AlphaSense: dataherbouw van weken naar uren met dbt en AI-context

Samenvatting

AlphaSense verkort een dataherbouw van drie tot vijf weken naar enkele uren met dbt, Euno en AI-context.

AlphaSense, dbt en Euno: van legacy-model naar stermodel

AlphaSense herbouwde een legacy-dashboardmodel met Euno als contextlaag, dbt als governance-laag en Cursor als ontwikkelomgeving. Het model bestond uit één tabel met 287 velden, 68 onderliggende dbt-modellen en twaalf dashboards voor ongeveer 300 gebruikers. De bedrijfslogica zat grotendeels in de BI-laag, niet in dbt.

Brad Levy bouwde het model om tot een beheerd stermodel met dertien modellen. Hij gebruikte daarvoor ongeveer vijftien prompts in één werksessie en controleerde de nieuwe modellen tegen de bestaande voor functionele gelijkheid. Een traject dat normaal drie tot vijf weken duurt, kwam uit op één gerichte bouw- en validatiecyclus van enkele uren. Ongeveer de helft van het verschil bestond uit tests en documentatie, niet uit nieuwe logica.

Waarom Euno en dbt belangrijk zijn

Euno verzamelt continu metadata uit dataplatforms, ETL- en ELT-tools, BI-, beveiligings- en observability-systemen. Die informatie wordt samengebracht in een actuele contextgrafiek die relaties tussen assets vastlegt. dbt voegt daar beheerde modellen, tests en documentatie aan toe.

De casus laat zien waar AI-agents in bedrijfsdata tegenaan lopen: systemen bevatten gefragmenteerde informatie en tegenstrijdige definities. Zonder vooraf opgebouwde context moet elke agent die betekenis opnieuw reconstrueren. AlphaSense gebruikte dezelfde combinatie ook voor een herontwerp van de billing-architectuur. Euno traceerde de bestaande situatie tot op kolomniveau en leverde een voorstel met twee Mermaid-diagrammen in Notion op. Dat werk nam ongeveer twee uur in beslag, tegenover naar schatting anderhalve dag handmatig werk.

Een derde toepassing draait nog: meerdere agents moeten conversationele analyses uitvoeren vanuit dezelfde beheerde context, in plaats van elk afzonderlijk metadata te interpreteren.

Concrete takeaway voor BI-professionals

Breng vóór een AI-agent aan modellen werkt de bestaande logica, definities en afhankelijkheden in kaart. Gebruik dbt voor beheerde modellen, tests en documentatie, en leg metadata vast in een gedeelde contextlaag. Vergelijk nieuwe modellen vervolgens met legacy-uitkomsten voordat je ze publiceert.