Leveranciersprijslijsten automatisch matchen aan je assortiment

Een nieuwe leveranciers- of concurrentieprijslijst komt binnen als PDF of Excel-bestand. De productnamen lijken op die in je eigen catalogus, maar zijn net anders geschreven. Volumes, eenheden en merken wijken af. Je inkoopteam zoekt iedere regel opnieuw uit.

Dat werk is meer dan bestandsverwerking. De kernvraag is herkenning: welk extern product hoort bij welk artikel in je eigen assortiment?

AI kan die matching voorbereiden. De medewerker houdt de beslissing.

Wil je eerst breder bepalen welk proces geschikt is voor een AI-agent? Lees Bedrijfsprocessen automatiseren met AI: waar begin je?.

Waarom productmatching lastig blijft

Een exacte artikelcode of EAN maakt matching eenvoudig. In de praktijk ontbreekt die vaak of verschilt de informatie per bron.

Veelvoorkomende verschillen zijn:

• afkortingen en spellingsvarianten;
• milliliter tegenover liter;
• verpakkingsgrootte of verkoopeenheid;
• merk, submerk en private label;
• onvolledige omschrijvingen;
• dezelfde productnaam voor verschillende varianten.

Een oplossing die alleen tekst letterlijk vergelijkt, mist daardoor veel matches. Een systeem dat te ruim vergelijkt, stelt juist verkeerde producten voor. Je hebt meerdere lagen herkenning en een duidelijke grens voor menselijke beoordeling nodig.

Drie lagen voor een betrouwbare match

OffertePilot gebruikt drie soorten matching:

1. Exacte matching

Eerst zoekt de agent naar harde overeenkomsten, zoals EAN, artikelcode, productnaam, merk en volume. Een exacte match heeft de minste interpretatie nodig.

2. Fuzzy matching

Daarna herkent het systeem kleine verschillen in spelling, schrijfwijze en eenheden. “Heinz ketchup fles 1000ml” kan zo worden gekoppeld aan “Heinz Tomatenketchup 1L”.

3. Semantische matching

Als woorden niet letterlijk overeenkomen, vergelijkt de agent betekenis. Dat helpt bij synoniemen, alternatieve benamingen en productomschrijvingen die inhoudelijk hetzelfde bedoelen.

De agent toont per regel de beste kandidaat, een alternatief en waar relevant een white label- of private label-optie.

Vertrouwensscore helpt, maar beslist niet

Iedere suggestie krijgt een vertrouwensscore. Die score is geen automatische waarheid. Hij helpt de medewerker om sneller te zien welke regels waarschijnlijk kloppen en waar controle nodig is.

Vooraf bepaal je:

• welke score voldoende is om een match direct voor te stellen;
• wanneer meerdere kandidaten zichtbaar moeten zijn;
• welke productgroepen altijd controle vragen;
• wie een match mag accepteren of aanpassen;
• hoe correcties worden opgeslagen en hergebruikt.

Zo verdwijnt het terugkerende zoekwerk, terwijl de catalogus niet zonder menselijk oordeel wordt aangepast.

Je catalogus en ERP blijven de bron

OffertePilot vervangt je catalogus of ERP niet. De agent gebruikt de productinformatie uit je eigen landschap en koppelt externe regels daaraan.

De gecontroleerde uitkomst kan vervolgens worden geëxporteerd of via een koppeling teruggaan naar het proces dat je al gebruikt. In de VHC Jongens-case bestaat de oplossing uit een matching engine en een managementportaal met Microsoft SSO, statistieken, synoniemenbeheer en catalogusdata via een ERP-koppeling.

Je bestaande systeem blijft bepalen welke artikelen, prijzen en kenmerken leidend zijn.

Live bij VHC Jongens

VHC Jongens ontvangt leveranciers- en concurrentieprijslijsten in verschillende formats. Met tot 75 nieuwe artikelen per week werd handmatige matching steeds moeilijker schaalbaar.

rb2 bouwde MatchPoint, de techniek achter OffertePilot. De oplossing leest prijslijsten, zoekt per product de beste kandidaten en laat medewerkers de match accepteren of aanpassen. Eerdere beslissingen worden vastgelegd en later opnieuw gebruikt.

Het publiek bevestigde resultaat is kwalitatief:

• minder terugkerend handwerk;
• consistentere productmatches;
• herbruikbare correcties en keuzes;
• menselijke controle bij iedere beslissing.

Er is geen publiek gevalideerd besparingspercentage. Dat claimen we daarom niet.

Lees de volledige VHC Jongens-case.

Welke getallen meet je vooraf?

Leg vóór automatisering vast:

• aantal prijslijsten en regels per week;
• actieve behandeltijd per lijst of per regel;
• percentage regels dat direct exact kan worden gematcht;
• percentage dat menselijke beoordeling vraagt;
• aantal terugkerende correcties;
• tijd tussen binnenkomst van het bestand en bruikbare output.

Kies één hoofd-KPI. Voor veel teams is dat behandeltijd per prijslijst. First-time-right en uitzonderingsratio helpen vervolgens verklaren waarom de tijd verandert.

Een uitzonderingsratio hoeft niet naar nul. Onzekere of bedrijfskritische matches horen bij je mensen te blijven.

Zo bepaal je of OffertePilot past

In een gratis gesprek van 30 minuten toetsen we of het matchingproces genoeg volume, herhaling en eigenaarschap heeft.

Is het kansrijk, dan volgt de betaalde Prove-sessie. Met de mensen die het werk kennen onderzoeken we bronnen, catalogusdata, uitzonderingen, systemen en het resultaat dat telt. De uitkomst is bouwen, eerst randvoorwaarden op orde brengen, of niet doen.

Bekijk OffertePilot of plan een gesprek van 30 minuten.