What do you mean by 'the business doesn't start in a dashboard'?

Dashboards are a means. The goal is: better decisions, lower costs, more growth, less risk — visible in the business.

How do you usually start?

We start with concrete business questions (operations/finance/commercial) and translate them into a short roadmap with improvements that deliver immediate value, plus a solid foundation for the long term.

What does your framework look like?

The ABL Framework clarifies where you stand, where you want to go, and what steps are needed to increase data maturity across people, business, and tech.

Why do you say 'you get returns from data with people'?

Because technology alone delivers nothing: value only emerges when people use data in decisions and processes.

What do you do concretely?

We build and strengthen effective data organizations: people (team/roles/rhythm), business (questions/KPIs/use cases), and technology (platform) aligned with each other.

What happens after the Data Impact Session?

We translate the top-3 into a roadmap and choose the right team format together (tandem/squad/team).

Who should be present at the Data Impact Session?

Management team/core team + representation from operations, finance, or commercial (where the impact lies).

What does the Data Impact Session deliver?

A shared problem sketch, top-3 opportunities, and a concrete first step.

Who is the Data Impact Session intended for?

For organizations that want 'more with data/AI' but lack focus.

When do I choose external vs internal data team?

External as an accelerator or temporary reinforcement; internal if you want to make data structurally a strategic pillar. We often help with the transition.

What if we already have a data team but the return is low?

Then we bring back structure, priorities, and standards, and reconnect the work to business questions that matter.

How do I develop data specialists into sparring partners for the business?

By placing them close to operations/finance/commercial, with ownership of KPIs and regular alignment with stakeholders.

How do I build a mature data organization step by step?

Start with structure and foundation, then deliver repeatable value through use cases, and then secure governance and adoption.

How do I make my data team more effective and efficient?

By clarifying roles, working methods, and standards and coaching until the team operates independently.

How do I get more value from my data team?

By prioritizing business impact: one rhythm, one roadmap, and work that directly accelerates decisions.

How do you ensure data doesn't stay in silos?

Through shared definitions and standards (reports/KPIs) and organizing collaboration across domains.

How do I prepare my organization for data-driven work?

By arranging mandate and budget, agreeing on ownership, and choosing a technology base that doesn't hinder growth.

How do I ensure the business sees the value of data?

By starting with their pain: where is money, time, or quality being lost — and quickly converting that into visible improvements.

How do I build a culture where people naturally reach for data?

Through leadership + rhythm: data becomes part of decision-making, not something extra alongside the work.

Which stack do you choose?

What fits with ambition, budget, and team — tool-agnostic, pragmatic, and only deployed if it truly adds value.

What do you mean by data modeling?

Converting raw data into logical business language (customer, revenue, margin, etc.), so teams use the same truth.

Do you do data migrations?

Yes, preferably step by step, so you can continue and keep delivering value during the transition.

What do you build on the technical side?

A robust, scalable, and secure data platform, plus models and pipelines with which new questions can be answered quickly and reliably.

Why is technology still important if it's 'about people'?

Because technology is the backbone: without a robust platform, people become slow, uncertain, and dependent.

Can you do churn analysis / dashboards?

Yes, if it's linked to actions: who is at risk, why, and what are we going to do in sales/service?

How do I make the impact of data visible to management?

By showing per initiative: which choice gets better, which KPI changes, and what that delivers in money, time, or risk.

How do I make management information truly usable for the management team?

By sharpening KPI definitions, securing ownership, and linking the dashboard to the decision rhythm.

Do you build dashboards?

Yes, but always as part of a broader approach: a dashboard is a tool to accelerate decisions.

What is MLOps and why would I want it?

Because otherwise models become one-time projects: MLOps makes it maintainable, measurable, and reliable in production.

Can we chat with our data?

Yes, if it's set up securely and manageably, so people actually work faster through it instead of extra noise.

What is 'AI with data' at ABL?

AI that accelerates your data organization: better decisions, smarter processes, and use cases that land in the business (not just a demo).

Do you build ML/AI models?

Yes, but always from a concrete business question: where are you leaving money, time, or quality on the table — and what needs to be better?

When am I ready to deploy AI on my data?

When your data and definitions are reliable enough and your team/organization is ready to use AI outcomes in decisions.

What do you mean by 'data teams with a permanent seat at the board table'?

That data is not a support function, but participates in discussions about direction, KPIs, and priorities — because it makes direct business impact.

What makes you different from tech-first agencies?

We don't start with tooling, but with impact: team, decision-making, and technology that supports the work.

What do you believe in as an agency?

That almost every modern company is fundamentally a data company — and that value only emerges when people use data to make smarter choices.

Since when have you existed?

ABL is a growing data agency since 2020.

Where does the name Always be learning come from?

Because for us it's about two things: data (raw material to learn from) and people (continuing to develop as a specialist, colleague, and person).

Why does ABL suit specialists who want to grow?

Because development is not a side issue, but the foundation on which we build our work.

Which roles are you looking for?

For example AI internship, Data consultant, Data engineer, BI engineer (depending on the moment).

Do you work alone or in teams?

Both: you work alone or in small teams at end clients, depending on project and team format.

What characterizes your culture?

Sharing knowledge, honest feedback, accessible collaboration, and setting the bar high — in a safe setting to try new ideas.

What is it like to work at ABL?

You work in a close-knit group of specialists, close to the business, with room to grow and get better every day.

Do you also do Microsoft Fabric / cloud stacks?

Yes, if that fits your situation and governance and security can be properly arranged.

Are you tool-independent?

Yes: the goal is impact. Tooling is supportive, not leading.

Which tools do you work with?

We know the tools and best practices, but choose pragmatically what fits your ambitions, budget, and team.

Vragen die we graag beantwoorden

Ontdek welke impact onze data specialisten maken bij onze klanten,
want daar zijn wij trots op.

Contact

Wat we doen

Alles

Over Always Be Learning

Werken bij Always Be Learning

Datagedreven werken in de organisatie

Data teams bouwen en versterken

AI, technologie & tools

Toepassingen en business impact

Over Always Be Learning

Wat is de data en AI aanpak van Always Be Learning?

Onze aanpak combineert drie principes: business, organisatie en techniek samen op nr. 1, eerst data dan AI, en kennisoverdracht vanaf dag één. We vertalen die principes naar een werkwijze die we het Data Impact Framework noemen. We werken niet in big bang projecten, maar in opeenvolgende fases met een eigenaar per dataproduct.

Werken bij Always Be Learning

Voor wie past werken bij Always Be Learning?

Je past waarschijnlijk goed bij ons als je nieuwsgierig bent, graag kennis deelt en energie krijgt van data en AI vraagstukken die verder gaan dan een losse tool. We zoeken mensen die kwaliteit willen leveren, maar ook normaal kunnen doen. Je hoeft niet alles al te weten. Wel helpt het als je vragen durft te stellen, verantwoordelijkheid neemt en het leuk vindt om samen met klanten iets op te bouwen.

Hoeveel ruimte is er om te leren en groeien?

Veel, maar niet als losse taak naast je werk. Leren zit bij ons in het ritme: kennissessies, feedback, klantprojecten, samenwerken met collega’s en nieuwe technieken uitproberen. Je groeit niet alleen technisch, maar ook als consultant, gesprekspartner en teamlid. Als je nieuwsgierig bent en graag verantwoordelijkheid neemt, krijg je bij Always Be Learning veel ruimte om stappen te zetten.

Aan wat voor projecten werk je bij Always Be Learning?

Je werkt aan projecten waarin data echt gebruikt moet worden. Denk aan datateams opzetten, dashboards bouwen, dataplatformen verbeteren, processen slimmer maken of AI toepassingen naar de praktijk brengen. Soms werk je zelfstandig, soms in een klein team met collega’s. Wat de opdracht ook is: we willen dat klanten er blijvend slimmer van worden, niet dat ze afhankelijk blijven van ons.

Hoe is het om te werken bij Always Be Learning?

Werken bij Always Be Learning voelt als samenwerken in een hechte groep dataspecialisten die de lat hoog leggen, maar de drempel laag houden. We delen kennis, geven eerlijke feedback en vinden het normaal om ideeën vroeg op tafel te leggen. Je werkt aan datavraagstukken die ertoe doen, vaak direct bij klanten, en krijgt ruimte om beter te worden in je vak én in hoe je samenwerkt.

Datagedreven werken in de organisatie

Hoe lang duurt een datagedreven werken training traject?

Afhankelijk van planning, omvang en de beschikbaarheid van jullie mensen. Een workshop kan in een dag of enkele dagdelen. Een volwaardig in company traject voor een afdeling of MT loopt doorgaans enkele weken tot twee maanden. Uiteraard verschilt dit per situatie en scope. Noem het een doorlooptijd indicatie.

Hoe lang duurt het om een organisatie datagedreven te maken?

Uiteraard verschilt dit per situatie en scope. In de praktijk loopt een traject doorgaans zes tot achttien maanden, afhankelijk van de omvang van de organisatie, de huidige volwassenheid en de beschikbaarheid van jullie mensen. We werken in fases met heldere mijlpalen. Soms is het advies om met één team te starten en pas later op te schalen.

Hoe ziet een datagedreven MT vergadering eruit?

De cijfers staan vooraf op tafel en zijn voor de vergadering gelezen. De agenda begint bij wat de cijfers laten zien, niet bij wat iemand aanvoelt. Per onderwerp is helder welk MT lid eigenaar is van de onderliggende data. Beslissingen worden gekoppeld aan een meetbare uitkomst, zodat je in de volgende vergadering ziet of het gewerkt heeft. Onderbuik mag op tafel, maar wint niet automatisch.

Hoe maak je een organisatie datagedreven?

Door op drie sporen tegelijk te werken: het MT ritme verschuiven naar onderbouwde besluitvorming, vaardigheden in de breedte opbouwen en rituelen verankeren die het gedrag herhalen. Niet via één groot programma, wel via consistente kleine ingrepen. Begin bij de directiekamer, want de norm wordt daar gezet. De techniek volgt het gedrag, niet andersom.

Wat is datagedreven werken precies?

Datagedreven werken is een werkwijze waarin beslissingen in de hele organisatie standaard worden onderbouwd met data, niet alleen door specialisten. Het gaat over MT ritme, teamgedrag, vaardigheden en rituelen, niet over welke dashboards er hangen. In de praktijk betekent het dat een MT vergadering begint met cijfers, dat teams hun eigen rapportages lezen en dat eigenaarschap per data domein helder is belegd.

Data teams bouwen en versterken

Is het beter om data engineers in te huren of zelf in dienst te nemen?

Op de korte termijn is inhuren sneller en flexibeler. Op de lange termijn betaal je daar de prijs voor in kennis afhankelijkheid en in uurtarief. Eigen mensen zijn duurder in werving en inwerken, maar leveren over een periode van enkele jaren bijna altijd meer waarde tegen lagere kosten. En ze nemen de institutionele kennis niet mee de deur uit. De praktijk is bijna altijd hybride. Onze consultants starten waar snelheid telt en specialistische kennis ontbreekt, jullie eigen mensen nemen over zodra de kennis is overgedragen en de werving op gang is. Data en AI omzetten in businesswaarde doe je het best met eigen mensen, maar je hoeft er niet op te wachten om te starten.

Hoe lang duurt het om een data team op te zetten?

Een werkend team is er binnen weken, omdat wij met onze mensen instappen en direct beginnen. Een eerste in house aanwinst komt meestal binnen twee tot vier maanden binnen, afhankelijk van de arbeidsmarkt en de profielen. Een volwassen, zelfstandig in house team waar wij grotendeels uit zijn, vraagt vaak twaalf tot achttien maanden. De curve is belangrijker dan de eindtijd. Vanaf dag één levert het team waarde, vanaf maand drie komen de eerste eigen mensen binnen, en het zwaartepunt verschuift geleidelijk. Geen big bang overdracht aan het einde, wel een gestaag overdragen gedurende het hele traject.

Hoe groot moet een data team zijn?

Dat hangt af van de ambitie, de complexiteit van de data en de hoeveelheid bronsystemen. Voor een organisatie van 100 tot 250 medewerkers begint het vaak met twee tot vier mensen. Tussen 250 en 1.000 medewerkers groeit dat naar vier tot acht. Boven 1.000 medewerkers met serieuze AI ambitie zien we teams van tien tot vijftien, soms verdeeld over domeinen. Belangrijker dan de absolute omvang is de mix. Eén senior per drie à vier teamleden, kennis verdeeld over minimaal twee personen per kritische rol, en een data lead vanaf zes teamleden. Een doorlooptijd indicatie, geen voorschrift. Uiteraard verschilt het per situatie en scope.

Welke rollen heb je nodig in een data team?

In de meeste teams zit een data engineer voor de pipelines, een analytics engineer voor de semantische laag, een data analist voor rapportages en dashboards, en een business analist voor de vertaling tussen business en data. Bij AI ambitie komt er een AI of machine learning engineer bij. En als het team uit meer dan drie of vier mensen bestaat, is een data lead of data manager geen luxe maar noodzaak. In kleinere teams pak je rollen samen in één persoon, mits de senioriteit dat toelaat. Senioriteit weegt zwaarder dan rolzuiverheid. Eén ervaren engineer die meerdere rollen aankan, levert vaak meer waarde dan drie junioren die elk netjes in hun hokje blijven.

Moet je data en AI beleggen in één team of in twee verschillende?

Dat hangt vooral af van de omvang van het team en het aantal disciplines dat erin zit. In een team van drie tot zes mensen werkt één gecombineerd data en AI team bijna altijd het beste. De rollen overlappen, de business vragen lopen door elkaar en het fundament is gedeeld. Twee teams op dat formaat creëren vooral coördinatielast. Naarmate de ambitie groeit, groeit ook het aantal disciplines. Data engineers, analytics engineers, data analisten, AI engineers, machine learning engineers, MLOps specialisten. Op een gegeven moment worden de specialismen zo verschillend dat één team er niet meer omheen kan, en wordt loskoppelen efficiënter. We zien dat splitsen dan ook vaker bij organisaties met een serieuze AI ambitie en een team dat richting de tien of meer mensen groeit. De data laag blijft gedeeld, het werkritme niet meer.

AI, technologie & tools

Kan Tableau op elk data platform draaien?

Ja. Tableau verbindt met Snowflake, Databricks, BigQuery, Redshift, Microsoft Fabric, SQL Server, Postgres en de meeste andere gangbare bronnen. Live verbindingen en extracten zijn per bron in te stellen. Welke mix past hangt af van volume, query patroon en verversingsfrequentie. Tableau ontkoppelt de BI laag van het onderliggende platform, wat het aantrekkelijk maakt voor multi cloud en migratie scenario's.

Hoe richten jullie governance in op Tableau?

Via projects voor logische scheiding, groepen voor toegang, en permissions op project en data source niveau. Row level security via user filters of, sterker, via de onderliggende database. Daarbovenop afspraken over wie gecertificeerde data sources publiceert, wie eigenaar is per dashboard en hoe de feedback loop met gebruikers loopt. Governance op tool niveau zonder governance op platform niveau is een halve oplossing.

Wat is het verschil tussen Tableau Cloud en Tableau Server?

Tableau Cloud is de gemanagede SaaS variant, gehost door Salesforce. Updates, schaalbaarheid en beheer liggen bij de vendor. Tableau Server draait op jullie eigen infrastructuur en geeft volledige controle over netwerk, security en updates. Cloud past bij wie snel wil starten zonder beheer last. Server past bij harde data residency eisen of bestaande infrastructuur die je wilt gebruiken.

Wat is het verschil tussen Tableau en Power BI?

Tableau is sterk in visualisatie diepte, platform onafhankelijkheid en een cultuur waarin analisten zelf veel willen bouwen. Power BI past doorgaans beter bij Microsoft huizen, met gunstige licentiestructuur en integratie met Microsoft 365, Azure en Fabric. Functioneel zijn de twee de afgelopen jaren naar elkaar toegegroeid. De keuze volgt waar jullie stack en mensen al staan. Voor de Power BI afweging: zie /tools/power-bi.

Hoe richten jullie governance in op een Power BI omgeving met tientallen workspaces?

Met workspaces per domein, niet per persoon of project. Deployment pipelines voor dev, test en prod, datasets gescheiden van rapporten, row level security per rol en sensitivity labels via Microsoft Purview. Capaciteit monitoring zodat compute kosten niet ontsporen, en een vast moment per kwartaal waarop ongebruikte workspaces worden opgeruimd.

Kunnen jullie onze bestaande Excel rapportages of een ander BI platform migreren naar Power BI?

Ja. Excel rapportages, QlikView, Cognos, SAP BO of een legacy Tableau omgeving: de migratie zelf is zelden het werk. Het werk zit in het opnieuw vastleggen van definities, het opbouwen van een gezond datamodel en het opschonen van rapporten die in de loop der jaren zijn dichtgegroeid. Wij migreren niet één op één, maar nemen de gelegenheid om de semantische laag eronder gelijk goed neer te zetten.

Werken jullie ook met open inschrijving?

Nee. Onze Power BI training is altijd in company, voor teams of afdelingen binnen één organisatie. Reden is inhoudelijk: het oefenmateriaal zijn de eigen rapportages en business vragen van de organisatie. Een cursist die op de eigen marge rapportage oefent, leert meer in twee dagen dan in twee weken met een demo dataset.

Toepassingen en business impact

Wat krijg ik mee na het gesprek?

Drie aanknopingspunten waar je direct mee aan de slag kunt: waar quick wins zitten, welk startpunt het meest kansrijk is en wat een realistische volgorde is voor jullie data en AI ambitie. Concreet genoeg om mee aan tafel te gaan met de rest van het MT, of het traject nu bij ons landt of ergens anders.

Wat kost een Data & AI Impact Sessie?

Niets. De sessie is kosteloos en vrijblijvend, ook als er geen vervolg komt. We investeren die 90 minuten omdat we ervaren dat je daarna scherper kunt beoordelen of een traject met ons bij jullie past, of dat een andere route logischer is. Aan beide kanten beter dan een offerte op basis van halve informatie.

Wat is federated governance en wanneer past het bij je organisatie?

Federated governance is een model waarin domeinen autonoom beslissen over hun eigen dataproducten, binnen kaders die centraal zijn afgesproken. Lokale autonomie voor wat domein specifiek is, centrale waarborgen voor wat de organisatie als geheel raakt: definities op concernniveau, security, compliance en de koppelvlakken tussen domeinen. Het model past bij organisaties met meerdere autonome domeinen die elk hun eigen data goed kennen en kunnen beheren, en bij een centraal team dat platform denken in de vingers heeft. Voor minder volwassen organisaties of bij minder duidelijke domein scheiding werkt een hybride aanpak vaak beter: een centraal dataplatform met domein georiënteerde delivery lagen erbovenop.

Wat is een data product owner?

Een data product owner is verantwoordelijk voor één of meerdere dataproducten binnen een domein. Hij of zij bepaalt de roadmap van het product, beheert de definities, prioriteert verzoeken van gebruikers en draagt verantwoordelijkheid voor kwaliteit en gebruik. Vergelijkbaar met een product owner in software development, maar dan voor data. De rol vraagt een mix van inhoudelijke kennis van het domein en voldoende technisch begrip om met het data team te schakelen. In de praktijk werkt het vaak het beste als een data product owner geen full time technische rol heeft, maar wel mandaat krijgt en tijd vrijgemaakt om de rol serieus te dragen.

Waarom is een data organisatie met een duidelijke visie en strategie zo belangrijk?

Omdat zonder bestuurlijke richting elke afdeling zijn eigen kant op beweegt. Marketing bouwt een eigen klantdata oplossing, finance een eigen rapportage stack, operations een eigen voorspelmodel. Allemaal logisch op afdelingsniveau, gezamenlijk een lappendeken die niet schaalt en waar de business nooit één gedeeld antwoord uit haalt. Een duidelijke data en AI visie geeft de organisatie iets om aan op te lijnen. Welke initiatieven krijgen prioriteit, welke niet, en welke kaders gelden voor de keuzes die domeinen zelfstandig mogen maken. De visie is geen lange nota, wel het kompas waar eigenaren en teams hun werk op kunnen afstemmen. Zonder dat kompas blijft elke investering in data en AI symptoombestrijding.

Wie is verantwoordelijk voor data in een organisatie?

Uiteindelijk staat of valt een sterke data organisatie met een duidelijke data en AI visie vanuit het MT. Wanneer het MT geen onderbouwde richting kiest, blijft de rest van de organisatie eigen initiatieven uitrollen die niet op elkaar landen of alle kanten op gaan. De eindverantwoordelijkheid hoort daarom in de directiekamer te liggen, bij de CFO, COO, CIO of een Chief Data Officer. Daaronder ligt eigenaarschap per domein. Een marketingdirecteur is eigenaar van klantdata, een operations directeur van supply chain data, een finance directeur van financiële data. Het centrale data team levert het platform en de standaarden, niet het eigenaarschap zelf. Verantwoordelijkheid is geen ladder, het is een netwerk met heldere knooppunten.

Wat is het verschil tussen data governance en data management?

Data management is de operationele kant: het feitelijk beheren van data, kwaliteit bewaken, pipelines onderhouden, definities vastleggen, security regelen. Data governance is de bestuurlijke laag erboven: wie beslist waarover, welke kaders gelden, hoe wordt naleving georganiseerd, en hoe worden conflicten tussen domeinen opgelost. In de praktijk lopen de twee in elkaar over. Goede governance maakt management mogelijk, sterk management maakt governance zichtbaar. Een organisatie die alleen op management investeert, krijgt operationele kwaliteit maar geen richting. Een organisatie die alleen op governance investeert, krijgt papier zonder uitvoering.

Hoe dragen jullie het framework over aan onze organisatie?

Door het in elk traject als gespreksstructuur te gebruiken, niet als bijlage van een rapport. Jullie mensen werken naast onze consultants aan dataproducten, met de drie principes en de twee lagen als denkraam in elke beslissing. Documentatie, governance ritmes en eigenaarschap groeien mee. Aan het einde van een traject pakt jullie organisatie nieuwe use cases zelf op met dezelfde werkwijze. Voor wie de denkwijze breder wil verankeren in het team, sluit een data en AI training daar gericht op aan.

Waarom werken jullie met twee lagen, WAT en HOE?

Omdat trajecten stuk lopen op de kloof tussen analyse en inrichting. Wie alleen de situatie analyseert, levert een rapport. Wie alleen de techniek inricht, mist de business vraag en het eigenaarschap. De WAT laag brengt inzicht over business, organisatie en techniek. De HOE laag bepaalt hoe besluitvorming, platform en dataproducten worden ingericht. In elk werkoverleg lopen beide lagen tegelijk mee. Zo voorkomen we dat de techniek vooruit raakt op de organisatie, of andersom.

Wat is het verschil tussen een dataproject en een dataproduct?

Een dataproject heeft een begin en een einde. Je levert op, je sluit af, je gaat naar het volgende. Een dataproduct heeft een eigenaar, vaste gebruikers, versies en een levenscyclus. Het wordt onderhouden zoals software wordt onderhouden. Het verschil bepaalt of jouw investering rendement oplevert of in de la verdwijnt. Dataprojecten verstoffen, dataproducten blijven meegroeien met de business. Dat is waarom wij in elk traject werken vanuit productdenken, ook als de scope beperkt is.

Hoe pak je een data en AI traject gestructureerd aan?

Door te starten bij de vraag onder de business vraag, niet bij de techniek. Door in fases te werken waarbij elke fase op zichzelf waarde levert. En door dataproducten te leveren met eigenaar, gebruikers en governance, in plaats van projecten die je oplevert en sluit. Het Data Impact Framework vertaalt die drie principes naar een herkenbaar ritme van vier fases: oriëntatie, scan en plan, bouwen, en overdracht. Het framework geldt voor strategie, engineering, analyse en AI trajecten. De volgorde verandert niet, de invulling wel.

Wat is het Data Impact Framework van Always Be Learning?

Het Data Impact Framework is onze werkwijze voor data en AI trajecten. Drie principes vormen het fundament: starten bij de vraag en de waarde, eerst waarde leveren dan verbeteren, en dataproducten als doel met het platform als ondersteuning. Twee lagen maken het concreet: WAT brengt inzicht over business, organisatie en techniek, HOE bepaalt de inrichting van besluitvorming, platform en dataproducten. We passen het framework toe op elk traject, of het nu start in strategie, engineering, analyse of AI. En we dragen het over, zodat jullie het zelfstandig blijven toepassen.

Hoe lang duurt een data en AI traject met jullie?

Dat hangt af van scope. Een data scan duurt twee tot vier weken, een gericht product enkele weken tot enkele maanden, een breder traject met strategie, fundament en AI loopt vaak zes tot achttien maanden. Een doorlooptijd indicatie, geen belofte. We werken altijd in fases met heldere mijlpalen, niet met open einde contracten. Het tempo verschilt per situatie en beschikbaarheid van jullie mensen.

Wat gebeurt er na de sessie?

Na de sessie werken we de belangrijkste kansen uit tot een concreet vervolgplan. We laten zien welke stappen logisch zijn, wat eerst aandacht vraagt en welke inzet daarbij past. Zo ontstaat er geen los advies, maar een duidelijke richting waarmee jullie kunnen besluiten wat haalbaar is en waar de meeste waarde zit. Daarna bepalen we samen hoe we verder helpen: bijvoorbeeld met extra expertise naast jullie team, een tijdelijk projectteam of begeleiding bij de eerste uitvoering.

Over Always be learning

Wat is de data en AI aanpak van Always Be Learning?

Werken bij ABL

Voor wie past werken bij Always Be Learning?

Hoeveel ruimte is er om te leren en groeien?

Aan wat voor projecten werk je bij Always Be Learning?

Hoe is het om te werken bij Always Be Learning?

Datagedreven werken in de organisatie

Hoe lang duurt een datagedreven werken training traject?

Hoe lang duurt het om een organisatie datagedreven te maken?

Hoe ziet een datagedreven MT vergadering eruit?

Hoe maak je een organisatie datagedreven?

Wat is datagedreven werken precies?

Data teams bouwen en versterken

Is het beter om data engineers in te huren of zelf in dienst te nemen?

Hoe lang duurt het om een data team op te zetten?

Hoe groot moet een data team zijn?

Welke rollen heb je nodig in een data team?

Moet je data en AI beleggen in één team of in twee verschillende?

AI, technologie & tools

Kan Tableau op elk data platform draaien?

Hoe richten jullie governance in op Tableau?

Wat is het verschil tussen Tableau Cloud en Tableau Server?

Wat is het verschil tussen Tableau en Power BI?

Hoe richten jullie governance in op een Power BI omgeving met tientallen workspaces?

Kunnen jullie onze bestaande Excel rapportages of een ander BI platform migreren naar Power BI?

Werken jullie ook met open inschrijving?

Toepassingen en business impact

Wat krijg ik mee na het gesprek?

Wat kost een Data & AI Impact Sessie?

Wat is federated governance en wanneer past het bij je organisatie?

Wat is een data product owner?

Waarom is een data organisatie met een duidelijke visie en strategie zo belangrijk?

Wie is verantwoordelijk voor data in een organisatie?

Wat is het verschil tussen data governance en data management?

Hoe dragen jullie het framework over aan onze organisatie?

Waarom werken jullie met twee lagen, WAT en HOE?

Wat is het verschil tussen een dataproject en een dataproduct?

Hoe pak je een data en AI traject gestructureerd aan?

Wat is het Data Impact Framework van Always Be Learning?

Hoe lang duurt een data en AI traject met jullie?

Wat gebeurt er na de sessie?

Meer uit je datateam halen?

Leg je situatie aan ons voor, we geven je een eerlijk beeld.

Contact