indieningen van één cijfer afhangen, en voor instanties wier publieke releases met interne getallen moeten overeenkomen, is een uiteenlopende statistiek een directe verplichting. De afweging is echt: de semantische laag vraagt modelleren vooraf en doorlopend onderhoud. Neem bewijs mee: tel hoeveel definities van je belangrijkste statistiek vandaag bestaan en wat een afstemming nu kost aan analistenuren. Als het aantal groter is dan één, betaalt de semantische laag zichzelf terug, en statistieken besturen met eigenaren en changelogs houdt haar in de tijd enkelvoudig.
Waar ligt de lijn tussen self-servicevrijheid en wildgroei van statistieken, en welke vangrails houden het makkelijke pad een bestuurd pad? Het hoofdstuk betoogt dat je niet moet kiezen tussen afgesloten centrale BI en ongebreidelde self-service: centrale teams worden knelpunten die mensen naar spreadsheets duwen, terwijl volledige self-service conflicterende statistieken en verouderde dashboards vermenigvuldigt. De oplossing is brede toegang bovenop gecertificeerde datasets, de semantische laag, sjablonen en heldere contentlagen (gecertificeerd, door het team ondersteund, persoonlijk) zodat verkenning zich niet voordoet als officiële waarheid. Neem concrete signalen mee: hoeveel dashboards bestaan er, hoeveel worden werkelijk gebruikt en kunnen afnemers betrouwbare content van experimenten onderscheiden. Als mensen dat niet kunnen, moeten certificering en levenscyclusbeheer (gebruik volgen, het ongebruikte archiveren, de rest hercertificeren) vaste praktijk worden, want een kleinere betrouwbare set verslaat een uitdijend kerkhof.
Zijn je grafieken eerlijk genoeg om toetsing te overleven, en wie controleert dat het ontwerp de conclusie ondersteunt die de data werkelijk rechtvaardigt? Het hoofdstuk stelt een heldere toets: zou een geïnformeerde kijker dezelfde conclusie bereiken die de data ondersteunt, of heeft het ontwerp hem elders heen geduwd? Afgekapte assen, dubbele assen die valse correlatie fabriceren en 3D-taarten zijn genoemde valkuilen. Voor overheidsreleases aan burgers en voor gereguleerde indieningen eroderen onschuldig misleidende grafieken publiek vertrouwen of nodigen ze een bevinding uit, dus eerlijkheid hier is een governancekwestie, niet alleen smaak. Neem een voorbeeld mee waar een grafiek in je organisatie haar publiek misleidde en besluit of je visualisatiestandaarden (staafassen vanaf nul, consistente schalen, getoonde onzekerheid) nodig hebt, afgedwongen op gepubliceerde content. Het antwoord moet reviewverwachtingen stellen voor alles wat het gebouw verlaat.
Welke van je dashboards veranderen werkelijk een beslissing, en wat is je criterium om er een af te schaffen die dat niet doet? Het hoofdstuk staat erop dat een dashboard begint bij de beslissing die het ondersteunt, toch verzamelen de meeste grote organisaties ijdele dashboards die worden bekeken en nooit gebruikt, aangezien voor een datagedreven cultuur. Dit telt op schaal omdat elk dashboard een verborgen kost draagt: het moet worden onderhouden, zijn statistieken moeten consistent blijven met de semantische laag en zijn aanwezigheid verdunt de aandacht van de rapporten die wel actie drijven. De concurrerende trek is dat mensen zich veiliger voelen met meer zicht, en geen team het prettig vindt als zijn dashboard wordt gearchiveerd. Neem gebruikstelemetrie mee (wie elk dashboard opent, hoe vaak en of er enige actie op volgt) en een openhartige lijst van de beslissingen die je topdashboards geacht worden te informeren. Voor ondernemingen voedt dit portfoliocuratie en controle op licentiekosten. Voor een overheidsinstantie beantwoordt het ook toezichtsvragen over of rapportage-uitgaven meetbare operationele waarde produceren in plaats van schermen die niemand leest.
Investeer je te veel in het verleden beschrijven terwijl de waarde in diagnose, voorspelling en voorschrijven zit, en wat zou één sleutelstatistiek omhoog langs die ladder bewegen? Het hoofdstuk kadert vier analyticstypen (descriptief, diagnostisch, voorspellend, voorschrijvend) en waarschuwt dat de meeste organisaties descriptieve dashboards opstapelen terwijl ze te weinig investeren in de diagnose en actie die uitkomsten werkelijk veranderen. Voor een groot team betekent vastzitten bij beschrijven dat analisten hun tijd besteden aan opnieuw rapporteren wat iedereen al weet, terwijl de moeilijkere vraag waarom het gebeurde en wat nu te doen onbeantwoord blijft. De spanning is dat diagnostisch en voorspellend werk diepere data-engineering, modelgovernance en analistenvaardigheid vraagt, dus het is makkelijker nog een dashboard te financieren. Neem de huidige verdeling van je analyticsinspanning over de vier typen mee en één statistiek waar inzoomen op oorzaken of voorspellen aantoonbaar een beslissing zou veranderen. In een onderneming verbindt dit analytics met marge en risico. In een publieke instantie moet voorspellend en voorschrijvend werk (bijvoorbeeld de vraag naar een dienst voorspellen) ook uitlegbaarheid en eerlijkheidswaarborgen dragen voordat het beslissingen over burgers informeert.
Waar moet inzicht binnenkomen in de tools waarin mensen al werken, en waar moet je fit-for-purpose operationele rapportage gebruiken in plaats van een dashboard? Het hoofdstuk onderscheidt interactieve BI van ingebedde analytics en van speciaal gebouwde operationele rapportage zoals facturen, afschriften en regelgevende indieningen, en waarschuwt tegen een dashboard oprekken voor een taak waar het slecht bij past. Dit telt voor grote teams omdat frontlinemedewerkers zelden hun CRM of zaakbeheersysteem verlaten om een apart BI-portaal te raadplegen, dus inzicht dat alleen in een portaal leeft blijft op het beslismoment ongebruikt. De concurrerende overwegingen zijn engineeringkosten en governance: statistieken in operationele apps inbedden is moeilijker te bouwen en moeilijker consistent te houden met gecertificeerde definities, terwijl pixel-perfecte rapportage strikte latentie en opmaak vraagt die het dashboardhulpmiddel niet kan garanderen. Neem een kaart mee van waar beslissingen werkelijk worden genomen en welke daarvan nu vereisen dat iemand van tool wisselt om het getal te vinden. Voor een onderneming bepaalt dit waar je engineeringinspanning investeert. Voor een overheidsinstantie hebben wettelijke indieningen en burgergerichte afschriften vaak juridische opmaak- en bewaarregels die speciaal gebouwde rapportage verplicht maken in plaats van optioneel.

Sectorperspectief

Startup. Definieer je handvol kernstatistieken eenmaal, zelfs in een lichtgewicht tool, zodat de bestuurspresentatie en het productdashboard nooit van mening verschillen. Sla een zwaar semantischelaagplatform over: één gedeelde bron van definities en één korte lijst betrouwbare dashboards volstaat terwijl het team klein is. Snelheid telt hier meer dan afwerking, dus geef de voorkeur aan een gehoste BI-tool die je vandaag op je warehouse kunt richten boven alles wat je zou moeten bouwen.

Kleinbedrijf. Zonder aparte BI-specialist leun je op de analytics die al in de tools zit die je bezit, zoals je CRM of boekhoudsoftware, in plaats van een apart platform op te zetten. Formuleer de keuze als kopen tegenover bouwen en laat kopen standaard winnen. Je risico is een spreadsheetcultuur waar elke persoon een ander “omzet”-getal draagt, dus spreek de paar definities af die ertoe doen en schrijf ze op. Geef de voorkeur aan tools die gecertificeerde rapporten makkelijk deelbaar en moeilijk per ongeluk forkbaar maken.

Grote onderneming. Het kernprobleem is consistentie over veel teams: investeer in een bestuurde semantische laag, certificeer betrouwbare content en beheer dashboardwildgroei als doorlopende levenscyclus met eigenaren, gebruiksvolging en hercertificering. Behandel elke gecertificeerde statistiek als een API met een definitie, een eigenaar en een changelog, en scheid gecertificeerde content van experimentele zodat self-service zich niet voordoet als officiële waarheid. Begroot de modelleer- en curatie-inspanning expliciet, want op schaal is het alternatief dat analisten eindeloos uiteenlopende getallen afstemmen.

Overheid. Gepubliceerde cijfers moeten met interne overeenkomen en publieke en wetgevende toetsing overleven, dus een bestuurde semantische laag en afgedwongen visualisatiestandaarden (assen vanaf nul, eerlijke schalen, getoonde onzekerheid) zijn verantwoordingseisen, geen aardigheden. Aanbestedingsregels kunnen beperken welke BI-tools je mag kopen en overdraagbaarheid van data eisen, dus vermijd lock-in bij de bedrijfseigen statistieklogica van één leverancier. Houd gecertificeerde publieke releases gescheiden van experimentele analyse en geef burgers grafieken die eerlijk genoeg zijn dat een geïnformeerde kijker de conclusie bereikt die de data werkelijk rechtvaardigt.

Voorbeelden

Startup. Bij een vroege marktplaats hielden de twee oprichters elk een spreadsheet bij van “maandelijkse omzet”, en de getallen kwamen nooit helemaal overeen wanneer ze de bestuurspresentatie voorbereidden. Ze definieerden de statistiek eenmaal in een kleine semantische laag, richtten één BI-tool erop en markeerden één korte lijst dashboards als de betrouwbare die iedereen moest gebruiken. Rapportage ging van een afstemming op zondagavond naar een link die ze met vertrouwen konden openen.

Grote onderneming. Een telecombedrijf leed eronder dat financiën, marketing en operaties elk andere aantallen “actieve abonnees” rapporteerden. Het introduceerde een semantische laag die elke kernstatistiek eenmaal definieert, migreerde dashboards om eruit te berekenen en certificeerde een gecureerde set betrouwbare rapporten terwijl het duizenden verouderde archiveerde. Bestuursrapportage werd geen afstemmingsoefening meer, en de adoptie van self-service steeg omdat mensen de getallen vertrouwden.

Overheid. Een publieke gezondheidsdienst bouwde gecertificeerde dashboards die putten uit een bestuurde semantische laag, zodat aantallen en percentages van gevallen identiek worden berekend in intern besluitvormen en publieke releases. Visualisatiestandaarden houden grafieken gepubliceerd aan burgers eerlijk (assen vanaf nul, heldere onzekerheidsbanden), wat publiek vertrouwen beschermt. Ingebedde rapporten brengen lokale statistieken naar de zaakbeheertools die frontlinemedewerkers al gebruiken.

Zakelijke onderbouwing: motivatie, ROI en TCO

Het ROI van goed gerunde analytics en BI komt uit snellere, betere beslissingen en uit verspilling snijden. Wanneer mensen één set getallen vertrouwen, houden vergaderingen op discussies te zijn over wiens spreadsheet juist is en worden het gesprekken over wat te doen. Self-service vermindert de achterstand bij centrale teams, en een semantische laag voorkomt de terugkerende kosten van uiteenlopende statistieken afstemmen. Eerlijke, op beslissingen gerichte dashboards verhogen het tempo waarmee inzicht in actie verandert.

De adoptiekosten omvatten licenties voor het BI-platform, de semantische laag bouwen en onderhouden, curatie-inspanning en training. Weeg ze af tegen de kosten van niet adopteren: analisten en bestuurders die uren verspillen aan conflicterende cijfers afstemmen, beslissingen genomen op misleidende grafieken, een opeenhoping van onderhouden dashboards en, in publieke omgevingen, geërodeerd vertrouwen wanneer gepubliceerde getallen elkaar tegenspreken. Voor het bestuur is het argument eenvoudig. Een bestuurde semantische laag plus gecureerde self-service is het verschil tussen data als bezitting die iedereen vertrouwt en een eeuwige bron van verwarring en herwerk.

Antipatronen en valkuilen

Elk team berekent sleutelstatistieken op eigen wijze, wat conflicterende getallen produceert.
Dashboards gebouwd om alles te tonen in plaats van een beslissing te ondersteunen.
Misleidende grafieken (afgekapte assen, dubbele assen, 3D-taarten) die conclusies vervormen.
Self-service behandelen als vervanging van governance in plaats van aanvulling erop.
Duizenden verouderde, gedupliceerde dashboards zonder levenscyclusbeheer.
Ijdele dashboards waar niemand naar handelt, aangezien voor een datagedreven cultuur.
Interactieve BI oprekken om pixel-perfecte regelgevende documenten te produceren.
Geen certificering, zodat afnemers betrouwbare content niet van experimenten kunnen onderscheiden.

Volwassenheidsmodel

Initiëren. Rapporten worden ad hoc in spreadsheets gebouwd, statistieken worden inconsistent gedefinieerd en grafieken zijn vaak misleidend. Er is geen semantische laag, geen certificering en geen curatie, dus uiteenlopende getallen zijn de norm.
Ontwikkelen. Een BI-tool is aanwezig met enkele gedeelde dashboards, maar statistiekdefinities lopen nog uiteen over teams. Self-service is ongecontroleerd en wildgroei begint. Enkele groepen modelleren statistieken mogelijk zorgvuldig, maar de praktijk is inconsistent en niets wordt organisatiebreed afgedwongen.
Standaardiseren. Een semantische laag definieert kernstatistieken eenmaal, gedocumenteerd en afgedwongen over elke tool en elk rapport. Gecertificeerde content wordt onderscheiden van experimentele, self-service werkt binnen vangrails, visualisatiestandaarden zijn gepubliceerd en contentlevenscyclusbeheer is een vaste praktijk in plaats van een incidentele opruiming.
Beheersen. Het analyticslandschap wordt gemeten aan de hand van uitgangswaarden. Dashboardgebruik wordt gevolgd en ongebruikte content wordt gekwantificeerd en volgens ritme afgeschaft. Het aantal uiteenlopende definities van sleutelstatistieken wordt bewaakt richting één. Naleving van grafiekreview, adoptie van self-service en tijd-tot-antwoord worden gevolgd. En afstemmingskosten en doorlooptijd van statistiekwijzigingen worden gemeten zodat afdrijving van de gecertificeerde definities op bewijs wordt gevangen en gecorrigeerd.
Orkestreren. Statistieken worden bestuurd als API’s met eigenaren en changelogs, analytics beslaat descriptief tot voorschrijvend en verbindt met concrete actie, en rapporten zijn ingebed op de beslismomenten. De organisatie vertrouwt overal één versie van de waarheid, bedwingt actief wildgroei en bakent haar analytics continu opnieuw af en hercertificeert ze naarmate het bedrijf en zijn vragen veranderen.

Ideeën voor discussie

Hoeveel verschillende definities van je belangrijkste statistiek bestaan er vandaag?
Welke van je dashboards veranderen werkelijk een beslissing, en welke worden alleen bekeken?
Waar heeft een grafiek in je organisatie haar publiek misleid, onschuldig of niet?
Investeer je te veel in het verleden beschrijven tegenover diagnosticeren en handelen?
Wat zou een certificeringslaag voor content doen voor vertrouwen en hergebruik in je organisatie?
Hoe balanceer je de behoefte van burgers of toezichthouders aan eerlijke grafieken met de trek naar overtuigende?

Belangrijkste inzichten

Definieer elke belangrijke statistiek eenmaal in een bestuurde semantische laag die overal wordt gebruikt.
Duw analytics omhoog langs de ladder van descriptief naar diagnostisch, voorspellend en voorschrijvend.
Maak self-service mogelijk binnen vangrails. Certificeer betrouwbare content.
Ontwerp dashboards rond beslissingen, niet rond beschikbare data.
Maak elke grafiek eerlijk. Het doel is begrip, geen overtuiging.
Cureer meedogenloos en schaf verouderde content af om wildgroei te bestrijden.
Bed analytics in op het beslismoment en gebruik fit-for-purpose operationele rapportage.

Referenties en verder lezen

Edward Tufte, “The Visual Display of Quantitative Information.”
Stephen Few, “Show Me the Numbers” and “Information Dashboard Design.”
Cole Nussbaumer Knaflic, “Storytelling with Data.”
Alberto Cairo, “How Charts Lie.”
Ralph Kimball and Margy Ross, “The Data Warehouse Toolkit.”
Darrell Huff, “How to Lie with Statistics.”
Benn Stancil and others, writings on the semantic layer and metrics stores.