Wat we hebben opgeleverd.

"Het platform was er al jaren. Een goedgekeurd rapport nog niet."

Goedkoper dan handmatig

Het dataplatform was al enige tijd in ontwikkeling, maar het eerste goedgekeurde rapport was er nog niet. Wij maakten een statusoverzicht en stelden een alternatieve aanpak voor: Azure met de bijbehorende tooling, ingericht zoals bedoeld. Na één maand proof of concept: groen licht van finance en risk. Binnen 2 tot 3 maanden stond het belangrijkste financiële rapport live. Volledig geautomatiseerd, elke dag, waar het daarvoor handmatig werd gedaan.

"Elke dag opnieuw hetzelfde handwerk, en dan nog hopen dat de cijfers kloppen."

Sneller per dag, met betere kwaliteit

Rapportages werden dagelijks handmatig samengesteld in Excel: data ophalen uit meerdere bronnen, samenvoegen, controleren, versturen. Tijdrovend en foutgevoelig, elke werkdag opnieuw. Wij brachten de databronnen samen in Power BI en bouwden geautomatiseerde rapporten die zichzelf verversen. Het handmatige werk verdween. De rapporten draaien nu voordat de eerste collega achter zijn bureau zit. Minder tijd, minder fouten, en de mensen die het vroeger deden, besteden die tijd nu aan iets dat meer oplevert.

"We migreerden naar de cloud, maar namen de oude architectuur gewoon mee."

Nieuwe bronnen toevoegen zonder code te schrijven

De migratie van Oracle naar Azure Databricks was technisch al gestart, maar de oude architectuur ging mee. Elke nieuwe bron vereiste handmatig geschreven, bronspecifieke code. Schaalbaar was het niet. Wij adviseerden op moderne bouwprincipes: CI/CD-automatisering, metadata-gedreven ETL-patronen en het genereren van code in plaats van het schrijven ervan. Het resultaat: een platform waarbij een nieuwe bron of tabel toevoegen niet langer een ontwikkelaar vereist die logica uitschrijft. De definitie staat in de metadata; de rest genereert het platform zelf. Continuous improvement zonder dat de codebase meegroeit in complexiteit.

"Dezelfde klant, drie systemen, drie verschillende ID's, en geen manier om ze aan elkaar te koppelen."

Nauwkeuriger risicomodel

Klantgegevens waren verspreid over meerdere bronsystemen, met verschillende identifiers per systeem en door de tijd heen. Dezelfde klant verscheen als drie verschillende records. De risicomodellen draaiden op deze gefragmenteerde data, waardoor de modellen minder nauwkeurig waren dan ze hadden kunnen zijn. Wij bouwden een platformuitbreiding op Databricks met een data lake als fundament, en ontwikkelden een meerstaps-matchinglogica die verschillende klant-ID's terugbrengt naar één parent-ID. De risicomodellen draaien nu op geconsolideerde klantdata. De verbetering in modelnauwkeurigheid: 10 tot 20 procent.