Achtergrond in gegevensmodellering
In 2010 las ik op internet over Dan Linstedt en zijn werk, nadat ik Data Vault 1.0 al kende van projectwerk. Toen ik meer over zijn werk leerde, raakte ik al snel geïnspireerd door deze manier van modelleren. In die tijd werkte ik als ontwikkelaar ter ondersteuning van een Data Vault project dat was geïmplementeerd in Oracle. Fast forward naar 2018, toen ik me in Duitsland bevond en hoorde over een bootcamp waarin ik Data Vault 2.0 in detail zou leren kennen. Het gaf me ook de kans om een examen af te leggen om een certificering te verdienen. Na de bootcamp nam ik de tijd om me voor te bereiden op het examen, en het lukte me om Data Vault 2.0 Practitioner gecertificeerd te worden. In de daaropvolgende jaren werkte ik aan Data Vault projecten, van consultant voor een POC tot een paar keer data developer. Ik heb ook Data Engineering projecten, Python Data Engineering en Data Migratie projecten gedaan.
Tussen februari 2022 en september 2024 kreeg ik de kans om te werken aan een datamodelleringsproject dat deel uitmaakte van een wereldwijd initiatief voor een grote verzekeringsorganisatie in hun hoofdkantoor in Duitsland. Het doel was ambitieus: stroomlijnen van de rapportage voor portefeuillesturing over 10+ operationele entiteiten (OE's) - verzekeringsorganisaties van deze grote groep, elk gevestigd in een ander land, met zijn eigen set unieke verzekeringsbedrijfspraktijken, volgens de verzekeringspraktijken van dat land, en daardoor unieke set rapportage-KPI's. De uitdaging: Groepsrapportage mogelijk maken in het Group Data Office, voor Portfolio Steering.
De uitdagingen van de klant begrijpen
De eerste hindernis was de enorme diversiteit van de zakelijke verzekeringspraktijken binnen de OE's. Elke regio had zijn eigen manier van werken en het meten van succes, waardoor het een uitdaging was om de gegevens te verenigen in één samenhangend model. Daarbij kwam de noodzaak om de Data Vault 2.0 methodologie te volgen en aan te sluiten bij een overkoepelende Enterprise Ontologie, zodat elk stukje data in een consistent, gestandaardiseerd raamwerk paste. Dit alles moest worden verankerd in een Group Business Glossary (GBG) die kritieke bedrijfsgegevensvelden definieerde en standaardiseerde.
Ervaringen uit het verleden benutten
Gelukkig was ik goed voorbereid. Mijn ervaring met Data Vault 2.0 hielp me om de Enterprise Ontologie van deze grote verzekeringsmaatschappij te begrijpen. Om het Group Data Model te verbeteren en een nieuw toepassingsgebied toe te voegen, werden workshops gehouden en interviews gehouden met zakelijke experts (MKB's). Deze sessies waren cruciaal voor het begrijpen van de nuances van hun bedrijfsvereisten, bedrijfsgegevens en hun rapportagedoelen, variërend van de terminologie die ze gebruikten tot de manier waarop ze dagelijks zaken doen en het begrijpen van hun achtergrond voor vereisten. Ik vertaalde deze inzichten in bedrijfsvereisten, die ik kon verduidelijken tijdens workshops en interviewsessies, naar duidelijke modellering, GBG-definities en verwerkte ze in het eindproduct - het datamodel en de datastandaarden.
Een van mijn meest invloedrijke bijdragen was het opstellen van een uitgebreide richtlijn voor het in kaart brengen van gegevens. Dit document werd een hulpmiddel voor OE's, waarin de doelstellingen, de verwachtingen voor de granulariteit van gegevens en de relaties die nodig zijn voor afstemming werden uitgelegd. Het bevatte ook praktische voorbeelden om de richtlijnen gemakkelijker te volgen te maken, wat misverstanden tijdens de implementatie aanzienlijk verminderde. Daarnaast voerde ik ook verschillende OE onboarding sessies uit, waarbij OE's de kans kregen om vragen te stellen en hun feedback of hindernissen bij de implementatie van het Gegevensmodel en de Gegevensstandaarden door te geven.
Onthullingen van verrassingen onderweg
Geen project gaat zonder verrassingen. Een van de meest memorabele uitdagingen was het omgaan met de manier waarop OE's adresgegevens beheerden. In plaats van een eenduidig beeld te hebben, waren adressen aan de kant van de OE's verspreid over verschillende systemen - adressen van polishouders in Policy Management Systems, incidentadressen in Claims Management Systems en factuuradressen werden allemaal afzonderlijk beheerd. Toen we voorstelden om deze te consolideren in een enkele entiteit met unieke identificaties, reageerden sommige OE's met het argument dat dit onpraktisch was, vooral in meertalige omgevingen. In werkelijkheid was het voor hen moeilijk om de adressen eruit te halen en samen te voegen.
Om aan hun zorgen tegemoet te komen, heb ik een oplossing voorgesteld die klaar was voor de toekomst in de volgende versie van het model: het verrijken van de adresgegevens met lengte- en breedtegraden om als unieke identificatoren te dienen. Hoewel deze aanpak een langetermijnverplichting vereiste, hielp het de onmiddellijke zorgen weg te nemen en stelde het ons in staat verder te gaan.
Een andere uitdaging kwam voort uit de verschillende data-infrastructuren bij de OE's. Terwijl sommige moderne platforms zoals Snowflake gebruikten, vertrouwden andere op oudere systemen, inclusief mainframes. Dit verschil betekende dat belangrijke meetgegevens zoals Bruto Geschreven Premie (GWP) vaak niet consistent beschikbaar waren. In sommige gevallen werden proxy's worden gebruikt, waardoor extra validatie nodig was om de nauwkeurigheid te garanderen.
Navigeren door verschillende visies
De verschillen in de manier waarop bedrijfsgroepen naar gegevens keken, maakten het nog ingewikkelder. Group Data Office, waar ik werkte, gaf bijvoorbeeld prioriteit aan een verzekeringstechnisch perspectief (UWY), terwijl anderen zich richtten op boekhoudkundige statistieken (ACY). Dit leidde tot weer een nieuwe reeks sessies, waarbij het afstemmen van deze visies gedetailleerd werken, het maken van voorbeelden, vergelijkingen en uitleg vereiste, zodat er consensus kon worden bereikt. Deze sessies waren tijdrovend, maar tegelijkertijd ook lonend.
Het integreren van oudere 3NF modellen in het Data Vault framework bleek ook lastig. Sommige van deze modellen waren op XML gebaseerd, met relaties die niet goed in de nieuwe ontologie pasten. Hier reikte mijn rol verder dan de technische implementatie - ik moest het team begeleiden bij het oplossen van deze verschillen, terwijl de integriteit van het verenigde model behouden bleef.
Samenwerken voor succes
Naarmate het project groeide, kwamen er meer interne teamleden. Hoewel dit de capaciteit vergrootte, bracht het ook uitdagingen met zich mee, omdat deze teamleden meer bekend waren met 3NF modellering dan met Data Vault. Dit vergde veel geduld en samenwerking van mijn kant. Ik creëerde gedetailleerde voorbeelden, documentatie en mapping validaties om iedereen op snelheid te brengen en consistentie in het team te garanderen. Ondanks deze hindernissen was de samenwerking uiteindelijk de moeite waard.
Waarde leveren aan de klant
Aan het eind van het project leverden we een robuust, uniform datamodel dat het volgende biedt:
- Gestandaardiseerde gegevensrapportage: Consolidatie van gegevens uit verschillende bronnen in een samenhangend kader, waardoor groepsrapportage betrouwbaarder wordt.
- Verbeterde gegevenskwaliteit: Discrepanties aangepakt door middel van ontdubbeling en clustering, waardoor de besluitvorming is verbeterd.
- Verbeterde toekomstbestendigheid: Ontworpen om zich aan te passen aan veranderende bedrijfsbehoeften en geavanceerde analytics use cases.
- Compliance: Zorgde voor afstemming op GDPR en interne bestuursnormen door middel van duidelijke definities en gecontroleerde toegang.
Kijken naar de toekomst
Dit project versterkte mijn geloof in de kracht van doordachte datamodellering om zelfs de meest complexe uitdagingen te overwinnen. Het benadrukte ook het belang van aanpassingsvermogen en effectieve communicatie bij het werken met verschillende belanghebbenden. Als ik vooruit kijk, ben ik enthousiast over de mogelijkheid om projecten aan te pakken die:
- Ontologiemodellering verbeteren en kennisgrafieken gebruiken voor rijkere inzichten.
- Grensoverschrijdende datauitdagingen oplossen voor wereldwijde organisaties.
- Naadloos met AI-systemen integreren om voorspellende analyses en automatisering mogelijk te maken.
Als ik terugkijk op deze reis, ben ik ongelooflijk trots op de oplossingen die we hebben gebouwd en de samenwerkingsgeest die het succes van het project heeft aangedreven. Als je met soortgelijke uitdagingen worstelt of je data-architectuur toekomstbestendig wilt maken, laten we dan contact hebben en samen iets bijzonders creëren.
