# Zorg dat je catalogus op orde is voordat je AI-software voor je webshop aanschaft

> Alexander Fundin, CEO van het Scandinavische e-commercebureau Bluemint, legt uit waarom productgegevens bepalend zijn voor het succes van AI-zoekfuncties, aanbevelingen en e-mailagenten, en deelt een checklist met vijf vragen die je moet doorlopen voordat je aan een AI-project begint.

**Author:** Alexander Fundin
**Published:** October 7, 2026
**Tags:** product-data, ai, ecommerce, search, product-recommendations

---

*Een gastbijdrage van Bluemint, een partner van Hello Retail die ecommerce-platforms ontwikkelt en beheert in de Scandinavische landen.*

  Zoekfuncties, aanbevelingen, chatbots en productmails gebruiken allemaal dezelfde productgegevens. Als die gegevens niet consistent zijn, werken al die tools minder goed, ongeacht welk model er bovenop zit.

Steeds meer opdrachten die we binnenkrijgen, beginnen met AI. Meestal wil een webshop een chatbot, een betere zoekfunctie of productteksten die door een model zijn geschreven, en meestal is het budget daarvoor al gereserveerd.

"We willen AI" is niet echt een opdracht. We vragen wat de AI eigenlijk moet doen, in termen die we achteraf kunnen meten: "Halveer het handmatige cataloguswerk." "Zorg dat klanten het juiste reserveonderdeel kunnen vinden zonder de helpdesk te bellen." Daarna kijken we wat er daadwerkelijk in de winkel gebeurt. De eerste oplossing is meestal betere productgegevens, een strakkere workflow of een kleine aanpassing aan het platform, en AI komt daar soms pas daarna bij.

Dit bericht gaat over productgegevens, want daar begint het echte werk vaak pas.

  ## Zoeken, aanbevelingen en e-mail gebruiken allemaal dezelfde gegevens

  Een zoekmachine, een aanbevelingssysteem, een chatbot voor ondersteuning en een tool die producten selecteert voor je e-mails worden meestal als vier afzonderlijke projecten aangeschaft. Alle vier putten ze uit dezelfde catalogus: Titels, kenmerken, categorieën, voorraad en prijzen.

  Ze lopen dus op dezelfde punten tegen problemen aan. Een aanbevelingsengine kan geen bijpassend accessoire voorstellen als er in de gegevens geen verband tussen de twee producten staat. De zoekfunctie heeft het moeilijk met ‘waterdichte jas voor kinderen’, omdat ‘waterdicht’ bij sommige producten een eigenschap is en bij andere een zin in de beschrijving. En een e-mailagent die producten voor een abonnee uitzoekt, kan niet weten dat ‘Blå’, ‘blauw’ en ‘marineblauw’ dezelfde kleur zijn als drie leveranciers het op drie verschillende manieren hebben gespeld.

  Met een beter model kun je dit deels omzeilen. Door de gegevens op te schonen, los je het probleem voor alle vier de tools in één keer op.

## Wat we tegenkomen als we een catalogus controleren

Catalogi raken zelden van de ene op de andere dag rommelig. De problemen stapelen zich op door jarenlange importen van leveranciers, herontwerpen en snelle oplossingen, en dit zijn de problemen die we het vaakst zien:

  
    **Hetzelfde kenmerk met verschillende namen**

    De ene leverancier gebruikt ‘Color’, de andere ‘Farge’ en een derde zet het in de producttitel. Op de productpagina valt het niemand op. Voor zoeken en filters zijn het drie verschillende velden.
  

  
    **Of het past en of het compatibel is, weet alleen de klantenservice**

    Bij reserveonderdelen, gereedschap en technische uitrusting moeten klanten weten of een onderdeel bij hun model en bouwjaar past. Als die kennis alleen in de hoofden van het ondersteuningsteam zit, kan geen enkele zoekmachine of systeem er iets mee.
  

  
    **Categorieën die rond het menu zijn opgebouwd**

    Producten komen terecht waar ze op dat moment in de navigatie passen. Na een paar herontwerpen vallen sommige onder vijf categorieën en andere onder geen enkele.
  

  
    **Kenmerken die in beschrijvingen verborgen zitten**

    Afmetingen, materiaal en toepassingen staan als doorlopende tekst op de pagina. Prima voor iemand die de pagina leest, maar lastig voor filters en aanbevelingen om mee te werken.
  

  
    **Na de lancering is niemand eigenaar van de gegevens**

    De catalogus is opgezet als onderdeel van het opstartproject. Toen het project afliep, kreeg niemand de taak om hem bij te houden.
  

Deze problemen zie je zelden in een demo. Je ziet ze pas in de productieomgeving, in de vorm van zoekopdrachten die het verkeerde onderdeel opleveren en supporttickets die eigenlijk niet nodig hadden hoeven zijn.

## Boatparts: Eerst de structuur, daarna de AI

![Een buitenboordmotor zonder kap, een boot die erachter langs vaart, en het logo van boatparts.no](/images/blog/fix-the-catalog-before-you-buy-ai/boatparts-hero.webp)

Boatparts verkoopt aftermarket- en reserveonderdelen voor boten in de hele Scandinavische regio. Het assortiment is groot, en het is belangrijk dat de onderdelen goed passen. Een klant die op zoek is naar een brandstofpomp, heeft precies de juiste pomp nodig voor één motor, één bouwjaar en één model. De vorige webshop rangschikte de resultaten niet, de catalogusgegevens waren inconsistent en de webshop presteerde niet zo goed als het zou kunnen.

We zijn begonnen met de gegevens. We hebben de catalogus opgeschoond en gestandaardiseerd, zodat de kenmerken bij alle leveranciers op dezelfde manier werden weergegeven, en we hebben meer gestructureerde productgegevens en maatgidsen toegevoegd. Vervolgens hebben we een zoekfunctie ontwikkeld die speciaal is afgestemd op reserveonderdelen. Daarna kwam AI’s om het zoeken naar producten natuurlijker te maken en het supportteam te ontlasten, en sindsdien zijn we de winkel en het afrekenproces blijven optimaliseren.

> **De omzet steeg met 126%** terwijl we aan de winkel werkten, en dankzij de lopende verbouwing zijn de marges ook beter geworden.

Klanten kunnen makkelijker door de catalogus bladeren, de zoekfunctie vindt de juiste SKU beter en het team besteedt minder tijd aan technische problemen.

## Waar AI. helpt bij de catalogus zelf

Een gebied waarop we AI echt nuttig hebben gevonden, is het opschonen van catalogi. Bij een project hebben we een model gebruikt om lange productcodes in gestructureerde categorieën te sorteren, en taxonomiewerk dat vroeger met de hand weken in beslag nam, kost nu nog maar een paar uur.

In die workflow zitten regels en een controlefase ingebouwd. Het model stelt een categorie voor, iemand die de producten kent controleert dit, en het goedgekeurde resultaat gaat terug naar de catalogus.

Die werkwijze werkt goed voor ons: Geef het model een duidelijk omschreven taak, laat iemand die de producten kent de resultaten controleren, en de gegevens van de klant blijven in hun eigen systemen. We sturen geen catalogus- of klantgegevens naar modelaanbieders zonder uitdrukkelijke toestemming.

## Voordat je aan een AI-project begint

Als je op een aantal van deze vragen moeilijk een antwoord kunt geven, is dat waarschijnlijk waar een deel van het budget als eerste naartoe zou moeten gaan.

  1. **Kun je je hele assortiment filteren op de kenmerken waar klanten naar vragen?** Maat, kleur, materiaal, compatibiliteit: Met andere woorden, de kenmerken die je klanten daadwerkelijk gebruiken om een keuze te maken.
  2. **Heeft elk kenmerk één naam en één reeks waarden?** Voor elke leverancier en elke import.
  3. **Valt elk product onder minstens één categorie die beschrijft wat het is?** Waar het in het menu staat, doet er niet toe.
  4. **Is er iemand verantwoordelijk voor de productgegevens na de lancering?** Een specifieke persoon of een team, waarvoor tijd is gereserveerd.
  5. **Kun je in één meetbare zin beschrijven wat de AI-oplossing zou moeten doen? Bijvoorbeeld**: "Minder supportgesprekken over de pasvorm", "minder handmatige categorisering", "meer omzet per e-mail". Als je dat niet kunt, is het de moeite waard om dat eerst vast te stellen voordat je de technologie kiest.

## De lancering is nog maar het begin

Een webwinkel blijft veranderen nadat hij live is gegaan – nieuwe leveranciers, nieuwe assortimenten, nieuwe seizoenen. De productgegevens veranderen mee, en een catalogus die bij de lancering nog netjes was, raakt in de war als er niemand naar kijkt. We zetten die routine liever vanaf het begin samen met een klant op dan dat we na de volgende platformmigratie alles moeten opschonen.

Dus als AI op je planning staat, is het de moeite waard om eerst even de catalogus te bekijken. De kwaliteit van die gegevens bepaalt namelijk voor een groot deel wat de AI daadwerkelijk kan doen.

*Bluemint ontwikkelt en beheert Magento-, Adobe Commerce- en headless ecommerce-platforms, evenals de bijbehorende integraties en toegepaste AI, vanuit kantoren in Tranås, Stavanger en Vilnius. Lees meer op [bluemint.se](https://bluemint.se).*

> **Van Hello Retail: Product Intelligence**
>
> Product Intelligence is de AI-engine achter de zoekfunctie, aanbevelingen en Product Agents van Hello Retail. Het verrijkt je catalogus met kenmerken die het afleidt uit productafbeeldingen en -beschrijvingen, en het leert hoe producten met elkaar in verband staan op basis van aankooppatronen van meer dan 250 miljoen producten. Als je zelf nog maar weinig gegevens hebt, bijvoorbeeld voor een nieuw product of een nieuwe winkel, put het uit patronen die het netwerk al heeft geleerd.
>
> [Lees meer over Product Intelligence](/en/product-intelligence/)

---

*This content is from the Hello Retail blog. For the full experience with images and formatting, visit [helloretail.com/nl/blog/fix-the-catalog-before-you-buy-ai](https://helloretail.com/nl/blog/fix-the-catalog-before-you-buy-ai)*
