Data interpretatie versus standaardisatie

De bears geloven in datainterpretatie en minder in harde datastandaardisatie. We merken namelijk dat harde datastandaardisatie vaak resulteert in lange en dure interne trajecten, waarbij  vocabulairs en datastructuren omgegooid moeten worden. Hierna vallen vaak dependencies om, waardoor de impact slecht te voorzien is. Dit creëert lange doorlooptijden voordat er samengewerkt kan worden. Dit creëert interne weerstand en soms simpelweg geen datasamenwerking

Bij datainterpretatie zien wij dat anders. De bears zijn namelijk niet geïnteresseerd in hoe de bronhouder intern haar data inricht, welke eigen of open standaarden  ze gebruiken of welke datasystemen zij gebruiken. We zijn vooral geïnteresseerd in hoe de bronhouder haar data extern aanbiedt. Hierbij is het van belang dat de data op de juiste manier geïnterpreteerd kan worden door middel van open standaarden.

Hiervoor is het niet nodig om interne datastructuren of processen
overhoop te gooien. Hiervoor is het enkel nodig dat er een onafhankelijk metadatabestand toegevoegd wordt. Dit is dus complementair aan huidige systemen in plaats van subsidiair. Om die reden zijn de bears ervan overtuigd dat dit op zowel korte als lange termijn gaat werken.

Op langere termijn kan er altijd gestandaardiseerd worden, echter willen bronhouders vaak autonoom blijven opereren en als bepaalde standaarden daar niet in passen, dan zullen zij die niet adopteren. Via datainterpretatie kunnen zij altijd voor de externe data-aanlevering aan de open standaarden binnen de sector voldoen. Zonder hoge investeringen of rompslomp. Tevens blijft men mega flexibel. Als er nieuwe inzichten zijn hoef je enkel het onafhankelijke metadatabestand aan te passen en niet de gehele onderliggende data.