Laat lage zekerheid leiden tot voorzichtiger gedrag.
Confidence geeft aan hoeveel vertrouwen het systeem heeft in een interpretatie of match. Het is geen absolute waarheid. Goed gebruikte confidence bepaalt wanneer de zoekmachine automatisch mag handelen, wanneer meerdere opties moeten blijven bestaan en wanneer een veilige fallback nodig is.
Wat een confidence-score wel en niet betekent
Een score kan aangeven dat een term waarschijnlijk een merk is, dat een correctie aannemelijk is of dat een semantische match sterk lijkt. De schaal en betekenis verschillen echter per component. Een waarde van 0,8 is niet automatisch “80 procent kans dat dit product goed is”.
Gebruik scores daarom alleen wanneer ze zijn gekalibreerd op echte voorbeelden en gekoppeld aan een concrete beslissing. De relevante vraag is: bij welke score is automatisch filteren veilig, wanneer tonen we een suggestie en wanneer doen we niets?
Confidence per beslispunt
- Query-interpretatie: is duidelijk wat producttype, merk of attribuut is?
- Spellingscorrectie: is de voorgestelde correctie waarschijnlijker dan de oorspronkelijke term?
- Entity-koppeling: past de herkende waarde bij een bestaand catalogusveld?
- Semantische match: is de betekenisovereenkomst sterk genoeg om een kandidaat toe te voegen?
- Constraint: is er voldoende zekerheid om producten hard uit te sluiten?
Ieder beslispunt kan een andere drempel nodig hebben. Een fout bij een suggestie is minder ingrijpend dan een fout die de helft van het assortiment onzichtbaar maakt.
Acties per zekerheidsniveau
Bij hoge zekerheid kan het systeem een bekende merkwaarde of maat direct toepassen. Bij middelhoge zekerheid kan het de interpretatie als rankingboost gebruiken zonder producten uit te sluiten. Bij lage zekerheid kan het meerdere routes openhouden, een verduidelijking tonen of lexical search leidend maken.
Deze gradatie voorkomt alles-of-nietsgedrag. Een onzeker signaal kan nog steeds waarde leveren, maar krijgt niet meer beslissingsmacht dan verantwoord is.
Drempels kalibreren
Begin met een gelabelde set echte zoekvragen. Vergelijk de scores met menselijke beoordelingen en kijk waar fouten ontstaan. Let afzonderlijk op verschillende querytypen, talen en categorieën; een globale drempel kan sterke en zwakke segmenten verbergen.
Kalibratie moet opnieuw worden gecontroleerd na model-, productdata- of configuratiewijzigingen. Een scoreverdeling kan verschuiven terwijl dezelfde numerieke drempel blijft staan.
Praktijkvoorbeeld
Een klant typt “samsng tv 55 inch”. De correctie naar Samsung kan zeer aannemelijk zijn, 55 inch is een herkenbare maat en tv een producttype. Het systeem kan die combinatie direct gebruiken. Bij een onbekende korte term die zowel merk als model kan zijn, is een brede automatische correctie riskanter.
In dat tweede geval kan de zoekmachine exacte woordresultaten behouden, mogelijke categorieën tonen en de semantische interpretatie alleen als aanvullend signaal gebruiken.
Geen schijnprecisie
Toon intern niet alleen een score, maar ook de bron, versie, drempel en gekozen actie. Een hoog getal zonder context maakt beheer niet beter. Uitlegbaarheid helpt een merchandiser of search specialist begrijpen waarom een query anders werd behandeld.
Voor klanten is meestal geen technisch percentage nodig. Een duidelijke suggestie, filterchip of uitleg over een alternatief is begrijpelijker.
Monitoren in productie
Vergelijk lage-confidence queries met no-results, herformuleringen, verwijderde filters en conversie. Let ook op categorieën waar het systeem structureel te zeker is en verkeerde uitsluitingen maakt.
Findoviq gebruikt confidence om guardrails en fallbacks aan te sturen. Daardoor kan AI meer ruimte krijgen waar het aantoonbaar helpt en blijft het gedrag terughoudend wanneer de interpretatie niet sterk genoeg is.
Bespreek jouw zoekvragen
Wil je weten hoe deze aanpak past bij jouw assortiment, productdata en klantgedrag? We bekijken samen welke querytypen prioriteit hebben en waar exacte, semantische en zakelijke signalen elkaar moeten aanvullen.