Hoe Intergamma AI inzet om de datakwaliteit te verbeteren

De vergelijking die Grasza trekt, is treffend. Op het schoolplein van dertig jaar geleden draaide alles om voetbalplaatjes, flippo’s en jojo’s. Meedoen was een kwestie van erbij horen. Anno nu is de drijfveer veranderd: bedrijven omarmen AI niet om erbij te horen, maar uit angst achter te blijven. “De markt beweegt heel erg snel en achterblijven is geen optie”, zegt Grasza. “Dat zorgt voor veel druk bij organisaties.”

Maar die urgentie leidt ook tot een valkuil: innoveren zonder duidelijk doel. En dat, stelt Grasza onomwonden, is een kostbare hobby. Intergamma koos bewust voor een andere aanpak. In plaats van te beginnen bij de vraag wat er allemaal mogelijk is met AI, begon de retailer bij de vraag waar knelpunten zitten die verdere verbetering in de weg zitten. Het antwoord bleek te liggen in de data.

De motor achter 900.000 klantcontacten

Intergamma bedient in Nederland en België wekelijks zo’n 900.000 klanten in zijn Gamma- en Karwei-bouwmarkten plus webshops. Dat volume stelt hoge eisen aan de betrouwbaarheid van productinformatie. Klopt een afmeting niet, dan staat er een bank van 3,5 meter in het systeem terwijl de klant er eentje van 3,10 meter in zijn woonkamer heeft. Resultaat: retourzending, dubbele transportkosten, een slechte review. “En hoe meer je ervan verkoopt, hoe meer klanten je teleurstelt”, zegt Grasza.

Alle commerciële activiteiten van Intergamma, van de online webshop tot de schapindeling in de winkel, van marketing­uitingen tot voorraadbeheer, staan of vallen met artikeldata. Dat dataproces kent vier stappen: verzamelen, toetsen, verrijken en gebruiken. Grasza heeft ze samengevat in twee blokken: data-input en data-output. De markt is geobsedeerd door output, door dynamische prijzen, AI-gedreven besteladvies of hyper­gepersonaliseerde productaanbevelingen. Intergamma legt in het AI-traject extra nadruk op input. “Als de basis niet goed is, is AI een versneller van fouten.”

Een divers assortiment, een complexe datachallenge

De uitdaging bij het verzamelen van data is voor Intergamma groter dan bij veel andere retailers. Het assortiment loopt uiteen van een eenvoudig boutje tot een hypermoderne cirkelzaag met geïntegreerde laser. Dat vereist uiteenlopende datamodellen en een voortdurend bewegend dataveld, mede door veranderende wetgeving en consumentengedrag. Boven op die complexiteit staat het leverancierslandschap: van grote spelers als Bosch en Husqvarna tot kleine bedrijven die minder ver zijn in data­gedreven opereren of bij wie het aan kennis of capaciteit ontbreekt.

Hoe datagedreven een leverancier is, verschilt enorm. En juist de kleinere partijen hebben het vaker moeilijk om correcte en volledige data aan te leveren. Intergamma deed lang aan massa­communicatie: beklim de zeepkist, pak de megafoon, roep naar alle leveranciers wat je nodig hebt. Het werkte niet. Automatisch gegenereerde vulgraadrapportages via e-mail belanden regelmatig onderaan de stapel. Persoonlijk contact, bellen of mailen per leverancier, leverde aantoonbaar betere resultaten op, maar bleek volstrekt onschaalbaar. “De conclusie was simpel, het moest echt anders.”

PAI: een persoonlijke assistent op schaal

De oplossing vond Intergamma in een persoonlijke AI-gestuurde chat-assistent, kortweg PAI genoemd. Het systeem werkt datagedreven: eerst wordt geanalyseerd welke data ontbreken, bij welke leverancier. Vervolgens wordt die leverancier uitgenodigd voor een persoonlijk gesprek met de Persoonlijke AI-assistent, via een eigen chatomgeving. De assistent stelt zich voor, verifieert of de juiste persoon aan het woord is, legt uit waarom bepaalde informatie nodig is en valideert de aangeleverde data direct.

Als een leverancier bijvoorbeeld een postcode invult die niet aan de vereisten voldoet, krijgt hij meteen uitleg over wat er ontbreekt en waarom. Dat maakt PAI niet zomaar een invulformulier, maar een echte gesprekspartner. De eerste pilot richtte zich op het verzamelen van contactgegevens voor de General Product Safety Regulation (GPSR), Europese wetgeving die retailers verplicht contactinformatie van fabrikanten te tonen. De resultaten liegen er niet om: de vulgraad via de AI-assistent lag significant hoger (vulgraad 97%) dan via massacommunicatie (32%) of de persoonlijke benadering (86%). Maar misschien nog belangrijker: de data die binnenkomen zijn van een hogere kwaliteit en direct bruikbaar. Geen handmatige formattering van telefoonnummers, geen inconsistente schrijfwijzen. De data lopen rechtstreeks de systemen van Intergamma in.

Fouten die je niet ziet, kosten het meest

Wie denkt dat datakwaliteit begint bij het invullen van attributen, heeft het mis. Bij Intergamma begint het bij productclassificatie. Is dit een schroevendraaier of een boormachine? Het klinkt triviaal, maar de gevolgen zijn groot. Een verkeerde classificatie bepaalt welke attributen worden opgeslagen, welke filters op de webshop worden getoond, welke zoekresultaten een klant te zien krijgt. “Een schroevendraaier heeft geen accu en geen acculader nodig”, legt Grasza uit. “Als wij hem classificeren als een boormachine, levert dat verderop in het proces echt een probleem op.”

Lang controleerde Intergamma de data handmatig. Met pieken tot wel 3.500 binnenkomende datapunten per dag, uitsluitend vanuit leveranciers, is dat niet langer haalbaar. Zeker niet nu producten steeds meer attributen krijgen en de data steeds complexer worden. In die handmatige check werd zo’n 3 procent van de data afgekeurd. Netjes, zou je denken. Toch verschenen er op de website deuren van 5 meter breed. Kleine fout, groot effect: onbegrijpelijk product, geen aankoop, minder conversie.

AI ziet meer fouten dan een menselijke check

Een eerste AI-pilot op datakwaliteit, uitgevoerd op zo’n 3.000 producten, laat opvallende resultaten zien. Het AI-model analyseert de EAN-code, marktdata, de producttitel, de product­omschrijving en de classificatiedefinitie, en bepaalt vervolgens of een product correct is ingedeeld. Blijkt dat niet het geval, dan wordt een menselijke collega ingeschakeld: de ‘human in the loop’. Pas als de classificatie klopt, worden de attributen gevalideerd.

Uit de pilot bleek dat 5,6 procent van de producten verkeerd was geclassificeerd, bijna het dubbele van wat handmatige controle opleverde. Van de 35.000 gecontroleerde attribuutwaarden bleek bijna 11 procent onjuist te zijn. “Dit is één pilot, geen representatief beeld voor het gehele assortiment”, benadrukt Grasza. “Maar het laat wel zien dat je op een schaalbare manier kunt toetsen.” En dat is de kern: zelfs als de AI niet méér fouten zou ontdekken dan een menselijke check, is het doel al bereikt. Minder manuren, minder specialistische kennis nodig en, cruciaal, schaalbaar bij groeiende datavolumes.

Van databeschikbaarheid naar databetrouwbaarheid

De komende jaren verschuift de focus bij Intergamma van databeschikbaarheid naar databetrouwbaarheid. Beide pilots, de AI chat-client PAI voor het verzamelen van leveranciersdata en het AI-model voor kwaliteitscontrole, worden verder uitgerold. Het fundament moet steviger worden. Pas als dat op orde is, kan de stap gezet worden naar meer gepersonaliseerde klantbediening: inspelen op individuele behoeftes, online én in de winkel.

Kijk niet alleen naar wat AI allemaal kán, maar focus op waar de organisatie de meeste waarde laat liggen. Schaalbaarheid en procesoptimalisatie zijn hierbij de sleutelwoorden. Daarbij is een ijzersterke basis essentieel, want zonder betrouwbaar datafundament is AI vooral een versneller van fouten. In plaats van problemen op te lossen, vergroot de schaalkracht van AI dan enkel de onjuistheden. ‘Innovatie zonder duidelijk doel is een kostbare hobby’, herhaalt Grasza zijn belangrijkste boodschap.