Elk supportteam heeft hetzelfde stille probleem: tickets stapelen zich op, medewerkers beantwoorden steeds dezelfde vragen en niemand heeft tijd om dat signaal om te zetten in documentatie. Het team achter Bolusso.nl , Eroticon.nl en Shop-toppers.nl loste dit op met één FlowHunt AI-agent die het lezen, groeperen en leemtes opsporen automatisch doet — elke week, zonder dat iemand erom hoeft te vragen.
Van supporttickets naar kennisbank: klantfrustatie omzetten in documentatie
Supporttickets zijn een van de rijkste bronnen van product- en documentatiefeedback die een team heeft. Klanten vertellen je precies wat ze niet kunnen vinden, wat hen verwarrt en wat je kennisbank niet beantwoordt. Maar dat signaal handmatig extraheren — honderden tickets lezen, vergelijkbare vragen groeperen, controleren of de KB ze al dekt — is precies het soort repetitief analytisch werk dat nooit op iemands prioriteitenlijst terechtkomt.
Het Shop-toppers-team wilde een systeem dat ticketgegevens automatisch omzet in KB-actiepunten. Het resultaat is een wekelijkse geautomatiseerde pipeline die volledig binnen FlowHunt AI Projects draait.
AI-gestuurde e-commerce chatbot: één kennisbank voor drie Nederlandse storefronts
Voordat we ingaan op de wekelijkse analysepipeline, is het nuttig te begrijpen hoe de supportinfrastructuur is opgezet. Het team beheert Bolusso.nl , Eroticon.nl en Shop-toppers.nl vanuit één gedeelde FlowHunt-kennisbank — één set productbeschrijvingen, retourbeleid, FAQ’s en verzendregels waaruit alle drie de websites putten.
Elke storefront heeft zijn eigen chatbot aangedreven door die gedeelde kennisbank. Wanneer een klant op Bolusso de website bezoekt en de chat opent, worden ze begroet door “Chatbot Bob” — een AI-assistent die de volledige productcatalogus kent, kan helpen bij het volgen van bestellingen en retourvragen direct beantwoordt, 24/7.
Het welkomstbericht van de chatbot — “Welkom bij Bolusso! Ik ben je persoonlijke assistent voor supportvragen en het ontdekken van ons assortiment.” — en de snelantwoordknoppen (“Volg je bestelling”, “Product retourneren”) worden allemaal aangestuurd door dezelfde flows die voor alle drie de merken worden gebruikt.
Wanneer een beleid verandert of een nieuwe productcategorie wordt gelanceerd, werkt het team de kennisbank één keer bij. Alle drie de chatbots weerspiegelen de wijziging direct. Dezelfde logica geldt voor flows: één keer bouwen, overal inzetten.
Geautomatiseerde supportticketanalyse: hoe FlowHunt AI Projects elke week kennisleemtes opspoort
De chatbot handelt de frontlinie af. Maar hij genereert een ander soort signaal: de vragen die hij niet kan oplossen en de tickets die toch naar menselijke medewerkers doorstromen. De wekelijkse lacune-analysepipeline sluit die feedbacklus.
Binnen FlowHunt AI Projects draait het team één project: LiveAgent FAQ knowledge base checker. De taak is om alle tickets van de afgelopen 7 dagen te lezen en het team precies te vertellen welke documentatie ontbreekt.
De agent krijgt een precieze persona en strikte richtlijnen. Hij werkt alleen-lezen ten opzichte van LiveAgent — hij haalt ticketgegevens op maar kan niets wijzigen, verwijderen of sluiten. Deze richtlijn is expliciet vastgelegd in de systeemprompt en wordt op tool-niveau afgedwongen.
De tweefasige pipeline: LiveAgent-ticketclustering en kennisbankvergelijking
De agent voert bij elke uitvoering een tweefasig onderzoek uit.
Fase 1 — Ticketclustering & onderwerpextractie
De agent haalt alle tickets van de afgelopen 7 dagen op via de LiveAgent-integratie. Hij filtert direct ruis eruit: geautomatiseerde platformmeldingen, Amazon-bestelwaarschuwingen en door het systeem gegenereerde berichten worden verwijderd. Alleen echte klantvragen worden verwerkt.
De resterende tickets worden geclusterd op basis van de specifieke gestelde vraag — niet op vage categorie, maar op precieze intentie (bijv. “Hoe kan ik een defect artikel retourneren?” in plaats van alleen “Retouren”). De 5 meest voorkomende onderwerpen worden geïdentificeerd, duidelijk benoemd en gedocumenteerd met frequentietelling en representatieve voorbeelden.
Fase 2 — KB-verificatie & lacune-analyse
Voor elk van de top 5 onderwerpen doorzoekt de agent de gedeelde kennisbank:
- Als artikelen bestaan: analyseert de agent waarom klanten ondanks de beschikbare informatie nog steeds tickets openen. Hij zoekt naar veroudering, ontbrekende randgevallen, onduidelijke taal of onvolledig bereik. Het artikel wordt gemarkeerd als een KB-mislukking — de inhoud bestaat maar lost het probleem niet op.
- Als er geen artikelen bestaan: wordt het onderwerp direct geclassificeerd als een kritieke leemte — ongedocumenteerd terrein dat het KB-contentteam moet aanpakken.
Dit onderscheid is belangrijk. Een kritieke leemte en een KB-mislukking vereisen verschillende reacties: de ene heeft een nieuw artikel nodig, de andere een bewerking.
Van ruwe tickets naar bruikbare briefings: geautomatiseerde wekelijkse KB-lacunerapporten
Aan het einde van elke uitvoering stuurt de agent het team een gestructureerd rapport per e-mail. Niemand hoeft in te loggen op het platform om de bevindingen te zien.
De e-mail volgt een vaste structuur:
Tabel met meest gestelde vragen — elke rij bevat de specifieke klantvraag, hoe vaak deze de afgelopen week is gesteld, twee of drie voorbeeldonderwerpsregels van tickets, de relevante ticket-ID’s en een conceptoplossing die het contentteam als uitgangspunt kan gebruiken.
Strategische KB-aanbevelingen — bredere onderwerpen, ideeën voor nieuwe artikelen en portalverbeteringen gebaseerd op de ticketgegevens van die week. Elke aanbeveling bevat de redenering: waarom dit belangrijk is op basis van wat klanten werkelijk vragen.
De onderwerpsregel is altijd Weekly KB Gap Analysis - [Date], waardoor de e-mails gemakkelijk te archiveren en in de loop van de tijd te raadplegen zijn.
Persistent AI-geheugen: hoe wekelijkse bevindingen worden omgezet in langetermijnsupportintelligentie
Een detail dat dit onderscheidt van een eenmalig rapport: de agent schrijft zijn bevindingen naar Project Memory — een persistent wiki binnen het AI-project dat na elke uitvoering wordt bijgewerkt.
Het team bouwt automatisch een longitudinaal overzicht op. Onderwerpen die week na week blijven verschijnen ondanks eerdere markering vallen direct op. KB-leemtes die zijn aangepakt kunnen als opgelost worden gemarkeerd. De geaccumuleerde kennis van de agent wordt nuttiger naarmate hij langer draait.
E-commerce supportautomatisering die zichzelf beheert: geplande AI-agents zonder handmatige triage
De hele pipeline wordt geactiveerd door een Periodic Issue — een geplande taak in AI Projects die automatisch op een ingesteld ritme wordt geactiveerd zonder handmatige tussenkomst. Het team heeft het één keer ingesteld; het heeft sindsdien 16 keer gedraaid.
Elke uitvoering duurt tussen 1 en 10 minuten, afhankelijk van het ticketvolume van die week. De kosten per uitvoering zijn een fractie van wat een menselijke analist zou besteden aan gelijkwaardig handmatig werk. Het team ontvangt elke week een kant-en-klare briefing zonder dat iemand hoeft in te loggen op LiveAgent, tickets hoeft door te lezen of een rapport hoeft samen te stellen.
“Feel free to also include our other websites if you want to. The knowledge base and all our flows are used for the following websites combined.”
Één keer bouwen. Overal inzetten. Laat de agent vertellen wat er ontbreekt.
Bedrijven: Shop-toppers.nl · Bolusso.nl · Eroticon.nl Branche: E-Commerce Locatie: Nederland Gebruikte FlowHunt-functies: AI Projects, AI Chatbot, Shared Knowledge Base, Flows, LiveAgent Integration, Email Notification Tool Agentmodel: claude-4.5-haiku (Supervisor)