Klanten zoeken anders dan enkele jaren geleden. Ze typen niet langer alleen zoekwoorden in, maar stellen complete vragen aan AI over toepassingen, eigenschappen en beperkingen.
Daardoor verandert ook wat goede productdata betekent. Een artikelnummer, korte omschrijving en enkele technische kenmerken zijn niet altijd genoeg om een product goed te begrijpen en vergelijken. Context wordt belangrijker.
Hoe weet je of jouw productinformatie daarop voorbereid is? Daarvoor gebruiken we bij Bravx de KLAAR-check: Koppelbaar, Leesbaar, Accuraat, Afgestemd en Recent.
Betekent dat je productdata logisch gestructureerd en onderling verbonden is. Producten horen in duidelijke categorieën, met alleen relevante attributen per categorie. Afhankelijkheden zijn vastgelegd: een bepaalde productfamilie vereist bijvoorbeeld altijd een maat, materiaal en temperatuurbereik. Documenten, afbeeldingen en handleidingen zijn expliciet gekoppeld aan de juiste artikelen – niet los in mappen op een server. Pas dan kan een AI-toepassing begrijpen welke files bij welk product horen.
Gaat over de manier waarop je gegevens zijn vastgelegd. Vermijd impliciete afkortingen en cryptische codes die alleen intern begrepen worden. Beschrijf eigenschappen consequent en met duidelijke eenheden. Als de ene bron spreekt over “m” en de andere over “meter”, of je combineert meerdere eigenschappen in één tekstveld, maak je het onnodig moeilijk voor systemen én mensen om de informatie betrouwbaar te interpreteren.
Raakt aan het principe van een single source of truth. Voor elk kenmerk moet duidelijk zijn welk systeem de bron is en hoe wijzigingen doorstromen. Pas je een specificatie aan in PIM, dan moet die wijziging automatisch doorwerken naar ERP, webshop en datasheets – niet “als iemand eraan denkt”. Inconsistentie tussen kanalen is funest voor AI: het model weet dan niet welke versie klopt en kan geen stabiel antwoord formuleren.
Is de extra A die in de webinar nadrukkelijk terugkomt. Het betekent dat je productdata aansluit op de vragen die kopers daadwerkelijk stellen. Specificaties en beschrijvingen moeten helpen om geschiktheid en toepassing te beoordelen. Denk aan omgevingscondities, compatibiliteit, typische use cases, grenzen waarbinnen het product veilig of efficiënt gebruikt kan worden. Zonder die context kan AI wel eigenschappen opsommen, maar geen zinnig advies geven.
Tot slot staat Recent voor actualiteit en beheerdiscipline. Je data moet up-to-date zijn, met eigenaarschap per domein en duidelijke workflows voor wijzigingen. Wie mag prijzen aanpassen? Wie beheert technische specificaties? Wanneer worden uitgefaseerde producten gemarkeerd of verborgen? Als verouderde informatie blijft rondzingen in één van je bronnen, zal die ook vroeg of laat in AI-antwoorden opduiken.
De KLAAR-check leent zich goed voor een gerichte data-audit. Begin desnoods klein, met één productlijn of een beperkt assortiment. Breng in kaart waar gegevens leven, waar ze elkaar tegenspreken en waar medewerkers moeten zoeken, corrigeren of dubbel invoeren. Gebruik die bevindingen om een pilot op te zetten: heldere definities, verplichte velden, eigenaarschap en afspraken over masterdata tussen ERP en PIM.
Zo bouw je stap voor stap aan productdata die niet alleen intern beter werkt, maar ook klaar is voor AI-gestuurde shortlistvorming.