Toen we voor het eerst met TSA aan tafel zaten, was het probleem niet het ontbreken van data. TSA verwerkt dagelijks honderden veiligheidsmeldingen vanuit de bouw en industrie. De data was er — in overvloed.
Het probleem was dat de data niets deed. Meldingen kwamen binnen via formulieren, e-mail en een oud systeem dat al jaren niet was bijgewerkt. Alles werd opgeslagen, niets werd benut. Rapporten werden handmatig samengesteld. Trends waren onzichtbaar. En klanten vroegen steeds vaker: "Wat zien jullie eigenlijk in onze data?"
Dat was de vraag die het project in gang zette.
De werkelijkheid achter de data
Voordat we ook maar iets bouwden, wilden we begrijpen hoe meldingen er in de praktijk uitzagen. We lazen er honderden. Wat bleek: de data was inconsistent. Vrije tekstvelden zaten vol met afkortingen, dialectische schrijfwijzen, en omschrijvingen die tien keer hetzelfde incident beschreven op tien verschillende manieren.
Een structurele analyse was onmogelijk zolang de data zo ruw was. Maar de meldingen handmatig opschonen was geen optie — dat zou jaren kosten en daarna elke dag opnieuw moeten.
Hier kwamen AI en automatisering samen.
Wat we bouwden
We begonnen met een data pipeline die inkomende meldingen automatisch normaliseerde. Vrije tekstvelden werden geanalyseerd, gecategoriseerd en verrijkt. De AI herkende incidenttypes, locatiepatronen en risico-indicatoren — ook als de melding onvolledig of ongestructureerd was.
Daarna bouwden we een rapportagelaag die klantspecifiek was. Niet één standaardrapport voor iedereen — maar een rapport dat per klant liet zien wat er op hun locaties speelde, welke trends zichtbaar waren, en welke categorieën vaker voorkwamen dan gemiddeld.
- Automatische classificatie van meldingstypes via AI
- Trendanalyse per locatie, klant en periode
- Automatisch gegenereerde klantrapportages — geen handmatig werk meer
- Signalering van afwijkingen die menselijke opvolging vereisen
"Klanten krijgen nu inzichten die ze eerder nooit hadden. Dat verandert het gesprek volledig."
Wat het betekende voor de propositie
Dit is het deel van het verhaal dat me het meest bijblijft. We waren begonnen met een technisch probleem: data die niet werkte. Maar wat we uiteindelijk leverden, veranderde de manier waarop TSA zich positioneerde bij haar klanten.
Voorheen was TSA een partij die veiligheidsmeldingen verwerkte. Nu was TSA een partij die klanten inzicht gaf in hun eigen veiligheidspatronen — proactief, specifiek, en datagedreven.
Dat is geen klein verschil. Dat is het verschil tussen een dienstverlener en een strategische partner.
Het directieteam gebruikte de rapportages in hun eigen klantgesprekken. Ze konden nu aantonen wat ze zagen, patronen benoemen die eerder onzichtbaar waren, en concrete aanbevelingen doen op basis van echte data. "Dit hadden we altijd willen kunnen zeggen — nu kunnen we het onderbouwen."
De les voor elk bedrijf met data
Veel MKB-bedrijven verzamelen data maar weten niet wat ze ermee moeten. Ze gebruiken het reactief — als iemand iets vraagt, gaat iemand het uitzoeken. Maar de waarde van data zit in de patronen die je ziet als je het structureel analyseert.
Die stap — van ruwe data naar werkend inzicht — hoeft niet groot te zijn. Het begint met één databron, één vraag die je wil beantwoorden, en een pipeline die dat structureel doet. Van daaruit bouw je.
Kernobservatie
Data die je al hebt, kan je propositie veranderen. Maar alleen als je hem werkend maakt. Niet opslaan en vergeten — structureren, analyseren, en laten spreken.
Wil je meer weten over hoe dit project precies verliep, welke techniek we gebruikten en wat de meetbare resultaten waren?