Knowledge Graph voor Productdata

Traditionele databases gebruiken tabellen, wat complexe relaties lastig maakt. Een knowledge graph gebruikt nodes en edges, waardoor ingewikkelde koppelingen tussen producten en attributen natuurlijk worden vastgelegd. Dit is veel efficiënter voor semantisch zoeken en compatibiliteitsbeheer in e-commerce.

Een knowledge graph begrijpt de context van producten. In plaats van alleen te kijken naar wat andere mensen kochten, kan het systeem aanbevelingen doen op basis van functionele eigenschappen, zoals een specifieke oplader die technisch past bij een laptop, of kleding die past bij een bepaalde weersomstandigheid.

De implementatie begint met het definiëren van een ontologie die de relaties tussen producten, categorieën en attributen vastlegt. Vervolgens koppel je de PIM-data aan een graph database via API-integraties, waarbij platte data wordt omgezet in een web van nodes en edges. Door gebruik te maken van semantic mapping kan het systeem vervolgens automatisch verbanden leggen die voorheen handmatig moesten worden beheerd.

Voice search-opdrachten zijn vaak conversationeel en complex, wat een diep begrip van context vereist dat traditionele databases niet kunnen bieden. Een knowledge graph begrijpt de semantiek achter een gesproken vraag, zoals 'welke wandelschoenen passen bij deze rugzak?', door de onderliggende relaties in de data te analyseren. Hierdoor kan de zoekmachine direct een accuraat antwoord geven in plaats van een lijst met willekeurige zoekresultaten.

Een knowledge graph kan ontbrekende productinformatie automatisch aanvullen door patronen en relaties binnen de data te herkennen. Als het systeem weet dat een specifiek model 'waterdicht' is en verbonden is met een bepaalde materiaal-node, kan het deze eigenschap automatisch toewijzen aan alle gerelateerde varianten. Dit verhoogt de data quality aanzienlijk en vermindert de handmatige werklast voor content teams.

De investering is meestal rendabel zodra een retailer te maken heeft met een groot assortiment waarbij cross-selling en technische compatibiliteit cruciaal zijn voor de verkoop. Bedrijven die hun bouncepercentage willen verlagen en hun gemiddelde orderwaarde willen verhogen door middel van hyper-gepersonaliseerde aanbevelingen zien vaak de snelste ROI. Het is vooral waardevol voor sectoren zoals elektronica, mode en bouwmarkten waar productspecificaties zeer complex zijn.

Stel je een hardloopschoen voor. In een traditionele database is dit één item met losse kenmerken. In een knowledge graph is de schoen verbonden met de 'node' voor het merk, de 'node' voor de sport (hardlopen), de 'node' voor de ondergrond (asfalt) en de 'node' voor de dempingstechnologie. Als een klant zoekt naar 'dempende schoenen voor op de weg', vindt de graph direct de juiste match via deze gedeelde eigenschappen, zelfs als die woorden niet letterlijk in de producttitel staan.

Een veelgemaakte fout is het willen mappen van alle mogelijke data zonder een specifiek doel. Dit leidt tot een onnodig complex netwerk dat traag wordt en lastig te onderhouden is. Begin klein met de meest relevante relaties die direct waarde toevoegen aan de zoekfunctie of aanbevelingen. Een andere fout is een gebrek aan datakwaliteit bij de bron; als de basisattributen in je PIM-systeem niet kloppen, zal de knowledge graph onjuiste of irrelevante verbanden leggen.

Voor het succesvol beheren van een knowledge graph is samenwerking tussen verschillende rollen cruciaal. Een data architect ontwerpt de structuur (het ontologie), terwijl product owners bepalen welke relaties commercieel relevant zijn voor de klantreis. Daarnaast spelen content specialisten een rol bij het controleren van de logica van de verbindingen. Vaak is er ook een data engineer nodig om de koppelingen tussen de graph en andere systemen, zoals de webshop of het PIM-systeem, technisch te onderhouden.

Je kijkt vooral naar de verbetering in zoekrelevantie en conversie. Belangrijke KPI's zijn de 'click-through rate' op zoekresultaten en de 'zero-result rate', oftewel hoe vaak klanten niets vinden. Als de graph goed werkt, neemt het aantal succesvolle zoekopdrachten toe. Daarnaast kun je de gemiddelde orderwaarde monitoren; door betere semantische aanbevelingen, zoals 'vaak samen gekocht' op basis van logische verbanden in plaats van alleen verkoopcijfers, leggen klanten sneller relevante extra producten in hun winkelmandje.

Gebruik een consistente hiërarchie en duidelijke definities voor je relaties. In plaats van vage termen, gebruik je specifieke verbindingen zoals 'is compatibel met', 'is een variant van' of 'is gemaakt van'. Zorg dat deze relaties bidirectioneel of juist heel specifiek unidirectioneel zijn waar nodig. Het is essentieel om een standaard te hanteren, zoals schema.org, zodat de data ook begrijpelijk blijft voor externe zoekmachines en toekomstige systeemkoppelingen met partners in de keten.

In de nabije toekomst verschuift de focus van algemene productrelaties naar klant-specifieke context. De knowledge graph koppelt dan niet alleen producten aan elkaar, maar verbindt deze ook met de specifieke voorkeuren en eerdere interacties van een individuele bezoeker. Hierdoor kan een webshop begrijpen dat 'blauw' voor de ene klant 'marine' betekent en voor de andere 'babyblauw', waardoor de getoonde collectie en de zoekresultaten exact aansluiten op de unieke smaak en context van de gebruiker.