DDBM ads

Datawarehouse of AI op je CRM? Het antwoord is: het hangt ervan af. Wij bouwen zelf datawarehouses, dus je zou verwachten dat ik iedere scale-up adviseer om daarmee te beginnen. Dat doe ik niet. De vraag is namelijk niet welke technologie je nodig hebt, maar welke beslissing je wilt nemen. Wil je vooral weten welke deals gaan sluiten en waar je salesteam maandag op moet sturen? Dan zit het antwoord meestal al in je CRM. Koppel je CRM via een MCP-server aan Claude en je stelt die vragen vandaag nog, gewoon in gewone taal. Snel live en voor een fractie van het budget. Een datawarehouse wordt de juiste keuze als → je data uit meerdere systemen wilt combineren, zoals CRM, ERP, finance en marketing → iedereen met dezelfde cijfers moet werken, één versie van de waarheid → je historie wilt bewaren en trends over jaren wilt analyseren → volumes groeien en governance belangrijk wordt Dan is een platform als Snowflake met een goed datamodel geen luxe, maar een fundament. Het verschil zit in de volgorde. Wie meteen flink investeert in een warehouse terwijl nog niet duidelijk is welke vragen ertoe doen, bouwt vaak de verkeerde dingen. Wie begint met AI op bv je CRM, ontdekt snel welke vragen steeds terugkomen en waar de data tekortschiet. Precies die inzichten maken het warehouse later beter en goedkoper. Decision-ready data betekent: de juiste data, op het juiste moment, voor de beslissing die je nu moet nemen. Twijfel je waar jij moet beginnen? Stuur me een berichtje...

Zou jij nog navigeren met een kaart uit 2015? Waarschijnlijk niet, want er zijn wegen bijgekomen, afslagen veranderd en routes die niet meer kloppen. Toch doen veel bedrijven dit wel elke dag met hun eigen data. Een rapport van vorige maand, gebaseerd op data die drie weken eerder is opgehaald. Definities die al jaren niet zijn aangepast. En omdat alles netjes in een dashboard staat, gaan we ervan uit dat het klopt. Tot je beslissingen neemt op basis van informatie die eigenlijk al achterloopt. Je stuurt bij op een probleem dat inmiddels is opgelost, ziet een klant als gezond omdat de omzet nog stabiel is terwijl die al drie weken geen bestelling heeft geplaatst, of stopt een campagne omdat de cijfers achterlopen terwijl de resultaten alweer aantrekken. Het probleem is dus niet dat je te weinig data hebt. Het probleem is dat je beslissingen neemt met een kaart die niet meer up-to-date is. En met een verouderde kaart kom je misschien nog steeds vooruit, maar je weet niet of je nog de juiste kant op gaat 😁

“Die definities hebben we allemaal. Alleen nog niet helemaal vastgelegd.” Dat hoorde ik vorige week bij een organisatie die een eigen AI-agent op hun dataplatform heeft gebouwd. Het proof of concept werkt. De volgende stap is draaien op echte data in plaats van demodata. Daar zit voor hen het lastige stuk. Zij werken in een zeer complexe industrie en hun data heeft veel context nodig voordat een getal iets betekenisvol zegt. Maar eigenlijk is dat niet iets nieuws, vroeger was het meest waardevolle van je data ook: data die schoon is, die je kunt uitleggen en waarvan de definities helder zijn. Dit was altijd al belangrijk, maar met AI merk je alleen veel sneller wanneer het ontbreekt. En merken meer organisatie onderdelen dat dit belangrijk is, en niet alleen de data- en BI-afdelingen. Een agent met een vage definitie geeft nog steeds een antwoord, en dat antwoord klinkt even overtuigend als het een goed of verkeerd antwoord is. Het is daarom (nog steeds) belangrijk dat definities worden vastgelegd, en beschikbaar gesteld voor alle tools en personen die met data werken. Waar staan bij jou de definities van je belangrijkste KPI’s: in een document, of in iemands hoofd?

Een echt datateam schrijft alles in code. Dit is een gedachte die ik soms hoor, maar komt mij altijd een nogal elitair over. Daarnaast creëer je als ontwikkelaar gelijk een kloof tussen jou en de business. Vorige week gaf ik een demo van een low-code tool aan een datateam dat zelf vooral in Python werkt. Halverwege zei ik iets wat ik vaak heb gemerkt: zodra je een terminal opent om met een gebruiker iets uit te werken, haakt de business af. Ze moesten lachen. Bij hun eigen collega’s buiten het datateam ging het precies zo. Mensen uit de business vinden code merkbaar lastig om te lezen. Laat je alleen code zien, dan raak je ze kwijt. Ik zou dit ook hebben, als je een scherm opent met allerlei tekens die ik niet kan lezen, en er complex uit zien. Waarom zou ik nog opletten? Een low-code flow is voor hen minder eng. Ze zien de stappen van links naar rechts, en je kan per stap uitleggen wat er met hun data gebeurt. Grafisch kun je de onderlinge verbanden zien. Daardoor blijven ze aan tafel en praten ze mee over hun eigen cijfers en business logica. Ik denk niet dat code slecht is. Voor bouwen en beheren heeft het grote voordelen. Wil je samen met de business aan data werken, dan kies ik liever iets wat zij kunnen volgen. Hiermee sla je een brug tussen data en business, en uiteindelijk tussen jezelf en de ander. Hoe slaan jullie de brug tussen het datateam en de business zodat zij samen kunnen praten en werken met data?

Er heerst een stigma dat data saai is. Er zijn nog steeds mensen die denken aan IT'ers met tig monitors, een Star Wars mok en die in de pauze uitleggen hoe een database werkt terwijl niemand daarom heeft gevraagd. Maar data is veel sexier dan je denkt! Want stel je voor dat je elke ochtend je telefoon pakt, een vraag stelt aan je AI chatbot die in je data kijkt, en direct het antwoord krijgt. Waarom steeg mijn marge vorige maand? Welke klanten dreigen weg te gaan? Wat wordt mijn beste kwartaal en wat kan ik hier nog meer aan doen? Geen analist die er drie dagen over doet, geen rapport dat volgende week hopelijk klaar is. Gewoon vragen en weten. Data is sexy als je een gesprek met investeerders binnenloopt en iedereen direct inzicht heeft in alles wat er in het bedrijf gebeurd en iedereen naar hetzelfde getal kijkt in plaats van zes verschillende cijfers in diverse Excel sheets. Data is sexy als een klant wil opzeggen, maar jij het al drie weken van tevoren had zien aankomen omdat de signalen er al waren, en ze als nog blijven. Als je data op orde is beweeg je sneller, besluit je beter en verrast niets je meer. Dus….hoe kijk jij naar data, saai of sexy?

Drie tekenen dat je AI-pilot nog geen werkend product is. Vorige week vertelde een finance-team van een groep met tientallen entiteiten dat ze testen met AI, ze zien dat het hun werk sneller maakt. Maar: 1. Elke keer ziet de output er net anders uit. Dezelfde vraag, een andere opmaak, een andere uitkomst. Prima voor een demo, lastig voor een jaarrekening. 2. Niemand weet meer welke skills er draaien. Iedereen heeft eigen instructies, nergens versiebeheer. Als het model over een jaar wisselt, weet je niet wat er stukgaat. 3. De data wordt elke run opnieuw opgehaald. Dertig bronnen via een MCP-koppeling betekent dat je agent tokens verbrandt aan ophalen. Een database met een semantische laag eroverheen ververst de data zonder tokens. Voor een proof of value op drie entiteiten is een MCP prima. Bij dertig wil je een vaste plek waar data en agents blijven staan.