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.

Binnen RBI-Solutions werken gepassioneerde professionals met verschillende achtergronden en talenten. Eén van hen is Eren, een van onze data-experts met een link tussen technologie en creativiteit. In dit interview deelt hij zijn reis van bedrijfskunde naar informatiemanagement, zijn passie voor muziek en hoe zij zijn talent inzet binnen RBI en zijn huidige project bij de Sociale Verzekeringsbank (SVB).

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.

We zitten om tafel met Teo, Data Engineer bij RBI Solutions. Teo heeft een scherpe expertise opgebouwd in SQL, Python en Dashboarding tools. In dit interview vertelt hij je over zijn passie voor data en de veelzijdige projecten die hij bij onze klanten heeft uitgevoerd.

Hoe word je een data engineer? Voor Jordi begon het allemaal tijdens een economiestudie en een beginnerscursus R. Wat volgde was een carrière vol leermomenten, technische uitdagingen en diverse werkvelden – van het CBS en een startup tot Defensie. In dit interview deelt hij zijn verhaal, ervaringen en waardevolle tips voor andere data professionals.

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.

Op 1 januari begon Jean-Marie (aka Johnny) als senior data specialist bij RBI-Solutions, een volgende stap in een loopbaan die volledig in het teken staat van data, innovatie en samenwerking. De afgelopen jaren heeft hij een rijke ervaring opgebouwd, van consumentendata-analyse bij grote merken tot het ontwikkelen van technische oplossingen in dynamische startupomgevingen. Jean-Marie deelt graag hoe zijn reis tot nu toe verliep.

Mark zocht een baan in BI en kwam bij RBI-Solutions uit, zijn interesse werd gewekt en dus trok hij zijn hardloopschoenen aan om rennend naar het kennismakingsgesprek te gaan.

Nadat de auto van Haci geparkeerd is en de koffie in de beker zit, kan de werkdag van Haci beginnen. Hij werkt voor RBI-Solutions drie dagen vanuit huis en twee dagen per week bij PGGM, waar hij zich vooral met API-connecties bezighoudt.

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.

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.

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.

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.

In april start RBI-Solutions met een nieuw Data Engineer traineeship, waarin ambitieuze data talenten in ongeveer twee jaar worden opgeleid tot volwaardige Junior Data Engineers. Benieuwd hoe Data Engineer Said het traineeship aan het begin van zijn carrière bij RBI Solutions 4 jaar geleden heeft ervaren? Hij vertelt je er graag over.

Organisaties vertrouwen steeds meer op data om strategische beslissingen te nemen. Maar zonder een sterke data-infrastructuur blijft waardevolle data onbenut. Een Data Platform Engineer speelt een essentiële rol in het opzetten van deze infrastructuur. Van het ontwerpen van schaalbare data-architecturen tot het bouwen van robuuste data-pipelines – deze engineers zorgen ervoor dat data efficiënt, bruikbaar en veilig is. Vandaag een post over wat deze rol precies inhoudt.

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.

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.

Een nieuw systeem implementeren is één ding, maar als je de oude problemen meeneemt, wat heb je dan écht gewonnen? Bij RBI-Solutions geloven we dat een datamigratie een kans is om data op te schonen, te optimaliseren en bedrijfsprocessen te verbeteren.

Duncan Kemmer, oprichter en technical director van RBI-Solutions, vertelt in dit interview waarom slimme datamigraties organisaties helpen beter te presteren. Van een crowdfund-platform dat we transformeerden tot een systeem dat 1,2 miljoen transacties in twee minuten verwerkt – dat is impact!

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.

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.