neem contact op

Regelgestuurd datakwaliteitsframework voor klantdata

Een beheerd Snowflake-framework controleert klantdata uit vier systemen en geeft data-eigenaren scores plus bewijs op recordniveau om mee aan de slag te gaan.

Vertrouwelijk bedrijf in medische voeding NDA 2026

Status: Opgeleverd en live in productie.

IT & data Medische voeding / FMCG Datakwaliteit & governance
Klantrecords doorlopen SQL-regels en leveren kwaliteitsscores en bewijs op rijniveau op.
Procesoverzicht. Open volledige afbeelding

Uitdaging

Klantdata liep uiteen tussen vier systemen, terwijl regels in rapporten fouten verhulden en scores vertekenden.

Geleverde oplossing

SQL-entiteitsviews, een geteste regelcatalogus, een evaluatie-engine in Snowflake en rapportage via DirectQuery.

Bedrijfswaarde

Beheerde regels, eerlijke scores en bewijs op rijniveau waarmee data-eigenaren records kunnen corrigeren.

Uitdaging

Een bedrijf in medische voeding beheert de klantdata van zijn zorgprofessionals in vier systemen: een platform voor digitale identiteit, een CRM, een platform voor marketingautomatisering en een webshop. Elk systeem heeft zijn eigen versie van de klant, waardoor namen, e-mailadressen, adressen en toestemmingen uiteen kunnen gaan lopen.

Het bestaande datakwaliteitsrapport was organisch gegroeid. De regels stonden verspreid over rapportformules en datatransformaties, en de scores werden één keer per verversing berekend, zodat ze niet op filters reageerden. Sommige records werden eruit gefilterd voordat ze werden gemeten, waardoor de scores er beter uitzagen dan ze waren. Het rapport kon ook zeggen dat een percentage laag was, maar niet welke records fout waren of waarom.

Aanpak

We begonnen met reverse-engineering van het bestaande rapport: elke bron, transformatie en measure werd gedocumenteerd, en elk probleem in de logica werd op een lijst gezet. Dat gaf een duidelijke baseline en een lijst van wat moest veranderen.

Daarna bouwden we datakwaliteit opnieuw op als een framework in plaats van een rapport:

  • Zakelijke data-entiteiten. Eén SQL-view per bedrijfsentiteit, zoals klanten, accounts, adressen, e-mailevents en orders, die de onderliggende brontabellen combineert. Elke view heeft een gedefinieerde granulariteit en kolomnamen die voor de business begrijpelijk zijn. Waarden worden ongewijzigd doorgegeven, inclusief placeholders, hiaten en duplicaten, zodat de controles de data zien zoals die werkelijk is. Een aparte systeemoverstijgende entiteit koppelt de digitale identiteit van elke klant via een gedeelde sleutel aan het CRM-record en vergelijkt namen en postcodes na normalisatie.
  • Een catalogus met controles. Meer dan 120 regels, elk één SQL-expressie die true teruggeeft voor een goed record en false voor een fout record. De regels dekken vijf dimensies: volledigheid, validiteit, uniciteit, consistentie en referentiële integriteit. Elke regel wordt vóór uitrol automatisch getest tegen goede, foute en lege records. Elk probleem wordt één keer gerapporteerd: een ontbrekende waarde faalt op volledigheid, niet ook nog op formaat en uniciteit.
  • Een regelgestuurde engine. Een stored procedure leest de catalogus, evalueert elke regel op elke rij en scheidt fouten van waarschuwingen. Ze schrijft runstatistieken weg per dimensie, veld, land en klantsegment. Voor elk falend record logt ze alleen de velden die voor die regel van belang zijn, zodat het bewijs direct leesbaar is.
  • Rapportage daarbovenop. Eén statistiekenview voedt het rapport via DirectQuery, zodat het rapport de laatste run toont zonder aparte verversing. Er wordt geen data opgeslagen in Power BI: elke query gaat naar de beheerde laag in Snowflake, zodat toegangsregels en data op één plek blijven.
  • Dataretentie. Oude en ongebruikte runresultaten en foutdetails worden volgens een vast schema opgeschoond, zodat alleen de data wordt bewaard die het rapport nodig heeft.

Resultaten

Kwalitatieve projectresultaten; er worden geen gemeten besparingen geclaimd.

  • Eén beheerde plek voor datakwaliteitsregels, in plaats van logica verspreid over een rapport

  • Eerlijke scores: er wordt niets verwijderd voordat het is gemeten

  • Bewijs op rijniveau voor elke fout, zodat data-eigenaren records kunnen herstellen in plaats van over percentages te discussiëren

  • Consistentie tussen systemen zichtbaar gemaakt: of dezelfde klant er in het identiteitsplatform en in het CRM hetzelfde uitziet

  • Resultaten uitgesplitst naar land en klantsegment, met correcte totalen om foutpercentages te berekenen

  • Nieuwe controles worden als rij aan de catalogus toegevoegd; codewijzigingen zijn niet nodig

  • Geen kopieën van klantdata in de rapportagetool en geen opeenstapeling van verouderde resultaten: data blijft in Snowflake en wordt alleen bewaard zolang die nodig is

Snowflake SQL & Snowflake Scripting Power BI (DirectQuery)

Oplossingsgebieden: Datafundament · Data governance

Een vergelijkbare uitdaging bespreken?

Vertel ons waar u nu staat en wat u in beweging wilt krijgen. We delen wat we uit vergelijkbare opdrachten hebben geleerd en stellen een gerichte manier voor om te beginnen.

Plan een gesprek van 30 min