Begrijp eerst wat de klant vraagt, pas daarna welke producten passen.
Een zoekvraag is zelden alleen een rij woorden. Klanten combineren producttypes, merken, eigenschappen, toepassingen en uitsluitingen in één zin. Query understanding haalt die onderdelen uit elkaar, zodat de zoekmachine gericht kan bepalen wat exact moet kloppen en waar interpretatieruimte bestaat.
Van tekst naar een bruikbare zoekopdracht
Bij een zoekvraag als “zwarte waterdichte wandelschoen maat 43 onder 150 euro” spelen meerdere signalen tegelijk. “Wandelschoen” is het producttype, “zwart” en “waterdicht” zijn eigenschappen, maat 43 is een harde voorwaarde en 150 euro is een prijsgrens. Een zoekmachine die alle woorden hetzelfde behandelt, kan producten tonen die inhoudelijk lijken te passen maar praktisch onbruikbaar zijn.
Query understanding maakt van de vrije tekst een gestructureerde interpretatie. Die interpretatie stuurt vervolgens de combinatie van exacte matching, semantische matching, filters en ranking. Het doel is niet om de klantvraag creatief te herschrijven, maar om de bedoelde betekenis zo zorgvuldig mogelijk te behouden.
Welke onderdelen worden herkend?
- Producttype en categorie: wat voor soort product zoekt de klant?
- Merk, serie en model: zijn er expliciete namen of codes genoemd?
- Eigenschappen: welke kleur, maat, materiaal, uitvoering of technische waarde is gewenst?
- Toepassing: welk probleem wil de klant oplossen of in welke situatie wordt het product gebruikt?
- Voorwaarden en uitsluitingen: welke prijsgrens, compatibiliteit, voorraadstatus of negatieve voorkeur geldt?
Niet ieder onderdeel heeft hetzelfde gewicht. Een modelcode of maat moet meestal exact kloppen. Een toepassing als “voor een kleine werkkamer” biedt juist ruimte om verschillende passende productsoorten te vergelijken.
Normaliseren zonder betekenis te verliezen
Klanten gebruiken afkortingen, typefouten, meervouden en verschillende schrijfwijzen. Normalisatie kan “donker blauw” en “donkerblauw” bij elkaar brengen of een veelgemaakte spelfout corrigeren. Dat is nuttig zolang een correctie geen betekenisvolle code of merknaam verandert.
Daarom hoort normalisatie contextafhankelijk te zijn. “XL” kan een kledingmaat zijn, maar ook onderdeel van een modelnaam. “10 mm” mag niet worden behandeld als een willekeurige term. Exacte identifiers worden beschermd, terwijl natuurlijke taal gecontroleerd kan worden verrijkt met synoniemen en semantische varianten.
Omgaan met onduidelijke zoekvragen
Sommige vragen hebben meerdere plausibele interpretaties. “Apple hoes” kan bijvoorbeeld verwijzen naar een accessoire voor een Apple-apparaat, terwijl productdata ook andere betekenissen kan bevatten. Een goed systeem kijkt naar assortiment, categoriecontext, eerdere woorden in de query en de zekerheid van iedere interpretatie.
Bij voldoende zekerheid kan de zoekmachine direct resultaten tonen. Bij twijfel is voorzichtiger gedrag beter: meerdere relevante categorieën aanbieden, een verduidelijkende suggestie tonen of terugvallen op robuuste woordmatching. Zo voorkomt query understanding dat een slimme interpretatie overtuigend de verkeerde kant op gaat.
Praktijkvoorbeeld
Neem de zoekvraag “stille ventilator voor slaapkamer zonder verlichting”. De kern is een ventilator, “voor slaapkamer” beschrijft de toepassing, “stil” is een belangrijke voorkeur en “zonder verlichting” is een uitsluiting. De zoeklaag kan daardoor modellen met een lage geluidsclassificatie prioriteren en varianten met ingebouwde lamp uitsluiten, mits die gegevens betrouwbaar in de productfeed staan.
Ontbreekt een relevant attribuut, dan moet het systeem dat niet verzinnen. Het kan producten met expliciete gegevens hoger plaatsen en andere kandidaten voorzichtig tonen. Query understanding werkt dus samen met productdatakwaliteit en constraints; het is geen vervanging voor beide.
Hoe je kwaliteit meet
Controleer interpretaties per querytype: SKU, merk, categorie, attribuut, toepassing en lange natuurlijke vraag. Kijk niet alleen naar klikken, maar ook naar no-results, snelle herformuleringen, gebruikte filters en aankopen. Een klant die direct een tweede zoekopdracht invoert, kan aangeven dat de eerste interpretatie niet aansloot.
Bewaar daarnaast een vaste set belangrijke zoekvragen met verwachte interpretaties. Daarmee kun je na wijzigingen controleren of een verbetering voor natuurlijke taal niet per ongeluk exacte product- of merkzoekopdrachten verslechtert.
Query understanding binnen Findoviq
Findoviq gebruikt de ontlede vraag om verschillende zoeksignalen gericht te combineren. Exacte codes en merken behouden hun gewicht, semantische signalen helpen bij toepassingen en beschrijvende vragen, en harde voorwaarden blijven filters. In analytics wordt zichtbaar bij welke vragen klanten afhaken of opnieuw zoeken, zodat de inrichting gericht kan worden verbeterd.
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.