Data products: nut, noodzaak en hoe DAMA daarbij helpt

De term data products zwerft inmiddels al een paar jaar door de boardrooms en architectuurnota’s. Vaak als modeterm, soms als reëel organiserend principe. In de praktijk bij klanten zien wij de afgelopen 18 maanden iets verschuiven: organisaties die het concept serieus oppakken realiseren werkelijke vooruitgang op data-leveringen, organisaties die het op een sticker plakken raken juist verstrikt. Dit stuk probeert het onderscheid concreet te maken, vanuit consultantperspectief.

Wat een data product wél is

Een data product is een herbruikbare data-levering met vier eigenschappen: een eigenaar (één persoon of team, niet een commissie), een contract (wat lever je, in welke vorm, hoe vaak, met welke kwaliteitsgarantie), vindbaarheid (een afnemer kan het ontdekken zonder iemand te kennen), en een lifecycle (versies, deprecation, change management).

Dat klinkt eenvoudiger dan het is. De meeste organisaties leveren data vandaag in een mengvorm: een paar centrale rapportages, een paar gedeelde tabellen op een lakehouse, een handvol exports per e-mail, en heel veel kopieën in Excel. Een data product haalt één van die leveringen uit de schaduw en maakt er een product van. Met de discipline die daar bij hoort.

Waarom de moeite waard

Drie redenen die wij in trajecten consistent terug zien.

Schaalbaarheid van vraag. Centrale data-teams worden bottleneck zodra het aantal afnemers groeit. Data products dragen verantwoordelijkheid daar waar de kennis zit, namelijk in het bron-domein, terwijl de afnemers via een stabiel contract aan kunnen sluiten. De data-engineer in het centrum wordt enabler, niet doorgeefluik.

Aantoonbare betrouwbaarheid. Een afnemer die een data product gebruikt weet wat hij krijgt: gedefinieerde semantiek, kwaliteitsmetrics, freshness-garantie. Dat verschil tussen “ik vermoed dat deze tabel goed is” en “dit product heeft een SLA” is precies wat AI-use-cases vandaag nodig hebben om productie-rijp te zijn. Niet toevallig overlapt dit met de data-eisen die de EU AI Act stelt aan hoog-risico-systemen.

Tempo voor nieuwe use cases. Wanneer er drie tot vijf goed onderhouden data products zijn, gaat de bouwtijd van een nieuwe analyse of nieuw AI-model omlaag van weken naar dagen. De winst zit niet in de eerste, maar in de tiende afnemer.

Wat het in de praktijk lastig maakt

Eerlijke noot voor wie hieraan begint:

• Eigenaarschap is geen organogram-vraag. Een product zonder eigenaar die ook beslissingsbevoegdheid heeft, sterft binnen een jaar. Lippen-eigenaarschap (“we zijn er met z’n allen voor”) levert geen product op.
• Contract is geen JSON-schema. Een contract beschrijft semantiek, kwaliteitsmetrics, refresh-frequentie, breaking change-beleid. Een JSON-schema is een onderdeel, geen vervanging.
• Het eerste product is duur. Reken op 6 tot 10 weken voor een eerste product op bestaande data. Daarna gaat het sneller, maar de leercurve mag niemand verbergen.
• Tooling lost het niet op. Een data-catalogus, een lineage-tool en een quality-tool zijn nuttig, maar leveren geen product op zonder de governance-discipline eronder.

Hoe DAMA dit werkbaar maakt

Het DAMA DMBoK-raamwerk bevat geen hoofdstuk “data products”, maar wel alle bouwstenen die je voor data products nodig hebt. Vijf kennisgebieden in het bijzonder.

Data Governance levert de structuur voor eigenaarschap, beslissingsbevoegdheid en escalatie. Wie tekent? Wie keurt een breaking change goed? Wie staakt een data product?

Data Quality levert het kader voor de kwaliteitsmetrics die in elk productcontract horen. Geen vraag van “is dit goed genoeg”, maar van “wat is goed genoeg gegeven het beoogde gebruik”.

Metadata Management maakt vindbaarheid en herleidbaarheid mogelijk. Zonder catalogus en lineage bestaat een data product niet voor zijn potentiële afnemers.

Data Architecture verbindt de afzonderlijke producten met de bredere architectuur, zonder dat elk product een eilandje wordt.

Data Modeling and Design zorgt voor semantische consistentie tussen producten die met elkaar in dezelfde organisatie moeten samenwerken.

DAMA als instrument betekent niet “begin met een 600 pagina’s beleidsdocument”. Het betekent: gebruik DMBoK als checklist om te toetsen of de fundamenten onder je data product op orde zijn voordat je het uitrolt. Zie ook de bredere cimt aanpak op basis van DAMA.

Do’s en don’ts

Op basis van wat wij bij klanten zien werken:

Do’s

• Start met één concreet data product met een echte afnemer en een echte producent. Liefst met meetbare business-pijn als drijfveer.
• Schrijf een productcontract van één pagina, niet zeven. Versie 1 mag onaf zijn; product live krijgen is belangrijker dan perfect zijn.
• Maak eigenaarschap expliciet en geef de eigenaar tijd en beslissingsbevoegdheid. Eigenaarschap op naam alleen werkt niet.
• Verbind het eerste product met een al lopend initiatief: een AI-use case, een rapportage-traject, een nieuwe applicatie die data nodig heeft.
• Behandel kwaliteit als parameter, niet als doel: “voldoende voor dit gebruik” is een betere maatstaf dan “foutloos”.

Don’ts

• Begin niet met een organisatie-brede data mesh-uitrol. Beginnen vanaf het architectuurniveau levert vrijwel altijd vertraging op zonder dat één product in productie staat.
• Maak van een dashboard geen data product. Een dashboard is een afnemer van data, niet zelf een data product.
• Verwacht niet dat een data-catalogus het probleem oplost. Catalogus zonder eigenaarschap is een dood register.
• Vermijd de term “data product” zonder dat het iets verandert in proces en verantwoordelijkheden. Anders is het rebrandig.
• Onderschat de afnemerszijde niet. Productdenken werkt alleen als er gebruikers zijn die het ook als product willen consumeren, met de discipline die daarbij hoort (geen schaduwkopieën, bug-meldingen via het kanaal van de eigenaar, breaking changes accepteren).

Hoe wij hierin meekijken

Bij cimt is dit zelden een grote, op zichzelf staande opdracht. Het ontstaat meestal als onderdeel van een bredere data governance-vraag, een analytics-traject of een AI Readiness-assessment. De rol die wij dan nemen is structurerend: helpen bepalen welk eerste product de moeite waard is, een productcontract opstellen samen met eigenaar en afnemer, kwaliteitsmetrics afspreken, en governance verankeren via DAMA-kennisgebieden in plaats van losse beleidsstukken.

Wat wij niet doen is een powerpoint over data products afleveren en daarna vertrekken. Het werk zit in de afspraken tussen producent en afnemer; daar gaat doorlooptijd zitten en daar leer je het patroon.

Wanneer is een gesprek de moeite waard?

Als één van deze drie herkenbaar is.

• “We hebben tien datatabellen die door iedereen gebruikt worden, maar niemand kan ze me uitleggen.”
• “Onze AI- en analytics-teams besteden meer tijd aan data zoeken dan aan analyseren.”
• “We hebben een data mesh-ambitie maar geen idee hoe we beginnen zonder dat het een reorganisatie wordt.”

Dan is een kort gesprek nuttig. Plan een afspraak of bekijk de bredere aanpak op DAMA-basis. Beide kosten niets en leveren in 30 tot 45 minuten een eerste richting op.