De ‘nieuwe Max Verstappen’ ontdekken door de inzet van data en slimme algoritmes.
Van Amersfoort Racing
Recommend.ai
Recommender voor persoonlijke aanbevelingen en prijsadviezen.
Gebruik klant- en transactiedata om relevantere keuzes te ondersteunen.
Vertrouwd door toonaangevende organisaties
Waarom we dit bouwden,
Klanten zien vaak dezelfde producten, content of aanbiedingen, terwijl hun interesses en eerdere gedrag verschillen. Ook worden prijzen regelmatig bepaald met vaste regels of op basis van ervaring.
Daardoor sluit het aanbod niet altijd aan op wat een individuele klant zoekt of op de actuele commerciële situatie. Bij grote assortimenten en veel transacties is het bovendien onmogelijk om iedere aanbeveling of prijs handmatig te bepalen.
Recommender gebruikt beschikbare klant-, product- en transactiedata om passende aanbevelingen of prijsadviezen te genereren. De toepassing kan worden ingericht voor verschillende omgevingen, van webshops en retail tot media en mobiliteit.
Wat je kunt verwachten,
Aanbevelingen die aansluiten op de context
Recommender analyseert beschikbare gegevens om te bepalen welk product, kledingstuk, filmpje, beeld of bericht mogelijk relevant is voor een klant of gebruiker.
Welke aanbevelingen mogelijk zijn, hangt af van de beschikbare data, het assortiment en het moment waarop de aanbeveling wordt getoond.
Prijsadviezen op basis van data
Naast aanbevelingen kan de toepassing ondersteunen bij prijsbeslissingen. Het model gebruikt beschikbare informatie om een passend prijsadvies te geven binnen de voorwaarden die je organisatie vastlegt.
Controleren of aanbevelingen en prijsadviezen standaard binnen één oplossing worden aangeboden of als afzonderlijke toepassingen worden ingericht.
Zelf bepalen welke commerciële regels gelden
Een model hoeft niet volledig zelfstandig te bepalen wat een klant ziet of betaalt. Je kunt vastleggen welke producten mogen worden aanbevolen, welke prijsgrenzen gelden en wanneer een medewerker een uitkomst moet beoordelen.
De werking kan bijvoorbeeld worden afgestemd op:
- Beschikbaarheid van producten of diensten
- Vastgelegde prijsgrenzen
- Commerciële prioriteiten
- Relevantie voor de gebruiker
- Uitsluitingen en andere bedrijfsregels
De beschikbare regels en instelmogelijkheden van Recommender nog vaststellen.
Onze aanpak,
-
Beginnen met één concrete beslissing
We bepalen eerst welk keuzemoment centraal staat. Dat kan een productaanbeveling, een volgend contentitem of een prijsadvies zijn.
Vervolgens brengen we in kaart welke data beschikbaar is en hoe de organisatie nu bepaalt wat wordt aangeboden. -
Een model ontwikkelen en toetsen
We ontwikkelen een model dat past bij het vraagstuk en toetsen de uitkomsten met historische of representatieve data. Daarbij vergelijken we de aanbevelingen met de bestaande werkwijze.
We beoordelen niet alleen hoe het model technisch presteert, maar ook of de uitkomst bruikbaar is binnen het commerciële proces. -
Testen en gecontroleerd uitbreiden
We starten met een afgebakend assortiment, klantsegment of kanaal. De resultaten worden gemonitord voordat de toepassing verder wordt uitgebreid.
Nieuwe producten, kanalen of beslismomenten kunnen later aan dezelfde oplossing worden toegevoegd.
Geen willekeurige personalisatie, maar een controleerbare toepassing die commerciële beslissingen ondersteunt met data.
Zo ondersteunt Recommender commerciële keuzes met data, terwijl je organisatie bepaalt welke regels en grenzen gelden.
Wat we eerder bouwden,
Drie projecten uit ons werk met data en AI.
Verder lezen
Blogs en verdieping van ons team.
24 aug 2026
Drie lessen uit onze AI-projecten
Wat we leerden van tientallen AI-projecten: begin bij de beslissing, behandel datakwaliteit als organisatievraag en regel het beheer vooraf.
18 aug 2026
Van pilot naar productie: waarom de meeste AI-projecten stranden
De meeste AI-projecten stranden niet op de techniek, maar op data, team en proces. Lees wat er nodig is om van pilot naar productie te komen.
25 jun 2026
Responsible AI van principes tot praktijk
Artificial Intelligence ontwikkelt zich razendsnel. Vrijwel elke week verschijnen er nieuwe modellen en steeds meer organisaties experimenteren met AI.
Neem contact op
Stef Stoelwinder
Business DevelopmentE-mail info@datasciencelab.nl
Telefoon +31 (0)20 3636 724
Veelgestelde vragen,
De toepassing kan worden ingericht voor verschillende keuzes, zoals producten, kledingstukken, content, beelden of berichten. Welke aanbevelingen relevant zijn, hangt af van het aanbod, het klantmoment en de beschikbare gegevens.
Dat hangt af van de toepassing. Transacties, interacties, productinformatie en beschikbare context kunnen een rol spelen. Niet iedere oplossing hoeft alle mogelijke klantdata te gebruiken. We bepalen welke informatie noodzakelijk is en welke gegevens verantwoord beschikbaar kunnen worden gemaakt.
De oplossing kan prijsadviezen ondersteunen wanneer voldoende relevante data en duidelijke commerciële voorwaarden beschikbaar zijn. Of prijzen automatisch worden aangepast, hangt af van de gewenste inrichting en de risico’s. De precieze functionaliteit voor dynamische prijsbepaling moet nog worden bevestigd.
Een model dat alleen voortbouwt op eerder gedrag kan bestaande voorkeuren te sterk bevestigen. Daarom moet bij de inrichting ook worden gekeken naar variatie, nieuwe producten en andere commerciële doelen. Welke balans passend is, hangt af van de toepassing en de gebruiker.
Dat begint met een duidelijk doel. Afhankelijk van de toepassing kan worden gekeken naar gebruik, conversie, marge of de mate waarin aanbevelingen worden opgevolgd. Een gecontroleerde test maakt zichtbaar of het model beter presteert dan de bestaande werkwijze.