Dat is het moment waarop duidelijk wordt dat een dataplatform niet automatisch hetzelfde is als een datafundament.
Een platform is belangrijk. Zonder goede technologie wordt het lastig om data veilig en efficiënt beschikbaar te maken. Maar technologie alleen maakt data nog niet betrouwbaar. Een goed datafundament ontstaat pas wanneer techniek, betekenis en verantwoordelijkheid samenkomen. Het gaat niet alleen om waar data staat, maar om wat data betekent, hoe data ontstaat, wie ervoor verantwoordelijk is en hoe herhaalbaar data gebruikt kan worden.
Juist dat onderscheid wordt belangrijker nu AI hoog op de agenda staat.
De belofte van AI is groot. AI kan helpen bij analyse, patroonherkenning, samenvatting, documentatie en kennisontsluiting. Daarmee kan AI veel werk versnellen en nieuwe mogelijkheden openen.
Maar AI verandert de aard van het onderliggende dataprobleem niet. Als definities verschillen, als brondata onvolledig is, als eigenaarschap ontbreekt of als datastromen niet goed zijn ingericht, dan wordt dat niet vanzelf opgelost door er AI op los te laten. Sterker nog: AI kan bestaande problemen vergroten, omdat onbetrouwbare of verkeerd begrepen data sneller en overtuigender wordt toegepast.
AI vergroot niet alleen de waarde van goede data, maar ook de schade van slechte data.
Dat maakt een goed datafundament geen luxe, maar een noodzakelijke voorwaarde. Niet omdat organisaties eerst jarenlang aan datamanagement moeten doen. Wel omdat zonder fundament dezelfde problemen telkens opnieuw terugkomen: correctiewerk, discussie over definities, afhankelijkheid van losse experts, handmatige tussenoplossingen en beperkte herbruikbaarheid.
Een modern platform kan die problemen zichtbaar maken en helpen oplossen, maar is niet de oplossing op zichzelf.
Gedeeld begrip komt vóór governance
Een vaak onderschat onderdeel van een datafundament is gedeeld begrip. In datamanagementraamwerken zoals DAMA-DMBOK worden disciplines als data governance, architectuur, modelling, metadata management en datakwaliteit in samenhang benaderd; dat veronderstelt dat organisaties een gemeenschappelijke taal ontwikkelen rond hun data.
Zonder gedeeld begrip is er weinig om te besturen.
Neem begrippen als klant, contract, product, deelnemer, locatie, omzet of status. In veel organisaties lijken zulke begrippen vanzelfsprekend, totdat data uit verschillende systemen wordt gecombineerd. Dan blijkt dat dezelfde term op verschillende plekken iets anders betekent. Of dat verschillende termen eigenlijk naar hetzelfde verwijzen. Of dat een definitie door de jaren heen is veranderd, zonder dat dit duidelijk is vastgelegd.
Technisch kan zulke data prima bij elkaar worden gebracht. Inhoudelijk kan het alsnog onverenigbaar zijn.
Daarom is modelleren zo belangrijk. Niet als academische exercitie of doel op zichzelf, maar als manier om betekenis expliciet te maken. Een goed model dwingt tot nadenken over samenhang: welke begrippen belangrijk zijn, hoe ze samenhangen en welke definities nodig zijn om data betrouwbaar te gebruiken?
Een model is daarmee meer dan een technisch ontwerp. Het is een gesprek tussen business, data en techniek. Het maakt zichtbaar waar begrippen nog botsen. Juist daarin zit de waarde. Want zonder gedeeld model ontstaat al snel een platform van onverenigbare stukken data.
Een dataplatform kan data koppelen. Een datafundament zorgt ervoor dat gekoppelde data ook begrepen en vertrouwd kan worden.
Kwaliteit begint bij de bron
Veel datakwaliteitsproblemen worden zichtbaar aan het einde van de keten: in een dashboard, rapportage, analyse of model. Daar ontstaat de frustratie. Een getal klopt niet. Een selectie is onvolledig. Een dashboard geeft een ander beeld dan een Excel-overzicht.
De reflex is vaak om het probleem op die plek op te lossen. Een extra correctie, transformatie of handmatige controle. Soms is dat nodig, zeker op korte termijn. Maar structureel ontstaat daarmee een kwetsbare keten waarin fouten steeds opnieuw worden gerepareerd in plaats van voorkomen.
Een goed datafundament kijkt daarom eerder in de keten. Waar ontstaat de data? Welke processen leggen data vast? Welke velden zijn verplicht? Welke keuzes maken gebruikers in bronsystemen? Welke masterdata ontbreekt? Welke definities zijn impliciet in Excel-bestanden of werkinstructies terechtgekomen?
Snelheid en kwaliteit beginnen niet pas in het dataplatform. Ze beginnen bij de bron.
Dat betekent niet dat alle bronsystemen perfect moeten zijn. Dat is zelden realistisch. Het betekent wel dat data niet los gezien kan worden van het proces waarin zij ontstaat. Als belangrijke stuurinformatie afhankelijk is van gegevens die nergens formeel worden vastgelegd, dan is dat geen rapportageprobleem. Dan is het een inrichtingsvraagstuk.
Eigenaarschap is meer dan beheer
Data-eigenaarschap wordt vaak genoemd, maar blijft in de praktijk gemakkelijk abstract. Er is dan wel iemand eigenaar van een systeem, applicatie of rapportage, maar niet van de betekenis en kwaliteit van de data zelf.
Dat is onvoldoende.
Een goed datafundament vraagt om eigenaarschap op de punten waar beslissingen worden genomen over betekenis, kwaliteit en verandering. Wie bepaalt wat een KPI betekent? Wie mag een indeling aanpassen? Wie beoordeelt of een dataveld goed genoeg is voor rapportage, analyse of AI? Wie is verantwoordelijk als een wijziging in een bronproces gevolgen heeft voor downstream gebruik?
Zonder eigenaarschap worden dataproblemen vaak doorgeschoven naar de data-afdeling. Die kan veel oplossen, maar niet bepalen wat de organisatie bedoelt. Data professionals kunnen modelleren, ontsluiten, controleren en automatiseren. Maar zij kunnen niet in hun eentje vaststellen welke betekenis de business aan data geeft.
Daarom is een datafundament nooit alleen een technisch onderwerp. Het is ook een organisatorisch onderwerp.
Architectuur voorkomt willekeur
Een goed datafundament ontstaat niet door lukraak te bouwen. Architectuur is nodig om samenhang te houden tussen bron, verwerking, modellering, opslag, publicatie en gebruik.
Dat hoeft niet te betekenen dat alles vooraf tot in detail wordt ontworpen. Te veel ontwerp zonder praktijkwaarde leidt tot traagheid. Maar helemaal zonder richting bouwen leidt tot versnippering.
Het principe is eenvoudig: begin with the end in mind.
Welke besluiten moeten met data worden ondersteund? Welke processen moeten beter worden ondersteund? Welke rapportages moeten op hetzelfde fundament kunnen steunen? Welke analyses of AI-toepassingen worden waarschijnlijk belangrijk? Welke data moet herbruikbaar zijn over afdelingen heen?
Vanuit dat eindbeeld kan klein worden begonnen. Een eerste usecase. Een eerste domein. Een eerste set kernbegrippen. Een eerste betrouwbare datastroom. Maar wel op een manier die later kan doorgroeien.
Dat is het verschil tussen een losse oplossing en een fundament.
Een losse oplossing lost één vraag op. Een fundament zorgt dat de volgende vraag eenvoudiger wordt.
Herhaalbaarheid vraagt om automatisering
Een ander kenmerk van een goed datafundament is herhaalbaarheid. Veel organisaties hebben niet zozeer een gebrek aan slimme mensen, maar aan herhaalbare werkwijzen. Dezelfde patronen worden meerdere keren opnieuw gebouwd. Vergelijkbare controles gebeuren handmatig. Documentatie loopt achter. Modellen, datastromen, rapportages en definities groeien uit elkaar.
Dat lijkt in het begin pragmatisch. Het levert snel iets op. Maar na verloop van tijd ontstaat een landschap dat moeilijk te beheren, te controleren en te verbeteren is.
Daarom hoort automatisering bij een datafundament. Niet alleen automatisering van dataverwerking, maar ook van repeterende ontwikkel- en beheertaken. Waar patronen steeds terugkomen, moeten ze gestandaardiseerd worden. Waar mogelijk kunnen onderdelen worden gegenereerd in plaats van handmatig nagebouwd. Waar controles voorspelbaar zijn, moeten ze automatisch plaatsvinden.
Dat maakt het werk niet minder inhoudelijk. Het zorgt er juist voor dat data professionals minder tijd kwijt zijn aan herhaling en meer tijd kunnen besteden aan ontwerp, kwaliteit en waarde.
Van dataverzameling naar datafundament
Een organisatie heeft niet automatisch een datafundament omdat data centraal beschikbaar is. Centrale beschikbaarheid kan ook leiden tot een grote verzamelplaats van data: veel inhoud, veel potentie, maar beperkte betrouwbaarheid en weinig samenhang.
Een echt datafundament herken je aan andere kenmerken. Belangrijke begrippen zijn duidelijk. Brondata wordt serieus genomen. Eigenaarschap is concreet. Modellen maken betekenis en samenhang expliciet. Architectuur geeft richting. Repeterend werk wordt geautomatiseerd of gegenereerd. Rapportages, analyses, dataproducten en AI-toepassingen bouwen voort op dezelfde betrouwbare basis.
Dat zijn geen theoretische eisen. Het zijn praktische signalen. Als ze ontbreken, zie je dat terug in: discussies over cijfers, trage levering, kwetsbare rapportages, afhankelijkheid van individuen en terugkerend herstelwerk
Als ze aanwezig zijn, ontstaat iets anders: data die sneller bruikbaar is, beter uitlegbaar is en met meer vertrouwen gebruikt kan worden.
De urgentie neemt toe door AI, datagedreven sturen, strengere verantwoordingsvragen en complexere IT-landschappen. Microsoft beschrijft vergelijkbare uitdagingen: data is vaak verspreid over systemen en teams, standaarden verschillen en governance is inconsistent, waardoor analytics en AI moeilijk met vertrouwen te gebruiken zijn.
De oplossing is niet alles eerst perfect te maken, maar bewust te bouwen aan een fundament dat waarde levert én richting geeft.
Een dataplatform kan data beschikbaar maken. Een datafundament maakt data bruikbaar, betrouwbaar en herhaalbaar. Data wordt pas waardevol als techniek, betekenis, model en verantwoordelijkheid bij elkaar komen. Dat is de basis voor betrouwbare sturing, betere analyses en verantwoord gebruik van AI.
Deze blogpost is een bijdrage van Nippur. Nippur zet zich in om waarde te creëren uit data, om analytisch uitgedaagde organisaties te ondersteunen op hun weg om te blijven innoveren en te verbeteren. Meer weten? Bezoek Nippur tijdens Data Expo of kijk op www.nippur.nl