Koppelingen, een datawarehouse en AI-workflows die landen in het werk van je team. Ik analyseer, bouw en draag over. Eén persoon, in jouw omgeving, zonder lock-in.
Eerst de data kloppend krijgen, dan de workflow eromheen, dan de tool waar mensen daadwerkelijk hun beslissing in nemen. In die volgorde, omdat het anders niet blijft draaien.
Agents, RAG en automatisering met audit trail, rechten en escalatie.
Bekijk aanpakDe laag waar mensen hun beslissing in nemen: vestigings- en rayonanalyse, inkoopvergelijk, productdata-review.
Bekijk aanpakDe klussen die in de praktijk het vaakst terugkomen. Vrijwel altijd begint het bij één daarvan, niet bij alle twaalf.
Databricks
Power BI
Looker
Python
en wat er al staat
Systemen in productie bij retail- en e-commerceorganisaties, met een eerlijk label erbij. Live betekent live. Intern betekent intern.
Elk team had een eigen rapport en een eigen definitie van hetzelfde getal. Er staat nu één cockpit op een gedeelde datalaag die laat zien welke formule aandacht vraagt, welke showroom opvolging nodig heeft, en of dat signaal uit prestatie, efficiency of datakwaliteit komt.
Bekijk de caseDe volledige productcatalogus zat in een datapool-export van 26 GB XML, en was daarmee praktisch onbruikbaar. Inkopers zochten met de hand naar alternatieven op basis van wat ze toevallig wisten. Die export is nu een vergelijkingstool met een betrouwbaarheidsscore per match.
Bekijk de caseBasisproduct, leveranciersaanbieding en verkoopuiting werden door elkaar gebruikt alsof het hetzelfde was. Dat gaat goed tot je exporteert naar een webshop of dealerfeed. Die drie betekenissen zijn nu strikt gescheiden, en per artikel is zichtbaar of het publicatieklaar is.
Bekijk de caseDe aanname was dat bonusafspraken vooral omzetstaffels zouden zijn. Uit de analyse van 215 contracten bleek dat maar een kwart te kloppen: de rest waren condities, cashback per stuk, groeibonussen en dealerschapsafspraken met elk hun eigen rekenlogica.
Bekijk de caseElk datavraagstuk liep via één persoon die het vertaalde, begeleidde en valideerde. De datalaag is nu zo ingericht dat agents er zelf op kunnen werken, met kosten per aanvraag zichtbaar en een pull request in plaats van een live patch.
Bekijk de caseEen merk met dertig winkels en een webshop die elkaar nauwelijks kenden. In plaats van een adviesrapport heb ik de voorgestelde route als klikbaar prototype gebouwd, zodat het gesprek over de ervaring ging en niet over een aanname.
Bekijk de caseDe uitkomst moet terug te zien zijn in het werk zelf: voorraad, inkoop, assortiment, productdata en processen. Anders is het een rapport met een mooiere lay-out.
| Onderdeel | Voor | Na |
|---|---|---|
| Rapportage | Handmatig en veel Excel | Gestandaardiseerd in BI |
| Definities | Per team anders | Eén semantisch model |
| Beschikbaarheid | Wisselend per bron | Dagelijks actueel |
| Eigenaarschap | Bij de leverancier | Bij het team zelf |
Eerlijk over de herkomst, duidelijk over het verschil met nu.
Ik ben begonnen in performance marketing en e-commerce. Daar heb ik leren meten voordat je iets beweert: aannames toetsen, onderscheid maken tussen een cijfer dat beweegt en een resultaat dat telt, en accepteren dat je eigen data je ongelijk kan geven.
Die discipline zit nog in alles wat ik bouw. Maar het is niet meer wat ik doe. Campagnes optimaliseren laat ik aan anderen. Ik bouw de laag eronder, waar die beslissingen hun cijfers vandaan halen en waar het in de meeste bedrijven daadwerkelijk vastloopt.
Vier stappen, elk met iets tastbaars aan het eind. Klein genoeg om snel te bewijzen, stevig genoeg om over te dragen.
Bronnen, definities en commerciële vraag scherp krijgen.
Klein werkend op echte data, met de risicovolle aannames vooraan.
Rechten, logging, monitoring, documentatie en overdracht.
Monitoring, doorontwikkeling en periodieke review, zolang je dat nuttig vindt.
Vier afspraken die niet ter discussie staan, ongeacht de opdracht.
Met wat er al staat. Vaak gaat het om Databricks, Power BI, Looker, Python en de ERP-, PIM-, CRM-, CMS- en fulfilmentsystemen die je al draait. Ik zet er geen nieuw platform naast als het niet hoeft.
Eerst een diagnose op bronnen, definities en het proces eromheen. Daarna een kleine werkende slice op echte data, daarna productie, overdracht en meelopen.
Een proof of concept kan vaak binnen enkele weken. Productiewaardige workflows hangen af van datakwaliteit, rechten, integraties en hoeveel edge cases er in de operatie zitten.
Dan is dat het eerste werk. AI op een wankele datalaag wordt snel duur theater: het levert antwoorden die niemand durft te gebruiken.
Nee. Daar kom ik vandaan en die meetdiscipline neem ik mee, maar campagnes optimaliseren doe ik niet meer. Ik bouw de data-, integratie- en AI-laag eronder.
Ja. Dan blijft de klantrelatie bij het bureau en lever ik de data-, integratie- of AI-laag eronder.
Yomi is geen bureau met lagen accountmanagement. Het is direct schakelen met de persoon die analyseert, bouwt en overdraagt.
Yomi is mij: Jordi ter Woord. Dertien jaar binnen retail en e-commerce met 140+ vestigingen, online en fysiek. Begonnen bij advertising en e-commerce, doorgegroeid naar teamlead en daarna naar architectuur- en productverantwoordelijkheid voor data- en AI-infrastructuur.
Die positie bepaalt hoe ik bouw. Ik heb zelf de gevolgen gedragen van koppelingen die 's nachts omvallen, van definities waar twee afdelingen het niet over eens zijn, en van tooling die niemand meer durft aan te raken nadat de bouwer weg is. Daarom bouw ik nu anders.
Wat ik lever is de laag waar het werk echt gebeurt: datawarehouses, koppelingen, AI-workflows en interne tools die in productie draaien. Niet als demo, maar als onderdeel van hoe teams werken en beslissen.
Ik werk met eindklanten en whitelabel onder bureaus. Geen vendor lock-in, geen vage innovatie-sprints, wel overdraagbare systemen die teams zelf kunnen blijven gebruiken.
Geen pitchdeck. Stuur kort welke systemen meedoen, wat je probeert te weten te komen en waar het vastloopt. Dan krijg je een eerlijk antwoord over de beste eerste stap, ook als dat is dat je mij niet nodig hebt.
