We kennen het patroon inmiddels goed. Een organisatie investeert maanden in de selectie van een Advanced Planning System. De business case is solide, de leverancier is gekozen, het projectteam staat klaar. En dan — ergens halverwege de integratietests — begint het te schuren.
Niet aan de software. Niet aan het projectteam. Aan de data.
Lot-sizing parameters die niet kloppen met de productieversiebeheer. Leverancierslocaties zonder leadtimes. Materiaalstambeheer dat per vestiging anders is ingericht. Stuk voor stuk zaken die intern “altijd zo werkten”, maar die een planningsalgoritme volledig op het verkeerde been zetten.
Bij TriadeTech zien we dit in vrijwel elk APS-traject terugkomen. Niet omdat organisaties nalatig zijn — maar omdat data in de loop der jaren organisch is gegroeid, terwijl de systemen die ernaar kijken steeds veeleisender worden. En een APS is veeleisender dan wat dan ook.
De stille saboteur van elk APS-project
Uit recent McKinsey-onderzoek onder 80 bedrijven blijkt dat 65 procent van de APS-programma’s de verwachte ROI niet haalt. Datamanagement staat in de top vijf van oorzaken. Wat wij daaraan toevoegen vanuit de praktijk: het is zelden de technologie die tekortschiet. Het is de data die eraan ten grondslag ligt.
De pijn zit hem vooral in het moment van ontdekking. Wie dataproblemen tegenkomt tijdens de integratietestfase, heeft een probleem. Testlijnen lopen vast, remediatie wordt crisis management, en het projectteam dat eigenlijk bezig zou moeten zijn met het verfijnen van algoritmes en acceptatietesten, is nu bezig met het opsporen van ontbrekende velden.
Dat kost tijd. En geld. In onze ervaring kan dit de testtijdlijn verdubbelen en 15 tot 20 procent aan extra projectkosten met zich meebrengen.
Het goede nieuws: het is te voorkomen. En organisaties die dit goed aanpakken, halen hun go-live drie tot zes maanden eerder, presteren 50 procent beter in de testfase, en bouwen tegelijk aan een fundament dat klaarstaat voor de volgende stap — agentic AI in de supply chain.
“De organisaties die wij zien slagen, beginnen niet met het systeem. Ze beginnen met de vraag: is onze data klaar om dit systeem te voeden?”
Mens, Proces en Techniek: drie pijlers, één fundament
Bij TriadeTech hanteren we een aanpak die we in de loop der jaren hebben aangescherpt op basis van tientallen implementaties in uiteenlopende sectoren. Die aanpak rust op drie pijlers die elkaar versterken: Mens, Proces en Techniek. Niet als losstaande aandachtspunten, maar als een samenhangend geheel. Want een dataprobleem is zelden puur technisch. Het is bijna altijd ook een mensen- en procesprobleem.
Mens — eigenaarschap maakt of breekt het
De meest onderschatte variabele in elk datatraject is de mens. Niet de kwaliteit van de data zelf, maar de vraag: wie voelt zich eigenaar?
In de praktijk zien we vaak dat data “van iedereen” is — en dus eigenlijk van niemand. Productieplanners vullen stamgegevens aan als het uitkomt. IT beheert de velden maar kent de businesslogica niet. De master data manager heeft geen mandaat om te escaleren.
Wat werkt: elk datadomein — product, locatie, resource, klant, leverancier — krijgt een benoemde steward met een helder escalatiepad. Die persoon weet wat er van hem of haar verwacht wordt, ook naast de dagelijkse werkzaamheden. En leiderschap is zichtbaar betrokken: niet via statusrapportages achteraf, maar via vaste readiness-checkpoints die bottlenecks vroegtijdig blootleggen.
Een farmaceutisch bedrijf waarmee we samenwerkten, reduceerde haar datagebreken met meer dan 90 procent — niet door betere tooling in te zetten, maar door als eerste stap eigenaarschap helder te beleggen en een centrale datamanagementorganisatie in te richten.
Proces — structuur voorkomt brandjes blussen
Goede intenties zonder structuur leiden tot ad-hoc herstelwerk. Wat we keer op keer zien: organisaties die pas beginnen met datavoorbereiding als het projectplan er al ligt, lopen achter de feiten aan.
Onze aanbeveling is altijd hetzelfde: start drie maanden vóór de detailontwerpfase. Niet met grote schoonmaak, maar met een gestructureerde aanpak in fasen:
| Fase | Periode | Focus |
|---|---|---|
| Preontwerp | Maand −3 t/m 0 | Systeemtoegang, datacontracten, basislijn masterdata vastleggen. Datahiaten identificeren en teams mobiliseren. |
| Bouwen & testen | Maand 1–6 | Iteratieve kwaliteitssprints, voortgang via scorecards. MVP draaien op echte productiedata voor vroege gebruikersacceptatie. |
| Go-live & borging* | Maand 6+ | Continue monitoring. Data-KPI’s zichtbaar in plannersdashboards. Governance structureel verankerd. |
Herbruikbare data-mapping templates zijn hierbij een onderschat hulpmiddel. Meer dan 80 procent van de ERP-datavelden die nodig zijn voor planning is branchebreed gestandaardiseerd. Door niet telkens opnieuw definities en veldstructuren op te bouwen, kan een team al in week één rapporteren over datakwaliteit — en direct prioriteiten stellen.
Het resultaat van deze gestructureerde aanpak: herstelwerk gehalveerd, go-live versneld, en een testteam dat zich bezig kan houden met wat er echt toe doet.
Techniek — zichtbaarheid maakt datakwaliteit bestuurbaar
Pas als Mens en Proces op orde zijn, rendeert de investering in techniek volledig. Een AI-enabled DataOps-tool die integreert met het gemeenschappelijke datamodel is dan geen luxe maar een versneller.
Zo’n tool verbindt rechtstreeks met ERP- en APS-schema’s, voert supply-chain-specifieke beschikbaarheids- en consistentiechecks uit, en genereert scorecards per datadomein. Niet als eenmalige foto, maar als levend dashboard — continu bijgewerkt, met directe extracten voor broncorrectie zodra afwijkingen optreden.
Wat we in de praktijk zien: de waarde zit niet alleen in het opsporen van fouten, maar in het zichtbaar maken van voortgang. Planners en stewards zien exact hoe compleet en consistent hun data is op elk moment. Dat creëert eigenaarschap én vertrouwen — twee dingen die een APS-implementatie hard nodig heeft.
“Automatisering vervangt governance niet. Het maakt governance zichtbaar, meetbaar en continu.”
De toolset die we bij het eerdergenoemde farmaceutische bedrijf inzetten — gericht op datakwaliteitsbeheer, workflowmanagement en procesautomatisering — reduceerde de benodigde inspanning met meer dan 50 procent en versnelde de APS-lancering significant.
De brug naar morgen: agentic AI begint hier
Er is nog een reden waarom we dit gesprek nu urgent vinden. De supply chains van morgen draaien niet alleen op betere planningssoftware — ze draaien op agentic AI: systemen die autonoom afwijkingen detecteren, beslissingen nemen en bijsturen zonder menselijke interventie bij elke stap.
Die systemen zijn volledig afhankelijk van dezelfde datafundamenten die nu nodig zijn voor APS. Wie zijn datagovernance, -processen en -tooling nu op orde brengt, investeert dus niet alleen in een soepele APS-implementatie. Hij bouwt aan de infrastructuur voor de intelligente supply chain van de toekomst.
Dat is de strategische dimensie die dit onderwerp onderscheidt van een technisch project.
Wat wij meegeven
Na tientallen APS-trajecten is onze overtuiging helder: data is geen randvoorwaarde voor succes. Het is succes.
Niet de keuze van het systeem, niet de kwaliteit van de algoritmes, niet de snelheid van de implementatie — maar de kwaliteit, volledigheid en consistentie van de data die het systeem voedt. En die kwaliteit is geen toeval. Die is het resultaat van eigenaarschap bij de juiste mensen, van structuur in het proces, en van tooling die dat alles zichtbaar en beheersbaar maakt.
Mens. Proces. Techniek. In die volgorde. Altijd.
“De organisaties die wij het snelst zien groeien na een APS-implementatie, zijn niet de organisaties met de beste software. Het zijn de organisaties die hun data op orde hadden voordat de eerste ontwerpworkshop plaatsvond.”
Wil je weten waar jouw organisatie staat op het gebied van datareadiness — en wat de volgende stap is? Neem contact op met TriadeTech →
Cijfers en inzichten zijn mede gebaseerd op: McKinsey & Company, Operations Practice — “The quiet enabler: Data management best practices for APS deployments”, april 2026.