Wolter van Donk over betrouwbare data en waarom techniek nooit het einddoel is
“Data moet iets oplossen. Anders heeft een rapport weinig toegevoegde waarde.”
Voor Wolter van Donk begint data engineering niet bij een tool, dashboard of slim model. Het begint bij begrijpen. Wat wil een organisatie bereiken? Welke informatie helpt daarbij? En klopt die informatie ook écht?
Als data engineer beweegt Wolter precies op het snijvlak van techniek en de business. Hij brengt gegevens uit verschillende bronnen samen, automatiseert processen en bouwt een betrouwbare basis voor rapportages en voorspellingen. Maar minstens zo belangrijk: hij stelt vragen. Veel vragen.
Sinds kort doet hij dat als consultant bij Vormer. We spraken Wolter over zijn liefde voor techniek, de waarheid achter cijfers, zijn nuchtere kijk op AI en waarom een goede consultant zijn kennis nooit voor zichzelf houdt.
Nieuwsgierigheid begon thuis
Wolter woont met zijn vrouw en twee katten in Harderwijk. Buiten zijn werk voetbalt hij en steekt hij graag de handen uit de mouwen. Met technologie, tijdens het klussen of in de tuin.
Zijn interesse in IT ontstond al vroeg. “Mijn vader werkte in de IT. Daardoor ging ik er als kind al mee aan de slag.”
Na zijn opleiding Applicatieontwikkeling wilde Wolter verder kijken dan alleen programmeren. Hij koos voor Business IT & Management en vond daar de verbinding tussen techniek en de organisatie.
“Techniek trok me meer dan de puur procesgerichte kant, maar ik wilde niet alleen programmeren. Data engineering brengt die werelden voor mij samen.”
Precies daar ligt zijn kracht: techniek verbinden aan scherpe definities, de juiste vragen en de praktijk van een organisatie. Geen dag is hetzelfde. En juist dat houdt hem scherp.
Meer dan pipelines bouwen
Wat doet een data engineer precies? Volgens Wolter ontstaat daar regelmatig verwarring over. Data engineer of data-analist? De termen worden regelmatig door elkaar gebruikt. Begrijpelijk, want de vakgebieden raken elkaar. Wolters basis ligt in data engineering, maar zijn affiniteit met data-analyse houdt hem dicht bij de business.
“Een data-analist vraagt door, maakt de behoefte concreet en vertaalt data naar rapportages en inzichten. Een data engineer richt zich meer op de technische achterkant. Waar komt de data vandaan? Hoe brengen we die samen? En hoe houden we de gegevens betrouwbaar beschikbaar?”
Die rollen versterken elkaar. De analist brengt de vraag scherp in beeld; de engineer bouwt het fundament onder het antwoord. Maar ook een data engineer moet begrijpen wat de organisatie werkelijk nodig heeft. Want code kan perfect werken en toch het verkeerde antwoord opleveren.
Wolter geeft een eenvoudig voorbeeld. Stel dat een organisatie specifiek inzicht zoekt in mensen van 25 tot 35 jaar. Een model plaatst iedereen tot en met 35 jaar in één brede categorie. Technisch werkt het foutloos. Geen melding. Geen kapotte code. Maar de gewenste doelgroep verdwijnt volledig in de cijfers.
“Je kunt technisch de sterkste data engineer zijn, maar als je niet begrijpt wat je modelleert, gaat het alsnog fout. Tools en technieken leer je wel. Je moet vooral snappen wat je doet en waarom.”
Eerst afstemmen, daarna bouwen
Wolters ideale werkdag combineert functioneel overleg en focus. In de ochtend bespreekt hij met betrokkenen welke informatie nodig is en welke definities daarbij horen. Daarna duikt hij de techniek in om de gemaakte afspraken daadwerkelijk te bouwen.
Opvallend genoeg kost de definitie vaak meer tijd dan de uitvoering. Wanneer is iemand precies een klant? Wanneer is een klant vertrokken? Wat verstaan verschillende afdelingen onder omzet, verlof of verzuim?
“Iedereen kijkt vanuit een eigen perspectief naar zo’n begrip. Hoe groter de organisatie, hoe complexer soms de afstemming. Maar als die basis niet duidelijk is, bouw je razendsnel het verkeerde.”
Aan het einde van de dag ziet Wolter graag concrete vooruitgang. Een werkende stap. Een probleem dat kleiner is geworden. Een proces dat voortaan automatisch draait.
De grootste voldoening volgt soms pas maanden later. Bijvoorbeeld wanneer een handmatig proces is geautomatiseerd en de datapipeline daarna iedere nacht probleemloos blijft draaien. “Dan kijk je terug en denk je: anders hadden we dit werk steeds opnieuw uitgevoerd of waren dezelfde fouten teruggekomen. Nu draait het gewoon. Iedere keer groen. Dat is mooi.”
Data moet iets oplossen
Organisaties beschikken over steeds meer data. Maar meer data betekent niet automatisch meer inzicht.
“Data creëert waarde wanneer mensen ermee werken en er betere beslissingen door nemen. Je maakt geen rapport omdat het een mooi rapport is. Het moet iemand helpen.”
Volgens Wolter laten veel dashboards vooral zien wat goed gaat. Dat oogt prettig, maar helpt een organisatie niet altijd verder. De echte waarde zit vaak in het zichtbaar maken van afwijkingen. Waar loopt een proces vast? Welke doorlooptijd wijkt af? Waar ontstaat een risico?
“Je wilt niet alleen laten zien dat alles volgens verwachting verloopt. Je wilt een waarschuwing geven wanneer iets mis dreigt te gaan. Data moet sturen, ondersteunen en iets oplossen.”
Daarom begint Wolter meestal niet met het verzamelen van alles wat beschikbaar is. Hij start met prioriteiten. Welke vraag levert nu de meeste waarde op? Welke bronnen zijn daarvoor nodig? En welke onderdelen volgen later?
“Je hoeft niet eerst een jaar te bouwen voordat je resultaat ziet. Begin pragmatisch, lever snel waarde en leg een fundament dat met de organisatie meegroeit. In andere situaties ligt de focus wel eerst op een brede basis. Beide routes zijn waardevol, zolang de keuze bewust wordt gemaakt en aansluit bij het doel van de organisatie.”
De waarheid achter de cijfers
Data wordt graag gepresenteerd als objectief. Volgens Wolter ligt dat genuanceerder. Achter ieder cijfer schuilt een definitie. En achter iedere definitie zit een keuze.
Neem verzuim. De ene organisatie rekent in uren, de andere in dagdelen en een derde kijkt naar het aantal ziektedagen per jaar. Iedere berekening levert een ander percentage op.
“Je vindt nooit één definitie waar iedereen voor honderd procent achter staat. Je zoekt een transparante en werkbare afspraak die betrokkenen begrijpen en accepteren.”
Juist daar komt integriteit om de hoek kijken. Een organisatie kan een rekenmethode kiezen omdat die inhoudelijk het beste past. Maar soms ook omdat die toevallig het gunstigste percentage oplevert.
“Je moet soms een beetje eigenwijs en koppig zijn. Er ontstaat weleens druk om data zo te modelleren dat het beter past bij het gewenste beeld. Dan is de vraag: waar sta je voor?”
Ook KPI’s bekijkt hij kritisch. “KPI’s verliezen hun waarde zodra je ze als doel gebruikt. Als het enige doel is om een verzuimpercentage omlaag te krijgen, ontstaat al snel de verleiding om de definitie aan te passen.”
Voor Wolter blijven mensen, producten en dienstverlening daarom altijd centraal staan. Data ondersteunt. Data geeft richting. Maar data neemt de verantwoordelijkheid niet over.
Betrouwbaarheid is geen technisch vinkje
Betrouwbare data ontstaat niet alleen door goede code. Validatie vraagt samenwerking tussen techniek en inhoud.
Bij financiële data weet een technisch specialist bijvoorbeeld waar de juiste velden staan en welke filters nodig zijn. Een financieel verantwoordelijke herkent vervolgens of de omzet, forecast en onderliggende cijfers werkelijk kloppen.
“Pas na die inhoudelijke controle geef je data vrij voor gebruik. Leg ook vast wie de gegevens heeft beoordeeld en goedgekeurd. Dan is duidelijk wie verantwoordelijk is voor de techniek en wie voor de inhoud.”
Daarnaast bewaart Wolter graag de historie achter cijfers. Oude informatie simpelweg overschrijven maakt veranderingen moeilijk uitlegbaar. Door zowel de oude als de nieuwe situatie vast te leggen, blijft zichtbaar waarom een getal veranderde. Bijvoorbeeld doordat een factuur later met terugwerkende kracht is verwerkt.
“Als een cijfer iedere dag verandert en niemand begrijpt waarom, verlies je razendsnel het vertrouwen in de data.”
Data onder het vergrootglas
Hoe groot de impact van datakwaliteit is, merkte Wolter tijdens een investeringsproject. Hij werkte aan de berekeningen waarmee de prestaties en stabiliteit van een organisatie aan potentiële investeerders werden gepresenteerd.
Hij maakte omzet, terugkerende inkomsten en klantontwikkeling inzichtelijk voor potentiële investeerders. Cijfers die direct meewegen in grote financiële beslissingen.
“Investeerders willen weten: hoe stabiel is een organisatie? Hoe ontwikkelt de omzet zich en welke klanten blijven of vertrekken? Wij maakten dat met data inzichtelijk.”
Grote consultancyorganisaties controleerden vervolgens de code en berekeningen. “Toen zij concludeerden dat het klopte, gaf dat veel voldoening. Dan weet je dat je werk echt verschil maakt.”
Nieuw is niet automatisch beter
Nieuwe dataplatformen, tools en architecturen volgen elkaar in hoog tempo op. Toch rent Wolter niet blind achter iedere ontwikkeling aan.
“Technologie blijft een hulpmiddel. Als een bestaande oplossing voldoet aan het doel van de organisatie, hoef je niet te migreren omdat er iets nieuws en cools beschikbaar is.”
Een nieuwe techniek verdient aandacht zodra deze een relevant pijnpunt oplost. Ontbreekt die functionele aanleiding? Dan kost een migratie vooral tijd, budget en energie.
Hetzelfde pragmatisme gebruikt hij bij schaalbaarheid. Een organisatie van dertig mensen heeft geen architectuur nodig die is ontworpen voor een multinational. De technische oplossing sluit aan op een realistische ambitie, niet op de grootste denkbare toekomst.
Ook snelheid en kwaliteit vragen om heldere keuzes. Een proof of concept levert snel inzicht op, zolang iedereen begrijpt dat het nog geen definitieve productieoplossing is. Tijd, budget, scope en kwaliteit blijven altijd met elkaar verbonden.
“Verwachtingsmanagement hoort bij goed technisch werk. Je legt uit wat nu haalbaar is, welke risico’s daarbij horen en wat later nog aandacht vraagt.”
AI vergroot het belang van de basis
De opkomst en groei van AI maakt data engineering niet minder relevant. Volgens Wolter gebeurt juist het tegenovergestelde.
Data engineering zorgt ervoor dat rapportages zijn gebaseerd op goed voorbereide en gecontroleerde data. Organisaties gebruiken die informatie voor belangrijke keuzes, zoals het aanpassen van vrachtroutes of het juiste moment om in te kopen.
Met AI wordt datakwaliteit nog belangrijker. “Bij een rapport kun je een bedrag vaak terugvinden in het bronsysteem. Bij een voorspelling is veel moeilijker te zien hoe het model tot een uitkomst komt. Als de brondata niet goed is, kan ook de voorspelling onbetrouwbaar zijn, zonder dat de gebruiker dit direct merkt.”
Zelf gebruikt Wolter AI als hulpmiddel bij het programmeren, als reviewer en als sparringpartner. Hij laat code beoordelen, verkent verschillende technische oplossingen en vraagt welke aanpakken bij een probleem passen.
De antwoorden blijven suggesties. Wolter beoordeelt zelf wat logisch en bruikbaar is. Die menselijke regie blijft essentieel, zeker wanneer organisaties AI inzetten voor beslissingen.
“AI kan veel informatie combineren en een advies geven. Maar jij kent de context van je organisatie. Wat aan de overkant werkt, past niet automatisch bij jou. Dat blijft maatwerk.”
Een consultant die kennis achterlaat
De overstap naar consultancy geeft Wolter de kans om verschillende organisaties, sectoren en soorten data te leren kennen.
Dat bredere perspectief helpt hem organisaties beter te begrijpen. Tegelijkertijd heeft hij een duidelijke visie op zijn verantwoordelijkheid als consultant.
“Een consultant moet beseffen dat hij ergens tijdelijk zit. Je helpt een organisatie intensief met een probleem, maar de kennis mag niet alleen bij jou blijven.”
Voor Wolter is een consultant niet geslaagd wanneer een klant afhankelijk van hem blijft. Hij neemt interne medewerkers mee, legt keuzes uit en draagt kennis over. Zo blijft de oplossing werken wanneer zijn opdracht eindigt.
“Je moet zorgen dat het werk doorgaat als jij vertrekt. Anders verdwijnt de kennis met jou en creëer je juist een risico voor de organisatie.”
Direct, nuchter en zonder toneel
Waarom koos Wolter voor Vormer? Niet vanwege een gelikte presentatie of een strak uitgestippeld functiepad. Het gevoel tijdens de gesprekken gaf de doorslag.
“De gesprekken waren informeel en gezellig, maar ook inhoudelijk. Er werden goede vragen gesteld en er was ruimte om te lachen. Ik had niet het idee dat mensen zich tijdens het sollicitatiegesprek anders voordeden dan in het dagelijks leven.”
Die open en persoonlijke sfeer ervaart Wolter sinds zijn eerste werkdag nog elke dag. De lijnen zijn kort, de sfeer is goed, de humor is direct en mensen zeggen waar het op staat. “Duidelijk zijn betekent niet dat je onvriendelijk bent. De nuchtere manier van communiceren past goed bij mij.”
Hoewel consultants vaak op hun eigen opdracht bij de klant zitten, vindt Wolter het contact met collega’s belangrijk. Bij Vormer wordt daar bewust ruimte voor gemaakt. Vrijdag is een vaste kantoordag en daarnaast zijn er regelmatig werken-op-locatiedagen en inhoudelijke bijeenkomsten.
Tijdens een kennissessie over AI hoorde hij bijvoorbeeld hoe collega’s uit andere vakgebieden naar dezelfde ontwikkeling kijken. Niet alleen vanuit de techniek, maar ook vanuit werkplezier, creativiteit en de toekomst van hun vak.
“Zulke gesprekken voer je minder snel wanneer iedereen thuiswerkt en je elkaar alleen kort via Teams spreekt. Juist daarom blijft persoonlijk contact belangrijk.”
Wolter in één zin?
Een nuchtere data engineer die technische oplossingen bouwt met oog voor de organisatie erachter.
Bij Vormer draait digitaal vakmanschap om meer dan sterke techniek. We stellen vragen, delen kennis en bouwen oplossingen die aantoonbaar verschil maken.
Wil jij werken in een omgeving waar je de ruimte krijgt om kritisch te denken, te groeien en technologie in te zetten voor echte impact?
Bekijk onze vacatures en ontdek waar jouw talent het verschil maakt.