Case Studies

Het Overbelaste Sales Team

De meeste weken zagen er voor het salesteam hetzelfde uit: tientallen nieuwe aanvragen voor offertes, telkens net iets anders. Sommige kwamen van vaste klanten die snelle antwoorden verwachtten, andere van nieuwe prospects die “gewoon een schatting” wilden. Maar achter elke offerte zat een bekend hoofdpijndossier: een lange reeks e-mails en berichten tussen sales en engineering om kosten, haalbaarheid en configuraties te bepalen. Tegen de tijd dat de cijfers klopten, was de interesse soms alweer afgekoeld en waren beide teams uitgeput en gefrustreerd.

Toen we instapten, kwamen we niet meteen met een tool. We begonnen met een gesprek: een productieve middag waarbij sales, engineers en zelfs enkele projectmanagers samen rond een whiteboard stonden. We volgden de reis van één enkele offerte, van inbox tot oplevering. Patronen werden snel duidelijk: herhaalde communicatie, onduidelijke aannames en een wirwar aan goedkeuringen die weinig waarde toevoegden. Bovendien was het niet duidelijk wie verantwoordelijk was voor de risicocomponent die elke offerte heeft. Sales wilde lagere prijzen, engineering wilde alle mogelijke risico’s afdekken. Een risicomodel ontbrak duidelijk.

In plaats van een top-down systeem op te leggen, ontwierpen we samen een slimmere workflow. We bouwden een offerte-interface die gestandaardiseerde input van sales verzamelde, direct gekoppeld was aan de kostenmodellen van engineering, en automatisch basisramingen genereerde terwijl bijzondere gevallen werden gemarkeerd voor menselijke beoordeling. Ook introduceerden we een risicomodel dat rekening hield met de volledige levenscyclus van een offerte, en een verantwoordelijke die risico’s en prijs zorgvuldig zou balanceren. Het ging niet om automatiseren om het automatiseren zelf. Het ging om mensen bevrijden van onnodige rompslomp.

De eerste maand na de lancering gingen offertes twee keer zo snel de deur uit. Misverstanden namen sterk af. Maar belangrijker nog: de toon tussen de teams veranderde. Sales hoefde niet langer “sorry” te zeggen dat ze engineering lastigvielen; engineers gingen offerteaanvragen niet langer uit de weg.

Een teamleider verwoordde het perfect:

“Het voelt eindelijk weer alsof we dingen sámen bouwen, in plaats van verzoeken over de schutting te gooien.”

Het Versnipperde Deep Learning Team

Het onderzoeks­laboratorium zat vol slimme mensen: data scientists, ML-engineers en onderzoekers die de grenzen van wat modellen kunnen verlegden. Maar hun workflow was een doolhof geworden van notebooks, scripts en persoonlijke conventies. Iedereen had een andere setup, een eigen manier om datasets te ordenen en een eigen automatiseringsaanpak. Sommigen gebruikten Docker, anderen virtuele omgevingen. Model-checkpoints kregen mysterieuze namen zoals “test_final_v5_goodthisone.h5”

Ondanks hun technische vaardigheden vertraagde de voortgang. Het opzetten van nieuwe experimenten kostte dagen. Resultaten reproduceren was frustrerend onbetrouwbaar. En zelden, maar gevaarlijk, wist niemand zeker welke codebase de versie in productie vertegenwoordigde. Deadlines stapelden zich op en het team greep steeds vaker naar snelle oplossingen: pleisters op diepere structurele problemen.

Toen we instapten, viel iets op: het team wíst al dat er iets moest gebeuren. Meerdere leden hadden gedeeltelijke automatiseringsoplossingen voorgesteld, maar ieder had een ander idee over wat “de juiste aanpak” was. Niemand was het met elkaar oneens over het doel, maar tijd en gezamenlijke focus ontbraken.

Onze rol was niet om te vertellen wat ze moesten doen, maar om structuur en gezamenlijke richting te brengen. We organiseerden korte werksessies om elke terugkerende frustratie in kaart te brengen: omgeving­verschillen, labelings­overhead, verloren logs, afhankelijkheidschaos. Samen ontwierpen we een uniforme workflow die het opzetten van omgevingen automatiseerde, data­verwerking standaardiseerde en alle experimenten traceerbaar maakte, zonder de flexibiliteit voor onderzoek te beperken.

Het resultaat was een team dat eindelijk snel én consistent kon werken. Automatisering was niet de echte doorbraak. Alignment was dat wel. Met een gedeeld systeem wist iedereen hoe alles samenhing en kon men zich weer richten op experimenteren.

“We hadden zoiets waarschijnlijk zelf kunnen bouwen, maar iemand met ervaring die ons rond één plan samenbracht maakte het verschil.”

De chaos verdween niet van de ene op de andere dag, maar het was niet langer de hoofdrolspeler. Het team kon zich weer concentreren op het echte werk, met vertrouwen dat hun software betrouwbaarder, reproduceerbaarder en beter begrijpbaar was voor collega’s die het later moesten aanpassen.