Kort antwoord: door drie bronnen te combineren. De AI leest wat de klant schreef, vergelijkt dat met je artikelbestand via fuzzy matching op namen, codes, maten en synoniemen, en weegt de eigen orderhistorie van de klant mee om te zien wat die meestal koopt. De beste match wordt voorgesteld met alternatieven, en een medewerker grijpt alleen in als de AI twijfelt. Zo verdwijnt het zoekwerk achter handmatige orderinvoer.
Waarom dit de echte bottleneck is
Een order intypen kost een paar minuten. Uitzoeken welk artikel een klant bedoelt kan veel langer duren: zoeken in het ERP, oude orders erbij pakken, soms de klant bellen. In de maakindustrie en groothandel, met duizenden artikelen en eigen benamingen per klant, gaat hier de meeste tijd naartoe.
Zo werkt het matchen
1. Fuzzy matching op productdata
Kleine verschillen in spelling, woordvolgorde, eenheden of afkortingen houden de match niet tegen. "RVS bout M8x40" en "stainless bolt 8 x 40 mm" komen bij hetzelfde artikel uit.
2. Orderhistorie van de klant
Bestelt een klant altijd een bepaalde variant, dan krijgt die voorrang. Verwijzingen als "zelfde als vorige keer" worden zo bruikbaar.
3. Klantcodes en instructies
Veel klanten gebruiken eigen artikelnummers. ENTR leert deze kruisverwijzingen en je kunt instructies toevoegen in gewone taal.
| Aspect | Handmatig opzoeken | Met ENTR |
|---|---|---|
| Vage omschrijving | Zoeken in ERP, collega vragen | Beste match direct voorgesteld |
| Artikelcodes van klanten | Aparte lijsten of geheugen | Kruisverwijzingen automatisch toegepast |
| "Zelfde als vorige keer" | Oude order opzoeken | Gebruikt orderhistorie |
| Twijfelachtige match | Gokken of klant bellen | Gemarkeerd met alternatieven |
| Kennis in het team | Weg als mensen vertrekken | Vastgelegd in het systeem |
Resultaat in de praktijk
Veel maakbedrijven krijgen orders en offerteaanvragen binnen als losse mailtekst. Met orderhistorie en fuzzy matching hoeft het team niet meer uit te zoeken welke artikelen bedoeld worden, en daar zit de grootste tijdwinst.
Conclusie
Tekst lezen is opgelost. De waarde zit in het vertalen van wat de klant bedoelt naar wat je ERP kent. Vraag elke leverancier om dit te laten zien met je eigen artikeldata.
