Datasurfer

Bij mijn start bij het Instituut Mijnbouwschade Groningen (IMG) waren analisten en engineers twee losse werelden. Samenwerking was stroef, iedereen was van elkaar afhankelijk en buiten het team hoorde ik: “er komt eigenlijk niets uit”.

Eerste stap: kleine agile teams per businesslijn met een duidelijke Product Owner (uit de business of uit mijn team). Dat bracht structuur, eigenaarschap en zichtbaar resultaat.

Intussen was de technische complexiteit een rem: in het eerste halfjaar moest ik de directie geregeld melden dat de cijfers van de vorige week zelfs op woensdag nog niet beschikbaar waren. In het laatste jaar is dat niet één keer meer voorgekomen — een omslag in betrouwbaarheid en vertrouwen.

We pakten de basis structureel aan: nieuw datamodel en proces (zie 2de casus IMG), datakwaliteit & governance ingebouwd en nauwere samenwerking met IT via PI-dagen. De business ging beter vooruitdenken en scherper vragen — een echte cultuuromslag.

Inzet: vaste interne rollen voor continuïteit, gerichte externe inzet voor projectsnelheid. Teamleden groeiden door naar PO- en seniorrollen met coaching en training. Bij ~60 FTE splitsten we: een technisch platformteam (overgedragen aan een doorgegroeide collega) en een businessgericht team (analyse, dashboards, data science) dat ik leidde tot overdracht aan een nieuwe manager.

Impact: een wendbaar en gemotiveerd team dat voorspelbaar levert, verantwoordelijkheid neemt en zichtbaar groeit in professionaliteit — met sterk herwonnen vertrouwen en waardering vanuit de business.

Bij het Instituut Mijnbouwschade Groningen (IMG) draait het primaire proces op een low-code omgeving. Onder water was het datamodel versnipperd en niet in lijn met de huidige procesgang. In BI werd zelfs nog de oude proceslogica nagespeeld van een vorig bronsysteem, waardoor rapportages niet meer aansloten op de actuele operatie.

We zijn begonnen met het herontwerpen van het data- en procesmodel, zodat rapportages weer aansloten op het werkelijke proces. Omdat de low-code applicaties niet vanuit één datamodel waren opgezet, hebben we samen met IT-management een operationele datastore in Azure geïntroduceerd. Daarmee legden we data eenduidig vast en trainden we ook low-code ontwikkelaars in datamodellen te denken – een duidelijke cultuuromslag.

Parallel bouwden we een data-science omgeving in Azure en migreerden we het DWH van SAS naar Microsoft Fabric, zodat de hele dataketen toekomstbestendig werd. Aan de businesskant hebben we data-eigenaarschap en governance versterkt, zodat kennis niet alleen bij BI-specialisten lag, maar in de lijn werd geborgd.

Een concreet voorbeeld: bij circa 100.000 uitgekeerde schades stonden de bedragen alleen in oude pdf-rapporten. Met een generatieve-AI aanpak hebben we alle documenten geanalyseerd en vergeleken met bronsystemen. Afwijkingen gingen als voorstel (met paginareferentie) naar een controleteam. Zo borgden we human-in-the-loop en corrigeerden circa 25.000 foutieve registraties.

Daarnaast trainden we een model om op basis van schade-opnamerapporten nieuwe schades in te schatten – met potentieel kortere doorlooptijd voor aanvragers en lagere uitvoeringskosten. Dit traject is bestuurlijk afgestemd in het kader van goede AI-governance.

Impact: van losse rapportages en systeembeperkingen naar een organisatie die data en AI als sturingsmiddel inzet – met governance, technologie en proces op één lijn.

De voorspelling van benodigde mensen, materiaal en aannemerscapaciteit voor ~10.000 jaarlijkse projecten (grootzakelijk maatwerk en netwerkuitbreidingen) was onbetrouwbaar. Kostenmodellen waren heel gedetailleerd; verschillen tussen forecast en realisatie werden met dummy bedragen weggewerkt. Een externe ML-aanpak liep vast in datacomplexiteit.

Omdat het doel voorspellen op kwartaal- en jaarbasis was, heb ik bewust detail losgelaten. Via interviews en data-analyse heb ik de belangrijkste kostendrivers bepaald en een robuust kostentoewijzingsmodel gemaakt. In R bouwde ik een voorspelmodel met ca. 10 projecttypen als basis.

Tests op historische data toonden sterke performance. In fase twee hebben engineers het PoC omgezet naar een productiewaardige toepassing voor financiële en operationele begrotingen.

Bijvangst: de methode bleek ook op projectniveau een prima eerste inschatting te geven — waardoor dit niet meer gedaan hoeft te worden door schaarse engineers.

Impact: <1% afwijking i.p.v. ~20% (~€100 mln), betrouwbaardere forecasts richting aandeelhouders en voorspelbaardere planning richting klanten.