NL
Verbind je AI-agent

Voeg Hello Retail toe aan je AI-assistent

Voor klanten van Hello Retail: Kopieer het adres en voeg het toe als connector in Claude, ChatGPT of Codex.

MCP-adres

https://core.helloretail.com/mcp

Nog geen klant?De MCP werkt met een Hello Retail-login. Vertel ons wat je wilt bouwen.

Laten we praten
Laten we praten

Chapter: Productgerichte timing en AI-modellen · 4:13

Productgerichte timing en AI-modellen: E-mailverzendingen afstemmen op de aanvulcycli van producten

Ecaterina Capatina·May 21, 2026·5 min read

De meeste e-mailcampagnes voor voorraadbeheer sturen herinneringen op basis van het gedrag van gebruikers, maar de meeste klanten kopen niet vaak genoeg om betrouwbare patronen te vormen. De AI van Hello Retail pakt het anders aan: Modellen die zijn getraind op basis van aankoopgegevens voorspellen de typische aanvulcyclus van elk artikel, zodat je automatische e-mails krijgt op het moment dat je waarschijnlijk weer iets moet bestellen – waardoor de timing niet meer een gok op basis van de kalender is, maar een signaal van het product zelf.

Waarom gebruikersgegevens alleen niet genoeg zijn

De logica achter het op gedrag afgestemde tijdstip van e-mails lijkt intuïtief. Als je weet wanneer een klant iets koopt, weet je ook wanneer je hem of haar eraan moet herinneren. Het probleem is dat deze redenering alleen opgaat als klanten vaak genoeg kopen om een herhaalbaar patroon te vormen.

De meeste ecommerce-klanten doen dat niet. Het patroon is bekend bij elke retentiemarketeer: Een klant doet één aankoop, misschien een tweede een paar maanden later, en dan hoor je niets meer van hem of haar. Er is geen wekelijks ritme, geen voorspelbaar patroon. Het gebruikersgerichte AI-model heeft te weinig signalen om mee te werken. Zoals het productteam van Hello Retail het verwoordt: Als een klant elke zondag online melk koopt, kun je het patroon herkennen. Maar de meeste klanten kopen één keer, misschien twee keer, sporadisch – en dat is simpelweg niet genoeg om uit die ene persoon alleen al een zinvol timing-signaal af te leiden.

Dit probleem van een gebrek aan gegevens komt vaker voor dan veel teams beseffen. Uit het rapport ‘Next in Personalization 2021’ van McKinsey bleek dat 71% van de consumenten gepersonaliseerde interacties verwacht van de merken waar ze kopen, terwijl 76% aangeeft gefrustreerd te raken als die interacties niet aansluiten bij hun behoeften. Een e-mail sturen om de voorraad aan te vullen op het verkeerde moment – te vroeg, te laat of helemaal niet afgestemd op wat de klant op dat moment echt nodig heeft – is een van de duidelijkste manieren om de plank volledig mis te slaan.

Het inzicht dat ten grondslag ligt aan de aanpak van Hello Retail is dat het ontbrekende signaal niet in de aankoopgeschiedenis van de gebruiker te vinden is. Het zit verborgen in het product zelf.

Het product geeft het tijdsignaal door

Hello Retail heeft meer dan vijf jaar geïnvesteerd in het ontwikkelen van AI-modellen die zich richten op producten in plaats van op individuele klanten. Het uitgangspunt: Zelfs als een klant nog maar weinig aankopen heeft gedaan, bevat het product informatie over het juiste moment om te kopen, afgeleid uit het geaggregeerde gedrag van alle kopers van dat artikel.

Drie voorbeelden maken het verschil duidelijk. Bij stylingwax komen de meeste kopers na ongeveer 60 dagen terug om opnieuw te kopen. Bij mascara duurt het zo’n 85 dagen voordat de gemiddelde klant een nieuwe nodig heeft. Bij een parfum ligt dat dichter bij 210 dagen, met variatie afhankelijk van de flesgrootte en gebruiksgewoonten. Geen van deze cijfers is afkomstig van het bijhouden van het aankoopritme van één enkele klant. Ze komen voort uit het samenvoegen van het heraankoopgedrag van iedereen die die artikelen op het platform heeft gekocht.

Dit is een belangrijk voordeel op het gebied van data dat meegroeit met de omvang van het platform. Een enkel merk dat zijn eigen retentieprocessen beheert, heeft misschien een paar honderd herhalingsaankopen voor een bepaalde SKU – genoeg om een ruwe schatting te maken, maar niet genoeg om betrouwbaarheidsintervallen te bepalen die rekening houden met productvarianten, seizoensschommelingen of demografische verschillen. Een platform dat diezelfde SKU in duizenden winkels verwerkt, heeft vele malen meer data om modellen op te trainen. De collectieve kennis over productlevenscycli wordt zo veel betrouwbaarder dan wat een individuele verkoper in zijn eentje zou kunnen opbouwen.

Statische stromen kunnen niet tippen aan variabele cycli

De meeste e-mailmarketingplatforms werken met vaste intervallen. Een retentiestroom na aankoop stuurt bijvoorbeeld herinneringen op dag 30, dag 60 en dag 90 – hetzelfde schema dat overal hetzelfde wordt toegepast, ongeacht wat er in het winkelmandje zat. Die structuur voelt systematisch aan. Maar in de praktijk is het een gemiddelde dat op elk product wordt toegepast, en gemiddelden kloppen nooit voor elk specifiek artikel.

Stuur de parfumherinnering op dag 30, en de e-mail komt binnen terwijl de klant nog maanden voorraad over heeft. Wacht tot dag 90 om de koper van de wax eraan te herinneren, en dan is de voorraad al op, heeft hij waarschijnlijk bij een concurrent bijbesteld en een nieuwe gewoonte ontwikkeld. Geen van beide e-mails voegt waarde toe. Beide ondermijnen het vertrouwen door te laten zien dat het merk niet begrijpt wat het verkocht heeft.

Uit het rapport ‘State of the Connected Customer’ van Salesforce blijkt dat 73% van de klanten verwacht dat bedrijven hun unieke behoeften en verwachtingen begrijpen – maar de meeste merken hebben nog steeds moeite om op het juiste moment relevante berichten te sturen, zelfs bij hun meest waardevolle contactmomenten om klanten te behouden. Een herinneringsmail die geen rekening houdt met wat er is gekocht en wanneer het waarschijnlijk nodig is, is precies het tegenovergestelde van die verwachting.

Het ‘Power of Me’-onderzoek van Epsilon voegt een conversiedimensie toe aan dezelfde bevinding: 80% van de consumenten zegt dat ze eerder geneigd zijn om iets te kopen bij merken die gepersonaliseerde ervaringen bieden. Timing die aansluit bij een echte behoefte aan het product is een van de meest directe en meetbare vormen van personalisatie waar een retentieteam gebruik van kan maken – en een van de dingen die je het makkelijkst verkeerd doet met een statische, op de kalender gebaseerde aanpak.

Timing als een productprobleem, niet als een kalenderprobleem

De verandering die hier wordt beschreven, is vooral conceptueel en pas in tweede instantie technisch. Vragen “hoeveel dagen na aankoop moeten we het versturen?” is de verkeerde vraag. De juiste vraag is “wanneer raakt dit specifieke product meestal op?” Dat zijn twee verschillende vragen, en slechts één daarvan is te beantwoorden met productgerichte AI.

Hello Retail-Product Agents passen dit productgerichte timingmodel in de praktijk toe: In plaats van dat een marketeer handmatig schema’s per product moet instellen, voorspelt de agent op basis van geaggregeerde aankoopgegevens wanneer producten moeten worden aangevuld en verstuurt hij de berichten dienovereenkomstig. Dezelfde Product Intelligence-basis die producten rangschikt in zoekresultaten en aanbevelingen in de hele webshop, vormt ook de basis voor het timing-signaal dat bij deze geplande verzendingen wordt gebruikt.

Het praktische voordeel is relevantie op grote schaal. Een winkel die honderden SKU’s verkoopt in verschillende categorieën met sterk uiteenlopende verbruikspercentages – verbruiksartikelen, huidverzorging, huishoudelijke artikelen, dierenbenodigdheden – zou honderden verschillende timingregels moeten bijhouden om dit resultaat handmatig te benaderen. Productgerichte AI neemt die operationele last weg: Het model regelt de timing per product op basis van echte aankooppatronen, en de marketeer bepaalt de strategie in plaats van een spreadsheet met intervallen bij te houden.

Wat hierachter schuilgaat, is dat de prestaties van retentie-e-mails niet in de eerste plaats een kwestie van creativiteit of frequentie zijn. Een e-mail die precies op het juiste moment wordt verstuurd – wanneer een klant echt bijna zonder voorraad zit – hoeft niet extra zijn best te doen om relevant over te komen. Het voelt gewoon als service. Een e-mail die een maand te vroeg of een week te laat wordt verstuurd, moet eerst de drempel van slechte timing overwinnen voordat hij überhaupt een marketingeffect kan hebben. Productgerichte AI neemt die drempel weg.