Bij Kramp draait de bedrijfsvoering om snelheid en efficiëntie. Een haperende machine waar een boer ’s middags mee te maken krijgt, moet de volgende ochtend gerepareerd kunnen worden door het mechanisatiebedrijf dat het machineonderhoud doet. Groothandel Kramp bezorgt de benodigde onderdelen ’s nachts in een speciale afleverbox bij het betreffende mechanisatiebedrijf.
Voor zo’n optimaal bestel- en afleverproces is een soepel werkend data-analyticsproces essentieel. Tot januari 2026 bouwden de dataengineers zelf hun dbt-modellen, ofwel de SQL-bestanden waarin wordt beschreven hoe ruwe data moet worden omgezet in bruikbare datasets. Met die instructies voor de data build tool (dbt) worden vervolgens de juiste gegevens uit een datawarehouse opgehaald en omgezet tot handige dashboards met behulp van analyse- en visualisatietools.
Snelheid én kwaliteit zijn verbeterd
Sinds vorige maand nemen AI-agents het technische werk grotendeels over. Ze ondersteunen bij het verkennen en verduidelijken van een datavraag. Vervolgens onderzoeken de agents de opties voor het modelleren ervan en bouwen de dbt-modellen. Daarnaast zorgen ze voor de documentatie en bereiden ze de ingebruikname voor. “In een evaluatiegesprek zei een van onze analytics engineers dat hij voor het uitvoeren van sommige lastige taken van drie dagen naar drie uur is gegaan”, vertelt Oliver Meisch, hoofd van de data-afdeling bij Kramp.
Snelheid is echter niet het belangrijkste voordeel, volgens Meisch. De kwaliteit is met de inzet van de AI-agents toegenomen. “De agents gebruiken meer bedrijfscontext en vinden fouten en aannames in onze vereisten (stories) beter.”
De analytics engineers hebben allemaal de beschikking gekregen over een AI-workstation ddat is uitgerust met OpenCode als AI-codeeragent. “De communicatie met de AI-agent gaat met een chatfunctie. Het verschil is echter dat deze agent volledig is geïntegreerd in onze bedrijfsomgeving”, schetst Vincent Meijers, product owner bij de data-afdeling van Kramp.
Die integratie was alleen mogelijk doordat Kramp al sinds 2022 stapsgewijs de manier waarop het de data zijn georganiseerd, heeft gemoderniseerd. Destijds waren er ongeveer vijftien BI-specialisten die verantwoordelijk waren voor vrijwel de gehele keten, van het beheren van infrastructuur en verzamelen van data tot het maken van datamodellen en het opleveren van rapportages. “Een belangrijke beslissing die toen is genomen, is dat we het werken met data hetzelfde gaan behandelen als het werken met software.”
Daaruit volgde een specialisatie in rollen zoals data engineer, analytics engineer en business analyst. Vervolgens kwam de technische basis. Kramp selecteerde en implementeerde een nieuwe datastack met gebruik van Google Cloud, BigQuery en dbt Cloud. Ook de werkwijzen werden ingericht volgens principes uit software-engineering, met onder meer het gebruik van GitHub als platform, peer reviews, aparte ontwikkel- en testomgevingen, CI/CD-praktijken en Infrastructure as Code met Terraform.
Daarnaast werd veel aandacht besteed aan de interactie tussen het datateam en de business. Meisch: “Vragen als: wat doen we met data? Wat is de impact op de bedrijfsvoering? Wat is de roadmap? Wat gaan we implementeren? De antwoorden daarop moeten komen uit een gezamenlijk eigenaarschap van de technologie en de dataproducten.”
Oliver Meisch
Solide data-architectuur als basis
De afgelopen twee jaar heeft Kramp een domain-driven data-architectuur ingericht, geïnspireerd door Data Mesh. In deze aanpak blijven de bedrijfsonderdelen die data genereren, verantwoordelijk voor het beschikbaar stellen van die data en de kwaliteit daarvan. Een bijkomend voordeel is dat een AI-agent nu namens een gebruiker kan werken en binnen Data Mesh alleen die data kan inzien waartoe deze gebruiker toegang heeft.
Daar heeft het bedrijf wel een leercurve doorlopen. Meisch geeft aan dat er in het begin te gemakkelijk werd omgesprongen met databeveiliging in sommige werkgebieden, maar dat is nu veranderd. Van het begin af aan is wel veel aandacht besteed aan de bescherming van echt gevoelige data zoals specifieke klantgegevens en financiële cijfers. Er is een AI-policygroep opgericht om deze problematiek te bespreken en richtlijnen op te stellen, maar ook om mensen ervan bewust te maken dat sommige dingen niet wenselijk zijn. Dan gaat het bijvoorbeeld ook om het versturen van e-mails of omschrijvingen van klanten die ethische gevolgen kunnen hebben.
Het merendeel van het analyticsteam werkt nu met AI-workstation en is enthousiast over de mogelijkheden, vertelt Meisch. Uit gesprekken blijkt dat zij minder tijd besteden aan repetitieve en onaantrekkelijke taken, waardoor meer tijd overblijft voor probleemoplossing en overleg. “Ik vraag altijd aan engineers om nu te werken aan hun communicatievaardigheden. Ga naar conferenties, geef een presentatie. Ga buiten je comfortzone en ga die interactie aan. In de toekomst hebben de engineers vooral die vaardigheden nodig om in gesprek te gaan met collega’s, met de betrokkenen in de business, met klanten en met de AI-agents!”
Meijers benadrukt dat ook de technische en inhoudelijke kennis erg belangrijk blijft om te begrijpen wat de AI-agents doen en hun resultaten goed te beoordelen.
Vincent Meijers
Nieuwe uitdagingen zijn er genoeg
Zo’n 20 procent van de analytics engineers bij Kramp blijft overigens terughoudend over het gebruik van AI-workstation. Zij zijn nog niet overtuigd dat de nieuwe werkwijze hen helpt. Dat heeft overigens niets te maken met leeftijd, maar meer met nieuwsgierigheid en de bereidheid om nieuwe dingen uit te proberen, is de ervaring van Meisch.
Beide sprekers vinden het lastig om aan te geven waar Kramp over één tot anderhalf jaar staat met deze ontwikkeling vanwege de enorme snelheid waarmee de veranderingen verlopen. Meijers geeft tot slot aan dat de komende maanden veel aandacht uitgaat naar het vastleggen van de bedrijfskennis en -logica in het datawarehouse. “We zien dat AI ons daar heel goed bij kan helpen, maar tegelijkertijd zien we ook nog veel versnippering in het bedrijf.”