Context en skills: hoe Captain het vak van category management aan een AI agent leert

‍

Dit artikel gaat over laag 2. Laag 1, het datafundament, hebben we beschreven in ons vorige artikel over het datafundament voor agentic category management. Laag 3 en 4, memory en validatie, komen in de volgende artikelen aan bod.

‍

Wat zijn context en skills in een agentic AI platform?

Context en skills zijn twee samenhangende lagen die een AI-agent de domeinkennis geven die hij nodig heeft om betrouwbare analyses te produceren.

Context beschrijft hoe de wereld eruitziet: welke begrippen bestaan er, hoe verhouden ze zich tot elkaar, welke berekeningen horen bij welke metrics en hoe is de markt gestructureerd. Skills beschrijven hoe je handelt: welke stappen zet je om een bepaalde vraag te beantwoorden, welke drivers onderzoek je en in welke volgorde.

Samen vormen ze de laag die het verschil maakt tussen een generieke AI assistent die iets bedenkt en een gespecialiseerde AI agent die het vak uitvoert.

‍

De context laag: de wereld van category management beschreven

De context laag van Captain beschrijft alles wat een ervaren category manager als vanzelfsprekend weet maar wat een generiek AI model niet kent.

Vakbegrippen en berekeningen

Hoe bereken je promodruk? Wat is het verschil tussen een MAT en een YTD? Hoe werkt fair share en op welke basis bereken je die? Wanneer gebruik je rotatiesnelheid en wanneer distributie gewogen omzet? Al die begrippen en berekeningen zijn vastgelegd in de context laag. De agent weet niet alleen wat die termen betekenen, maar ook hoe hij ze correct moet berekenen op basis van de beschikbare data.

Markt- en retailstructuur

Welke retailers zijn actief in de Nederlandse markt? Hoe zijn die opgebouwd? Albert Heijn heeft meerdere formaten: AH, AH to go, AH XL en Albert Heijn supermarkten. Jumbo heeft SIS-data via een eigen platform. Dirk, Hoogvliet en Plus hebben elk hun eigen datastructuur. Die structuren zijn vastgelegd in de context laag, zodat de agent weet welke data bij welke retailer hoort en hoe hij die correct moet interpreteren.

Merk- en submerk relaties

Binnen een productassortiment zijn er merken en submerken. Albert Heijn heeft als private label bijvoorbeeld Zaanlander en Zaanse Hoeve als submerken binnen de kaas categorie. Die hiërarchie is relevant voor analyses: als je kijkt naar de prestaties van het AH private label, wil je alle submerken samenvoegen, niet alleen één. De context laag legt die relaties vast zodat de agent ze correct toepast bij elke analyse.

Platform specifieke kennis

Verschillende retailers platforms leveren data op verschillende manieren aan. SIS werkt met grote losse records en vereist handmatige weekselectie. 7EVEN heeft een andere periode indeling. Nielsen en Circana hanteren eigen categoriseer ingslogica. Die platform specifieke kennis zit in de context laag, zodat de agent weet hoe hij data uit elke bron correct moet lezen en combineren.

‍

De skills laag: de werkwijze van de category manager vertaald naar agent instructies

Een skill is een gestructureerde instructie die beschrijft hoe een AI agent een specifieke analyse moet uitvoeren. Het is de vertaling van de werkwijze van een ervaren category manager naar een reeks stappen die de agent kan volgen.

Voorbeeld: de sales development analyse

Een van de meest gevraagde analyses in category management is de sales development analyse: waarom zijn de omzet of het volume gestegen of gedaald? Een ervaren category manager doorloopt daarvoor een vaste reeks stappen. Hij kijkt naar promodruk, naar prijsveranderingen, naar productintroducties of uitlistingen, naar de mix tussen duurdere en goedkopere producten in de categorie, en naar shopper migratie tussen retailers.

Al die stappen zijn vertaald naar een skill. De agent weet welke drivers hij moet onderzoeken, in welke volgorde, en hoe hij zijn bevindingen moet presenteren. Het resultaat is een analyse die op dezelfde manier is opgebouwd als een category manager die zou doen.

Voorbeeld: de assortimentsanalyse per winkelcluster

Een andere skill beschrijft hoe je een assortimentsanalyse uitvoert per winkelcluster. Welke SKUs presteren boven of onder verwachting? Welke clusters zijn vergelijkbaar genoeg om als referentie te dienen? Hoe weeg je rotatiesnelheid af tegen distributie breedte? Die werkwijze is vastgelegd als instructie voor de agent. Lees meer over hoe die analyses leiden tot concrete resultaten in ons artikel over assortiment rationaliseren met data.

‍

Waarom context en skills de belangrijkste onderscheidende laag zijn

Een generieke AI assistent heeft geen context en geen skills. Hij bedenkt zelf een aanpak als je hem een vraag stelt. Die aanpak is elke keer anders, afhankelijk van hoe de vraag is geformuleerd en welke context je hebt meegegeven. Soms klopt het resultaat, soms niet. En je weet vooraf niet welk van de twee het zal zijn.

Dat is het fundamentele probleem met generieke AI voor category management. Niet het model zelf, maar het ontbreken van de domeinkennis die nodig is om consistent de juiste analyse te produceren.

Context en skills lossen dat op. Doordat de werkwijze is vastgelegd, voert de agent elke analyse op dezelfde manier uit. Elke collega die dezelfde vraag stelt, krijgt hetzelfde antwoord, gebouwd op dezelfde methodiek. Dat is de kern van wat AI in categorie management in de praktijk betekent: niet een tool die soms goed werkt, maar een assistent die consistent de juiste stappen zet.

‍

Kennis beschikbaar voor de hele organisatie

Een van de meest waardevolle gevolgen van de skills laag is dat domeinkennis niet langer alleen beschikbaar is voor de category manager. Een accountmanager die volgende week naar Jumbo gaat voor een performance review, wil weten hoe het in de categorie gaat, wat opvalt en welk verhaal hij moet vertellen. Normaal legt hij die vraag neer bij de category manager.

Met de skills-laag kan de accountmanager die vraag zelf stellen aan de agent. De agent voert de sales development analyse uit met de juiste methodiek, op de geharmoniseerde data, en geeft de accountmanager een antwoord dat gebouwd is op de werkwijze van een ervaren category manager. Zonder dat de category manager er tijd aan hoeft te besteden.

Dat is de bredere organisatie impact van context en skills: de kennis die nu geconcentreerd is bij een paar specialisten wordt schaalbaar beschikbaar voor het hele commerciële team.

‍

Context en skills als fundament voor betrouwbare agentic AI

Een AI agent zonder context en skills is een generalist. Hij kan van alles een beetje, maar kent het vak niet diep genoeg om in een retailer gesprek te staan. Een AI-agent met een rijke context laag en uitgewerkte skills is een specialist. Hij voert analyses uit zoals een category manager dat doet, consistent en methodisch.

Die specialisatie is wat het verschil maakt tussen een AI tool die de category manager nog steeds zelf moet controleren, en een agent die zijn werk echt uit handen neemt. Lees meer over dit onderscheid in ons artikel over waarom een generieke AI assistent niet werkt voor category management.

Bij elho groeide het aantal onderbouwde categorieplannen van 10 naar 25+ nadat het platform de data en de domeinkennis samenbracht. De category managers besteedden hun tijd aan strategie en retailer gesprekken in plaats van aan handmatige analyses. Dat is de combinatie van datafundament en context en skills in de praktijk.

‍

Klaar om de vakkennis van jouw team in te bouwen in een AI agent?

De waarde van agentic AI zit niet alleen in het model, maar vooral in de kennis die je eraan toevoegt. Leveranciers die hun category management kennis vandaag structureren in context en skills, bouwen aan AI agents die morgen een concurrentievoordeel vormen aan de retailertafel.

Vraag een demo aan en ontdek hoe Captain de werkwijze van jouw category team vertaalt naar skills die de hele organisatie kan gebruiken.

‍