Ik ben een allround data specialist met verstand van Business Intelligence, Artificial Intelligence en data analyse.
-> Denken vanuit een gebruiker en zo zien waar de ontwikkelaar en de business langs elkaar heen praten, of het dashboard zo ontwerpen dat je er wel mee kan wat je wil
-> Zien wat er gebeurt in een team en hoe kan dat beter.
-> SQL kan ik dromen, ETL schrijven / data structuren ontwerpen is geen probleem en python is mij ook niet vreemd.
Grote organisaties
Heb je het gevoel dat er iets mist aan de BI? Wellicht kan ik als coach of “externe paar 4 ogen” mee kijken, zien waar het aan schort en/of direct zorgen voor toepassing van nieuwe kennis. Iets op een cursus leren betekent nog niet dat het toepassen in het dagelijks werken lukt. Dit geldt zowel voor nieuwe technieken, user&security als nieuwe manieren van prioriteren.
Organisaties die al een BI-team of medewerkers hebben kunnen vaak ondersteuning gebruiken. Als ontwikkelaar kan ik informatie-producten maken, en data-modellen ontwerpen en vullen. Ook met de informatie-analyse kant heb ik ervaring: het structureren en laten prioriteren van wensen van gebruikers en het vertalen hiervan naar dashboards of andere informatie-producten. Ook ben ik in te zetten als data analist: er zijn bijna altijd afdelingen die achter blijven met veel verzoeken, die al dan niet te halen zijn uit de bestaande producten. Ik kan de brug vormen tussen datawarehouse en gebruikers, zowel met coaching en laten zien wat er wel kan uit de bestaande tools, als met data analyse als dit niet kan met de bestaande tools.
Kleine en middelgrote organisaties
De lijntjes zijn kort en dat wil je graag zou houden. Misschien komt alle stuurinformatie nu wel uit een excel overzicht dat eens per kwartaal gemaakt wordt, en dit wil je liever vaker en met minder handwerk. Ik kan hier geautomatiseerde dashboards opzetten. Wil je dit het liefst zonder afhankelijkheid van een externe BI specialist? Wellicht zijn er binnen de organisatie wel een paar mensen die hier feeling mee heeft en zich hierin wil verdiepen: ik coach en begeleidt hun, en help ook ‘hands-on’ door een data model op te zetten. Daarna kan jouw organisatie zelf verder, maar ben ik altijd beschikbaar om een half uurtje te helpen als er ingewikkelde vragen zijn.
Artificial Intelligence
Sinds ChatGPT heeft laten zien dat AI soms indrukwekkende dingen kan wil iedereen wat met AI. Ik begeleid organisaties met AI-ondersteund SQL schrijven of in-house LLMs voor kennisplatformen of vragenlijsten. Gaat het om voorspellen dan begin ik altijd met het probleem; ik kan mee denken of dit een probleem is waar een Large Language Model (LLM, zoals ChatGPT), een ‘traditioneel’ AI model met (vooral) discrete data of misschien wel een andere manier van voorspellen helpt.
Zorg
Ik heb ruim vijftien jaar in de zorg gewerkt, en tien ziekenhuizen, diverse huisarts-groepen, VVT- en jeugdzorg-organisaties mogen helpen. Ik heb dus veel ervaring van de politieke processen, verschillende financieringsstromen en privacy-eisen die daarbij horen. Dit geldt zeker voor mogelijkheden van inhouse AI zonder alles zelf te doen. Zowel binnen als buiten de zorg sta ik voor uw klaar!
De voordelen
Direct zaken doen
Data projecten lopen te vaak stroef doordat er te veel mensen tussen gebruiker en ontwikkelaar zitten. Ik ben analyst, projectleider en ontwikkelaar en zorg dus voor korte lijntjes. Ook de intake doe ik zelf: geen beloftes van verkopers die dan niet waargemaakt kunnen worden.
Toepassen standaarden
Alles wat ik neerzet is van de klant en onderhoudbaar door anderen. Uiteraard blijf ik graag betrokken, maar wat ik neerzet kan ook door veel andere BI-specialisten worden onderhouden. Een nieuwe consultant, of het toch in eigen beheer nemen, betekent niet overnieuw beginnen.
bespaar kosten
Minder overhead is ook minder kosten. Het splitsen van een project in diverse rollen betekent dat er tijd op gaat aan overleggen, die je uiteindelijk als klant betaalt. Ook hippe reclamefilmpjes en accountmanagers worden ergens van betaald.
Coaching en overdragen
Zowel Business Intelligence als Data Science zijn een vak, dat doe je er niet zo maar even bij. Als er medewerkers binnen jouw organisatie zijn die (een deel) van de taken willen doen en overnemen, vind ik het minstens zo leuk om hun daarin te coachen, en indien nodig blijvend te ondersteunen
kort Curriculum Vitae
Ervaring
Ik heb zestien jaar ervaring als consultant in de wereld van de (zorg)data. Als allround BI consultant en Data Scientist heb ik een hoop diverse rollen gehad in allerhande organisaties, binnen en buiten de zorg. Rollen als ontwikkelaar en informatie-analist, maar ook projectleider, trainer, coach en vraagbaak.
Ooit begonnen als Capaciteitsmanager in ziekenhuizen, dus planningen van operaties en spreekuren. Daar binnen het ziekenhuis overgestapt naar eenmans BI-team. Vanaf daar BI consultant geworden in alle facetten van gebruik van (geaggreerde) data.
Nog verder terug in de tijd: ik heb master studies Technische Bedrijfskunde en Natuurkunde afgerond. Als vrijwilliger ben ik bestuurslid van GroenLinks Afdeling Amsterdam Zuidoost en atletiekvereniging Phanos geweest.
Mijn grootste vaardigheid is de snelheid van het opnemen van nieuwe kennis en begrijpen van nieuwe tools en processen. Het snappen hoe alles in het grotere geheel past, wat de (eigen)aardigheden van de data zijn én wat er dus eigenlijk moet gebeuren is vaak veel belangrijker dan specifieke talen en tools. Ik ben al bekend met de volgende veelgebruikte talen en tools.
Zachte vaardigheden
Snel leren én snel werken Ingewikkelde samenhang snappen Snappen hoe anderen denken Data modelleren Coachen en trainingen geven Organisatie-sensitiviteit
Programmeertalen
SQL Python Qlik Scripting Matlab R
BI pakketten
Apache Superset Ms PowerBI en SSIS QlikSense & QlikView Epic Cogito Suite Ms Excel
De tips van Jesse
image-slider-with-thumbnail1.jpeg
Minder is meer
Als alles belangrijk is, is niets belangrijk. Kies als organisatie of afdeling een paar kencijfers waar je op wil sturen en presenteer die in enkele vormen. Dat er daarnaast meer analyse mogelijkheden zijn voor de analisten is ook noodzakelijk, maar die moeten niet tussen de esentiële KPIs in staan. Een dashboard begint het best met 5 tot 8 KPIs.
image-slider-with-thumbnail2.jpeg
Ook AI is geen toverstokje
Elke organisatie willen wat met big data, Artificial Intelligence en/of Large Language Modellen (zoals chatGPT). Net als met elke tool: begin hier met het probleem en kijk welke oplossing daar best bij past.
image-slider-with-thumbnail3.jpeg
LLMs kunnen een hoop automatiseren
De recente opkomst van AI modellen biedt veel kansen om allerhande processen te automatiseren. Ga je processen langs en kijk waar het potentieel is. Een grote groep kenniswerkers verdient inmiddels een op-maat-gemaakte chatbot
image-slider-with-thumbnail4.jpeg
Start voor je er klaar voor bent
Laat perfect niet de tegenstander van goed zijn: er is altijd wel een reden om nog niet te starten. Het perfecte startmoment komt niet, begin voordat je er helemaal klaar voor denk te zijn. Vaak kan je fase 1 al bedenken en uitvoeren, voordat de doelen van fase 2 en 3 helemaal duidelijk zijn. En nog vaker verschuiven de doelen van fase 2 en 3 nadat fase 1 afgerond is.
image-slider-with-thumbnail5.jpeg
Het oog wil ook wat
BI-specialisten kunnen prima om gaan met drukke tabbladen. Controllers werken het liefst met veel tabellen en cijfers. Voor de meeste andere beroepsgroepen geldt toch dat een mooi opgemaakt en duidelijk dashboard vaker bekeken wordt. Dit mag best wat van de tijd van een BI specialist kosten.
image-slider-with-thumbnail6.jpeg
Waarvoor?
Goede cijfers brengen inzicht. Dat heeft pas zin als er ook andere besluiten of acties volgen dóór de cijfers. Hoe vaak je ook naar je KPI kijkt, uiteindelijk telt hoe vaak je er op handelt. Dit geldt óók voor Artificial Intelligence: welk besluit of actie ga je anders doen? Denk dus ook na over wie welke besluiten kan nemen en daarna over de data die daarvoor nodig is.
image-slider-with-thumbnail7.jpeg
Ontwikkel met draagvlak
We doen precies hetzelfde als andere bedrijven in de branch, maar toch niet helemaal: een standaard dashboard neerzetten leidt meestal niet tot het gewenste resultaat! Bij het ontwikkel proces moet al voldoende ruimte zijn voor input vanuit de uiteindelijke gebruikers zodat het aansluit bij de terminolgoie en belevingswereld van jouw organisatie
chatgpt achtergrond
canva2
Als 80% niet genoeg is…
Mensen die zetten dat ze een dashboard nu nog niet waardevol vinden maar het pas gaan gebruiken als cijfer X wordt toegevoegd en Y ook mogelijk is, zullen het na het toevoegen daarvan dan ook niet bekijken. Als je een dashboard dat aan 80% van jouw wensen voldoet niet bekijkt, bekijk je er eentje die 100% van de eisen haalt ook niet.
chatgpt achtergrond
Een dashboard bevat niet alles wat je wilt weten
Een dashboard is om elke week of maand naar te kijken, maar daarnaast is het belangrijk dat medewerkers die wat minder data minded zijn laagdrempelig eenmalige vragen kunnen stellen aan een data analyst en een uitgewerkt antwoord terugkrijgen. Als deze data analyst een vast gezicht is werkt dit vaak een stuk beter dan een formulier op intranet.
ai2(1)
Werk agile (met of zonder ceremonies)
Bouw eerst iets waar de organisatie meteen al mee aan de slag kan. Er zijn altijd zat wensen en uiteraard is het goed om rekening te houden met wat er nog moet komen, maar dat zou niet moeten leiden tot veel meer werk voor de eerste te publiceren versie. Heel vaak blijkt na die versie de doorontwikkel-wensen toch anders te liggen: ook een reden om daar nog niet al te veel tijd in te steken voor en tijdens fase 1 of sprint 1.
ai1
Zorg voor korte lijntjes
Nogal wat stuurinformatie wordt gemaakt doordat een controller of andere stafadviseur tegen een inofrmatie-analyst zegt wat er door een ontwikkelaar gemaakt moet worden voor een manager. Deze twee tussenstappen zijn voor grotere projecten fijn en noodzakelijk, maar zorgen bij de bouw van dashboards te vaak voor stuurinformatie waar de manager niet op zit te wachten
canva3
chatgpt achtergrond
Decentralisatie is soms goed
Niet alleen werkt het vaak beter om voor de eigen organisatie te kijken en aan te passen, vaak is dit ook zo voor afdelingen binen een organisatie; zodra de werkprocessen afwijken is het maar de vraag of dezelfde informatie van toepassing is – en nog meer of dezelfde KPIs ook het belangrijkste zijn. Als je organisatie divers is, accepteer ook diversiteit in stuurinformatie.
ai2(1)
Automatiseer soms
Automatiseer als het tijd bespaart, en alleen dan. Dit klnkt als een dooddoener. Toch zie ik vaak genoeg dat er uren wordt gestoken om een maandelijkse tien minuten taak te automatiseren, waarvan je nooit weet of het over een jaar nog nodig is. Andersom ook dat iemand wekelijks cijfers oplevert door per keer twee uur draaitabellen in excel maakt.
canva2
Stimuleer persoonlijk contact
Een gezamelijke werkwijze of mailbox is erg fijn voor continuiteit bij ziekte en vakantie. Dit wordt echter vaak overdreven in Incident Management Systemen met tal van bomen en stappen. Gebruikers vinden vaste aanspreekpunten erg fijn en dit werkt bovendien vaak veel efficienter, dus probeer -naast een IMS – zo veel mogelijk een gezicht per (groep) aanvrager in te stellen die ook regelmatig overlegt.
chatgpt achtergrond
Bouw de oude situatie niet na
Als er iets veranderd in de BI of bron-systemen is de neiging altijd om wat er was terug te willen. Voor de accountant is dat heel prettig, maar voor interne stuurinformatie niet altijd optimaal. Als de stuurinformatie vertaald is naar de oude situatie sluit hij minder aan bij de werkprocessen. En hoe snel herinneren mensen zich de oude situatie nog? Een jaar en de daarbij horende personeelsveranderingen verder en ‘terugrekenen’ komt een stuk minder voor.
ai3
AI integratie is belangijker dan AI model
In de AI wereld wordt logischerwijs veel gepraat over performance: hoeveel % van de vragen uit test X heeft AI model Y goed? Je wil een goed model, maar vooral dat het goed geïntegreerd is in de werkprocessen en dus gebruikt wordt. Dan maar een antwoordje minder.
ai1
‘Zelfs’ een LLM is geen toverstokje (2)
Large Language Models zoals ChatGPT, Claude en DeepSeek kunnen veel maar in bedrijfstoepassingen wil je ze zelden as-is inzetten. Privacy, hallicunaties en kosten zijn belangrijke redenen om een toepassings-specifieke combinatie van modellen in te zetten, vaak ook met een RAG en domein-specifieke training.
