In het webinar ‘Felyx: clearing the road for sustainable DataOps driven architectures’ hebben Daan Stroosnier en Mees Strooker uiteengezet hoe de e-scooterverhuurder zijn datastrategie en –infrastructuur opnieuw inrichtte. Na afloop spreken we de data-experts over de lessons learned van dit grote DataOps-avontuur. Wat kunnen andere bedrijven leren van de inzichten die zij hebben opgedaan?
Les 1: alles begint met goede mensen
In ons artikel ‘Felyx: op weg naar een sustainable DataOps driven architectuur’ leggen we onder meer uit hoe de data-infrastructuur eruitziet die Stroosnier, Strooker en collega’s de afgelopen zeven maanden hebben gebouwd. “Bij de start van zo’n groot project, waarbij je als het ware een heel nieuw data warehouse opbouwt, heb je goede mensen nodig. Dat is nogal een uitdaging in ons vakgebied omdat ze schaars zijn. Op zich wisten we dit wel, maar toch hebben we het ons wellicht onvoldoende gerealiseerd”, aldus Global Head of Data Analytics Daan Stroosnier.
Hoe zou je dit probleem kunnen tackelen? Stroosnier: “Je hoeft het niet per se alleen maar te tackelen, maar je kunt het ook in ogenschouw nemen. Dit aspect kun je bijvoorbeeld meenemen in je processen en je planning. Daarnaast helpt het bij het managen van de verwachtingen, bijvoorbeeld van je stakeholders. Ook kan het bepaalde keuzes die je gedurende het traject maakt beïnvloeden. Mogelijk wil je meer in gradaties opbouwen. Zoals op halve kracht aan een nieuw project werken en met de andere helft doorbouwen aan wat je al hebt staan, in plaats van vol inzetten op het nieuwe project. Wat je óók kunt doen: eerst de mensen vinden en dan pas starten, zodat je wat meer critical mass hebt.”
Les 2: integreer tussen systemen én mensen
Naast tussen systemen wil je ook integraties tussen mensen, stelt Stroosnier. “We hebben mensen met verschillende skill sets, achtergronden en expertises, zoals data engineers en data-analisten. Hoe werken de verschillende oplossingen die wij in onze data-architectuur hebben goed samen? Op welke wijze kun je daarop testen? En hoe draai je er proof of concepts op? Je moet de tijd nemen voor en investeren in dat soort interacties en afhankelijkheden.”
Het doel is volgens hem om één team te smeden en daardoor meer synergie te creëren. Stroosnier: “Bij ons werken de verschillende subteams wat meer op zichzelf, maar ze hadden mogelijk wat meer geïntegreerd moeten worden.”
Les 3: de juiste balans tussen interne mensen en freelancers
Felyx heeft veel mensen intern aangenomen en opgeleid met de huidige technologiestack, vertelt de data analytics-manager. “Op het begin hebben we bijgeplust met een freelancer die beschikt over specifieke kennis. Die kennis kon hij overbrengen op het team. Die freelancer moet er vooral lang genoeg zitten om zijn kennis over te kunnen dragen en mag je niet laten gaan voordat al je eigen mensen er zijn. Tegelijkertijd moet je niet te veel leunen op freelancers, want hun kennis raak je later weer kwijt.”
Les 4: scrum is mooi, maar blijf realistisch
Zo’n 95 procent van alle DataOps-teams werkt met scrum (of een andere agile methode), schat data engineer Mees Strooker. Op zichzelf is dat mooi, echter moet je jezelf als team niet te veel laten meeslepen door wat de organisatie graag wil, stelt hij. “Het bedrijf wil een bepaalde kant op, dus moet jij bepaalde deadlines halen zodat andere teams weer door kunnen. Let daarbij op dat je niet in de valkuil trapt om deadlines te beloven voor je eigen werk op basis van deadlines voor het bedrijf, want dat is soms niet realistisch. Probeer vooral te plannen op wat jij als team per week of per sprint kunt afleveren. Als die deadlines niet matchen met de bedrijfsdeadlines, geef dat dan duidelijk aan.”
Strooker heeft nóg een waardevol scrum-inzicht opgedaan: “Betrek de andere teams waarmee je moet samenwerken in een zo vroeg mogelijk stadium en laat niet pas een week van tevoren iets horen. Zo kunnen zij namelijk ook weer vooruit plannen.”
Les 5: zorg dat je altijd terug kunt
Bij felyx heeft steeds voorop gestaan dat men steeds de flexibiliteit heeft om aanpassingen te doen óf terug te gaan naar een andere oplossing. Strooker: “We hebben ons altijd afgevraagd: als we deze oplossing gaan implementeren, wat zijn daar dan de gevolgen van? Daardoor hebben we nooit een verkeerde oplossing gekozen. Van tevoren maakten we altijd eerst een subselectie. Vaak hebben we zelfs twee dingen geïmplementeerd en twee keer een proof of concept gedaan om vervolgens pas een keuze te maken. Dat heeft echt zijn vruchten afgeworpen.”
Dit sluit aan bij de modulaire aanpak die hoort bij de Unix-filosofie van felyx, legt Stroosnier uit. “We bekijken steeds stukjes in onze architectuur en zoeken daar een oplossing voor. Dit heeft ons geholpen om de juiste keuzes te maken én ons de flexibiliteit gegeven om eventueel nog op tijd links- of rechtsaf te kunnen slaan. Dat is denk ik een hele wijze les voor andere bedrijven.”
Les 6: kies voor een schaalbaar datamodel
Stroosnier: “Achteraf is het makkelijk praten, maar van tevoren hadden we beter moeten nadenken over het datamodel, zodat het wat schaalbaarder was geweest naar de toekomst toe. Nu hebben we een beetje een pragmatische route gekozen omdat we merkten dat we er vooraf niet goed genoeg over na hebben gedacht.”
Het resultaat telt
Door alleen de lessons learned op te sommen, zou een negatief beeld kunnen ontstaan. Stroosnier en Strooker benadrukken dat er vooral ook heel veel goed is gegaan en dat het resultaat staat als een huis. Strooker: “Ik ben echt heel enthousiast over de technische toolstack die we nu hebben. Je ziet nu overal verbeteringen ontstaan in de kwaliteit van de data en de snelheid waarmee we dingen bouwen. Het is uiteindelijk ons werk om informatie te geven aan en voorspellingen te doen voor onze eigen medewerkers. Dat doen we nu veel sneller en beter. Dat komt trouwens ook doordat we nu overal de juiste data-analisten, data engineers en data scientists hebben.”
Dit alles leidt tot een aardige reeks aan concrete resultaten. Denk aan minder dingen die kapot gaan, hogere datakwaliteit, sneller kunnen werken, meer mensen die tegelijkertijd met tools kunnen werken, verbeterde operationaliteit, meer scooters die beschikbaar zijn voor klanten, meer inzicht in de klanten, betere klantbediening en efficiënter werken.
Stroosnier: “We zijn nu veel meer in control over ons data warehouse. Zowel qua performance als kostenbeheersing. We kunnen zien hoe het performt én dat tegen acceptabele kosten doen. Binnen ons groeimodel, waarbij onze scootervloot ieder jaar verdubbelt, wil je beide aspecten inzichtelijk en onder controle hebben.”
