Ja, AI kan een klantomschrijving aan een artikel koppelen zonder dat het exacte artikelnummer in de mail staat. Daarvoor zijn je artikelbestand en relevante context nodig, zoals eerdere orders. Een onduidelijke omschrijving blijft een reden voor controle. Bij Voortman gebruikt ENTR fuzzy matching en orderhistorie om ruwe klantmails te verbinden met de bedoelde artikelen in SAP.
Waarom kost artikelen zoeken zoveel tijd?
Klanten gebruiken hun eigen namen, oude nummers of verkorte omschrijvingen. Je ERP gebruikt andere termen. Sales support moet die twee werelden verbinden voordat de order ingevoerd kan worden. Een OCR-oplossing die alleen de letterlijke tekst teruggeeft, neemt dit onderzoek niet vanzelf over.
Wat is fuzzy matching bij orderinvoer?
Fuzzy matching zoekt naar overeenkomsten wanneer de gebruikte tekst niet exact gelijk is. Dat kan helpen bij spellingvarianten of afkortingen. Het betekent niet dat twee technisch verschillende artikelen gelijk zijn. Maatvoering, uitvoering en verpakking blijven bepalend voor de juiste keuze.
| Situatie | Alleen tekstherkenning | Matching met bedrijfscontext |
|---|---|---|
| Afkorting | Afkorting teruggeven | Vergelijken met artikelomschrijvingen |
| Oud nummer | Oud nummer overnemen | Toetsen aan bekende artikelrelaties |
| Eerdere bestelling | Verwijzing als tekst lezen | Orderhistorie als context gebruiken |
| Vergelijkbare producten | Naam herkennen | Kenmerken meenemen en twijfel tonen |
| Eenheid | Aantal overnemen | Eenheid en verpakking controleren |
Wanneer helpt orderhistorie?
Een klant kan vragen om hetzelfde onderdeel als de vorige keer. Historie kan de zoekruimte verkleinen, maar maakt ontbrekende specificaties niet automatisch zeker. Een klant kan inmiddels een andere machine gebruiken. Behandel een historische overeenkomst als onderbouwing voor een match, niet als toestemming om een technische variant te raden.
Wat laat de Voortman-case zien?
Voortman ontving orders en offerteaanvragen als losse e-mailtekst. Het team zocht handmatig uit welke artikelen bedoeld werden. ENTR combineert fuzzy matching met historische orders en verwerkt de uitkomst in SAP. Dit klantvoorbeeld ondersteunt de toepassing van context bij artikelmatching. Het is geen bewijs dat elke productomschrijving zonder menselijke beoordeling oplosbaar is. Bekijk de werkwijze bij Voortman.
Hoe test je of de matching goed genoeg is?
Gebruik zowel makkelijke als lastige aanvragen: een juiste productnaam, een afkorting, een oud nummer en twee artikelen die alleen in maat verschillen. Laat ook een onoplosbare omschrijving zien. De oplossing moet dan om verduidelijking vragen of review vereisen, niet ongemerkt een artikel kiezen. Dit zijn voorgestelde testgevallen, geen klantdata.
Wat betekent dit voor sales support?
De waarde zit in minder herhaald zoekwerk en gerichte aandacht voor twijfelgevallen. Je team hoeft dan niet bij elke aanvraag het hele artikelbestand door. Combineer matching met de volledige orderstroom van mail naar ERP, zodat het gevonden artikel niet alsnog handmatig hoeft te worden ingevoerd.
