Winparts verkoopt auto-onderdelen aan consumenten in Nederland en Europa. Hun kernbelofte: het juiste onderdeel voor jouw auto vinden. Dat klinkt eenvoudig, maar is technisch complex. Het assortiment is enorm, fitmentdata is veeleisend, en elke fout leidt direct tot een retour. Retouren kosten geld en beschadigen vertrouwen. Als Nederlands bedrijf in transitie naar een Europese speler hadden ze een fundament nodig dat kon meegroeien. Geen kant-en-klare enterprise-tools, maar een schaalbaar platform gebouwd op open source: DLT voor data-ingestie, DBT voor datamodellen, en cloud-native orkestratie. Cloud-agnostisch opgezet, zodat de keuze voor GCP, AWS, Azure of een ander platform nooit een belemmering wordt. Een dataplatform was pas het begin. De vraag die veel organisaties herkennen: hoe voeg je hier AI aan toe zonder een tweede architectuur te bouwen? Het antwoord bij Winparts: AI-jobs als natuurlijke uitbreiding van het bestaande platform. Lichtgewicht containers die data lezen uit het warehouse, een LLM-taak uitvoeren, en het resultaat direct terugschrijven. Geen aparte tooling, geen nieuwe infrastructuur. Het framework wordt één keer opgezet, daarna voeg je use cases toe, één voor één. De eerste use case: het retourenproces. Annotaties op schaal, patroonherkenning, structurele verbeterpunten voor assortiment en fitmentdata. Wat je meeneemt Een praktijksessie voor iedereen die AI wil implementeren in een bestaand dataplatform, of daar nog mee moet beginnen. - Hoe je een dataplatform inricht dat klaar is voor AI, zonder opnieuw te beginnen - Hoe AI-jobs werken als lichtgewichte extensie op een bestaand platform, cloud-agnostisch - Hoe je begint met één concrete use case en van daaruit opschaalt - Eerlijke afwegingen: welke open source tools, welke trade-offs, wat het concreet heeft opgeleverd

Winparts verkoopt auto-onderdelen aan consumenten in Nederland en Europa. Hun kernbelofte: het juiste onderdeel voor jouw auto vinden. Dat klinkt eenvoudig, maar is technisch complex. Het assortiment is enorm, fitmentdata is veeleisend, en elke fout leidt direct tot een retour. Retouren kosten geld en beschadigen vertrouwen. Als Nederlands bedrijf in transitie naar een Europese speler hadden ze een fundament nodig dat kon meegroeien. Geen kant-en-klare enterprise-tools, maar een schaalbaar platform gebouwd op open source: DLT voor data-ingestie, DBT voor datamodellen, en cloud-native orkestratie. Cloud-agnostisch opgezet, zodat de keuze voor GCP, AWS, Azure of een ander platform nooit een belemmering wordt. Een dataplatform was pas het begin. De vraag die veel organisaties herkennen: hoe voeg je hier AI aan toe zonder een tweede architectuur te bouwen? Het antwoord bij Winparts: AI-jobs als natuurlijke uitbreiding van het bestaande platform. Lichtgewicht containers die data lezen uit het warehouse, een LLM-taak uitvoeren, en het resultaat direct terugschrijven. Geen aparte tooling, geen nieuwe infrastructuur. Het framework wordt één keer opgezet, daarna voeg je use cases toe, één voor één. De eerste use case: het retourenproces. Annotaties op schaal, patroonherkenning, structurele verbeterpunten voor assortiment en fitmentdata. Wat je meeneemt Een praktijksessie voor iedereen die AI wil implementeren in een bestaand dataplatform, of daar nog mee moet beginnen. - Hoe je een dataplatform inricht dat klaar is voor AI, zonder opnieuw te beginnen - Hoe AI-jobs werken als lichtgewichte extensie op een bestaand platform, cloud-agnostisch - Hoe je begint met één concrete use case en van daaruit opschaalt - Eerlijke afwegingen: welke open source tools, welke trade-offs, wat het concreet heeft opgeleverd