R&D dag bij Divtag: hoe Bas een AI-prijsradar bouwde voor motoronderdelen
Op een R&D dag bij Divtag bouwde Bas een AI-prijsradar voor motoronderdelen: een tool die lokale data, online listings en concurrenten combineert tot een onderbouwde suggestieprijs, rechtstreeks in de inbox van de dealer. Geen prototype dat stof vergaart, maar een werkend concept van één dag.
In dit artikel:
AI-prijsradar voor motoronderdelen: gebouwd in één dag
Bij Divtag reserveren we regelmatig een dag voor onderzoek en experiment: een R&D dag waarop één ontwikkelaar een idee mag uitwerken zonder de druk van een klantdeadline. De uitkomst is soms een tool die nooit verder komt dan een intern gesprekje. En soms, zoals met de AI-prijsradar van Bas, is het resultaat concreet genoeg om meteen verder te bouwen.
Wat is een R&D dag bij Divtag?
Een R&D dag is een vaste ruimte in onze agenda voor vrij onderzoek. Eén developer, één dag, één idee. Geen tickets, geen standups over lopende projecten. Het doel is tweeledig: we scherpen onze technische kennis aan op onderwerpen die we relevant vinden voor onze klanten, en we toetsen of een idee daadwerkelijk werkt voordat we er grotere beloften over doen.
Bas koos voor een vraagstuk dat hij kende vanuit de automotive praktijk: hoe weet een dealer snel en betrouwbaar wat een motoronderdeel op dit moment waard is op de markt?
Wat Bas bouwde: de AI-prijsradar
Het concept is eenvoudig te omschrijven, maar niet triviaal om te bouwen. De tool trekt automatisch prijsdata op uit drie bronnen: de eigen voorraadadministratie van de dealer, publieke online listings van vergelijkbare onderdelen, en de actuele vraagprijzen van concurrenten. Een AI-model weegt deze gegevens en genereert een suggestieprijs per onderdeel.
Die suggestieprijs belandt niet in een dashboard dat niemand opent. De tool stuurt hem per e-mail naar de verantwoordelijke bij de dealer, voorzien van een korte onderbouwing: waarom dit bedrag, op basis van welke bronnen, en hoe de markt er op dit moment voor staat.
Het resultaat: minder buikgevoel, meer onderbouwde prijsstelling, en een dealer die minder tijd kwijt is aan handmatig zoeken en vergelijken.
Waarom lost nachtelijke batch scraping het snelheidsprobleem op?
Bas liep al vroeg in de dag tegen de meest voorspelbare hobbel aan: real-time scraping van meerdere externe bronnen tegelijk is te traag. Een dealer wil een prijs op het moment dat hij ernaar vraagt, niet vijf minuten later. Real-time ophalen van tientallen pagina’s per onderdeel haalt de snelheid onderuit.
De oplossing die het team samen bedacht: verschuif het zware werk naar de nacht. De tool haalt elke nacht in een batch alle relevante prijsdata op voor de onderdelen in de voorraad. Overdag werkt de tool met die verse, al verwerkte data. De dealer krijgt zijn suggestieprijs in seconden, zonder vertraging, en de data is nooit meer dan een dag oud.
Het is een oud patroon in softwareontwikkeling, asynchroon verwerken om gebruikerservaring te beschermen, maar de combinatie met een AI-gewogen prijsmodel maakte het in dit geval een slimme keuze.
Wat de tool in de praktijk doet
Stel: een dealer heeft een gebruikte motorversnellingsbak op voorraad. De tool checkt ’s nachts wat vergelijkbare onderdelen doen op Marktplaats, gespecialiseerde onderdelen-platforms en bij twee directe concurrenten. Het AI-model combineert dat met de inkoopwaarde en de gemiddelde verkoopsnelheid uit de eigen administratie. De volgende ochtend ontvangt de dealer een e-mail: “Suggestieprijs voor onderdeel X: 285 euro. Gemiddelde marktprijs op basis van 14 vergelijkbare listings: 310 euro. Je zit 8% onder de markt.” Zo’n e-mail vervangt een halfuur zoekwerk.
Welke technische uitdagingen kent real-time prijsdata voor dealers?
De technische uitdaging zat niet in het bouwen van de AI, maar in de architectuur eromheen. Real-time web scraping op het moment dat een dealer een prijs opvraagt, stuit op drie problemen: websites blokkeren te frequente verzoeken, de verwerkingstijd loopt op bij meerdere bronnen tegelijk, en de gebruiker moet wachten. Geen van die drie is acceptabel in een werkomgeving waar snelheid telt.
Door het scrapen te scheiden van het raadplegen, de zogenaamde batch-aanpak ’s nachts, valt dat probleem weg. De API-calls overdag zijn razendsnel omdat ze alleen de al verwerkte database raadplegen. De enige afweging: de data is maximaal 24 uur oud. Voor de meeste motoronderdelen, die niet in een uur 30 procent in prijs fluctueren, is dat meer dan acceptabel.
Hoe Divtag AI inzet: praktisch, geen hype
De AI-prijsradar is een goed voorbeeld van hoe we bij Divtag naar AI-toepassingen kijken. Niet als een doel op zich, maar als een manier om een concreet werkprobleem op te lossen. In dit geval: een dealer die tijd verliest aan handmatig prijzen vergelijken en daardoor ofwel te laag zit of kansen misloopt.
We vragen bij elk AI-idee drie dingen: welk probleem lost het op, wie wordt er daadwerkelijk minder werk van, en kun je het bouwen zonder dat het meer onderhoud kost dan het oplevert? Als het antwoord op die drie vragen klopt, bouwen we het. Als het een mooie demo blijft zonder echte besparing, laten we het los.
De R&D dag van Bas haalde die drempel. Niet omdat het spectaculair was, maar omdat het werkt.
Veelgestelde vragen over AI-tools voor de automotive sector (FAQ)
Is zo’n AI-prijsradar ook inzetbaar voor andere branches dan automotive?
Wat kost het bouwen van een tool zoals deze?
Hoe actueel zijn de prijsdata die zo’n tool gebruikt?
Wat is het verschil tussen een R&D dag en een gewoon ontwikkelproject?
Werkt Divtag ook voor dealers in de automotive sector?
Plan een vrijblijvend kennismakingsgesprek