Boost je conversies met RAG: de AI-revolutie voor e-commerce

Veel e-commerce websites verliezen dagelijks waardevolle klanten omdat bezoekers niet de juiste informatie kunnen vinden. Het productaanbod is vaak uitgebreid, maar als specifieke vragen onbeantwoord blijven of belangrijke details ontbreken, verlaten klanten de site zonder iets te kopen. Zo loopt het bedrijf omzet mis.

Dit is eigenlijk niet nodig, want slimme AI-modellen voeren nu gesprekken zoals een verkoopmedewerker. Zo  ontwikkelen wij een specifiek model voor jouw webshop.

Hier is een voorbeeld van een vraag over een product aan een algemeen AI-model en dezelfde vraag aan een specifieke RAG-chatbot voor een meubelbedrijf:

 

 

Hoe werkt een RAG AI-model?

RAG staat voor Retrieval Augmented Generation (Verzamelondersteunde generatie). Deze naam beschrijft direct de drie stappen die een RAG-model uitvoert. Het begint allemaal wanneer de gebruiker een vraag stelt. In de retrieval-fase zoekt het model relevante informatie op in een database via een retrieval-mechanisme, op basis van de vraag van de gebruiker. Tijdens ‘augmentation’ combineert het model de opgehaalde informatie en verwerkt het deze om een relevante en informatierijke context te creëren. In de laatste ‘generation’-fase wordt deze context en informatie aan een AI-model gevoerd samen met de originele vraag van de gebruiker. Zo heeft het model alle informatie die nodig is om de vraag van de gebruiker te beantwoorden.

Om een RAG-workflow op te zetten, hebben we volgende onderdelen nodig:

  1. Een database van stukken tekst met informatie over je webshop. Denk aan productkenmerken en -beschrijvingen, veelgestelde vragen over de levering en retour, specifieke vragen over de producten; je kunt zo specifiek zijn als je zelf wilt.
  2. Een retrieval-mechanisme dat aansluit op jouw database, in de meeste gevallen heet dit een ‘approximate nearest-neighbour search’. Ons data-team ontwikkelt deze, dus jij hoeft je geen zorgen te maken.
  3. Een API-key voor een LLM zoals GPT-4o, Mistral, Gemini, DeepSeek etc. Deze kunnen wij voor je regelen (tegen betaling) of je kunt hem zelf verzorgen. Niet zeker hoe je dat doet? Geen zorgen, we adviseren je graag.

 

De basis van een RAG-workflow:

Voordat je bezoeker een RAG-model kan gebruiken, moeten we de database van tekst eerst omzetten in een index. Dit doen we door stukken tekst via een AI-model om te zetten in vector-embeddings, dit zijn lange ketens aan nummers die het AI-model op een abstracte wijze de betekenis van het stuk tekst vertellen. Wanneer embeddings van alle stukken tekst in de database zijn gemaakt, is het model daadwerkelijk bruikbaar.

 

 

Wanneer een gebruiker een vraag stelt, zet het model de vraag ook om in een vector-embedding. Via een wiskundig algoritme genaamd ‘Approximate Nearest Neighbours’ wordt de embedding van de gebruiker gekoppeld aan een aantal documenten in de database. Op die manier haalt het model de meest relevante informatie uit de database op.

In de laatste ‘Generation’-stap wordt de tekst uit de relevante documenten meegegeven aan het AI-model. Je vertelt het model: 

“Beantwoord de vraag van de gebruiker op basis van de volgende documenten:

Vraag van de gebruiker: …

Relevante documenten: …”

Door belangrijke elementen aan je document toe te voegen, voorziet het model de gebruiker bijvoorbeeld van prijzen, maten, een link naar je productpagina, een foto van het product en geeft het antwoord op specifieke vragen over het product. Verder kunnen we de workflow ook uitbreiden op een specifieke case. Er bestaan tientallen varianten van RAG, ieder goed voor specifieke doeleinden.

 

Waarom een RAG-model voor mijn webshop?

Volgens een rapportage van Salesforce – ’s werelds grootste leverancier van klantrelatiebeheer-software die wereldwijd e-commerce gegevens analyseert voor duizenden retailers – zijn de online verkopen in de Verenigde Staten tussen 1 november en 31 december gestegen naar $ 282 miljard, vergeleken met $ 272 miljard het jaar ervoor. 

Volgens Salesforce, dat 1,6 miljard paginaweergaven op zijn platform analyseerde, is het gebruik van AI-chatbots in het afgelopen jaar met 42% gestegen. Wereldwijd groeiden AI-geïntegreerde verkopen in dezelfde periode van $ 199 miljard in 2023 naar $ 229 miljard in 2024.

Door een RAG-chatbot te integreren, verbeter je de gebruiksvriendelijkheid van je webshop, wat leidt tot meer conversies en een hogere omzet.

 

RAG-development bij Semwerkt

Bij Semwerkt werken onze dataspecialisten constant aan het ontwikkelen en implementeren van RAG-systemen. Ons doel? Het verbeteren van de gebruiksvriendelijkheid van jouw webshop, zodat je omzet stijgt!

Heb je interesse? Neem contact met ons op:

Tel: +31 (0)229 763 561

Mail: info@semwerkt.nl