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: Vectorruimtemodellering en het cold-start-probleem · 13:34

Het ‘cold-start’-probleem bij aanbevelingen: Hoe vectorruimtemodellering dit oplost

Sarah Miguel Cournane·June 1, 2026·5 min read

Sarah Miguel Cournane, datawetenschapper bij de R&D-afdeling van Hello Retail, legt uit hoe het platform elk product in kaart brengt als een coördinaat in een vectorruimte met meer dan 700 dimensies. Deze aanpak geeft een nieuwe invulling aan het ‘cold-start’-probleem: In plaats van te hoeven weten wie een nieuwe bezoeker is, identificeert het systeem met welke producten hij of zij interactie heeft en maakt het gebruik van de bestaande gedragsrelaties van die producten om de ervaring vanaf de allereerste klik te personaliseren.

Het probleem met koudstarten, simpel uitgelegd

Elke aanbevelingsengine loopt uiteindelijk tegen hetzelfde probleem aan: Er komt een nieuwe klant binnen en er is niets om op af te gaan. Geen aankoopgeschiedenis. Geen surfgedrag. Geen profielgegevens. Het systeem moet dan gissen, en gissen leidt eerder tot ruis dan tot relevante resultaten.

Sarah vergelijkt het met het beginnen met daten. Je weet helemaal niets over de ander – of hij of zij sportief is, of hij of zij broers of zussen heeft. Je moet het gaandeweg uitzoeken, met beperkte aanwijzingen, en elke misvatting kost je iets. In de ecommerce komt die kost meestal neer op een gemiste conversie.

Het ‘cold-start’-probleem is een van de meest bestudeerde uitdagingen bij het ontwerpen van aanbevelingssystemen. Traditionele benaderingen met collaboratieve filtering zijn gebaseerd op opgebouwd gebruikersgedrag: Hoe meer interacties een platform registreert, hoe beter de aanbevelingen worden. Dat werkt prima na zes maanden. Maar voor een bezoeker tijdens zijn eerste sessie helpt het bijna helemaal niets.

Uit onderzoek van McKinsey (2021) bleek dat 71% van de consumenten gepersonaliseerde interacties verwacht, en 76% zegt gefrustreerd te raken als aan die verwachtingen niet wordt voldaan. Voor nieuwe bezoekers – precies de groep die het meest last heeft van het ‘cold-start’-probleem – betekent die frustratie vaak dat ze snel weer wegklikken.

Producten als coördinaten: Hoe de vectorruimte werkt

Sarah legt uit hoe de aanbevelingen in elkaar zitten, en begint daarbij met een fundamentele herdefiniëring: Producten, en niet kopers, vormen de belangrijkste analyse-eenheid.

In een traditionele productcatalogus zou een zwart hardloop-T-shirt voor heren bijvoorbeeld product-ID 10 kunnen hebben. Dat nummer zegt het systeem helemaal niets over wat het product nu eigenlijk is. In de vectorruimte die Sarah beschrijft, wordt hetzelfde product weergegeven als een punt in meer dan 700 dimensies. De positie van dat punt bevat alle informatie die uit gedragsgegevens naar voren komt: Welke andere producten klanten ernaast bekijken, wat ze kopen nadat ze het hebben bekeken, welke categorieën eromheen clusteren, en hoe de aankooppatronen ervan afwijken van visueel vergelijkbare artikelen.

Twee producten met overlappende kenmerken – bijvoorbeeld product-ID 10 en een nieuw toegevoegd product met ID 20, allebei zwarte hardloop-T-shirts voor mannen – komen uiteindelijk op bijna dezelfde plek in die ruimte terecht. Ze zitten in dezelfde cluster. Omdat ze dezelfde plek delen, kunnen ze gegevens delen.

Dit is de structurele oplossing voor het ‘cold-start’-probleem bij producten. Als er een nieuw product in de catalogus komt, begint het niet helemaal vanaf nul. Het komt binnen met ‘buren’ – bestaande producten in hetzelfde cluster – en neemt meteen hun gedragscontext over. Sarah wijst erop dat het systeem niet hoeft te wachten tot het nieuwe product zijn eigen interactiegeschiedenis heeft opgebouwd; het cluster doet dat werk voor hem.

Hoe je nieuwe klanten leert kennen

Diezelfde logica geldt ook voor nieuwe klanten, en hier legt Sarah het verband tussen modellering op productniveau en de bredere uitdaging van personalisatie.

Als een nieuwe bezoeker op een webshop terechtkomt en op drie producten klikt, bestaan die drie producten al ergens in de vectorruimte. Ze hebben onderlinge verbanden – met elkaar, met aangrenzende clusters, en met aankooppatronen die in duizenden winkels zijn opgebouwd. Het systeem hoeft niet te weten wie de bezoeker is. Het moet weten wat die producten weten, en die producten weten best veel.

Sarah merkt op dat een paar interacties al genoeg zijn om je positie binnen het voorkeurenlandschap te bepalen en relevante aanbevelingen naar voren te halen, omdat de producten de gedragscontext bevatten die het systeem nodig heeft. Je hoeft je niet te identificeren; je hoeft gewoon te winkelen.

Uit onderzoek van Epsilon (2017) blijkt heel duidelijk hoe waardevol dit is: 80% van de consumenten is eerder geneigd iets te kopen als merken een gepersonaliseerde ervaring bieden. Juist bij nieuwe bezoekers – de groep die het moeilijkst goed te bedienen is – zie je in de conversiegegevens het duidelijkst het verschil tussen generieke en relevante benadering.

De economische kant van het catalogusprobleem

Sarah haalt ook twee gegevens uit het handelaarsnetwerk van Hello Retail naar voren, die een heel ander licht werpen op hoe urgent dit is voor de dagelijkse gang van zaken.

Bij alle winkels waarmee Hello Retail samenwerkt, is ongeveer 30% van de producten goed voor 70% van de omzet. Die concentratie zie je terug in heel verschillende sectoren – Sarah merkt op dat het klantenbestand varieert van winkels die boten verkopen tot winkels die kleding verkopen – wat erop wijst dat het iets structureels weerspiegelt over hoe catalogi en koopgedrag op elkaar inwerken, in plaats van iets dat specifiek is voor een bepaalde categorie.

Het tweede cijfer is nog opvallender: Zo’n 50% van de producten die nu nog in de catalogus van een winkel staan, zal over zes maanden niet meer beschikbaar zijn. De voorraad ververs wordt. Seizoenscollecties verdwijnen. Nieuwe SKU’s vervangen uitlopende artikelen. De gedragsgegevens die over een uitlopend product zijn verzameld, lopen het risico ongebruikt te blijven, tenzij het systeem de opvolger kan identificeren en de opgedane kennis kan doorgeven.

Clustering in de vectorruimte maakt die overdracht mogelijk. Als er een nieuw product in de catalogus komt dat dicht bij een product staat dat eruit gaat, is de clusterrelatie duidelijk en wordt de kennis automatisch overgedragen. Sarah bedoelt dat productverloop op deze schaal ervoor zorgt dat de vectorruimte-aanpak een praktische noodzaak is, en geen technische luxe.

Uit het onderzoek van BCG naar personalisatie in de detailhandel blijkt dat de winkels die de meeste waarde uit gedragsgegevens halen, deze gegevens beschouwen als een blijvend bezit in plaats van als een signaal dat alleen tijdens een bepaalde sessie geldt. De vectorruimte-aanpak maakt die duurzaamheid mogelijk: Productrelaties blijven bestaan, zelfs als individuele SKU’s in en uit de catalogus verdwijnen.

Meer dan alleen gegevensprivacy: Waarom productgerichtheid een ontwerpkeuze is

Sarah sluit af met een punt dat in eerste instantie misschien tegen je gevoel ingaat. De reden waarom de aanbevelingslogica niet vereist dat je weet wie een klant is, heeft weinig te maken met gegevensprivacy, ook al is het voordeel op het gebied van privacy wel degelijk reëel.

Het is een architecturale keuze. Producten zijn stabieler dan gebruikers. De vectorpositie van een product, opgebouwd uit duizenden interacties bij een breed scala aan verkopers, is een rijker en duurzamer signaal dan een gebruikersprofiel dat elke keer weer op nul wordt gezet als een gloednieuwe klant zijn eerste sessie begint. Naleving van privacyregels is een welkom neveneffect. De belangrijkste reden is dat producten de betrouwbaardere basis vormen voor aanbevelingen die vanaf de allereerste klik werken.

Bekijk de volledige aflevering van ‘Conversations’ met Sarah Miguel Cournane: Product Agents.