Producten automatisch categoriseren met AI
Een AI-systeem kan productinformatie gebruiken om artikelen automatisch in de juiste categorie te plaatsen en ontbrekende kenmerken te signaleren. Je leest hoe dat werkt, waarin deze aanpak verschilt van vaste regels en waarom menselijke controle belangrijk blijft.
Welke productgegevens AI gebruikt voor categorisering
AI kijkt bij het indelen van een product naar meer dan een naam. Alleen een titel als ‘Runner X2’? Niet genoeg. Combineer je die naam met merk, materiaal, een echte beschrijving, kleur of producttype, dan krijgt AI pas wat grip. Soms helpt data uit specificatievelden, leveranciersfeeds of een afbeelding een handje. Het model speurt naar patronen en vergelijkt die met de categorieën die je in de catalogus hebt staan.
Kwaliteit van invoer blijft allesbepalend. Een complete omschrijving met gebruiksdoel en goede specificaties geeft veel meer richting dan een vaag codeveld of afkorting. Informatiebronnen spreken elkaar soms ook tegen. Je ziet het vaak: de leveranciersfeed noemt het artikel ‘jas’, maar uit titel én kenmerken lijkt het eerder een bodywarmer. AI moet daar een afweging maken en niet alles uit één veld zomaar geloven.
Context maakt het verschil
Wat een kenmerk betekent, hangt helemaal af van de groep. Bij schoenen betekent ‘maat 42’ echt wat anders dan bij een blouse. Goede categorisering kijkt dus naar de samenhang tussen type, eigenschap en productgroep. Daarmee voorkom je dat ‘42’ overal hetzelfde betekent. Handig is het ook om af te spreken welke bronnen als stevig bewijs mogen gelden, welke er soms zijn en welke je alleen voor bepaalde producten echt wil vastleggen.
Van producttekst naar categorie en kenmerken
AI zoekt niet gewoon letterlijk een woord op in een lijst. Het model bekijkt hoe woorden, velden en context samenhangen en schat waar het product hoort. Voorbeeld: een ‘waterdichte wandeljas voor dames’. Hier stuurt zowel het gebruik als de doelgroep én het producttype je direct richting de buitenjassen bij dameskleding. Taxonomieën helpen zo’n plek te kiezen; hoe diep je daarin gaat hangt af van wat voor structuur je gebruikt én van de input.
Naast de categorie kan het systeem losse kenmerken voorstellen. Denk aan materiaal, doelgroep, kleur of toepassingsgebied. Sommige staan gewoon in de bron, andere moet je uit tekst of context afleiden. Houd dat verschil in de gaten. ‘Kleur: zwart’ uit een productspecificatie is iets anders dan zwart raden vanaf een afbeelding, vooral omdat foto’s misleidend kunnen zijn door licht of omdat er meerdere varianten zijn.
Waarschijnlijkheid is geen zekerheid
De uitkomst is vrijwel altijd een inschatting met een bepaalde mate van zekerheid. AI kan duidelijk zijn over de hoofdcategorie maar aarzelen tussen subcategorieën. Soms vult het model ook een kenmerk in dat logisch klinkt, maar nergens in de data staat. Daarom kun je categorie en kenmerken het best los bekijken. Zo geef je een product meteen een duidelijke hoofdcategorie, maar check je bij twijfel de opgedoken kenmerken nog even zelf.
AI-categorisering vergeleken met vaste regels
Met vaste regels bedoel ik: als ‘laptop’ in de producttitel staat, dan in computers, staat er ‘schoen’ in een veld, dan naar schoenen. Dat is rechttoe rechtaan en makkelijk terug te vinden. Dit werkt prima als je brondata niet vaak verandert en namen voorspelbaar zijn. Maar dan ineens: ‘notebook’, ‘ultrabook’ of een leverancierscode, allemaal verwijzen naar hetzelfde type. Context maakt het lastig. Een woord kan verder in een andere situatie ineens heel wat anders betekenen.
AI herkent afwijkingen en context een stuk beter, maar werkt minder voorspelbaar dan een simpele regel. De voorspelling volgt uit het patroon dat het model geleerd heeft. Zo’n uitkomst kan bij een kleine wijziging onverwachts anders zijn, bijvoorbeeld als de versie van het model verandert. Een fout in een regel is vaak precies aan te wijzen. Bij AI ga je graven in voorbeelddata, bronbestanden én de taxonomie voordat je weet wat er scheef liep.
Hybride werken is vaak praktischer
Je ziet steeds vaker een combinatie: regels én AI naast elkaar in de catalogus. Een harde regel wijst de productgroep aan als een betrouwbare feed die aanlevert, terwijl AI de vrije titel interpreteert of fijnmazig subcategorieën kiest. Je kunt met een regel ook bijvoorbeeld bundels buiten de AI-categorisering houden. Zo voorkom je ruis maar hoef je niet álles nieuw te programmeren. Goed om te onthouden: elke bronwijze vraagt om onderhoud, regels bij leverancier-wijzigingen, AI via periodieke controles op uitkomsten en schuivende patronen.
Omgaan met ontbrekende, foutieve en tegenstrijdige productdata
Ontbrekende informatie zie je vaak. Een artikel krijgt een titel en prijs, maar van een merk, materiaal of uitleg is geen spoor. AI kan alleen met wat er is soms alsnog een voorstel doen, maar ontbrekende data is nooit hetzelfde als een betrouwbaar te achterhalen gegeven. Staat er enkel ‘Model 18 blauw’ als naam? Dan kan het systeem de juiste categorie vaak niet verantwoord kiezen. Wordt er altijd toch een categorie ingevuld, dan zijn dat doorgaans gokjes.
Foutieve of strijdige waarden? Daar moet je beleid voor hebben. Staat in het ene veld ‘leer’ en elders ‘synthetisch’, dan moet je weten welke bron voorrang krijgt of dat zo’n product in de controlebak belandt. Bepaalde kenmerken zijn verder alleen relevant in context: materiaal bij een stoel is belangrijk, maar bij een schoenmaat-veld heeft dat geen zin.
Maak onzekerheid bruikbaar
Stilzwijgend data aanvullen is riskant. Laat informatie open als die ontbreekt, of zet een voorstel klaar dat gemarkeerd wacht op controle. Geef vooraf aan: welke velden kun je afleiden, welke moeten uit een bron komen, wat is verplicht voor publicatie? Door herkomst en onzekerheid vast te leggen, kunnen mensen zien of iets daadwerkelijk ontbreekt of het model twijfelt. Dat voorkomt dat aannames in je catalogus eindigen als feit.
Verschillende taxonomieën tussen webshop en leverancier
De indeling bij een leverancier is zelden gelijk aan die van je shop. ‘Sport & vrije tijd’ als hoofdgroep bij de leverancier, terwijl je webshop splits naar hardloopschoenen, trailrunning of wandelschoenen. Een perfecte een-op-een mapping bestaat dan niet. AI koppelt data inhoudelijk aan jouw structuur, maar moet wel weten welke categorieën er zijn en hoe die zich tot elkaar verhouden.
En bedenk wat het doel is: intern worden categorieën gebruikt voor analyses, de shop gebruikt ze voor filters en navigatie. De ‘beste’ plek voor intern gebruik is dus niet altijd goed voor een klant. Sommige producten passen bovendien in meerdere plekken. Neem een rugzak, die past onder uitrusting voor reizen, maar net zo goed bij wandeluitrusting. Je kiest een hoofdgroep op basis van afspraken over gebruik, verkoop of navigatie, niet zomaar op naam.
Bewaar de oorspronkelijke classificatie
De oorspronkelijke indeling zomaar wegschrijven is onverstandig. Houd leverancierscategorie en eigen indeling naast elkaar en leg de mapping vast. Zo kun je makkelijker verschillen opsporen als de leverancier aanpassingen doet of jij met subcategorieën gaat uitbreiden. Zeker als de structuur wijzigt, werkt een mappingtabel betrouwbaarder dan een blinde AI-suggestie. AI kan suggesties maken voor nog onbekende waarden, maar jij bepaalt uiteindelijk de koppeling zodat die past bij beide kanten.
Productvarianten, bundels en uitzonderingen herkennen
Varianten zoals dezelfde trui in verschillende kleuren en maten? Zet je die allemaal los in een categorie, dan kan één verschil in titel zorgen voor allerlei rare indelingen. Beter is het om de hoofdproductcategorie te kiezen op familieniveau, en variantkenmerken apart te behandelen. Dan krijg je een samenhangend geheel dat filters en navigatie niet in de war schopt.
Bundels of samengestelde pakketten zijn anders. Stel: een pakket met camera, lens en tas hoort niet automatisch in dezelfde groep als elk onderdeel. AI (of een regel) moet herkennen of het om één verkoopbaar pakket, een bundel, accessoires of losse producten gaat. Een titel ‘voor camera X’ betekent vaak alleen dat het om een accessoire of onderdeel gaat, niet om de camera zelf.
Leg uitzonderingslogica expliciet vast
Maak daarom onderscheid: hoofdproduct, variant, bundel, accessoire, onderdeel. Dit kan soms standaard uit de data komen, soms heb je een extra aanduiding nodig. En voor lastige gevallen zoals onderdelen zijn vaste regels vaak betrouwbaarder dan alleen een AI-voorspelling. Controleer altijd of een wijziging aan een hoofdvariant goed doorwerkt naar alle gekoppelde varianten, anders verandert er eentje, maar blijven de rest achter.
Een categoriseringsproces met betrouwbaarheidsgrenzen inrichten
Automatisch categoriseren werkt het beste binnen een gecontroleerde keten. Eerst productdata opschonen en normaal maken, bijvoorbeeld kleur- en merkspelling gelijk trekken. Daarna komen categoriebepaling en kenmerkanalyse. Vervolgens check je verplichte velden, onmogelijke combinaties of dubbele producten. Pas dan gaat het door naar je webshop of PIM. Daarmee voorkom je dat een suggestie van AI als definitieve catalogusdata eindigt zonder extra controle.
Gebruik verschillende routes op basis van risico en vertrouwen. Heldere indeling van een vaak voorkomend product? Die kun je automatisch verwerken. Komt er een score uit die laag is, zit er ruis tussen bronnen of is het een gevoelige categorie, dan moet er eerst een medewerker naar kijken. Je mag de grens verschillend stellen: bij kleuren is een fout minder erg dan bij een categorie die iets te maken heeft met verplichtingen of veiligheid.
Meet meer dan alleen het percentage goed
Kijk bij het controleren niet naar het gemiddelde percentage alleen. Test met producten uit verschillende groepen en leveranciers. Een hoge score kan verbergen dat een kleine, gevoelige categorie vaak misgaat. Let ook op hoeveel producten je handmatig moet corrigeren en hoeveel tijd dat kost. Sla de juiste versie van het model en invoerdata op, zodat bij een onverwachte verandering snel duidelijk is waar het misging. Zo houd je het proces inzichtelijk bij elke update of wijziging.
Menselijke controle, correcties en blijvende kwaliteitsbewaking
Zonder menselijke controle kom je er niet. Ook als veruit de meeste producten automatisch gaan, blijf je uitzonderingen houden die in de voorbeelden van het model niet vaak voorkomen. Medewerkers zien of een categorie daadwerkelijk past, bijvoorbeeld op basis van hoe klanten zoeken. Het meeste win je door te focussen op twijfelgevallen, afwijkende combinaties en groepen waar fouten echt impact hebben. Alles één voor één nalopen is ondoenlijk; alles klakkeloos accepteren levert juist fouten op die je pas veel later ontdekt.
Een goede beoordelingsomgeving laat meer zien dan alleen het AI-voorstel. Toon de relevante bronvelden, markeer ontbrekende data en geef de reden van een waarschuwing. Het moet duidelijk zijn waar de voorspelling op stoelt: komt het uit producttekst, uit de leverancierscategorie of uit afgeleide data? Correcties zijn waardevolle voorbeelden, zolang je ze goed opslaat. Maak van elke correctie niet automatisch een universele regel; veel aanpassingen zijn typisch voor één specifieke leverancier of een eigen assortiment.
Let op verschuivingen in de catalogus
Catalogi schuiven voortdurend door nieuwe producten, veranderende leveranciers en andere categorieën. Een model dat gisteren nog goed werkte, hoeft dat met nieuwe data niet te blijven doen. Vergelijk dus regelmatig voorspellingen met de echte classificaties. Let speciaal op nieuwe waarden, een stijging van correcties en categorieën waarin onzekerheid toeneemt. Controleer of je team dezelfde definities hanteert. Als de taxonomie wijzigt, bekijk dan of oude mappings en voorbeelden nog kloppen, anders leert het model het verkeerde aan.
Veelgestelde vragen
Hoe voer je AI-categorisering in zonder je bestaande catalogus te verstoren?
Voer AI-categorisering eerst in als proef naast je bestaande proces, zonder de uitkomsten meteen te publiceren. Laat het systeem bijvoorbeeld een afgebakende groep nieuwe producten classificeren en vergelijk de voorstellen met de huidige werkwijze. Zo ontdek je waar het model goed presteert en welke uitzonderingen extra aandacht vragen.
- Begin met één productgroep of leverancier.
- Bewaar de bestaande categorieën als terugvaloptie.
- Schaal pas op wanneer de resultaten aan vooraf afgesproken kwaliteitscriteria voldoen.
Moet je een AI-model trainen met je eigen productcatalogus?
Niet altijd, maar je moet wel controleren of het model jouw producten en taxonomie goed genoeg begrijpt. Een algemeen model kan bruikbare voorstellen doen, terwijl voorbeelden uit je eigen catalogus helpen om bedrijfsspecifieke categorieën en benamingen beter te herkennen. Begin met een representatieve testset voordat je besluit of aanvullende training of configuratie nodig is.
- Neem zowel veelvoorkomende producten als uitzonderingen op in de testset.
- Gebruik gecontroleerde voorbeelden met de gewenste categorieën.
- Beoordeel prestaties opnieuw wanneer je taxonomie of assortiment verandert.
Hoe bescherm je productgegevens wanneer je AI gebruikt voor categorisering?
Bescherm productgegevens door vooraf vast te leggen welke informatie het AI-systeem mag verwerken en hoe die gegevens worden opgeslagen. Productinformatie bevat niet altijd persoonsgegevens, maar leveranciersbestanden of interne velden kunnen wel vertrouwelijke informatie bevatten. Controleer daarom de afspraken over gebruik, bewaartermijnen, toegang en eventuele inzet van gegevens voor het trainen van modellen.
- Verstuur alleen velden die nodig zijn voor de classificatie.
- Beperk toegang tot invoer, uitkomsten en correcties.
- Leg vast hoe gegevens worden verwijderd en wie verantwoordelijk is voor controle.
Kan AI producten in meerdere talen automatisch categoriseren?
Ja, AI kan productinformatie in meerdere talen verwerken, maar de kwaliteit hangt af van de talen, de beschikbare productgegevens en de gebruikte categorieën. Een producttitel kan bijvoorbeeld per markt anders zijn, terwijl de webshop dezelfde taxonomie gebruikt. Controleer daarom de classificatie per taal en voorkom dat vertaalverschillen of lokale productnamen tot andere categorieën leiden.
- Bewaar de oorspronkelijke tekst naast eventuele vertalingen.
- Test gangbare synoniemen en lokale benamingen per markt.
- Leg vast of categorieën centraal of per taalgebied worden beheerd.
Hoe koppel je AI-categorisering aan een PIM- of ERP-systeem?
Koppel AI-categorisering aan je PIM- of ERP-systeem via een gecontroleerde gegevensstroom die invoer, voorstellen, beoordeling en terugschrijven van resultaten afzonderlijk behandelt. Zo kan het systeem categorieën voorstellen zonder bestaande productgegevens ongemerkt te overschrijven. Spreek ook af wat er gebeurt als een product opnieuw wordt verwerkt of een medewerker een eerdere voorspelling heeft aangepast.
- Gebruik vaste veldnamen en afgesproken categorie-ID’s.
- Bewaar de status en herkomst van iedere voorspelling.
- Test wijzigingen eerst in een testomgeving en zorg voor een herstelmogelijkheid.
Foto: Saad Bin Hasan