Het is maandagochtend en het managementteam bespreekt de omzet van vorige maand. Finance komt met een getal uit het boekhoudpakket, sales met een ander getal uit het CRM, en operations heeft een eigen spreadsheet die ergens tussenin zit. De eerste twintig minuten gaan op aan de vraag welk getal klopt. Het gesprek over wat je met de cijfers doet begint daarna pas, of helemaal niet. Op zo'n moment gaan organisaties zoeken naar een betere manier om met hun data te werken.
Een data platform brengt de data die nu verspreid staat over losse systemen, spreadsheets en databases samen in één betrouwbare bron. Je bouwt het stap voor stap: je begint met een concrete vraag, koppelt de bronnen die daarvoor nodig zijn, regelt opslag en afspraken over definities, en bouwt daarna pas rapportages en AI erbovenop. De kosten hangen af van het aantal bronnen, de kwaliteit van je data en hoe ver je wilt gaan. Een vaste prijs per platform bestaat dus niet.
Wat is een data platform en wanneer heb je het nodig?
Een data platform is geen product dat je koopt en aanzet. Het is een samenhangend geheel van koppelingen, opslag, afspraken en toepassingen waarmee mensen in je organisatie betrouwbaar met data kunnen werken.
Je hebt het nodig als dezelfde vraag een ander antwoord oplevert, afhankelijk van welk systeem je raadpleegt. Andere signalen zijn:
- Handwerk elke maand: iemand plakt exports uit drie systemen aan elkaar om een rapportage te maken.
- Niemand durft de cijfers te gebruiken: er is geen overeenstemming over wat een klant, een order of een actieve gebruiker precies is.
- AI-plannen die vastlopen: een voorspelmodel of documentverwerking heeft schone, vindbare data nodig en die is er niet.
De meeste organisaties hebben meer data dan ze denken. Het probleem is zelden een tekort aan data, meestal is het de versnippering.
De onderdelen: vijf lagen die je steeds terugziet
Hoe de techniek ook heet, de opbouw is vrijwel altijd dezelfde. Je kunt een data platform in vijf lagen indelen:
- Bronnen: je bedrijfssoftware, databases, spreadsheets, API's van externe partijen en eventueel sensoren of machines.
- Inname: de koppelingen die data uit de bronnen halen, op vaste tijden of continu. Hier gaat in de praktijk het meeste mis, bijvoorbeeld bij wijzigingen aan de bronzijde.
- Opslag: een datawarehouse voor gestructureerde data, een data lake voor ruwe of gemengde data, of een combinatie.
- Verwerking en modellering: het schoonmaken, samenvoegen en vastleggen van definities, zodat omzet overal hetzelfde betekent.
- Gebruik: dashboards, rapportages, analyses en AI-toepassingen waar mensen en processen mee werken.
Over alle lagen heen ligt een laag die vaak vergeten wordt: toegangsrechten, kwaliteitscontroles en monitoring. Zonder die laag verliest het platform binnen een jaar het vertrouwen van de gebruikers.
Warehouse, data lake of iets eenvoudigers
De keuze voor opslag wordt vaak groter gemaakt dan nodig. Een datawarehouse past als je vooral gestructureerde bedrijfsdata hebt en vaste rapportages wilt. Een data lake past als je veel verschillende soorten data wilt bewaren, zoals documenten, logbestanden of sensordata, en nog niet weet waar je ze voor gaat gebruiken.
Voor een kleinere organisatie met vijf of zes bronnen is soms iets eenvoudigers genoeg: één goed ingerichte database met geplande koppelingen en een nette modellering. Het is verstandig om af te stemmen op waar je organisatie nu staat en waar ze heen wil, en niet op wat een bedrijf met tien keer zoveel data nodig heeft. Je kunt later altijd uitbreiden, mits de basis netjes is neergezet.
De keuze voor een cloudplatform speelt hier ook mee. AWS, Azure en Google Cloud bieden alle drie de bouwstenen voor opslag en verwerking. Welke het beste past, hangt af van wat je organisatie al gebruikt, van waar je data mag staan en van de kennis in je eigen team.
Aanpak in zes stappen
Een werkbare volgorde ziet er zo uit:
- Kies één vraag die ertoe doet. Bijvoorbeeld: wat is onze omzet per klantgroep, of waar lopen orders vertraging op? Een platform dat alles tegelijk wil beantwoorden, wordt nooit af.
- Breng de bronnen in kaart. Welke systemen bevatten de data voor die vraag, wie beheert ze en hoe goed is de kwaliteit? Hier komen de verrassingen boven, zoals dubbele klantnummers of velden die jarenlang anders zijn gebruikt.
- Leg de definities vast. Samen met de mensen uit de business bepaal je wat de kernbegrippen betekenen. Dit is geen technisch werk, maar het bepaalt of het platform later wordt vertrouwd.
- Bouw de eerste doorlopende lijn. Van bron tot dashboard, voor die ene vraag. Zo zie je vroeg of de koppelingen, opslag en rapportage goed samenwerken.
- Test en laat gebruikers kijken. Controleer de cijfers tegen wat mensen al kennen en pas aan waar ze afwijken. Een verschil wijst bijna altijd op een onduidelijke definitie of een fout in de bron.
- Breid uit en zorg voor beheer. Voeg bronnen en vragen toe, leg vast wie waarvoor verantwoordelijk is en zet monitoring op, zodat je een kapotte koppeling ziet voordat een gebruiker het merkt.
De eerste lijn is het belangrijkste moment. Als daar mensen mee werken en iets van leren, groeit de steun voor de rest vanzelf.
Wat bepaalt de kosten van een data platform?
Over kosten kun je nuchter zijn: zonder je situatie te kennen kan niemand een betrouwbaar bedrag noemen. Isatis hanteert ook geen vaste tarieven. Wat je wel kunt benoemen zijn de factoren die het bedrag bepalen:
- Aantal en soort bronnen: een koppeling met een moderne API is minder werk dan een oud systeem zonder koppelmogelijkheden of een map vol spreadsheets.
- Datakwaliteit: hoe meer opschonen en ontdubbelen nodig is, hoe meer tijd het kost.
- Omvang van de eerste scope: één vraag en één dashboard is iets anders dan een volledig bedrijfsbreed platform.
- Eisen aan beveiliging en toegang: vooral in zorg, overheid en onderwijs wegen die zwaar mee.
- Wat erbovenop komt: rapportages, voorspellingen of AI-toepassingen zijn aparte werkpakketten.
- Beheer na livegang: koppelingen veranderen, bronnen worden vervangen en nieuwe vragen komen erbij. Reken dit vanaf het begin mee.
Wil je een eerste richting, dan kun je in het contactformulier van Isatis een indicatief, niet-bindend budgetbereik kiezen: onder €10.000, €10.000 – €25.000, €25.000 – €50.000, €50.000 – €100.000 of €100.000+. Dat is geen offerte, maar het helpt om samen te bepalen welke scope bij je budget past.
Veelgemaakte fouten bij het bouwen
De meeste data platforms stranden niet op techniek. Ze stranden op een paar terugkerende fouten:
- Beginnen met de tooling in plaats van de vraag. Wie eerst een platform kiest en daarna een toepassing zoekt, bouwt vaak iets wat niemand gebruikt.
- Definities overslaan. Zonder afspraken over wat een begrip betekent, staan er alleen mooiere versies van dezelfde discussie op het scherm.
- Alles in één keer willen. Een groot programma van een jaar zonder tussentijds resultaat verliest onderweg zijn sponsor.
- Geen eigenaar aanwijzen. Data zonder verantwoordelijke raakt snel verouderd of onbetrouwbaar.
- Een black box opleveren. Als alleen de bouwer het platform begrijpt, ben je afhankelijk van die ene persoon of leverancier.
Dat laatste punt is ook een reden om te kiezen voor een architectuur die je eigen team kan onderhouden. Het is dezelfde gedachte als bij andere maatwerkkeuzes, zoals beschreven in ons blog over vendor lock-in bij maatwerksoftware voorkomen.
Waar AI past op een data platform
AI is geen aparte stap die je later toevoegt, maar een toepassing die op een goed platform kan draaien. Documentverwerking, classificatie, voorspelling en anomaliedetectie hebben allemaal betrouwbare, vindbare data nodig. Wie die basis niet heeft, ziet dat een model in een demo goed werkt en in de praktijk tegenvalt.
Praktische AI betekent dat je het inzet waar het tijd bespaart of fouten opvangt, en dat de oplossing uitlegbaar en testbaar is en door je eigen team te onderhouden. Wat dat in de praktijk oplevert, lees je in ons blog over data-analyse met AI.
Isatis bouwt zowel de AI-oplossingen als de dataplatforms waarop ze draaien. Zo zie je op de pagina over data- en AI-oplossingen hoe dat in elkaar zit: van datastrategie en platformen tot rapportages en automatisering. Het voordeel van één team is dat de mensen die het platform ontwerpen het ook na livegang blijven verbeteren, met performancemonitoring en regelmatige check-ins. Isatis is daarbij ISO 9001- en ISO 27001-gecertificeerd, wat relevant is als je met gevoelige gegevens werkt.
Veelgestelde vragen
Uit welke lagen bestaat een data platform?
In de kern uit vijf lagen: bronnen, inname, opslag, verwerking en modellering, en gebruik in de vorm van dashboards, analyses of AI. Daaroverheen ligt een laag voor toegangsrechten, kwaliteitscontrole en monitoring.
Welk data platform is het beste?
Er is geen algemeen beste. Het hangt af van je bronnen, je data, je beveiligingseisen en de kennis in je team. Een goede keuze begint bij de vraag die je wilt beantwoorden en bij wat je organisatie al gebruikt, niet bij een lijstje populaire tools. Het kan op AWS, Azure of Google Cloud, en soms is een eenvoudigere opzet voldoende.
Wat kost een data platform bouwen?
Daar bestaat geen vast bedrag voor, en Isatis noemt geen vaste tarieven. De kosten volgen uit het aantal bronnen, de datakwaliteit, de omvang van de eerste scope en wat je erbovenop wilt bouwen. In het contactformulier kies je een indicatief, niet-bindend budgetbereik, zodat je snel weet wat er binnen je budget past.
Heb ik altijd een data lake nodig?
Nee. Een data lake is vooral zinvol als je veel verschillende soorten data wilt bewaren zonder dat al vaststaat waarvoor. Voor een beperkt aantal gestructureerde bronnen kan een datawarehouse of een eenvoudiger opzet beter passen en makkelijker te beheren zijn.
Eerst praten, dan bouwen
Twijfel je of je organisatie toe is aan een data platform, of wil je weten welke eerste stap het meeste oplevert? Begin dan met een gesprek van 15 minuten: je vertelt wat je wilt bereiken en wij zeggen eerlijk of we kunnen helpen. Via de contactpagina kun je dat gesprek plannen, en op een bericht reageren we binnen 24 uur.
Over de schrijver: Jeroen Penninx, Directeur en medeoprichter van Isatis.





