Ontwikkelpunt — de datalaag-instap: “je data ophalen” naast het datawarehouse

Status: technisch nog te ontwikkelen punt, vastgelegd 2026-07-05 (t.z.t. als GitHub-issue in het denklab opvoeren). Herkomst: de producttrap-analyse in de boostin-repo (waarnemingen/2026-07-05-leerportaal-producttrap.md) — trede 3 (echte data) vereist lenigheid; dit document beschrijft hoe die instap eruit moet zien. Verhouding tot bestaande stukken: bouwt op de hardening-routine die al beschreven is in financiele-analyse/verkenning/productvisie.md (sectie “Hardening — van verkenning naar bestendiging”), bi-platform-concept-destillatie.md (punt 10) en strategie-vs-powerbi-en-ai-vertrouwen.md.

Het punt in één alinea

Het uitgangspunt van S&I is een datawarehouse — dat blijft. Maar niet elke klant hééft er een, en een klassiek ETL-implementatietraject is precies de zwaarte die we willen vermijden. Daarom hoort er naast het DWH-uitgangspunt een instap-route: wij maken een database aan (in een container), halen de ruwe data uit de bronnen op, en de klant kan meteen op die ruwe data werken. AI bouwt de koppelingen iteratief, binnen een gekaderde engine; hardening maakt het achteraf bestendig. Voorwaarts vanuit de business: de organisatie kan dit zelf.

Twee instapsituaties

1. Er is al een datawarehouse (grote corporates): aansluiten op wat er staat.
2. Er is er nog geen (de rest — het gros van het MKB): wij zetten een database in een container neer en vullen hem vanuit de bronnen. Geen traject, geen wachtrij — direct op ruwe data aan de slag. De verkenning begint op de ruwe laag; wat zich bewijst, hardt later in (dat is de bestaande hardening-routine, geen nieuw mechanisme).

Naamgeving: dit heet naar buiten géén “ETL”

“ETL” is batterij-taal (de les uit positionering-historie-formuleringen.md: noem het ding niet, noem de uitkomst). Werkkandidaten in klantentaal, nog te kiezen/testen:

• “Je data ophalen” — plat, direct, zegt precies wat er gebeurt.
• “Aansluiten op je bronnen” — sluit aan bij het aansluitings-vocabulaire dat S&I al heeft.
• “Je cijfers binnenhalen” — dichter op de financial.

Intern/technisch mag het gewoon een ETL-engine heten; de klant hoort de uitkomst.

Het bewijs dat dit kan (de nieuwe economie van de datalaag)

Bij Notifica wordt de ruwe datalaag al AI-iteratief opgebouwd, zó dat de business het zelf kan:

• Collega Tobias — niet-technisch, nul ETL- en SQL-ervaring — is inmiddels “onze ETL- en SQL-meester.” Hij beheerst beide technieken zelf niet; hij stuurt de AI die het binnen het kader doet.
• De Seatrack-anekdote: de ervaren ETL’er had moeite met de koppeling (track-and-trace, busbewegingen van monteurs); Tobias zei tegen Claude “ga naar Seatrack en haal de data op” — in de GRIP-ETL-taal — en het lukte.

De gekaderde ETL-taal speelt aan de datakant dezelfde rol als de skeletten aan de rapportkant: de AI bouwt vrij, het kader bewaakt dat het klopt. Dit is de vier-versus-vijftig-les (positioneringsdocument §3) toegepast op de datalaag: niet de architectuur verandert, maar de vullingseconomie. Een ETL-engine blijft nodig; een ETL-traject niet.

De safeguard: hardening als governance-antwoord

“De business kan dit zelf” roept bij IT en governance meteen de juiste vraag op. Het antwoord is niet minder vrijheid, maar de al-beschreven hardening-laag, hier expliciet als safeguard gepositioneerd:

• De hardening-routine (productvisie): business beweegt door op de ruwe laag; het warehouse convergeert periodiek; verankerde definities stromen terug. De regressietest is een diff van twee evaluaties — een hardening die niet cijfer-identiek is, gaat niet live zonder expliciete verklaring.
• Vier-ogenprincipe op het hardening/promotie-moment (sluit aan op de attestatie-gedachte uit strategie-vs-powerbi-en-ai-vertrouwen.md: attesteren bij promotie, niet bij elke query).
• Verder te verkennen: zelf-hardenend systeem. Het systeem stelt zijn eigen hardening-acties voor (kandidaten op basis van gebruiksfrequentie, querykosten, hergebruik — de meetbare werklijst uit de productvisie) en een mens controleert en accordeert de acties. De mens verschuift van uitvoerder naar reviewer — hetzelfde patroon als overal in S&I: AI doet het werk, mensen blijven instaan.

Relatie met de producttrap

Dit ontwikkelpunt is wat trede 3 (echte data) licht genoeg maakt om de trap te laten werken: leerportaal (kennis) → interactieve rekenmodellen (eigen invoer) → echte data (opgehaald, aansluitend op het grootboek). Zonder lenige datalaag-instap blijft trede 3 een traject en stokt de trap; mét is het een natuurlijke upsell vanuit trede 2.