RBI-Solutions blog

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.

Wat er vaak gebeurt, is dat de kwaliteit tijdens de migratie tot in detail wordt gemonitord. Elk leeg e-mailadres of foutief IBAN-nummer wordt opgespoord en gecorrigeerd. Externe databronnen kunnen gebruikt worden om informatie aan te vullen of data wordt uit verschillende systemen bij elkaar gebracht ter controle. Maar zodra de migratie is afgerond, verdwijnt die hele set controles in een archiefmap. De gedachte is dat in de nieuwe applicatie alles netjes wordt gevalideerd. In theorie klopt dat. In de praktijk zien we echter dat dezelfde fouten binnen enkele weken opnieuw verschijnen, alleen nu in de nieuwe omgeving.

Voorbeeld uit de praktijk: CRM- en orderdata
Een goed voorbeeld zien we bij organisaties die klant- en orderdata migreren naar nieuwe CRM-applicaties. Tijdens de migratie worden er strenge regels toegepast: klantrecords zonder postcode worden geblokkeerd, orderregels zonder geldige productcode worden afgekeurd. Na de livegang worden die checks vaak uitgezet. Binnen een maand worden de eerste dashboards langzaam ‘vervuild’, omdat handmatige invoer of externe bronbestanden toch weer foute waarden bevatten.

Hergebruik van migratieregels
Juist daarom adviseren wij om de kwaliteitsregels die tijdens de migratie zijn opgesteld, niet weg te gooien. Ze zijn een perfecte basis voor structurele datakwaliteitsmonitoring in de productieomgeving. Veel regels laten zich één-op-één omzetten naar een datakwaliteitstool zoals de MAD-Validator van MAD-Quality.

Van migratie naar monitoring
Als partner van MAD-Quality gebruiken wij de MAD-Validator tijdens data-migraties voor het kwantificeren van slechte datakwaliteit. Met de MAD-Validator kun je migratieregels direct hergebruiken om nieuwe data continu te controleren. Denk aan dagelijkse checks die controleren of klant-IDs uniek zijn, adressen volledig zijn ingevuld en orderregels correct gekoppeld zijn. Zodra er een afwijking wordt geconstateerd, kan er automatisch een alert worden verstuurd, zodat het team direct actie kan ondernemen.

Aandachtspunt: afstemmen op het nieuwe datamodel
Wat we daarbij wel vaak zien is dat de regels nog even afgestemd moeten worden op het nieuwe datamodel. Wanneer je dit als projectactiviteit opneemt in het migratieplan, kun je direct na livegang blijven monitoren. Zo leg je de business rules vast voor de migratie en wordt de technische implementatie direct omgezet naar het nieuwe systeem. Op die manier wordt datakwaliteit onderdeel van de reguliere operatie in plaats van iets wat alleen tijdens de migratie aandacht krijgt.

Inzicht en impact met de MAD-Validator
MAD-Quality biedt met de MAD-Validator een duidelijke monitoring van datakwaliteit, in hun geïntegreerde dashboard. Dat geeft niet alleen inzicht, maar maakt het ook makkelijker om afwijkingen vroegtijdig op te merken en te acteren voordat de operatie, rapportages of analyses worden beïnvloed. Daarnaast wordt met de ingebouwde ROI in het dashboard de business impact tastbaar.

Conclusie: datamigratie is pas het begin
Datamigratie is dus geen eindpunt, maar juist het begin van een fase waarin je de nieuwe omgeving continu scherp houdt. Door de datakwaliteits­regels uit de migratie te hergebruiken, bijvoorbeeld met een tool als de MAD-Validator van MAD-Quality, bouw je een veiligheidsnet dat voorkomt dat oude fouten opnieuw optreden in een nieuwe omgeving. Het mooie is: je hoeft die regels niet opnieuw te bedenken, ze zijn er al.

Meer weten?
Benieuwd hoe je migratieregels het beste kunt omzetten naar structurele monitoring, of hoe de MAD-Validator hierbij kan helpen? Neem gerust contact met ons op. We denken graag mee. Klik hier voor meer informatie over de MAD-Validator

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

RBI en MAD-Quality – Data Quality scan

RBI en MAD-Quality – Data Quality scan

Een jaar geleden bezegelden RBI en MAD-Quality hun partnership. Om dit te vieren doen we nu iets extra’s.

Voor de eerste drie geïnteresseerden die zich aanmelden bieden wij een samen met MAD-Quality een no cure-no pay waardebepaling van je data met de MAD Validator!

Hoe afhankelijk ben jij van je office software?

Hoe afhankelijk ben jij van je office software?

Stel je voor: je online kantooromgeving valt ineens uit. Geen toegang tot e‑mail. Teams kunnen niet samenwerken en online-vergaderen. Alle bestanden in online mappen zijn onbereikbaar. Voor veel organisaties is dat vandaag de dag een ondenkbaar scenario — maar wel één dat langzaam realistischer wordt.
Of het écht gaat gebeuren? Dat weten we niet. Maar elke maand wordt de kans op verstoringen een beetje groter. Voor wie volledig afhankelijk is van de cloud voor kantoorsoftware kan zo’n uitval enorme impact hebben op communicatie, samenwerking en bedrijfscontinuïteit.

Wat als jouw dataplatform ineens moet verhuizen? Wees voorbereid op het onverwachte.

Wat als jouw dataplatform ineens moet verhuizen? Wees voorbereid op het onverwachte.

De afgelopen maanden merken organisaties het steeds sterker: de wereld verandert sneller dan onze IT‑landschappen aankunnen. Nieuwe wetgeving, geopolitieke spanningen, dreigende afhankelijkheden en besluiten van grote cloudleveranciers — het komt allemaal dichterbij dan we ooit hadden verwacht.

Uiteraard hebben we ons deze vraag ook gesteld over onze eigen platformen – hoe doen we dat zelf? Wij hebben ons inmiddels voorbereid.

Maak kennis met Helene, onze Data Consultant

Maak kennis met Helene, onze Data Consultant

Met veel plezier stellen we Helene Fritzsche aan jullie voor. Beter laat dan nooit, moeten we zeggen. Helene is inmiddels alweer vijf maanden onderdeel van ons team bij RBI-Solutions, hoog tijd dus om haar ook hier officieel te introduceren.

Helene is gestart als Data Consultant met een sterk data-analistprofiel. Ze helpt organisaties om data te verzamelen, op te schonen, te analyseren en te vertalen naar heldere inzichten. Denk aan dashboarding en datavisualisatie, maar ook aan het doorgronden van datalandschappen en de processen rondom data.

Vanaf 1 februari groeien we verder. Bouw jij mee?

Vanaf 1 februari groeien we verder. Bouw jij mee?

Terugkijkend op het afgelopen jaar hebben we mooie stappen gezet. We hebben veel van elkaar geleerd, verschillende opdrachten bij nieuwe klanten gestart en aan uitdagende projecten gewerkt. We hebben nieuwe collega’s aangenomen, samen gebouwd aan onze groei en natuurlijk ook veel plezier gemaakt.

We sluiten 2025 af met onze RBI kerstborrel. Maar we kijken ook vooruit. Vanaf 1 februari 2026 zijn we op zoek naar 2 medior data-analisten die zin hebben om mee te bouwen aan onze groei.

Fijne feestdagen!

Fijne feestdagen!

Afgelopen vrijdag hebben we samen met het hele team kerst gevierd bij Brava, een café om de hoek van ons kantoor. We hebben heerlijk geborreld, het jaar met elkaar afgesloten en natuurlijk ook onze kerstcadeaus uitgepakt. Dit jaar was een RBI-kersttrui onderdeel van het kerstpakket.

Maak kennis met Sara, onze nieuwe Data Consultant!

Maak kennis met Sara, onze nieuwe Data Consultant!

Met veel plezier stellen we Sara Herrebout aan jullie voor, één van onze nieuwste collega’s bij RBI-Solutions.

Sara heeft een achtergrond in Econometrie en werkte eerder als data-analist bij een energieleverancier. Inmiddels draait ze vol mee op haar opdracht bij InShared, samen met Mark Kronenberg, die hier begin dit jaar via ons is gestart. Samen werken ze aan de Duitse autoverzekeringspropositie. Omdat deze tak nog relatief jong is, ligt er veel ruimte om processen slimmer, schaalbaarder en efficiënter te maken. Dat is precies het soort uitdaging waar Sara energie van krijgt.

Zonder businessdoelen geen duurzame data-architectuur

Zonder businessdoelen geen duurzame data-architectuur

Vorige week gaf ik met veel enthousiasme een introductie over data-architecturen aan nieuwe collega’s. We bespraken de historie van architecturen, de plek van een Data Architectuur binnen een Enterprise Architectuur en hoe zo’n architectuur het werk van Data Engineers, Data Analisten en Data Scientists beïnvloedt. Data Architectuur wordt vaak gezien als een IT-feestje, maar een goede architectuur wordt altijd gedreven door heldere businessdoelen. Zonder die doelen is een data platform als een Ferrari bij een off-road rally: technisch en esthetisch indrukwekkend, maar totaal ongeschikt voor het terrein waarin het moet presteren. Zo verliest een architectuur zonder richting snel zijn waarde en wordt data engineering meer een technologisch experiment dan een strategisch fundament.

MCP: De nieuwe AI standaard

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

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?

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

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.