Hoe Mr. Marvis AI trainde op merkspecifieke productnamen
Tijmen van den Elzen, Engaige
Uit de sessie: Maandelijkse Meeting dec 2025
Tijmen van den Elzen van Engaige laat aan de hand van modemerk Mr. Marvis zien waar AI-chatbots vaak stranden: ze snappen je eigen productnamen niet. Je ziet waarom dat gebeurt en wat je eraan doet door je merkwoordenschat in de kennisbasis van je agent te zetten.
Voor wie: Je een chatbot of AI-agent voor klantenservice bouwt of beheert voor een merk met eigen productnamen.
Waarom dit ertoe doet
Een klant die een chatbot vraagt naar 'de Originals' wil een antwoord, geen verwijzing naar een tv-serie. Een taalmodel is getraind op het hele internet, maar niet op jouw interne benamingen. Merken die hun collecties namen geven in plaats van beschrijvingen, lopen dus extra risico op een chatbot die gokt of ernaast zit. Dat kost conversie, retouren en klantvertrouwen. De oplossing is geen dure training: je legt in een kennisbasis vast wat elke naam betekent, in gewone woorden, met synoniemen. Volgens Tijmen van den Elzen is dat een kwestie van uren en direct meetbaar in klanttevredenheid. Dat laatste is zijn inschatting, de cijfers noemt hij in de clip niet.
Belangrijkste inzichten
- Taalmodellen kennen geen interne productnamen; 'The Originals' kan voor het model ook een tv-serie zijn.
- Volgens de openbare productpagina's zijn Mr. Marvis' The Originals shorts in zo'n 40 kleuren en prints; de naam 'The Classy' uit de clip vonden we niet terug.
- De oplossing is een kennisbasis met per naam: wat het is, voor welk gebruik, welke synoniemen en wat het niet is.
- Dat is geen echte modeltraining maar het meegeven van feiten, vaak grounding genoemd.
- Meet het effect met een lijst van twintig echte klantvragen, zonder en met kennisbasis.
Waarom AI je productnamen niet snapt
Een taalmodel voorspelt tekst op basis van wat het heeft gezien. Namen als 'The Originals' komen op internet in veel betekenissen voor: een tv-serie, een film, een kledinglijn. Zonder context kiest het model de meest waarschijnlijke betekenis, en dat is niet altijd die van jouw merk. Bij Mr. Marvis zijn de namen bovendien bedoeld als merkpersoonlijkheid en niet als beschrijving, dus wie de naam niet kent, kan er niets uit afleiden.
Wat Mr. Marvis zelf verkoopt
Uit de openbare productpagina's en persberichten van Mr. Marvis blijkt dat The Originals de shorts zijn waar het merk mee begon, in zo'n 40 kleuren en prints. De clip noemt ze broeken en een chino; volgens Tijmen van den Elzen is 'The Originals' een chino voor dagelijks gebruik en 'The Classy' een pantalon voor formele gelegenheden. Dat past niet precies op wat wij online vonden: The Originals zijn shorts, en 'The Classy' vonden we niet terug. Het kan een oudere of interne naam zijn, of een verspreking of transcriptiefout. Het voorbeeld laat zien waar het fout kan gaan: ook mensen binnen het merk gebruiken namen op verschillende manieren.
Wat je in de kennisbasis zet
Een kennisbasis is het document of de database waaruit je AI-agent put. Voor productnamen werkt een eenvoudige tabel: de merknaam, wat het product is (broek, short, jas), voor welk gebruik, welke synoniemen klanten gebruiken, en welke namen er niet mee verward moeten worden. Voeg collectienamen, seizoensnamen en interne afkortingen toe. Dit heet vaak 'grounding': je geeft het model de feiten in plaats van het zelf te laten raden. Het is geen echte training van het model, dus de Nederlandse term 'trainen' in de titel is losjes bedoeld.
Hoe je het test
Maak een lijst van twintig echte klantvragen waarin productnamen voorkomen, uit chat of mail. Laat de agent antwoorden zonder en met de kennisbasis en tel de goede antwoorden. Zo zie je zelf of het werkt en kun je de claim van Tijmen van den Elzen over klanttevredenheid met eigen cijfers toetsen.
Waar dit past in je AI-project
Productnamen zijn maar een deel van wat een agent moet weten. Denk ook aan maattabellen, verzendtijden en retourregels. Begin met de 10 tot 20 vragen die je klantenservice het vaakst krijgt en zorg dat daar vooral de productkennis klopt. Houd de kennisbasis klein en onderhoudbaar: een tabel van 50 producten die je maandelijks bijwerkt is beter dan een map met 500 verouderde pdf's. Spreek ook af wie de bron beheert, zodat een nieuwe collectie niet pas weken later in de agent terechtkomt. Engaige en Mr. Marvis zijn hier het voorbeeld; de resultaten die zij behaalden noemt de clip niet met getallen, dus meet zelf een nulmeting voordat je begint.
Probeer dit deze week
- Maak een lijst van je tien meest gebruikte product- en collectienamen en schrijf per naam een zin met wat het is en voor wie.
- Haal twintig klantvragen met productnamen uit je chat of mail en laat je chatbot ze beantwoorden. Noteer de fouten.
- Voeg de synoniemen toe die klanten werkelijk gebruiken, bijvoorbeeld uit je zoekterm-rapport in Google Analytics.
Begrippen
- Kennisbasis
- Het geheel van documenten en gegevens waaruit een AI-agent zijn antwoorden haalt.
- Grounding
- Het meegeven van feiten aan een model zodat het niet hoeft te gokken.
- Synoniem
- Een andere naam waarmee klanten hetzelfde product aanduiden.
Verdiep je in de gids
Transcriptie
Uitgeschreven uit de audio van dit fragment. Stopwoorden en herhalingen zijn weggelaten. Waar [onverstaanbaar] staat, is de opname niet te verstaan.
Nou, een van de challenges die ik al benoemde op het gebied van die producten, was dat Mr. Marvis, en dat zullen andere merken wellicht ook wel hebben, dat niet alle productnamen volledig duidelijk zijn van welk product je het dan over hebt. Dus ik heb even een screenshot bijgevoegd van de productpagina van Mr. Marvis. En je ziet hier dat zij een product hebben, dat heet The Cooler Days. En de productnaam die je daar ziet staan, dat is de kleur van de broek. Dus de broek is de Cooler Days Deeps.
Als je geen context hebt over Mr. Marvis of hoe een product architectuur er uitziet, dan gaat een AI model niet begrijpen waar je het over hebt als je het hebt over de Cooler Days. Dan denken ze misschien zelfs wel dat je het over een korte broek hebt. Of de Deeps is dan misschien normaal gesproken zo een attribuut zijn van een product. Maar nu kan een klant er ook echt naar verwijzen als: ik heb vorige week bij jullie de Deeps gekocht.
En veel AI producten zullen dan alleen bijvoorbeeld de Cooler Days en andere high level productnamen vinden, en daarmee niet uiteindelijk terecht komen bij het juiste product. Dus hierin was het belangrijk dat we echt die data goed in onze AI agent gingen laden, zodat hij ook echt effectief goed die producten namen kon vinden. En uiteindelijk begreep je precies waar een klant het over had, en hoe hij dan de juiste informatie kon vinden om die klant verder te helpen.
Spreker: Tijmen van den Elzen, Engaige
Bronnen
Meer over Klantenservice & Sales
Duur 1:09Salesforce: 100 miljoen leads eindelijk opvolgen
Tachmy Dilmy, eCommerce AI Club
100 miljoen leads in 26 jaar nooit opvolgd, tot AI kwam
Duur 1:37Waarom AI niet kan verkopen zonder domeinkennis
Marja Silvertant, Aiden
LLMs zijn getraind op 30 jaar internet zonder verkoopadvies, dat merk je
Duur 0:39HelloPrint: 100 naar 20 FTE klantenservice, 80% AI
Michael Heerkens, HelloPrint
100 FTE klantenservice naar 20, AI doet nu 80%