\n
Waarom data \u00fcberhaupt in lagen opdelen?<\/h3>\n
Het principe weerspiegelt klassiek datawarehouse-denken (Inmon, Kimball, Data Vault). Medallion geeft die separation-of-concerns-idee\u00ebn een moderne, lakehouse-native thuis. Teams hebben historische data nodig voor auditing en herladen, ge\u00efntegreerde views voor analytics en performance-geoptimaliseerde reads voor rapportering, vaak tegelijk. Lagen maken elke zorg apart beheersbaar.<\/p>\n
\n
De drie lagen<\/h3>\n
\ud83d\udfe4 Bronze, Ruw, \"as-is\"<\/strong> De landingszone. Data wordt as-is ingeladen, immutable, en opgeslagen in originele formaten (CSV, JSON, Parquet) voor de conversie naar Delta. Verrijkt met metadata zoals ingestion-timestamps en databronlabels. Ondersteunt zowel batch als streaming, en is waardevol voor debugging en historische herladingen.<\/p>\n \u26aa Silver, Opgeschoond en gefilterd<\/strong> Hier worden datakwaliteitsregels toegepast: datums corrigeren, speciale tekens verwijderen, formatteringsfouten rechtzetten. Historisatie gebeurt doorgaans met SCD2. De structuur blijft brongeori\u00ebnteerd maar is bevraagbaar en wordt gebruikt door operationele analyticsteams. Kolommen worden hernoemd voor leesbaarheid en er worden lichte conformaties aan enterprise-standaarden toegepast.<\/p>\n \ud83d\udfe1 Gold, Verfijnd op businessniveau<\/strong> Data wordt geharmoniseerd en ge\u00efntegreerd over bronnen heen, doorgaans gemodelleerd volgens de dimensionele Kimball-stijl (facts en dimensions). Complexe businessregels, berekeningen en verrijkingen leven hier. De output bestaat uit consumer-ready dataproducten met backwards compatibility en datacontracten voor downstream-gebruikers.<\/p>\n De businessvraag:<\/strong> Een groeiend e-commercebedrijf wil de impact van marketinguitgaven over kanalen heen begrijpen. Het project: een ge\u00efntegreerde ROI-analyse voor multichannel-advertentiecampagnes.<\/p>\n Databronnen:<\/strong> Facebook Ads and Google Ads.<\/p>\n Rapporteringsvereisten:<\/strong> Kost, impressies, clicks, opgesplitst per ad, campagne, attributie (1-daags venster) en demografie (leeftijd, geslacht, device, platform).<\/p>\n Facebook Insights stelt 134 velden beschikbaar plus extra parametercombinaties. Google Ads stelt 329 velden beschikbaar. De aanbeveling is simpel: laad alles wat de API's teruggeven.<\/p>\n Transformaties zijn in dit stadium minimaal: corrupte of onbruikbare records verwijderen, converteren naar Delta-formaat, verrijken met metadata (databron, ingestion-timestamp), en enkel partitioneren per datum als datavolume een bottleneck wordt.<\/p>\n Hier vallen de echte ontwerpbeslissingen. Facebook en Google gebruiken verschillende veldnamen voor dezelfde concepten, Optie 1, twee aparte brontabellen<\/strong> Houd een Facebook-silvertabel en een Google-silvertabel bij, elk opgeschoond en hernoemd volgens een gemeenschappelijke naamgevingsconventie. Simpel te bouwen, behoudt bronnuance, maar vereist later joinen of unionen.<\/p>\n Optie 2, \u00e9\u00e9n ge\u00efntegreerde ads-tabel<\/strong> Map beide bronnen naar \u00e9\u00e9n gedeelde tabel in Silver. Eenvoudiger voor downstream-consumenten. Belangrijk: documenteer de mappingbeslissingen duidelijk, Optie 3, Data Vault<\/strong> Modelleer entiteiten als Hubs, relaties als Links en metrics als Satellites. Modulairder en beter in het volgen van wijzigingen in relaties doorheen de tijd. Best geschikt voor complexe, langlevende enterprise-dataplatformen.<\/p>\n Optie A, dimensioneel model (Kimball)<\/strong> Bouw een Optie B, One Big Table (OBT)<\/strong> Denormaliseer alles in \u00e9\u00e9n brede tabel. Makkelijker voor analisten en self-service-rapportering, geen joins nodig.<\/p>\n Data governance<\/strong>, Alles in Bronze bewaren kan een GDPR-probleem worden. Toegangsrechten vragen duidelijke policies, zeker wanneer silvertabellen PII uit meerdere bronsystemen bevatten.<\/p>\n De menselijke factor<\/strong>, Medallion is een naamgevingsframework, geen rulebook. Zonder gedocumenteerde teamafspraken over wat in elke laag thuishoort, degradeert de architectuur tot inconsistentie en shadow pipelines.<\/p>\n![\"Medallion](\"https:\/\/sparkle.consulting\/wp-content\/uploads\/2026\/05\/medallion.jpg\")
<\/p>\n
\nPraktijkvoorbeeld: ge\u00efntegreerde Ad-ROI-analyse<\/h3>\n
![\"App](\"https:\/\/sparkle.consulting\/wp-content\/uploads\/2026\/05\/appfabric.jpg\")
<\/p>\n
\nBronze: laad alles<\/h4>\n
\n
\nSilver: drie opties voor modellering<\/h4>\n
cost_micros<\/code> vs spend<\/code>, ad_group<\/code> vs adset<\/code>, segments.age_range<\/code> vs age<\/code>, en sommige velden bestaan simpelweg niet op beide platformen.<\/p>\nadset<\/code> en ad_group<\/code> zijn geen<\/em> identieke concepten.<\/p>\n
\nGold: twee opties voor serving<\/h4>\n
Fact_Ad_Performance<\/code> tabel, gejoind met dimensietabellen. Proper, goed begrepen door BI-tools en makkelijk te slicen. Dit is de meest voorkomende aanpak.<\/p>\n![\"Data](\"https:\/\/sparkle.consulting\/wp-content\/uploads\/2026\/05\/layers.jpg\")
<\/p>\n
\nUitdagingen<\/h3>\n
\nBelangrijkste conclusies<\/h3>\n
\n