RBI-Solutions blog

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.

Data-architectuur begint niet bij technologie
Veel organisaties beginnen bij de verkeerde kant van het vraagstuk: “Welke nieuwe tool moeten we gebruiken?” of “Hoe zetten we onze data in de cloud?”. Natuurlijk zijn tools belangrijk, maar tools zijn slechts een middel. Een duurzame data-architectuur begint bij het kunnen formuleren van de businessdoelen en het kunnen ondersteunen van die doelen. Dit is geen eenmalige operatie. Doelen veranderen continu, en een architectuur moet daarom altijd meebewegen met de veranderende vraag.

Van businessdoel naar datamodel
Een kernprincipe van een duurzame data-architectuur is dat technologie de business ondersteunt, en niet andersom. Stel dat een retailorganisatie haar omzet wil verhogen door gepersonaliseerde marketing. Dat doel vertaalt zich naar concrete datavragen: welke klantsegmenten reageren het best, welke producten worden vaak samen gekocht, en via welke kanalen bereiken we klanten het meest effectief? Pas als je dit scherp hebt, kun je bepalen welke datastromen, transformaties en modellen nodig zijn. Tools zoals dbt voor datamodellering of Airflow voor orchestration helpen dan om deze processen beheersbaar en reproduceerbaar te maken, maar ze zijn nooit het startpunt.

De valkuil van “data om de data”
Een veelvoorkomend probleem is de drang om alle data van een organisatie (en daarbuiten) te verzamelen. Gooi het Data lake maar vol en de waarde ontstaat vanzelf. Alleen: data zonder context is waardeloos. Je kunt petabytes aan data opslaan in S3 of Azure Data Lake Storage, maar als niemand weet welke doelen ondersteund moeten worden, blijven het ruwe brokken informatie zonder richting.

Een datateam dat geen aansluiting heeft met de business, eindigt vaak met een architectuur die technisch gezien “mooi” is: gestandaardiseerde pipelines in Airflow, gestructureerde layers (bron, staging, curated) en een keurige CI/CD-setup, maar waarvan de output nauwelijks gebruikt wordt. Het gevolg: frustratie, verspilling en uiteindelijk wantrouwen in “dataprojecten” in het algemeen. Een duurzame data-architectuur is dus niet per se de meest geavanceerde, maar de meest relevante. Ze evolueert samen met de businessdoelen, niet los daarvan.

Van businessdoel naar datamodel
Een goed startpunt is het vertalen van bedrijfsdoelen naar concrete informatiebehoeften. Stel dat een zorginstelling haar patiëntenzorg wil verbeteren door beter inzicht te krijgen in doorlooptijden en heropnames. Dat doel vertaalt zich naar specifieke datavragen:
Welke factoren beïnvloeden de doorlooptijd? Hoe vaak komen patiënten terug met dezelfde diagnose? Welke afdelingen presteren beter of slechter dan het gemiddelde?

Zodra je dat weet, kun je bepalen welke bronnen nodig zijn, welke datamodellen relevant zijn (bijvoorbeeld een ‘patient journey model’), en welke transformaties of kwaliteitschecks vereist zijn. Tools zoals dbt kunnen daarbij helpen om transformaties transparant en herleidbaar te maken, maar het model zelf moet gestoeld zijn op wat de organisatie écht wil weten.

Data governance als strategisch fundament
Zonder duidelijke businessdoelen wordt ook governance een theoretische oefening. Veel bedrijven formuleren data policies die weinig meer zijn dan papieren tijgers, omdat ze niet gekoppeld zijn aan concrete use cases. Als je echter weet dat je marketingteam gepersonaliseerde aanbiedingen wil doen, wordt de noodzaak van datakwaliteit, consent management en privacy-by-design ineens tastbaar.

Dat is het punt waar een framework zoals DAMA-DMBOK relevant kan worden. Het helpt organisaties om structuur en verantwoordelijkheden rondom data te organiseren, maar ook data governance het werkt pas echt als het gekoppeld is aan concrete businessdoelen. Het definieert standaarden voor datakwaliteit, metadata, security en governance, zodat teams precies weten welke regels en processen ze moeten volgen om waardevolle, betrouwbare en compliant data te leveren. Zonder die koppeling blijft governance abstract en wordt het meer een papieren exercitie dan een praktisch hulpmiddel dat daadwerkelijk bijdraagt aan de bedrijfsstrategie.

Technologie in dienst van strategie
De afgelopen jaren zien we een duidelijke verschuiving: van data-first naar value-first. Tools worden steeds flexibeler, maar de echte uitdaging zit in het maken van bewuste keuzes. Een moderne data stack, met bijvoorbeeld Kafka voor streaming, Snowflake of BigQuery voor opslag, dbt voor modellering, en Power BI of Tableau voor visualisatie, biedt eindeloze mogelijkheden. Toch kan zelfs de beste stack weinig waarde leveren zonder duidelijke richting.

Daarom zie je steeds meer organisaties investeren in data product management: een discipline die de brug slaat tussen businessstrategie en datatechniek. Het gaat niet langer alleen om ‘data verzamelen’, maar om data leveren die iets betekent.

De kracht van iteratie
Een duurzame data-architectuur is niet statisch. Ze groeit mee met veranderende prioriteiten, nieuwe datastromen en inzichten uit gebruik. De sleutel is iteratief bouwen: klein beginnen, waarde aantonen, leren en verbeteren. Een MVP-aanpak (minimum viable product) werkt hier uitstekend, zolang elk iteratief stapje terug te leiden is naar een bedrijfsdoel.

Zo blijft je architectuur niet alleen technisch houdbaar, maar ook strategisch relevant. De business begrijpt wat er gebeurt, het datateam ziet impact van zijn werk, en de organisatie ontwikkelt vertrouwen in data als beslissingsinstrument.

Tot slot: technologie vergaat, maar doelen blijven
De tools die we vandaag gebruiken, zullen over vijf jaar grotendeels anders heten. De cloudprovider van vandaag is de legacy van morgen. Wat overeind blijft, zijn de principes: begin bij het waarom, koppel architectuur aan bedrijfswaarde, en bouw technologie in dienst van die waarde, niet andersom.

Zonder businessdoelen geen duurzame data-architectuur, want alleen een architectuur die richting krijgt van de strategie, kan de tand des tijds én de veranderlijke realiteit van data overleven.

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