Wat is een ecommerce Knowledge Graph? Product Knowledge Graphs uitgelegd voor Shopify-merken
Een ecommerce Knowledge Graph verbindt uw producten, varianten, collecties, content, beleidsregels en bestellingen, zodat AI verbanden kan leggen tussen al die gegevens. Zo werkt een product Knowledge Graph en dit verandert er voor een Shopify-merk.
ByWat is een Knowledge Graph voor ecommerce?
Een ecommerce knowledge graph is een gestructureerde kaart van uw webshop. Producten, varianten, collecties, content, beleid, bestellingen en klanten worden opgeslagen als verbonden entiteiten, inclusief de relaties daartussen, zoals "variant van", "onderdeel van collectie" of "valt onder beleid". AI gebruikt die relaties om verbanden te leggen, in plaats van losse pagina's te doorzoeken. Daardoor worden antwoorden, aanbevelingen en geautomatiseerde acties nauwkeuriger.
Een shopper vraagt in uw store chat: "Is de Alpine shell jacket waterdicht, hebben jullie hem nog in XL, en mag ik hem retourneren als ik hem in de sale koop?"
Drie korte vragen. Om daar goed op te antwoorden, heeft AI een productattribuut nodig, de waterdichtheidsrating, een variant en de voorraad daarvan, XL, de collectie waar het product in staat, Sale, en de regel uit uw retourbeleid die geldt voor sale-items. Die informatie staat op vier verschillende pagina's in uw shop. AI die alleen pagina's doorzoekt, vindt een deel ervan. AI die begrijpt hoe die informatie samenhangt, vindt alles en geeft één antwoord dat klopt.
Die verbonden structuur heet een knowledge graph. In deze gids leest u wat een ecommerce knowledge graph is, hoe een product knowledge graph werkt, hoe het zich verhoudt tot een knowledge base, RAG en een vector database, en wat dit verandert voor een Shopify-merk.
Wat is een knowledge graph?
Een knowledge graph is een manier om informatie op te slaan als een netwerk van dingen en de relaties daartussen. Elk ding is een node, ook wel entity genoemd, en elke relatie is een edge. De kleinste kennis-eenheid is een feit in drie delen, vaak een triple genoemd:
- Alpine Shell Jacket → heeft waterdichtheidsrating → 20.000 mm
- Alpine Shell Jacket XL → is een variant van → Alpine Shell Jacket
- Sale-collectie → valt onder → retourregel voor final sale
Elk feit op zichzelf is simpel. De waarde zit in de verbindingen: zodra feiten nodes delen, kan een machine het pad van het ene naar het andere volgen en vragen beantwoorden waar geen enkele pagina los antwoord op geeft.
Het idee werd groot in 2012, toen Google zijn Knowledge Graph introduceerde om echte entiteiten uit de wereld te begrijpen, in plaats van alleen keywords te matchen. Datzelfde principe zit nu achter product search bij Amazon, aanbevelingssystemen in retail en steeds vaker ook achter AI agents die met uw klanten praten.
Wat is een product knowledge graph?
Een product knowledge graph past dit model toe op een catalogus. Producten worden nodes, net als de dingen die ze beschrijven: merken, producttypes, materialen, maten, kleuren, use cases en compatibele accessoires. Edges leggen vast hoe die samenhangen. Zo weet de graph dat een jas een type outerwear is, een specifiek membraan gebruikt, in vijf maten komt en past bij een bepaalde capuchon.
Een ecommerce knowledge graph, bij Flyweight noemen we dit een commerce knowledge graph, gaat nog een stap verder. Die verbindt de catalogus met alles wat uw shop verder weet:
| Entiteit | Voorbeelden in een Shopify-store | Typische relaties |
|---|---|---|
| Producten en varianten | Alpine Shell Jacket, maat XL, kleur Navy | variant van, op voorraad, geprijsd op |
| Collecties en taxonomie | Jassen, Sale, Nieuw binnen | hoort bij, is een type van |
| Producteigenschappen | Waterdichtheid, materiaal, pasvorm | heeft eigenschap, compatibel met |
| Content | Maattabel, FAQ's, blogartikelen | legt uit, beantwoordt |
| Beleid | Retouren, verzending, garantie | is van toepassing op, sluit uit |
| Bestellingen en klanten | Bestelling #8412, fulfilmentstatus | bevat, geplaatst door, komt in aanmerking voor |
| Gekoppelde systemen | Helpdesk, Klaviyo, fulfilmenttool | gesynchroniseerd met, triggert |
Dat verschil is belangrijk. Een product graph helpt een machine begrijpen wat u verkoopt. Een ecommerce knowledge graph helpt de machine begrijpen hoe uw business werkt: welke regels voor welke producten gelden, wat een klant al besteld heeft en wat AI daarna wel of niet mag doen.
Hoe het werkt: één klantvraag, stap voor stap
Terug naar de vraag over de jas. Zo beantwoordt een AI agent die vraag als die over een graph kan redeneren:
- Herken de entity. "Alpine shell jacket" wordt gekoppeld aan één product node, ook als de shopper een tikfout maakt of een synoniem gebruikt.
- Lees het attribuut uit. Het product heeft een edge met de waterdichtheidsrating, dus de agent noemt de echte rating in plaats van te gokken op basis van het woord "shell".
- Controleer de variant. De agent volgt de edge naar de XL-variant en leest de actuele voorraad uit.
- Vind de juiste regel. Het product staat in de Sale-collectie, en die collectie is gekoppeld aan een specifieke passage in het retourbeleid.
- Geef in één keer antwoord. In deze voorbeeldshop: "Ja, de rating is 20.000 mm, XL is op voorraad en sale-items mogen binnen 14 dagen worden geretourneerd voor store credit."
Zonder graph haalt AI een paar tekstsnippets op die lijken op de vraag en hoopt het systeem dat de juiste ertussen zitten. Als de retourpagina bovenaan de algemene regel van 30 dagen noemt en onderaan de uitzondering voor sale, dan bepaalt de snippet die toevallig wordt gekozen of het antwoord klopt. Hier komen de meeste foute chatbotantwoorden vandaan: niet door ontbrekende informatie, maar door ontbrekende verbanden tussen stukjes informatie.
Knowledge graph vs knowledge base vs RAG vs vector database
Deze termen lopen vaak door elkaar, deels omdat ze vaak samen worden gebruikt. Dit is het verschil.
| Aanpak | Wat het is | Hoe de AI het gebruikt | Waar het tekortschiet |
|---|---|---|---|
| Kennisbank | Een verzameling documenten: FAQ's, helpartikelen, beleidspagina's | Zoekt naar het meest relevante artikel | Feiten zitten opgesloten in tekst, relaties tussen artikelen zijn niet expliciet |
| Vectordatabase | Slaat tekst op als embeddings, numerieke weergaven van betekenis | Vindt passages die semantisch lijken op de vraag | Vergelijkbaar is niet hetzelfde als juist, het kan geen keten volgen zoals product → collectie → beleid |
| RAG (retrieval-augmented generation) | Een methode: haal relevante content op en laat daarna een groot taalmodel het antwoord schrijven | Baseert antwoorden op uw content in plaats van op de trainingsdata van het model | Zo goed als wat het ophaalt, bij vragen met meerdere stappen ontbreekt vaak een deel |
| Knowledge Graph | Entiteiten plus expliciete relaties ertussen | Volgt relaties om precies de feiten te verzamelen die een vraag nodig heeft | Vraagt om structuur en doorlopend onderhoud |
Is een knowledge graph beter dan RAG? Ze lossen verschillende problemen op, en de sterkste systemen combineren ze. RAG zorgt dat AI antwoordt vanuit uw data, in plaats van uit geheugen. Een knowledge graph zorgt dat de opgehaalde data goed met elkaar verbonden is. Die combinatie heet vaak GraphRAG: de graph bepaalt welke feiten bij elkaar horen, en het taalmodel maakt daar een natuurlijk antwoord van.
Hetzelfde geldt voor knowledge base vs knowledge graph. Uw FAQ's en helpartikelen worden niet overbodig, ze worden input. De graph koppelt elk artikel aan de producten, collecties en beleidsregels waar het over gaat, zodat het juiste artikel bij het juiste product naar voren komt.
Voorbeelden van knowledge graphs in ecommerce
Grote retailers investeren al jaren in product knowledge graphs, vooral voor search en aanbevelingen.
- Amazon bouwt zijn product graph grotendeels automatisch. Amazon Science meldt dat het AutoKnow-systeem het aantal feiten in de graph verdrievoudigde door productattributen op schaal te extraheren en op te schonen.
- DoorDash gebruikt LLM's om productattributen uit ongestructureerde SKU-data te halen en voegt die toe aan zijn product knowledge graph, die gepersonaliseerde search en aanbevelingen voedt.
- Google draait een Shopping Graph van producten, verkopers, prijzen en reviews naast zijn Knowledge Graph. Gestructureerde data op uw productpagina's is een van de manieren waarop uw catalogus daarin terechtkomt.
- Een middelgroot Shopify-merk kan dezelfde logica op kleinere schaal gebruiken. Een shop met 800 SKU's, een maattabel, drie verzendzones en een retourbeleid met twee uitzonderingen heeft al alles in huis voor een bruikbare graph. Wat meestal ontbreekt, is de tijd om die handmatig op te bouwen.
Wat een ecommerce knowledge graph AI laat doen
Voor een Shopify-merk draaien de praktische use cases minder om data science en meer om dagelijks de juiste antwoorden en acties. En juist dat bepaalt de klantervaring.
Slimmere productaanbevelingen
Aanbevelingen kunnen worden gebaseerd op echte productattributen en klantbehoeften, niet alleen op "customers also bought". Een shopper die zegt "ik loop lange afstanden in de regen" kan worden gematcht op waterdichtheid, gewicht en pasvorm. Personalisatie op basis van attributen verzacht ook het cold-start-probleem: een gloednieuw product heeft nog geen verkoopgeschiedenis, maar wel attributen.
Duidelijke vergelijkingen tussen producten en varianten
Als attributen als vergelijkbare velden zijn opgeslagen in plaats van alleen als lopende tekst, kan AI precies uitleggen hoe twee modellen of twee varianten van elkaar verschillen, zonder specificaties uit naburige productomschrijvingen door elkaar te halen.
Compatibiliteit en cross-sell
"Past dit filter op mijn machine?" is een relatievraag. Met compatible-with edges kan AI daar met vertrouwen op antwoorden en het juiste accessoire voorstellen, in plaats van een willekeurige bestseller.
Nauwkeurig beleid, specifiek voor uw shop
Uitzonderingen in beleid voor sale-items, gepersonaliseerde producten of internationale bestellingen worden gekoppeld aan de producten waarop ze van toepassing zijn. AI past uw regels toe, niet de meest voorkomende regel op internet.
Support met context en veilige acties
Door bestellingen en klantcontext te verbinden, kan AI "waar is mijn bestelling?" beantwoorden met echte data. Voordat een verzendadres wordt aangepast of een bestelling wordt geannuleerd, controleert het systeem eerst de fulfilmentstatus en uw bedrijfsregels. Juist die controle maakt AI process automation veilig genoeg om in te schakelen.
Betere product discovery en search
Onsite search die begrijpt dat "regenjas" en "waterproof shell" bij hetzelfde producttype horen, geeft minder lege resultaten terug, meer hierover in onze gids over AI Zoeken voor Shopify. Diezelfde discipline, schone attributen en een consistente taxonomie, maakt uw productpagina's ook makkelijker te begrijpen voor Google en AI-search engines.
Hoe u een product knowledge graph bouwt, en waar het lastig wordt
Als u er zelf een vanaf nul zou bouwen, ziet het proces er meestal zo uit:
- Definieer entiteiten en taxonomie. Bepaal welke productcategorieën, producttypes, productattributen en relaties belangrijk zijn voor uw catalogus en de vragen van uw klanten.
- Haal attributen uit ongestructureerde data. De meeste productinformatie zit in titels, productomschrijvingen en afbeeldingen, niet in nette velden. Natural language processing, NLP, en large language models worden gebruikt om tekst om te zetten in attribuut-waardeparen.
- Los duplicaten op. "Navy", "dark blue" en "marine" kunnen dezelfde kleur zijn, en twee leveranciersnamen kunnen naar hetzelfde merk verwijzen.
- Verbind content, beleid en bestellingen. Koppel FAQ's, gidsen en passages uit beleid aan de producten en collecties waar ze naar verwijzen, en verbind live orderdata.
- Houd alles actueel. Nieuwe producten, prijswijzigingen en updates in beleid moeten continu in de graph terechtkomen, anders verouderen de antwoorden.
De uitdagingen zijn voorspelbaar: rommelige productdata verspreid over meerdere databronnen, inconsistente attributen tussen collecties, het werk om alles synchroon te houden en de vraag hoe u de Setup schaalbaar houdt terwijl de catalogus groeit. Grote retailers lossen dit op met dedicated teams, machine learning-pipelines en graph databases. Precies daarom waren knowledge graphs lang zeldzaam bij kleine en middelgrote webshops, ook al was de onderliggende data er al.
Zijn knowledge graphs nog relevant in het tijdperk van LLM's?
Meer dan ooit. LLM's zijn erg goed in taal, maar minder betrouwbaar met feiten die ze niet expliciet hebben meegekregen. Als informatie ontbreekt of dubbelzinnig is, vullen ze het gat vaak op met een aannemelijk klinkend antwoord. Dat is wat mensen een AI-hallucinatie noemen. Een knowledge graph geeft het model een gestructureerde, verifieerbare bron om antwoorden in te verankeren en hallucinations sterk te verminderen.
Google leunt nog steeds op zijn Knowledge Graph, en AI-search engines geven de voorkeur aan duidelijk gestructureerde en goed verbonden informatie wanneer ze bepalen welke merken en producten ze noemen. De richting in AI gaat niet weg van knowledge graphs, maar juist naar combinaties van knowledge graphs en taalmodellen.
Hoe Flyweight uw Shopify-shop omzet in een commerce knowledge graph
De meeste Shopify-merken hoeven dit niet zelf te bouwen, omdat het bronmateriaal al in de shop zit. Flyweight verbindt producten, varianten, collecties, pagina's, blogs, FAQ's, store-structuur, orderinformatie, voorraad, metafields, marketplaces, beleid en talen in één Commerce Knowledge Graph. Extra bronnen zoals Zendesk, content metafields of bestandsuploads kunnen worden toegevoegd.
Dit is een commerce-native vorm van GraphRAG: de graph bepaalt welke feiten bij elkaar horen, en een taalmodel zet die om in een natuurlijk antwoord. Het verschil met een GraphRAG-Setup op alleen tekst zit in de bron van de graph. In plaats van prose te scrapen en te hopen dat de extractie klopt, bouwt Flyweight de graph grotendeels uit data die in Shopify al gestructureerd aanwezig is, waar producten, varianten, bestellingen en collecties first-class entities zijn met echte relaties.
- Geen onderhoud. De graph wordt opgebouwd uit uw bestaande store content en ververst automatisch elke nacht, zodat nieuwe producten, content en beleidswijzigingen zonder handmatig werk worden meegenomen.
- Eén bron voor antwoorden en acties. Dezelfde graph stuurt AI Sales & Support-gesprekken aan en ook AI Process Automation, waarbij de agent eerst controleert wat is toegestaan voordat er iets gebeurt.
- U houdt de regie. U kunt kennis toevoegen via metafields en extra content, of content uitsluiten die u niet wilt dat AI gebruikt.
