RBI-Solutions blog

van ruwe data naar waardevolle inzichten – een interview met wensi

Hoe transformeer je complexe data tot bruikbare inzichten die écht impact maken? Wensi Ai, Senior Data/BI Consultant bij RBI, deelt in dit interview zijn ervaring en visie op de wereld van data engineering én business intelligence. Van het doorgronden van nieuwe sectoren tot het optimaliseren van batchprocessen—Wensi laat zien hoe strategische keuzes en slimme data-oplossingen het verschil maken. Zo wist hij de verwerkingstijd van een batchjob terug te brengen van 3 dagen naar 20 uur én verbeterde hij de nauwkeurigheid van een premieberekeningsmodel drastisch.

Kun je iets vertellen over je rol als Senior Data/BI Consultant? Wat houdt je werk precies in?

Mijn rol bestaat uit het bespreken van vereisten met stakeholders en de Product Owner (PO) en uit technische inzichten/details verschaffen over de dataproducten waar ik aan heb gewerkt. Daarnaast geef ik functioneel en technisch advies over de dataproducten waar ik bekend mee ben, implementeer ik holistische dataoplossingen (van ruwe data tot datavisualisatie) op basis prioriteiten.

Je hebt veel ervaring in je vakgebied. Wat vind je het meest uitdagend en ook het meest bevredigend in je werk?

Bij het starten van een nieuw project is de grootste uitdaging om grip te krijgen op de sector van de klant, de bedrijfsprocessen te begrijpen en de belangrijkste aandachtspunten te identificeren. Het meest bevredigende aspect is om te zien dat mijn werk bruikbare en inzichtelijke resultaten oplevert voor de klant.

Welke technologieën en tools gebruik je het liefst en waarom?

Ik heb gewerkt met bekende tools (bijv. Visual Studio, SQL Server Management Studio, etc.) en andere niche tools (bijv. Jitterbit, Data Virtuality, etc.). Persoonlijk heb ik geen voorkeur voor specifieke platforms of tools, omdat de meeste leveranciers vergelijkbare functionaliteiten bieden om dagelijkse datataken uit te voeren.

Kun je een voorbeeld geven van een project waar je echt trots op bent en wat je bijdrage was aan dat project?

Ik heb een dataproject, CMF bij een pensioenuitvoeringsorganisatie, overgenomen (90% voltooid) en wist de klant te overtuigen om functies te schrappen die theoretisch nuttig leken, maar in de praktijk nooit werden gebruikt. Hierdoor werd de verwerkingstijd van de batchjob teruggebracht van 2-3 dagen naar ongeveer 20 uur. Daarnaast heb ik de nauwkeurigheid van het premieberekeningsmodel aanzienlijk verbeterd (van een variatie van 1,5% naar slechts 0,001%).

Hoe blijf je op de hoogte van de nieuwste ontwikkelingen in de wereld van data engineering en business intelligence?

Ik volg tech news, zowel professioneel als informee,l via techwebsites en sociale media. Daarnaast delen we kennis onder collega’s bij RBI Solutions.

Je komt oorspronkelijk uit China. Hoe heeft jouw achtergrond en internationale ervaring je werk beïnvloed?

Ik woon sinds eind 2001 in Nederland en heb hier al mijn hogere opleidingen gevolgd (bachelor & master). Ik heb nooit buiten Nederland gewerkt, maar wel voor een werkgever met een multinationale setting. Wat ik kan zeggen, is dat verschillende culturen verschillende kernwaarden kunnen hebben. Ik probeer altijd mijn best te doen om die verschillen te minimaliseren en de focus te leggen op de gemeenschappelijke basis om gewenste resultaten te behalen.

Hoe zou je de bedrijfscultuur bij ons omschrijven en wat maakt het voor jou aantrekkelijk om voor ons te werken?

Bij RBI is er weinig hiërarchie, geen bureaucratie, en het bedrijf heeft een jonge en energieke sfeer.

Als je een tip zou mogen geven aan toekomstige collega’s die bij ons willen werken, wat zou dat dan zijn?

Open-mindness.

Hoe zie je de rol van data engineering en business intelligence evolueren in de komende jaren? Wat moeten bedrijven volgens jou doen om voorop te blijven lopen?

Door de jaren heen zijn termen rondom data flink geëvolueerd: van reporting naar business intelligence, naar big data analytics en AI. Maar empirisch gezien draait het nog steeds grotendeels om reporting. Bedrijven moeten focussen op tastbare aspecten van hun kernactiviteiten en vermijden om op elke hype in te springen. De focus moet liggen op de basis: het bouwen van een toekomstbestendige datafundering.

Wat voor impact denk je dat jouw werk heeft op de beslissingen van onze klanten? Kun je een voorbeeld geven van hoe jouw werk het verschil heeft gemaakt?

Het dataproduct, waarvoor ik de afgelopen vier jaar verantwoordelijk ben geweest, is gebouwd om de proceskwaliteit van facturatie te borgen. Je kunt er mee aantonen dat alle facturen echt correct zijn. Sindsdien wordt het gebruikt als validatiemethode voor het evalueren van de resultaten van het facturatieproces. Tegenwoordig worden facturen pas goedgekeurd nadat de resultaten zijn gevalideerd.

Bedankt Wensi, voor dit interview!

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