Een praktische AI/Data/Tech-kijk op CARU

Waarom CARU

Wat ik zie als ik naar CARU kijk.

Drie observaties op basis van publieke informatie: jullie site, het vacatureveld, het Impact Report en wat er over jullie geschreven wordt. Hypotheses, geen diagnose.

01 · Markt & timing

Containermarkt in een nieuwe fase

25 jaar na de fusie zit CARU op een moment waarop consolidatie, digitalisering en duurzaamheidsrapportage (CSRD, Omnibus) tegelijk om aandacht vragen. Dat is een zeldzaam venster om technologie als strategisch wapen neer te zetten in plaats van als kostenpost.

02 · Data als asset

Tien landen, één waarheid

Met 125.000 containers per jaar, tien kantoren en tientallen ERP-, sales- en operationsystemen is de echte vraag niet "komen er dashboards bij", maar: kan één laag over tien landen dezelfde order of container op dezelfde manier beschrijven? Die laag bestaat waarschijnlijk nog niet.

03 · AI is er al

Van experiment naar operating model

Copilot, Claude, Mendix, Logic Apps: er draait al veel in productie. De sprong die nu voor ligt is van losse AI-features naar één governancemodel: dezelfde manier van werken, dezelfde risicoafweging, dezelfde datakwaliteit. Over tien landen.

02 Opportunity map

Waar ik de komende twaalf maanden naar zou kijken.

Vijf kansen die ik plausibel vind op basis van wat ik nu zie. Geen volledige strategie, geen commitment. Wel een startpunt voor een gesprek over wat jullie zelf het meest zouden wegen.

Klant & salesMiddel risico

Customer intelligence layer over tien landen

Klantdata uit ERP, webshop (zeecontainer.nl), sales tooling en support samenbrengen in één intelligence-laag. Doel: voorspelbare segmentatie, churn-signalen, upsell-prikkels en consistente servicekwaliteit.

Eerste experiment: Verbind één land (bijvoorbeeld Duitsland) als proef, twee databronnen, één segmentatie-output.
Risico: GDPR-grenzen per land, verschillende velddefinities.
Wat ik meet: Tijd van signaal tot actie, conversie op geïdentificeerde segmenten.

AI in productieHoger risico

AI-copilots voor accountmanagers en operations

Rol-specifieke copilots die zoek-, rapportage- en repetitieve beslisvoorbereiding wegnemen. Niet "ChatGPT voor alles", maar scherp gedefinieerde workflows met duidelijke kwaliteitsgrenzen.

Eerste experiment: Eén copilot voor accountmanagers die CRM-data + orders + interne prijslijsten combineert voor offertevoorbereiding.
Risico: Hallucinatie, lekkage van klantdata via LLM-API's.
Wat ik meet: Tijd per offerte, acceptatiegraad, NPS bij klant na implementatie.

Data & platformLager risico

Data product operating model

Van dashboards-als-output naar herbruikbare data-producten met eigenaren, SLA's en business-metrics. Past bij Hallo's patroon: ownership op data = betere beslissingen, minder dubbel werk.

Eerste experiment: Eén data product: container-availability per land/datum, één eigenaar, één consumer (sales).
Risico: Geen eigenaarschap = niemand voelt zich verantwoordelijk.
Wat ik meet: Aantal actieve data-producten, gebruikers per product, beslissingen die erop leunen.

Org & governanceHoger risico

AI-governance die tien landen overbrugt

Eén gezamenlijke aanpak voor verantwoord AI-gebruik: ethiek, bias-monitoring, datakwaliteit, change-management. Niet als afdeling ertussen, maar ingebed in hoe elk land AI-feature tot productie brengt.

Eerste experiment: Drie maanden één land + één AI-feature onder volledige governance, daarna uitrollen.
Risico: Governance wordt bureaucratie als het niet aan ontwikkelsnelheid koppelt.
Wat ik meet: Tijd van idee tot productie, audit-readiness, incidenten.

Data & platformMiddel risico

Platform consolidation over ERP-landschap

Eén API-first, event-driven integratiepatroon over alle ERP-koppelingen, Mendix, Logic Apps en lowcode. Geen rip-and-replace, wel één rugdekking van architectuur.

Eerste experiment: Alle nieuwe koppelingen via één standaardpatroon, drie legacy-koppelingen migreren in Q1.
Risico: Operationele verstoring tijdens migratie.
Wat ik meet: Aantal integratiepatronen, uptime, time-to-market voor nieuwe koppelingen.

03 Strategy canvas

Een hypothesis canvas, geen diagnose.

Zes assen waarop ik CARU hypothetisch positioneer, op basis van publieke informatie. Beweeg de sliders om te zien wat verschuift, en waar mijn aannames het meest voor discussie vatbaar zijn.

De oranje lijn is mijn hypothese op basis van wat ik nu zie. Bewegen kan, en mag, want dit is geen audit, het is een startpunt voor een gesprek.

Data maturity55

AI in productie60

Platform schaalbaarheid50

Product velocity45

Governance65

Operating model55

04 Eerste 90 dagen

Geen cowboy, geen consultant.

Hoe ik de eerste drie maanden zou aanpakken. Luisteren en snappen, dan pas voorstellen. Niets live zetten zonder dat het team erachter staat.

Dag 0 tot 30

Luisteren, in kaart brengen

Business-, product-, engineering-, data- en operationsleiders ontmoeten, in elk land
Huidige systemen, datastromen, pijnpunten en team-topologie in kaart
Onderscheid maken tussen wat echt strategisch is en wat lawaaierig voelt
Quick wins en structurele blokkades identificeren

Dag 31 tot 60

Prioriteren, prototypen

Drie tot vijf AI/data/tech-bets definiëren, met eigenaarschap per bet
Valideren met business owners, niet alleen met IT
Lichtgewicht prototypes bouwen waar ze iets opleveren
Metrics, eigenaarschap en risicogrenzen vastleggen

Dag 61 tot 90

Leveren, systematiseren

Eén of twee initiatieven op productie-pad zetten, niet meer
Operating model aanscherpen: wie beslist wat, hoe snel
Governance die vertrouwen geeft zonder bureaucratie
Roadmap, architectuur en teamverantwoordelijkheden op één lijn

05 Principes

Wat ik meeneem, ongeacht de situatie.

Vijf principes die ik in elke context toepas. Niet nieuw, niet origineel, maar wel wat je consistent kunt verwachten.

01

AI moet nuttig zijn, niet indrukwekkend

Als een AI-feature geen workflow, beslissing of klantervaring verandert, is het theater. Ik begin bij het probleem, niet bij het model.

02

Data is een product, geen bijproduct

Belangrijke datasets verdienen eigenaren, contracten, kwaliteitsstandaarden en duidelijke afnemers. Anders is het een data-sump in plaats van een asset.

03

Architectuur versnelt, niet verfraait

Het beste platform is het platform dat teams helpt om veilig en herhaaldelijk te leveren. Zuiverheid is geen doel op zich.

04

Governance geeft vertrouwen

Verantwoord AI-gebruik, privacy en security horen in de delivery, niet als paniek-laag achteraf.

05

Teams winnen van tools

Het operating model is belangrijker dan welk model, vendor of framework deze maand in de mode is.

06 Relevant bewijs

Een paar dingen die ik recent heb gedaan.

Geen cv. Wel vier momenten die relevant zijn voor hoe ik over deze rol denk. Selectief, niet uitputtend.

2 → 25+ FTE

Engineering en data geschaald bij Hallo

Drie jaar om een engineering-, data- en SRE-organisatie op te bouwen van twee naar ruim 25 mensen, met voorspelbare delivery via OKR's. Geen groei door aannames alleen, maar door ritme, eigenaarschap en duidelijke kwaliteitsstandaarden.

+30% / +40%

Lead-to-cash transformatie

API-first, event-driven platform voor lead-to-cash: dertig procent meer throughput, veertig procent meer voorspelbaarheid. De les: architectuur is geen keuze meer, het is een randvoorwaarde voor schaal.

≥15%

AI-processen in productie

AI-copilots voor accountmanagers, sentiment-analyse op telefoongesprekken voor kwaliteitscoaching, AI-ondersteunde support voor first-time-right. Drie workflows, aantoonbare efficiency-winst, hogere NPS en CSAT.

12+ integraties

M&A in tech-context

Twaalf technische integraties begeleid, van eenmans-edtech tot volwassen MSP-praktijken. Eén keer goed fout gedaan is voldoende om te weten hoe 't voelt als integratie mislukt, en hoe 't voelt als 't lukt.

07 Wat ik zou vragen

Vragen die ik in een eerste gesprek zou stellen.

Niet om te laten zien dat ik alles al weet, maar om te zien waar mijn hypotheses het meest wringen met de werkelijkheid.

Q · 01

Welke beslissingen worden bij jullie nu het meest vertraagd door gebrek aan vertrouwde data?

Q · 02

Welke AI-use cases zijn al geprobeerd, en welke zijn wel of juist niet opgeschaald, en waarom?

Q · 03

Waar levert technologie nu de meeste leverage op, en waar is het vooral frictie?

Q · 04

Wat zou de Head of Data & Technology in het eerste jaar écht moeten veranderen om verschil te maken?

Q · 05

Wat is de grootste bottleneck: strategie, executie, architectuur, talent, governance of alignment?

Q · 06

Wat mag er absoluut niet breken terwijl we moderniseren?

Geen pitch, geen belofte.

Wel een gesprek. Twintig minuten, jullie agenda, kijken of dit ergens toe leidt. Of juist niet, dan is dit in elk geval een nette manier geweest om kennis te maken.

Mail Henny Bel · +31 6 139 47 65 LinkedIn