Door Arnout Schutte, Co-founder / Managing Director
Waarom AI-projecten vastlopen op slechte productdata.
Iedereen heeft het over AI. Copilots, agents, generatieve zoekmachines en geautomatiseerde productcontent staan inmiddels op vrijwel iedere roadmap.
Toch zit het verschil tussen een succesvolle AI-toepassing en een pilot die blijft hangen vaak niet in het model. Het zit in de data waarop AI moet werken.
En bij retailers, merken en groothandels begint die data vaak op dezelfde plek: bij de leverancier.
Wie serieus met AI aan de slag wil, moet daarom eerder in de productdataflow beginnen: vóór PIM.
Iedereen heeft het over AI.
AI staat inmiddels hoog op de agenda. Organisaties experimenteren met agents, copilots, automatische contentproductie, intelligente zoekfuncties en andere toepassingen die handwerk moeten verminderen.
De belofte is aantrekkelijk: sneller werken, sneller publiceren en meer doen met hetzelfde team.
Maar veel discussies beginnen bij de verkeerde vraag. Er wordt gekeken naar welk model, welke tool of welke AI-leverancier het beste is, terwijl de kwaliteit van de onderliggende productdata vaak veel bepalender is voor het uiteindelijke resultaat.
De bottleneck zit vaak niet in AI.
Moderne AI-modellen kunnen goed werken met tekst, beeld en gestructureerde data. Maar ze kunnen alleen betrouwbare resultaten leveren als de onderliggende productdata voldoende compleet, consistent en begrijpelijk is.
Een agent die producten vergelijkt, heeft betrouwbare attributen nodig. Een copilot die productcontent genereert, moet kunnen vertrouwen op specificaties. Een semantische zoekfunctie werkt beter wanneer categorieën en kenmerken logisch zijn opgebouwd.
AI kan veel compenseren. Maar het kan niet structureel oplossen dat dezelfde eigenschap bij drie leveranciers anders wordt benoemd, gemeten of aangeleverd.
Productdata bepaalt hoe betrouwbaar AI kan werken.
AI-output is zo goed als de productdata waarop die is gebaseerd. In de praktijk lopen AI-toepassingen vaak vast op dezelfde soort problemen:
- ontbrekende attributen;
- afwijkende eenheden, zoals centimeters bij de ene leverancier en millimeters bij de andere;
- inconsistente categorisering;
- verschillende waarden voor hetzelfde kenmerk;
- ontbrekende of tegenstrijdige leveranciersinformatie.
Elk van die problemen betekent dat iemand de output moet controleren, corrigeren of aanvullen. Bij een handvol producten valt dat mee. Bij duizenden producten, meerdere talen en meerdere kanalen wordt het een structurele last.
De technologie kan werken, terwijl de operationele businesscase toch verdwijnt door het handwerk eromheen.
Het probleem ontstaat vaak vóór PIM.
Veel organisaties proberen productdataproblemen uiteindelijk in PIM op te lossen. Maar tegen de tijd dat productdata daar aankomt, zijn veel inconsistenties al ontstaan.
Leveranciers leveren Excel, CSV, XML, API-data, mediabestanden en soms PDF's aan. Structuren verschillen. Kolomnamen verschillen. Eenheden verschillen. Categorieën verschillen.
Als die verschillen niet eerder in de flow worden opgelost, worden ze simpelweg meegenomen naar PIM.
Je centraliseert de productdata dan wel, maar ook de inconsistenties die erin zitten.
Bij Azerty komen ruim 50 leveranciersfeeds binnen, elk met eigen kolomnamen, waardetypes en eenheden. Bij Wehkamp gaat het om meer dan 2,5 miljoen SKU's over meerdere merken. Op zulke volumes bepaalt de structuur aan de voorkant hoeveel handwerk er later overblijft.
Lees ook: Import & Onboarding en Leveranciersdata Onboarding.
Waarom leveranciersdata de fundering is.
Leveranciersdata is vaak het eerste punt waar verschillen zichtbaar worden:
- kolomnamen verschillen;
- eenheden verschillen;
- verplichte attributen ontbreken;
- productrelaties worden anders vastgelegd;
- categorieën sluiten niet op elkaar aan;
- media komt los van de overige productdata binnen.
Als je deze verschillen al aan de bron vertaalt naar één consistente structuur, profiteert alles wat daarna komt.
Leveranciersdata → mapping → validatie → datamodel → PIM → AI → kanalen
Je PIM krijgt betere input. Workflows hoeven minder uitzonderingen op te vangen. AI krijgt consistente attributen om mee te werken. En verkoopkanalen krijgen productdata die eerder in het proces al gecontroleerd is.
Dat is geen extra laag. Het is de fundering waar de rest op leunt.
Wat dit betekent voor je productdata-architectuur.
Als AI onderdeel wordt van je productdataproces, moet de architectuur ervoor zorgen dat AI op gecontroleerde data werkt. Dat vraagt grofweg drie dingen.
Structuur vóór PIM
Leveranciersdata moet kunnen worden gemapt, gevalideerd en genormaliseerd voordat die verder de productdataflow ingaat.
Het doel is niet om alle leveranciers hetzelfde bestand te laten aanleveren. Het doel is dat verschillende bronnen uiteindelijk op dezelfde manier worden geïnterpreteerd.
Eén betrouwbaar datamodel
Attributen, categorieën, productrelaties en waarden moeten binnen de organisatie dezelfde betekenis krijgen.
Een goed datamodel creëert de gemeenschappelijke structuur waarop PIM, workflows, AI en kanalen verder kunnen bouwen. Meer hierover lees je bij Datamodel & Structuur.
AI binnen regels en workflows
AI kan helpen met classificatie, verrijking, vertaling, mapping en kwaliteitscontrole. Maar automatisering moet passen binnen de regels van de organisatie.
De waarde zit niet in zoveel mogelijk automatisch genereren, maar in gecontroleerde automatisering waarbij duidelijk is wat AI mag beslissen, wat gecontroleerd moet worden en wanneer menselijke review nodig is.
Dat is ook hoe ConnectingTheDots is opgebouwd: niet als losse AI-laag bovenop PIM, maar als productdataplatform waarin onboarding, structuur, PIM, workflows en AI onderdeel zijn van dezelfde productdataflow.
Lees ook: AI Productdata Automatisering en Workflows & AI.
AI vóór én na PIM.
AI speelt in de productdataflow twee verschillende rollen.
AI op productdata
Dit gaat om AI die helpt om productdata zelf beter te maken:
- attributen herkennen;
- waarden normaliseren;
- producten classificeren;
- bronnen matchen;
- ontbrekende gegevens signaleren;
- inconsistenties herkennen.
AI met productdata
Dit gaat om toepassingen die betrouwbare productdata als input gebruiken:
- productteksten genereren;
- vertalen;
- semantisch zoeken;
- productvergelijkingen;
- aanbevelingen;
- AI-agents die productinformatie gebruiken.
Hoe beter AI vóór PIM helpt om productdata te structureren, hoe betrouwbaarder AI ná PIM ermee kan werken.
Wat dit betekent voor de komende jaren.
De richting is duidelijk. AI krijgt een grotere rol in zoeken, productadvies, contentproductie en geautomatiseerde commerce.
Tegelijk vragen marketplaces, datapools, klanten en regelgeving om rijkere, beter gestructureerde en beter traceerbare productdata. Dat vergroot het belang van een productdata-architectuur en heldere Productdata Governance die niet voor iedere nieuwe toepassing opnieuw hoeft te worden opgebouwd.
Organisaties die productdata nu dichter bij de bron structureren, hoeven voor iedere nieuwe AI-toepassing niet opnieuw hetzelfde dataprobleem op te lossen.
Conclusie: begin niet bij het model.
De vraag bij AI is niet alleen welk model je kiest. De belangrijkere vraag is waarop dat model straks moet kunnen vertrouwen.
Als productdata al vóór PIM wordt gestructureerd, gevalideerd en vertaald naar één bruikbaar datamodel, wordt AI geen los experiment bovenop vervuilde data. Het wordt een volgende stap in een productdataflow die al werkt.
De AI-strategie van morgen begint daarom niet bij het model. Hij begint bij de productdata van vandaag.
Goede productdata begint vóór je PIM.
Veelgestelde vragen over AI en productdata.
Dat kan, maar een LLM maakt onderliggende productdata niet automatisch betrouwbaar. Als waarden ontbreken, eenheden inconsistent zijn of attributen verschillend worden geïnterpreteerd, neemt het model die onzekerheid mee in zijn output.
AI werkt daarom betrouwbaarder wanneer de productdata eronder logisch en gecontroleerd is opgebouwd.
Standaarden helpen om productdata consistenter uit te wisselen, maar ze dekken niet automatisch iedere leverancier, productcategorie of interne datastructuur.
Ook wanneer leveranciers een standaard gebruiken, blijven mapping, validatie en aansluiting op het eigen datamodel nodig.
Begin klein. Kies één representatieve leveranciersfeed en breng in kaart hoeveel mapping, correctie en controle nu handmatig gebeurt.
Map die feed naar je eigen datamodel, valideer waarden en verplichte attributen en meet vervolgens hoeveel handwerk verdwijnt. Daarna kun je dezelfde aanpak uitbreiden naar andere leveranciers. Meer hierover lees je bij Leveranciersdata Onboarding.
AI kan zowel helpen om productdata te structureren als om productdata vervolgens te gebruiken. Voorbeelden zijn classificeren, attributen herkennen, vertalen, content genereren, kwaliteitsproblemen signaleren en semantisch zoeken.
De waarde ontstaat vooral wanneer AI onderdeel is van een gecontroleerde productdataflow.
Niet voor iedere AI-toepassing. AI kan bijvoorbeeld al vóór PIM helpen bij mapping, classificatie en het structureren van leveranciersdata.
Voor toepassingen die op grote hoeveelheden beheerde productinformatie moeten werken, helpt PIM juist om één gecontroleerde basis te creëren.
Benieuwd wat AI met jouw leveranciersdata kan?
Laat zien hoe één van je leveranciersfeeds nu binnenkomt. We laten zien waar mapping, validatie en automatisering handwerk kunnen wegnemen.
Bekijk Leveranciersdata Onboarding
Liever eerst kennismaken? Plan een demo