Van Azure Synapse naar Microsoft Fabric: bouwen aan een AI-ready dataplatform.

Transcript

1. VAN AZURE SYNAPSE NAAR MICROSOFT FABRIC Bouwen aan een AI-ready dataplatform www.tkf.nl
2. Voorstellen VICTA TKF Diane Roodhardt Stan Toorneman Data Management Data Engineer
3. Agenda 1. Aanleiding: TKF klantreis 2. Van Synapse naar Fabric 3. Toekomst: AI-ready dataplatform
4. Agenda 1. Aanleiding: TKF klantreis 2. Van Synapse naar Fabric 3. Toekomst: AI-ready dataplatform
5. INTRODUCTIE TKF TKF Highlights Opgericht in 1930 Oorsprong NL Productie faciliteiten 4 Medewerkers > 1.000 Beursgenoteerd: TKH Mega trends Elektrificatie Digitalisatie Duurzaamheid
6. Dataplatform = technologie + organisatie
7. VOLWASSENHEID IN VIER FASEN Roadmap 2024 – Voortgang 2026 2027 BEHEERD • Dagelijks inzicht in belangrijkste KPI’s • Project naar beheer: support & monitoring • Telecom: combinatie van D365 & BI voorziet in vraagstukken 2025 GEOPTIMALISEERD • Self Service BI & AI • Optimale inzet van AI binnen o.a. automatisering • Combinatie van D365 & BI voorziet in vraagstukken GEDEFINIEERD 2024 BEWUST • We moeten er iets mee?! 2023 • Strategie, beleid, processen. • Rollen & verantwoordelijkheden • Training en opleiding • Key-Users
8. HUIDIGE STATUS Milestones 2024 Governance KPI’s in BI Huidige situatie Beleid en processen Rollen en verantwoordelijkheden Trainingen Bedrijfsdoelstellingen in Power BI Definities en Ownership vastgelegd 150 unieke gebruikers per maand 67 rapportages 7 (bulk) integraties via het dataplatform 25+ bronnen 2025 2026 Technische opzet Livegang ERP: Dynamics 365 Azure Synapse Fabric Ready Eerste Business Unit 1 tool
9. DE AFWEGING DESTIJDS Fabric ready, maar toch nog Synapse? Dynamics 365 Volwassenheid Fabric Stabiliteit Grootste IT project Preview of in ontwikkeling Van het platform
10. WAAR WERKEN WE AAN? Projecten 2026 ERP: uitrol Dynamics 365 Synapse naar Fabric Carve-Out BV 1 Data slimmer gebruiken: AI en Automation BV 1 BV 2
11. VIJF REDENEN Waarom nu wel Fabric? OneLake als basis Kosten Beheer Eén centrale bron Shortcuts in plaats van kopieën Sturen op performance Eén platform, beter overdraagbaar OTAP Ruimte tussen projecten Toekomst en behoefte D365 in voorbereidende fase AI, Fabric Apps, automatisering en Purview
12. Agenda 1. Aanleiding: TKF klantreis 2. Van Synapse naar Fabric 3. Toekomst: AI-ready dataplatform
13. AANPAK · SYNAPSE → MICROSOFT FABRIC Eerst het fundament, dan twee sporen FUNDAMENT Migratie naar Microsoft Fabric • • • Blueprint geautomatiseerd uitgerold Bestaande modellen gemigreerd en verbeterd Huidige rapportages gekoppeld aan het nieuwe dataplatform Carve-out Telecom AI & automatisering
14. DE VICTA FABRIC BLUEPRINT Beginnen bij de vraag, niet bij de inrichting SNELHEID ACHT COMPONENTEN Kortere opstartfase CONTINUÏTEIT Kennis in de structuur Medallion-architectuur Metadatagedreven orchestratie Versiebeheer en deployment Vaste naamgevingsconventies Governance by design Gestandaardiseerde autorisaties Logging en monitoring Standaarddocumentatie COMPLIANCY Aantoonbaar in control
15. DE MIGRATIE IN CIJFERS Niet gekopieerd, maar opnieuw ingericht 233 Notebooks 24 Lakehouses 20 Pipelines 28 Rapporten
16. GEEN LIFT-AND-SHIFT Onze ervaring Voor - Synapse-landschap Na - Microsoft Fabric Losse componenten en tools OneLake als centrale basis Aparte opslag en compute Shortcuts in plaats van kopieën Aanhoudende kostenstijging Direct Lake op rapportage Beheer groeit mee Sturen op performance AI moeilijk te ondersteunen Monitoring, ook op datakwaliteit
17. WAT VIEL MEE, WAT VIEL TEGEN Onze ervaring Viel mee Viel tegen • Fabric voelt herkenbaar • Migratie is geen 1:1 overgang • Parallel draaien: eindgebruiker • Semantische modellen kosten tijd • Performance verbetering • Validatie, toegang en connectiviteit • Shortcuts: minder kopieën • Migreren én moderniseren
18. MET DE KENNIS VAN NU Lessons learned: Als we opnieuw zouden beginnen 1. Regio bewuster kiezen (en tijdig aanvragen) Fabric Link 2. Semantische modellen eerder standaardiseren Power Query en handmatige kolommen vermijden (Direct Lake) 3. Freezeperiode duidelijk afspreken Heldere afspraken zolang twee platformen draaien
19. Agenda 1. Aanleiding: TKF klantreis 2. Van Synapse naar Fabric 3. Toekomst: AI-ready dataplatform
20. AI-READY DATAPLATFORM Wat maakt het AI-ready? Betrouwbaar Beheersbaar Veilig Schaalbaar Herleidbaar
21. TOEPASSINGEN Eén basis, uiteenlopend gebruik Dashboards Rapportages Selfservice Signalering Apps Integraties AI & agents Voorspellen
22. GEEN KNOP, MAAR EEN FUNDAMENT Wat betekent AI-ready voor TKF? Betrouwbare data Eenduidige definities Kwaliteit die je kunt aantonen (incl. monitoring en herleidbaarheid) Eén betekenis van KPI's en begrippen Toegang & Governance Eén fundament (OneLake) Rechten, classificatie, compliance (Purview) BI, AI en integraties op dezelfde bron
23. VAN VRAAGSTUK NAAR TOEPASSING Twee AI-vraagstukken VRAAGSTUK 1 VRAAGSTUK 2 Omzetgegevens Kwaliteit Ad-hoc vraag om een analyse Lastig te analyseren data Zelfde fundament, ander gebruik - beide nog in ontwikkeling
24. USE CASES Vraagstuk 1: omzetgegevens “ Use Case Zou je voor mij een tabblad kunnen toevoegen met de analyse van de top 10 klanten over de laatste 12 maanden per omzet in artikelgroep X? • Traditional BI - wij bouwen het • Selfservice BI - model staat klaar • AI - beantwoordt de vraag zelf Van vraag naar antwoord Situatie Sales-rapportage is beschikbaar Aanpak Drie routes op dezelfde data Wat het oplevert Sneller antwoord, minder stappen, minder werk voor het data team
25. USE CASES Vraagstuk 2: kwaliteit “ Use Case Een foutmelding in het proces levert verderop afval, meerverbruik of een nieuwe foutmelding op. Hoe vang je dat af? Van vraag naar antwoord Situatie Het datavraagstuk is breder dan een rapportage Aanpak Rapporteren, analyseren, voorspellen, AI • Niet af te vangen in rapportages • Effect ontstaat ergens in het productieproces • Analyse is nu (veel) handmatig werk Wat het oplevert Verbeterde KPI's: afval, meerverbruik, FTR
26. USE CASES Van rapporteren naar voorspellen Rapporteren Analyseren Voorspellen AI “Wat is er gebeurd?” “Waarom is het gebeurd?” “Wat gaat er gebeuren?” “Wat kunnen we ermee doen?” Datamodel voor analyses, met support van AI Alerts via Power Automate Aanbevelingen als input; de collega beslist KPI’s voor afval, meerverbruik en FTR in beeld Einddoel: minder afval, minder meerverbruik, hogere first-time-right
27. RESULTATEN TOT NU TOE Resultaat ≈ €70k lagere platformkosten per jaar ≈ 65% verbetering in performance van gehele doorlooptijd Klaar voor verdere groei Fundament voor AI schaalt mee met de verdere uitrol van D365 en de mogelijkheden die Fabric ons biedt BI, AI en integraties op dezelfde bron
28. DRIE DINGEN OM TE ONTHOUDEN Samengevat • Migreer niet omdat het kan Begin bij het probleem dat je oplost • AI begint niet bij AI (en BI niet bij BI) Betrouwbare, georganiseerde data met een duidelijke Governance • Fabric is voor ons geen eindpunt Fundering voor hoe we verder werken
29. MEER WETEN? Meer weten over onze aanpak? Loop even langs bij onze stand Je vindt ons bijna direct bij de uitgang van deze zaal. Previder & Victa | Stand 140 VICTA TKF Diane Roodhardt Stan Toorneman Data Management Data Engineer