Data- en AI-vaardigheden voor industrie, energie en logistiek

In industrie, energie en logistiek is data eerst operationeel en pas daarna analytisch. Sensormetingen, onderhoudslogs, verbruiksprofielen, route- en bezorgdata, veiligheidsrapportages. Het is er in overvloed, het zit vaak vast in systemen die nooit bedoeld waren om met elkaar te praten, en de mensen die er het dichtst bij staan zijn zelden de mensen met de dashboards.

Dat levert een specifiek gat op. Het hoofdkantoor bouwt modellen en rapportages; de planners, engineers en locatiemanagers in de werkmaatschappijen hebben de context die die modellen kloppend zou maken, en er is geen gedeelde taal om die over te dragen. Een programma dat alleen het centrale analyticsteam opleidt, maakt dat gat groter in plaats van kleiner.

Daar komt de spreiding bij: meerdere werkmaatschappijen, meerdere landen en talen, en een agenda die door de operatie wordt bepaald en niet door een opleidingsplan. Plus een veiligheidscultuur die terecht vraagt wat er gebeurt als een model het mis heeft, en daarom moet AI-werk hier binnenkomen met governance er al aan vast.

Het gedrag waar het om gaat zit in de werkmaatschappijen, niet alleen op het hoofdkantoor: een planner of engineer die begrijpt waar een model op aanslaat en het zegt wanneer dat niet strookt met wat die uit de operatie weet. Juist die ene gewoonte maakt van een analytics-investering iets dat werkt, en het is precies de gewoonte die een pilot op het hoofdkantoor nooit opbouwt.

Daarvoor is kennis nodig van hoe de data daar terechtkwam en wat ze weglaat, vaardigheid in de tools die mensen al hebben, geoefend in de browser in plaats van bekeken, en een gedeelde taal tussen de werkmaatschappijen en de analisten zodat context daadwerkelijk wordt overgedragen. Heeft een klant een eigen AI-beleid, dan gaat dat beleid het programma in, zodat wat mensen leren en wat ze mogen hetzelfde is.

Adoptie over locaties en landen heen is het lastige deel. Champions per locatie, live sessies die rond de operationele agenda worden gepland, en een overdracht aan jullie eigen L&D zodat de community het programma overleeft. De groei wordt gemeten vanaf een nulmeting vóór de start en afgezet tegen andere organisaties.

De SHV Energy Data & AI School is onze grootste samenwerking tot nu toe. Die is in de zomer van 2026 van start gegaan en bereikt tot 6.000 medewerkers in onder meer Nederland, Italië en Brazilië, met het eigen AI-beleid van SHV Energy verwerkt in het programma in plaats van ernaast.

Bij PostNL hebben we Effective Prompting for Everyone gelanceerd, dat naar 4.000 collega's gaat die praktijkervaring met AI opdoen en leren het in hun eigen dagelijkse werk te gebruiken.

Het helpt bovendien dat we zelf aan die kant van de tafel hebben gezeten. Medeoprichter Nanne Veldman werkte jarenlang bij een wereldwijd energieconcern voordat hij Data Booster begon. Daarom is dit programma gebouwd rond werkmaatschappijen, locaties en landen in plaats van rond één pilot op het hoofdkantoor.