The Information Lab Netherlands en Nimbus Intelligence Netherlands gaan in Nederland verder onder één merk: DDBM. De bedrijven bundelen hun teams om klanten te helpen met data-analyse, dashboards en algoritmen. Ze willen zo sneller leveren en één aanspreekpunt bieden. De stap speelt in op vraag naar veilige en uitlegbare systemen en op de Europese AI-verordening, die gevolgen heeft voor overheid en bedrijfsleven.
Nieuwe merknaam DDBM
DDBM wordt het gezamenlijke merk voor advies en uitvoering rond data en kunstmatige intelligentie. De twee Nederlandse teams blijven actief voor bestaande en nieuwe klanten. Zij combineren ervaring in business intelligence met kennis van datamodellen. Het doel is om strategie, bouw en beheer in één pakket te leveren.
De keuze voor één merk moet versnippering verminderen. Klanten krijgen zo één contract en één projectstructuur. Dat kan besluitvorming versnellen en faalkosten verlagen. Het past bij de trend dat organisaties minder leveranciers willen voor hun dataplatform.
Financiële details over de samenvoeging zijn op het moment van schrijven niet gedeeld. Ook is nog niet bekendgemaakt welke interne functies wijzigen. Wel ligt de nadruk op continuïteit voor lopende projecten. Support en SLA’s blijven volgens de aankondiging doorlopen.
De merknaam DDBM zet data en bedrijfswaarde centraal. De combinatie van analyse en advies moet meetbare resultaten geven. Denk aan kortere doorlooptijden, lagere kosten en betere rapportages. Dat zijn bekende knelpunten bij dataprojecten in Nederland.
Eén loket voor data
DDBM positioneert zich als partner voor de hele keten: van dataverzameling tot besluitvorming. Dat begint bij datastrategie en datakwaliteit. Daarna volgen bouw van modellen en dashboards. Tot slot komen adoptie, training en beheer.
Techniek blijft middel, niet doel. Het bedrijf zegt te werken met bewezen methodes en herbruikbare bouwblokken. Zo kunnen teams sneller kleine releases opleveren. Dat verkleint risico’s bij complexe migraties naar de cloud.
Voor organisaties zonder groot datateam is zo’n “één loket”-aanpak vaak aantrekkelijk. Zij hoeven minder zelf te coördineren. Ook is de overdracht van kennis overzichtelijker. Dat helpt bij wisseling van personeel of bestuur.
Tegelijk vraagt deze aanpak om strakke afspraken over eigenaarschap. Wie beheert de brondata, en wie beslist over wijzigingen? Duidelijke rollen en documentatie zijn nodig. Dat voorkomt discussies over kwaliteit en aansprakelijkheid.
Business intelligence is het verzamelen en analyseren van data om betere besluiten te nemen.
Nederlandse klanten centraal
De samenvoeging richt zich op sectoren waar datagedreven werken snel groeit. Denk aan overheid, zorg, onderwijs en industrie. Deze organisaties hebben vaak veel brondata, maar versnipperde systemen. Een praktisch stappenplan is daar belangrijker dan grote beloftes.
Voor publieke instellingen speelt naast inzicht ook transparantie. Rapportages moeten uitlegbaar zijn voor burgers en de gemeenteraad. Dat betekent heldere definities en herleidbare cijfers. DDBM zegt hier standaarden en sjablonen voor te gebruiken.
In de zorg en het mkb tellen snelheid en kosten extra mee. Kleine teams willen snel resultaat zonder zware beheerlast. Herbruikbare datamodellen en training verlagen de drempel. Zo blijft de kennis niet hangen bij één expert.
Ook dataveiligheid is een vast onderdeel van projecten. Nederlandse organisaties eisen hosting binnen de EU of passende waarborgen. Dat sluit aan bij interne beleidseisen en inkoopkaders. Een duidelijke dataclassificatie voorkomt verrassingen later.
AI-verordening raakt klanten
De Europese AI-verordening (AI Act) stelt nieuwe regels voor systemen met een hoog risico, zoals algoritmen voor werving of kredietbeoordeling. Organisaties moeten dan documentatie, monitoring en menselijk toezicht aantonen. Ook moeten datasets representatief en relevant zijn. DDBM kan hierbij processen en tooling inrichten.
Voor overheden zijn de “Europese AI-verordening gevolgen overheid” concreet. Denk aan risicobeoordelingen, registratie en impactanalyses. Leveranciers moeten meewerken met technische dossiers. Dat vergt samenwerking tussen juristen, data engineers en bestuurders.
De AVG blijft daarnaast leidend bij alle dataprojecten. Dataminimalisatie en versleuteling horen standaard in het ontwerp. Ook is een DPIA nodig bij gevoelige toepassingen. Training van medewerkers helpt fouten en bias te voorkomen.
Transparantie wordt zo een onderscheidende factor. Heldere uitleg over modelkeuzes vergroot vertrouwen. Dat geldt ook voor simpele modellen, zoals scoringsregels. Minder complex kan soms beter uitlegbaar én veiliger zijn.
Wat wel en niet verandert
Voor klanten blijven lopende implementaties en servicekanalen beschikbaar. Contractuele afspraken lopen door, tenzij anders overeengekomen. De planning van projecten blijft intact. Zo moeten de dagelijkse processen niet stilvallen.
Wat nieuw is, is de integrale aanpak onder één vlag. Strategie, techniek en adoptie komen bij één team. Dat kan de overdracht tussen fases verminderen. Tegelijk vraagt het om duidelijke kwaliteitsnormen binnen DDBM.
Niet bekendgemaakt zijn op het moment van schrijven de langetermijnroadmap en eventuele nieuwe platformkeuzes. Ook certificeringen en partnerstatussen worden later verduidelijkt. Klanten kunnen intussen eisen vastleggen in serviceafspraken. Zo borgen zij continuïteit bij veranderingen.
De samenvoeging past in een bredere marktbeweging. Nederlandse organisaties kopen liever resultaat dan losse uren. Merken die advies en uitvoering combineren, spelen daarop in. DDBM zet zich met die propositie naast andere data- en AI-specialisten in de Benelux.
Kansen en aandachtspunten
De belangrijkste kans is sneller waarde uit data halen. Eén team kan knelpunten oplossen zonder overdracht. Dat maakt pilots korter en feedback sneller. De leercurve voor eindgebruikers wordt zo ook kleiner.
Belangrijke aandachtspunten zijn governance en privacy. Zonder eigenaarschap en datakwaliteit werkt geen enkel model goed. AVG-controles horen in elke sprint. Dit voorkomt later herstelwerk en reputatieschade.
Ook duurzaamheid speelt mee. Efficiëntere datamodellen en slimmere opslag besparen energie. Dat sluit aan bij ESG-rapportage en nieuwe CSRD-eisen. Een zuinig dataplatform is vaak ook goedkoper.
Tot slot blijft uitlegbaarheid van algoritmen cruciaal. Vooral bij besluiten die mensen raken, zoals toewijzing of selectie. Kies waar mogelijk voor eenvoudige, uitlegbare systemen. Complexiteit moet je kunnen verantwoorden, niet alleen bouwen.
