5.000+ wijnen in de catalogus. En bij elke afzonderlijke fles stelt de bezoeker precies dezelfde vraag:
“Hoe smaakt hij eigenlijk?”
Voor de wijnliefhebber is het een snelle check: sluit het profiel aan bij de kelder en de smaakvoorkeur? Voor iemand die gewoon een lekkere fles zoekt voor zaterdagavond met vrienden, is het dé drempel tussen twijfelen en bestellen: weten wat je in huis haalt zonder dat je eerst een vinologendiploma hoeft te halen.
Maar als e-commerce director loop je bij een catalogus van duizenden SKU’s tegen een harde operationele realiteit aan: fles voor fles handmatig proeven en uitschrijven gaat simpelweg niet.
Hieronder deel ik hoe we dit bij PerfecteWijn.nl hebben opgelost met een autonome AI-dataverrijkingspipeline — en waarom dit een fundamenteel ander vraagstuk is dan “even een leuke tekst laten schrijven door ChatGPT”.
De Data-Chaos achter Wijnretail
Wie denkt dat wijnproducenten en importeurs gestructureerde API-feeds aanleveren met nette productkenmerken, heeft nog nooit een technisch fiche uit de Bourgogne of Piemonte geopend.
De realiteit van productonboarding in wijnretail is een bonte verzameling van:
- Scans en PDF-tasting sheets in het Frans, Italiaans, Spaans of Duits.
- Subjectieve, poëtische proefnotities (“hints van vochtig kreupelhout bij herfstochtend” — prachtig voor poëzie, volkomen waardeloos voor een zoekfilter of vergelijkingsslider).
- Versnipperde scores van vakbladen en recensenten (James Suckling, Robert Parker, Decanter, Vivino) die per jaargang verschillen.
- Wisselende vintage reports waarin het ene jaar bol staat van de zuren door een koele zomer en het volgende jaar juist zware tannines heeft door aanhoudende droogte.
Vroeger kostte het verrijken van één nieuwe wijn al snel 30 tot 90 minuten aan handmatig zoek-, vertaal- en invoerwerk. Bij tientallen nieuwe jaargangen en wekelijkse domein-uitbreidingen ontstaat daar een gigantische flessenhals.
Gevolg: incomplete productdetailpagina’s (PDP’s), missende filters en aarzelende kopers die afhaken.
De Oplossing: AI als Autonoom Voorwerk
In plaats van handmatige redactie hebben we een data-pipeline ontworpen die ongestructureerde documenten en webdata autonoom omzet in gestandaardiseerde, wiskundig vergelijkbare e-commerce metadata.
De pipeline haalt zijn informatie uit vier gelaagde bronnen:
┌─────────────────────────────────────────────────────────────┐
│ BRONNEN VOOR DATA-INFORMATIE │
├─────────────────────────────────────────────────────────────┤
│ 1. Officiële producentendata (Winery sheets & tech specs) │
│ 2. Appellatie- & druif-benchmarks (ijkpunt body & zuren) │
│ 3. Professionele recensies (Parker, Suckling, Vivino) │
│ 4. Jaargang- en klimaatrapporten (Vintage specificities) │
└──────────────────────────────┬──────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ NORMALISATIE- & VERIFICATIE ENGINE (AI) │
│ - Extractie van harde feiten (houtrijping, alcohol, terroir)│
│ - Vertaalslag van subjectieve tekst naar kwantitatieve schaal│
│ - Consistentiecontrole tegen historische appellatie-data │
└──────────────────────────────┬──────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ OUTPUT OP DE PRODUCTPAGINA (PDP) │
│ ✓ Smaakprofiel-sliders (Body, Tannines, Zuren, Zoetheid) │
│ ✓ Duidelijke aromagroepen (Rood fruit, Vanille, Specerijen)│
│ ✓ Wijn-spijs matches ("Heerlijk bij gegrild lamsvlees") │
│ ✓ Optimale serveertemperatuur & bewaarvenster │
└─────────────────────────────────────────────────────────────┘1. Producentendata als anker
Wanneer een nieuwe wijn binnenkomt, parseert het systeem direct de beschikbare fiches van het domein. Vergisting op eikenhout of rvs? Welke bodemstructuur? Maceratietijd? Dit zijn de harde feiten.
2. Regionale en variëtale benchmarks
Als een wijnmaker beknopt is in zijn toelichting, gebruikt het model appellatie-standaarden als referentiekader. Een Nebbiolo uit Barolo heeft per definitie een hogere tanninestructuur en zuurgraad dan een Primitivo uit Manduria. Dit voorkomt dat het model hallucineert of onlogische sliders toekent.
3. Professionele proefpanels als fallback
Ontbreekt de technische specificatie? Dan analyseert het algoritme geaggregeerde recensies van professionele proevers en sommelier-databases om consensus over het smaakkarakter te destilleren.
4. Vintage context
Een 2021 Bordeaux vraagt om een andere nuance dan een zonovergoten 2018. Door vintage reports mee te wegen, sluiten smaaknotities daadwerkelijk aan op het jaar op het etiket.
Van Woordenschat naar Wiskundige Schaal
Het meest kritieke onderdeel van het systeem is normalisatie.
Als tien wijnmakers hun wijn omschrijven, gebruikt de één het woord “crisp”, de tweede “minerale fraîcheur” en de derde “levendige citruszuren”. Voor een consument op een webshop zijn die synoniemen verwarrend.
Onze pipeline normaliseert deze duizenden synoniemen naar een eenduidige 5-puntsschaal:
- Body: Ligt de nadruk op lichte doordrinkbaarheid of volle, romige concentratie?
- Tannines: Zacht en fluwelig of stevig met bite?
- Zuren: Fris en dorstlessend of rond en zacht?
- Houtrijping: Puur fruit of duidelijke vanille- en toasttonen?
Daarnaast worden culinaire combinaties automatisch gekoppeld op basis van smaakintensiteit (een zware Amarone matcht niet met witvis, maar wel met wildstoof) en wordt direct de ideale serveertemperatuur berekend.
Het Testproces: Eerst een Rigoureuze Backfill
Je zet zo’n systeem niet blind live op 5.000 producten.
Maanden geleden zijn we gestart met een complete backfill van het gehele assortiment. Dit ging gepaard met een intensief validatie- en testproces:
- We hebben steekproefsgewijs honderden flessen handmatig geverifieerd door ons wijnteam.
- Waar inconsistenties opdoken (bijvoorbeeld afwijkende sulfietwaarden of verouderde jaargangen), zijn de prompt-constraints en validatieregels aangescherpt.
- Pas toen de accuraatheid consistent boven de 99% lag, is de pipeline overgezet naar productie.
Vandaag de dag draait het proces volledig geautomatiseerd voor 99,9% van alle wijnen in onze catalogus.
Wanneer er een pallet nieuwe wijnen ons magazijn binnenrijdt, staan binnen enkele seconden na registratie de smaakprofielen, aroma’s en serveeradviezen live op de webshop.
De Commerciële Impact
Wat levert dit onder aan de streep op? In e-commerce draait AI niet om gadgets, maar om marge en conversie:
- Wegnemen van aankoopdrempels: Wijn is een onzekerheidsproduct. Door direct in één oogopslag te laten zien hoe de wijn smaakt, verdwijnt de twijfel.
- Hogere conversie op PDP’s: Bezoekers die via Google binnenkomen op een specifieke fles zien direct of de wijn matcht met hun geplande diner.
- Minder miskopen en hogere retentie: Een klant die krijgt wat hij verwacht op basis van het smaakprofiel, koopt vaker opnieuw.
- Sterke Entity SEO: Gestructureerde data over druivenrassen, smaakprofielen en spijscombinaties geeft Google en AI-zoekmachines (Perplexity, ChatGPT Search) rijke context om onze categoriepagina’s te indexeren.
Hoe Pak Jij Dit Aan?
Productinformatie op schaal betrouwbaar houden is een uitdaging waar vrijwel elke e-commerce retailer met een groot assortiment mee worstelt — of het nu gaat om wijn, gereedschap, consumentenelektronica of mode.
Ik ben benieuwd hoe andere e-commerce en tech-leiders hiernaar kijken:
👉 Praat mee over deze casus op LinkedIn en deel hoe jij productverrijking en AI inzet in jouw operatie!