RBI-Solutions blog

“Blijf nieuwsgierig, zoek je eigen pad en sta open om te blijven leren.”

Dat is het advies van onze BI consultant Mark aan iedereen die de wereld van data in wil. Zelf begon hij drie jaar geleden bij RBI, waar hij via een traineeship uitgroeide tot Data engineer. Zijn geheim? Vragen blijven stellen, goed om je heen kijken en gewoon beginnen. Benieuwd naar zijn favoriete projecten, tools, en waarom hij zich bij RBI zo thuis voelt? Lees dan zijn verhaal hieronder.

Kun je kort iets meer over jezelf vertellen?

Zeker! Mijn naam is Mark Kronenberg, ik ben 27 jaar en woon momenteel in Utrecht. Inmiddels werk ik al meer dan drie jaar met veel plezier bij RBI, waar ik sinds vorige week alweer aan mijn vierde opdracht begonnen bij een verzekeraar.

Kun je aangeven welke studie je hebt gevolgd en waarom je die keuze hebt gemaakt?

Ik heb de studie Bedrijfseconomie (tegenwoordig Finance & Control) gevolgd aan het Saxion in Enschede. Ik heb deze keuze gemaakt omdat ik vanuit de middelbare school al een interesse had in Economie en plezier haalde uit het werken met cijfers.

Wanneer en hoe is jouw interesse in data ontstaan?

Mijn interesse voor data is aangewakkerd tijdens de studie, daar ben ik tijdens een stage opdracht in aanraking gekomen met Power BI en Tableau. Toen kwam ik er snel achter dat daar een hele wereld van dataprocessen achter zit wat mij erg boeide. Sindsdien ben ik mij daar thuis ook meer in gaan verdiepen.

Je hebt het traineetraject gevolgd bij RBI. Wanneer was dit en hoe heb je dit ervaren?

Klopt inderdaad, dat is nu iets meer dan drie jaar geleden. Ik ben hierin gerold vlak nadat ik was gestart bij RBI. Het heeft mij veel gebracht en gezorgd voor een goede start van mijn carrière in data engineering. Ik kwam net vanuit een bedrijfseconomische studie dus het is voor mij erg leerzaam geweest om alle aspecten vanuit de BI wereld in een traineetraject terug te zien. Daarnaast is het ook een erg leuke manier om directe collega’s beter te leren kennen en samen te leren en sparren. Je leert op die manier veel van elkaar!

Wat is de reden dat je hebt gekozen voor RBI?

De hechtheid tussen collega’s, korte lijntjes wat betreft communicatie en de stimulans om jezelf te kunnen ontwikkelen hebben mij vanaf het begin heel erg aangesproken. Dit is de reden dat ik mij er nog steeds thuis voel.

Kun je aangeven op welk project je het meest trots bent en waarom? Kun je ook aangeven met welke tools je hebt gewerkt?

Het project waar ik het meest trots op ben, is lastig kiezen – het is een close call tussen mijn opdrachten bij een grote pensioenuitvoerder en een fintech-organisatie. Bij de pensioenuitvoerder heb ik twee jaar met veel plezier gewerkt binnen het Business Intelligence-team van Pensioenbeheer. Daar was ik verantwoordelijk voor het oplossen van uiteenlopende datavraagstukken, zoals het aanpassen van SQL-queries en procedures in de datamart en het automatiseren van klantcommunicatie. Daarnaast speelde ik een sleutelrol in de migratie van de on-premise SQL Server omgeving naar het cloudplatform Data Virtuality. Ik vertaalde en optimaliseerde bestaande code en richtte processen opnieuw in voor de gevirtualiseerde omgeving. Dit heeft geleid tot stabielere en efficiëntere dataproducten voor de business. Tools die ik hierbij heb gebruikt, zijn onder andere SQL, SSMS, Data Virtuality, Power BI, SSIS, SSAS, Visual Studio, Azure DevOps en GIT.

Bij de fintech-organisatie kreeg ik de kans om voor het eerst bij te dragen aan een volledige datamigratie – van Drupal naar SQL Server. Ik ontwikkelde exportscripts in Python die data efficiënt en betrouwbaar extraheerden en transformeerden voor de migratie naar Azure SQL Server. Ook was ik verantwoordelijk voor de datavalidatie, waarbij ik transacties tussen de bank en de interne administratie vergeleek, analyseerde en corrigeerde. Hierdoor hebben we de datakwaliteit sterk verbeterd en een sluitende financiële administratie opgeleverd. Voor deze opdracht maakte ik gebruik van Python, Azure SQL Server en Excel.

Hoe heb je de technische kennis opgebouwd die je nu gebruikt?

Er zijn meerdere manieren waar ik gebruik van heb gemaakt in de afgelopen jaren. Denk daarbij aan het traineetraject wat ik heb gevolgd en zelfstudie, maar daarnaast heb ik ook super veel kennis opgedaan bij de opdrachten waar ik heb gezet. Die praktijkervaring is van onschatbare waarde. Door goed om me heen te kijken en veel vragen stellen, kom je tot veel waardevolle inzichten en kennis.

Heb je favoriete tool en waarom?

Nee niet per se, heel veel tools lijken ook op elkaar 😉

Wat zou je willen meegeven aan anderen die in de data-industrie willen starten?

Laat de vele informatie die erover te vinden is jouw nieuwsgierigheid niet in de weg zitten. Zoek je eigen ontwikkeltraject hierin en blijf open staan om continue te leren!

Wat doe je graag naast je werk bij RBI?

Ik ben de afgelopen jaren al veel in de Alpen te vinden voor huttentochten en bergbeklimmen, maar ik ben nu druk bezig om dat uit te breiden naar het Alpineren en ga daar deze zomer een aansluitende cursus voor volgen om op nog mooiere plekken terecht te komen!

Wat zijn je toekomstplannen?

Vooral lekker doorgroeien op zowel persoonlijk vlak als met RBI en zoveel mogelijk waarde kunnen leveren bij RBI en haar klanten.

Meer weten over wat wij met data kunnen?

Lees verder over data en de diensten van RBI-Solutions in deze blog's:

MCP: De nieuwe AI standaard

Een begrip dat je online steeds vaker tegenkomt binnen al de buzz rond AI is ‘MCP’; weer zo’n afkorting die voor heel veel mensen cryptisch klinkt. Binnen de AI wereld is het echter wel een heel belangrijke vooruitgang: standaardisatie. Het verbinden van AI met bestaande APIs biedt heel veel mogelijkheden. Echter bouwt elke organisatie hun oplossing net weer anders. De ene bot praat zo tegen een API, de andere weer anders, en voor je het weet heb je een kerkhof aan connectors. Het idee is goed, de uitvoering vaak rommelig. Dit is precies waar MCP om de hoek komt kijken.

AI Agents: meer dan een slimmere chatbot

De meeste mensen zien AI nog steeds als een soort papegaai die tekstjes en plaatjes maakt zodra je iets vraagt. Handig, maar ook best oppervlakkig. Sinds enige tijd is er echter ook iets nieuws in opkomst: ‘Agentic AI’. AI-agenten dus die autonoom te werk kunnen gaan.

In plaats van pure generatie, kunnen ze een probleem ontleden, stappen zetten richting een oplossing, hun eigen werk checken en zelf andere tools gebruiken. We stappen dus richting zelfstandig werkende oplossingen. Je kunt het bijna zien als een leger van volledig virtuele assistenten en stagiaires. Dit belooft veel maar, brengt zeker ook gevaren.

AutoML: Machine Learning op de automatische piloot?

Geautomatiseerd Machine Learning ook wel ‘AutoML’ is het automatiseren van de tijdrovende, iteratieve taken bij het ontwikkelen van machine learning-modellen. Je laat als het ware het bouwen van de modellen aan de machines zelf over.

Voor een paar tientjes een model dat kan voorspellen welke klanten over een paar maanden gaan vertrekken. Klinkt een beetje te goed om waar te zijn. Dan heb je natuurlijk ook geen Data Scientists meer nodig, toch? Nou, er zitten uiteraard wel wat haken en ogen aan. De specialisten op het gebied van Machine Learning verdwijnen ook zeker niet zo maar. Even een stap terug dus.

Data mesh: principes en praktische implementatie

Elk relatief groot bedrijf bestaat uit verschillende afdelingen, elk met zijn eigen vraagstukken. Op datagebied is dat niet anders: marketing wil weten hoe campagnes performen, operations wil de huidige voorraad kunnen inzien, finance bewaakt de cashflow en productontwikkeling volgt klantgedrag.

Datamigratie afgerond… en nu?

Binnen veel organisaties is een datamigratie een enorme mijlpaal. Maandenlang werk je toe naar dat ene moment waarop alle data succesvol is overgezet naar de nieuwe operationele applicatie. Tijdens dat migratietraject worden allerlei controles ingericht: validatieregels, datakwaliteitschecks en integriteitscontroles die ervoor zorgen dat iedere klant, transactie of productrecord correct wordt overgezet. In de praktijk zien we alleen dat die regels direct na de migratie verdwijnen uit beeld. Terwijl ze juist ook dan van grote waarde zijn.

Meggie over haar werk bij de klant

Meggie van den Boom, data engineer bij RBI Solutions, werkt al anderhalf jaar als data consultant bij een financiële dienstverlener. Ze geeft ons vandaag een kijkje in hoe haar werkzaamheden binnen haar team bij de klant eruit zien.

Metadata: je geheime wapen voor observability & governance

Metadata voor observability en governance: verder dan information_schema
Een aantal weken geleden, wijdden we een blog aan het gebruik van metadata voor het slimmer ontwikkelen en onderhouden van dataplatforms. Metadata wordt helaas nog vaak gezien als het saaie bijproduct van data: een paar kolomnamen, datatypes en misschien een timestamp, maar in moderne dataplatformen is dat nog maar het topje van de ijsberg. Metadata kan, mits goed benut, een krachtig fundament vormen voor zowel observability als governance. Het kan helpen bij het opsporen van problemen, het begrijpen van datastromen, het garanderen van compliance en zelfs het optimaliseren van prestaties.

Data migratie test en validatiestrategieën: hoe je zeker weet dat je data klopt na een migratie

Data migraties zijn voor veel organisaties een uitdaging: je stapt over van een oud systeem naar een nieuw, je moderniseert je datawarehouse of je integreert een nieuw platform na een fusie. Ondanks dat het technisch ‘slechts’ het verplaatsen van data lijkt, komt er meer bij kijken om een goede datamigratie uit te voeren. Hoe weet je zeker dat de data na migratie nog klopt? Dat er niets verloren is gegaan, of erger nog: dat je geen subtiele fouten hebt geïntroduceerd die maanden later pas boven water komen?
In deze blog staan we stil bij test- en validatiestrategieën bij data migraties. We bespreken waarom het testen van een datamigratie fundamenteel anders is dan het testen van een standaard applicatie, welke technieken je kunt gebruiken om betrouwbaarheid te garanderen, en hoe je omgaat met de praktische uitdagingen die je onderweg tegenkomt.

Waarom AI en automatisering niet werken zonder goede data engineering

AI is hot. Iedereen wil er iets mee. Van slimme voorspellingen tot volledige automatisering van bedrijfsprocessen; organisaties investeren massaal in artificial intelligence. Maar wie verder kijkt dan de hype, ziet dat veel AI-projecten stranden nog voordat ze echt waarde opleveren. Niet vanwege de modellen of de tooling, maar vanwege iets veel fundamentelers: de onderliggende data en hoe je ermee omgaat. Of specifieker: de data engineering erachter. Want zonder robuuste data-infrastructuur is AI net zo betrouwbaar als een kompas in een magneetveld.

Data-APK: inzicht en zekerheid voor jouw bedrijfsdata

In een tijd waarin beslissingen steeds meer op data leunen, is het essentieel om zeker te weten dat die data klopt. Net als een auto die regelmatig een APK nodig heeft om veilig te blijven rijden, vraagt ook jouw bedrijfsdata om een periodieke check. Bij RBI Solutions noemen we dat de Data-APK: een slimme, laagdrempelige manier om jouw data in kaart te brengen, problemen te signaleren en waardevolle inzichten te bieden die jouw organisatie helpen sneller en beter beslissingen te nemen.

de transitie met Microsoft Fabric

In veel MKB-organisaties is het verzamelen en rapporteren van data nog steeds een tijdrovende en foutgevoelige klus. Excel-bestanden circuleren overal, gegevens worden handmatig gecorrigeerd in verschillende systemen en rapportages worden met de hand bijgewerkt. Het gevolg is dat managers en analisten vaak worstelen met verouderde inzichten, inconsistente cijfers en een gebrek aan overzicht. Hierdoor duurt het langer voordat er goede beslissingen genomen kunnen worden en het vertrouwen in de data neemt af.

Een bekend probleem is dat data uit verschillende systemen, zoals een boekhoudpakket, CRM of HR-software, niet automatisch met elkaar verbonden zijn. Dit leidt tot dubbel werk, handmatige controles en fouten bij het overzetten van data. Denk bijvoorbeeld aan het handmatig aanpassen van uitzonderingen in BTW-tarieven of het dubbel moeten invoeren van klantgegevens. Deze werkwijze kost veel tijd en brengt risico’s met zich mee.

Metagegevens als motor: hoe gebruik van information_schema je dataplatform slimmer kan maken

Hopelijk weet iedereen die met databases werkt van het bestaan van standaard metagegevens waarmee er gemakkelijk inzicht verkregen kan worden over de structuur, data en opzet van de database. Ook voor dataplatforms zijn deze objecten enorm waardevol. Toch wordt het potentieel van metagegevens nog vaak onderschat, terwijl vrijwel elke (moderne) relationele database, van PostgreSQL tot Snowflake, een krachtig en vaak onderbenut startpunt biedt in de vorm van information_schema.

In deze blog duiken we dieper in hoe metagegevens via information_schema je dataplatform slimmer, transparanter en beheersbaarder maken. Voor zowel data engineers die pipelines bouwen, als analisten die vertrouwen op stabiele datasets, bieden deze metagegevens enorme voordelen. Van automatisch documenteren tot het voorkomen van incidenten: wie information_schema goed gebruikt, bouwt een robuuster platform.

« Older Entries