RBI-Solutions blog

Interview met Meggie van den Boom: Van Film naar Data Engineering

Meggie maakte een indrukwekkende reis: van verhalen vertellen met film naar structuren bouwen met data. Haar creativiteit uit de filmwereld komt nu perfect tot zijn recht als data engineer bij RBI, waar ze de brug slaat tussen data-analyse en techniek. In ons nieuwste interview deelt Meggie hoe ze de overstap maakte van filmmaker naar data-expert, waarom samenwerken in een dynamisch team haar drijft, en wat haar werk zo uitdagend én boeiend maakt.

Kun je ons iets vertellen over je achtergrond en hoe je bent gekomen waar je nu bent?

“Mijn carrière begon op de kunstacademie, waar ik me specialiseerde in film (fictie). Het was ontzettend leuk te werken met acteurs, sound design en andere elementen van film. Ik ben daar afgestudeerd en het belangrijkste dat ik daar leerde, was hoe je je eigen visie kunt ontwikkelen. In de filmindustrie ligt de nadruk sterk op creativiteit en veel minder op de markt. Na mijn afstuderen ben ik als zzp’er aan de slag gegaan en heb ik verschillende commerciële films gemaakt. Ik kwam op allerlei verschillende plekken en kreeg een kijkje achter de schermen bij verschillende producties. Wat me echter steeds duidelijker werd, was dat de praktische kant van de organisatie me minder trok. Dat paste gewoon niet bij mij.”

Waarom heb je de overstap gemaakt van film naar data?

“Ik heb altijd al interesse gehad in wiskunde en het ontwikkelen van systemen, dus ik voelde me daar sterk toe aangetrokken. Mijn zus werkt al in de data-industrie en zij suggereerde dat het misschien iets voor mij zou zijn. Ze motiveerde me om cursussen te doen. Ik begon met zelfstudie en besloot uiteindelijk om me volledig om te scholen. Om een sterke basis te leggen besloot ik om een half jaar een fulltime bootcamp als data engineer te volgen, met veel focus op data-analyse en data science. Dat was een intensieve periode, maar ik heb het succesvol afgerond.”

Wat gebeurde er daarna?

“Na de bootcamp begon ik bij Maxaro, een bedrijf dat badkamers en tegels verkoopt. Ik startte als webshopbeheerder, maar al snel kwam ik in aanraking met PowerBI en Python, waarmee ik dashboards en rapportages ontwikkelde. Wat ik merkte, was dat ik het samenwerken met andere data engineers en analisten miste. Ik was daar eigenlijk de enige in die rol, waardoor ik weinig kon sparren met collega’s over inhoudelijke keuzes. Dit bracht me ertoe om verder te zoeken naar een rol die beter aansloot bij mijn interesses.”

Hoe ben je uiteindelijk in de consultancy en data engineering terechtgekomen?

“Ik ging aan de slag bij Eiffel, een consultancybedrijf, en dat bleek precies te zijn wat ik zocht. In de coronatijd werkte ik veel op afstand, maar ik kreeg uitdagende opdrachten en trainingen die mijn ontwikkeling stimuleerden. Ik heb veel geleerd van collega’s, bijvoorbeeld door een grote opdracht bij de Rabobank, waar ik werkte aan data-analyse en productoptimalisatie. Hier groeide mijn interesse in de technische kant van data engineering. Ik wilde begrijpen waar data vandaan komt en hoe deze ontsloten kan worden. Uiteindelijk maakte ik de overstap naar Alfa Accountants, waar ik samenwerkte met medioren en senioren in data engineering. Dat was precies de ervaring die ik zocht. Ik wilde werken in een bedrijf waar je elke keer nieuwe uitdagende opdrachten krijgt en waarin je voortdurend kunt groeien.”

En hoe ben je bij RBI terechtgekomen?

“Bij RBI werk ik sinds november 2023 als data engineer. Momenteel ben ik werkzaam bij Alpina, een verzekeringsbedrijf dat een aantal jaar geleden is ontstaan uit een fusie van verschillende bedrijven. Dat maakt het erg complex, want veel systemen zijn nog niet volledig geïntegreerd en de data komt uit verschillende bronnen die niet altijd makkelijk zijn samen te voegen. Mijn rol is om als bruggenbouwer tussen analisten en engineers te fungeren. Ik ontwerp en bouw datamarts voor de data-analisten en besteed veel aandacht aan de kwaliteit en juistheid van de data. Het testen of alles werkt, is een cruciaal onderdeel van mijn werk.”

Wat houdt je werk precies in bij Alpina?

“Ik werk veel met tools zoals DBT (Data Build Tool), SQL en Ninja voor dynamische queries. Databricks is de bron van de data, waar we bewerkingen uitvoeren voordat de data wordt teruggeplaatst. Daarnaast gebruik ik ADF (Azure Data Factory) voor data-integratie. Het is een technische uitdaging, maar ik vind het erg leuk om complexe problemen op te lossen en ervoor te zorgen dat de data betrouwbaar is voor de teams die ermee werken.”

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

“Mijn kennis is grotendeels zelf opgebouwd. Na de bootcamp had ik een basis, maar bij Maxaro ben ik veel gaan experimenteren en heb ik zelfstudie gedaan met behulp van YouTube tutorials en andere bronnen. Het belangrijkste voor mij is dat ik een goed begrip heb van architectuur en de keuzes die gemaakt worden bij het ontwikkelen van systemen. Veel online cursussen zijn vrij oppervlakkig; de echte uitdagingen ontdek je pas wanneer je er in de praktijk mee aan de slag gaat. Het blijven leren is dus essentieel. Ook voor nieuwe medewerkers stel ik altijd een plan op met theorie en use cases, zodat ze het ook kunnen toepassen in de praktijk.”

Wat is de reden dat je hebt gekozen voor een functie bij RBI?

“RBI sprak me aan vanwege de korte lijntjes en de open cultuur. Het is een klein bedrijf, en dat maakt het heel toegankelijk en dynamisch. Veel collega’s zitten in dezelfde ontwikkelingsfase, waardoor er een fijne balans is tussen werken en persoonlijke groei. De ontwikkelkansen die er zijn, vind ik ook aantrekkelijk. Ik ben hier bijvoorbeeld erg blij met de RBI-Friday, waarbij je al je collega’s ziet en gesprekken kunt voeren over alles, niet alleen werk. Je bouwt echt samen iets op met elkaar.”

Hoe zie jij de veranderingen binnen RBI?

“Er is de laatste tijd veel veranderd met de komst van Melvin en Desirée. Er is meer structuur gekomen, een plan, en wat vastigheid. Het is inspirerend om te zien hoe het bedrijf zich ontwikkelt en om daar deel van uit te maken. Het voelt als een plek waar je niet alleen zelf kunt groeien, maar ook kunt bijdragen aan de groei van het bedrijf.”

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

“Mijn belangrijkste tip is dat je in de datawereld altijd goed moet communiceren. Je werkt vaak met verschillende teams: de mensen die de data leveren, de mensen die de data gebruiken, en de mensen die er producten mee bouwen. Afstemmen en overleggen is cruciaal om ervoor te zorgen dat alles goed werkt. Ook voor mezelf is het een fijne combinatie van technische skills en sociale interactie. Je kunt daarnaast ook echt je creativiteit kwijt in het vinden van oplossingen voor complexe vraagstukken. Het is dus een vak waarin zowel je technische skills, sociale vaardigheden en zelf je creativiteit goed tot hun recht kunnen komen.”

Wat zijn je toekomstplannen?

“Ik zou graag verder willen leren en certificaten halen, bijvoorbeeld voor DBT en Databricks. Het is altijd goed om je kennis te blijven verdiepen en te zorgen dat je up-to-date blijft. En verder? Ik ben blij met de richting die ik ben ingeslagen en kijk ernaar uit om me verder te ontwikkelen binnen de data engineering.”

Meer weten over wat wij met data kunnen?

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

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.

Van tijd naar trigger: De weg naar een event-driven data architectuur

Sinds het begin van het gebruik van Business Intelligence hebben organisaties vertrouwd op periodieke dataverwerking, de zogenaamde ’batch jobs’ die elke nacht draaien. Sindsdien is de behoefte aan snelheid, flexibiliteit en realtime inzichten enorm toegenomen. Die behoefte zorgt dan ook voor een fundamentele verschuiving in hoe we data-architecturen ontwerpen: weg van batch processen, op weg naar een event-driven benadering.

Maar wat betekent dat eigenlijk: ’event-driven’? En waarom zou je hier als data engineer, analist, data scientist of business gebruiker wakker van moeten liggen? In deze blog duiken we in de wereld van event-driven data-architecturen, hun voordelen, uitdagingen, en de tools die deze transitie mogelijk maken.

DataOps, DevOps en MLOps: Oude wijn in nieuwe zakken of écht anders?

In een data gedreven organisatie vliegen de samenwerkingstermen je om de oren: DevOps, DataOps, MLOps. Deze drie termen, die inderdaad erg hetzelfde klinken (en door sommige organisaties ingevuld worden door een beheerder in een ontwikkelteam te zetten), verschillen in de praktijk aanzienlijk in toepassing, focus en doel. Voor wie dagelijks werkt met data of systemen die op data drijven, is het essentieel om deze termen niet alleen te kennen, maar ook te begrijpen wat ze betekenen en hoe ze zich tot elkaar verhouden. Daar nemen we jullie in deze blog dan ook in mee.

INTERVIEW MET DATA ENGINEER/BI CONSULTANT Said Saoud

Wat begon met een goed gesprek en een flinke dosis enthousiasme, groeide uit tot een veelzijdige carrière in data engineering bij RBI. In dit interview deelt Said Saoud zijn reis bij RBI: hoe hij begon, waar hij aan werkt en waarom hij zich thuis voelt in de wereld van data engineering en BI. Benieuwd naar zijn ervaringen, tools en visie op de toekomst van data? Lees het hele verhaal in deze blogpost.

Data Science: Een eenmalig model of integratie in de dagelijkse operatie?

In veel organisaties is data science inmiddels geen onbekende meer. Data scientists bouwen geavanceerde voorspellende modellen, werken met machine learning en experimenteren met AI om waarde te halen uit grote hoeveelheden data. Er zit echter vaak een kloof tussen het bouwen van een model en het daadwerkelijk creëren van impact in de dagelijkse operatie.

Wat betekent de overname van Informatica door Salesforce voor data en AI?

Salesforce heeft aangekondigd dat het Informatica overneemt voor zo’n $8 miljard. Wat lijkt op een strategische fusie tussen twee softwaregiganten, is in werkelijkheid veel meer dan dat.
Deze overname heeft directe impact op hoe organisaties omgaan met datakwaliteit, governance en AI-adoptie. Het is een duidelijk signaal: zonder betrouwbare, goed geïntegreerde data, geen succesvolle AI. In onze nieuwste blog geven wij een analyse van deze ontwikkeling en leggen wij uit wat dit betekent voor jouw datastrategie.

Big Bang of stapsgewijs? De kunst van datamigraties

Datamigraties lijken op het eerste gezicht slechts een technische randvoorwaarde, maar zijn in werkelijkheid een strategisch en risicovol proces. Uiteraard willen bedrijven de data die ze al hebben weer terugzien in de nieuwe applicatie. Het klinkt misschien als een simpele verhuizing, maar bij een datamigratie komt een hoop kijken. Je hebt immers niet alleen te maken met de twee systemen waar de data uitkomt, maar ook met de kritische processen die erop draaien. Denk aan orderverwerking, voorraadbeheer of klantcommunicatie.

Een slechte aanpak kan zorgen voor kostbare downtime, verstoringen in processen of zelfs verlies van klantvertrouwen. Organisaties staan vaak voor de keuze tussen twee migratiestrategieën: de ‘big bang’-aanpak of een gefaseerde overgang.
Welke kies je en waarom? We nemen je mee in de afwegingen.

Van Inzicht naar Data gedreven: DE SPRONG van AWS Data Warehouse naar Data Lakehouse

Veel organisaties vertrouwen op hun data warehouse voor analyse en besluitvorming. Maar data is allang niet meer alleen gestructureerd: e-mails, Excel-bestanden, afbeeldingen en sensordata vormen inmiddels het grootste deel. En daar zijn traditionele warehouses niet op gebouwd.
De oplossing? Een Data Lakehouse: schaalbaar, flexibel én kostenefficiënt – zonder de betrouwbaarheid van een warehouse te verliezen. Maar hoe zet je die stap als je huidige omgeving op AWS draait? En hoe voorkom je vendor lock-in?

Zo begin je vandaag nog met Fabric

Microsoft Fabric is niet zo maar wéér een tool om iets te doen met je data. Het is een platformshift. Een alles-in-één oplossing die data-engineering toegankelijker en resultaatgerichter maakt. Je bent minder tijd kwijt aan de infrastructuur en hebt meer tijd om echt impact te maken. Het andere grote voordeel: Automatisering, data visualisatie en data governance zitten er vanaf dag één ingebakken.

Gebruik de gratis 60-dagen trial. Test het: één bron, één flow, één dashboard. Meer heb je niet nodig om te zien of het werkt voor jou.

Encryptie-by-Design, het veilig en verantwoord beheren van persoonsgegevens en gevoelige data

Als data engineer of manager weet je hoe belangrijk het is om persoonsgegevens veilig te verwerken, vooral met de AVG op de achtergrond. Bij RBI hebben we Encryptie-by-Design als uitgangspunt toegepast tijdens verschillende projecten: alle persoonsgegevens worden standaard versleuteld bij het ontsluiten van data.
🔐 De sleutel? Alleen decryptie wanneer het echt noodzakelijk is. Dit minimaliseert risico’s en zorgt dat je dataplatform compliant blijft.

Praten met je data, toepassing van AI om inzichten te halen uit je eigen data

Data is er genoeg. Maar hoe zorg je ervoor dat de juiste mensen de juiste informatie to zich kunnen nemen?
Bij RBI onderzochten we hoe AI-selfserviceplatformen medewerkers kunnen helpen om zelf inzichten uit data te halen. Denk aan een chatbot of custom GPT waarmee je team direct met hun data kunnen ‘praten’. De vraag die wij onszelf stelden: hoe kun je een self-serviceplatform voor datavragen implementeren?

« Older Entries