Regen is meer webshop-omzet? Niet altijd!
“Als het regent, zitten mensen thuis en shoppen ze meer online.” Het klinkt logisch, maar voor motorparts-online.com bleek het niet te kloppen — en die ontdekking bespaarde onnodig Google Ads-budget op precies de verkeerde dagen.
In dit artikel:
Motorparts-online.com verkoopt motoronderdelen en accessoires aan rijders die weten wat ze nodig hebben. Het team had al een interne AI-assistent waarmee medewerkers vragen konden stellen over voorraad, campagnes en verkooppatronen. Op een bewolkte ochtend stelde iemand de vraag die iedereen eigenlijk al beantwoord dacht te hebben: leveren regenachtige dagen meer bezoekers en meer conversies op?
De aanname die iedereen gelooft
De redenering lijkt waterdicht. Motorrijders rijden niet als het regent. Ze zitten thuis. Ze hebben tijd. Ze surfen online en denken na over hun volgende aanschaf. Dus op regenachtige dagen stijgt het online verkeer, en is het slim om je Google Ads-budget dan op te hogen om dat moment te benutten.
Veel e-commerce teams sturen op exact deze logica, soms bewust als beleid, soms als buikgevoel dat nooit is getoetst. Het probleem is niet dat de redenering onlogisch klinkt. Het probleem is dat ze zelden getoetst wordt aan echte data van de eigen webshop.
Wat is MCP en waarom maakt het uit?
De interne AI-assistent van motorparts-online.com werkt met een techniek die MCP heet: Model Context Protocol. Simpel gezegd is MCP een manier om een AI-tool toegang te geven tot externe databronnen, zoals weerdata van het KNMI, je eigen verkoopcijfers of campagnedata uit Google Ads, zonder dat je die data handmatig hoeft te exporteren en samen te voegen.
Waar een gewone chatbot alleen weet wat je erin typt, kan een AI-tool met MCP-koppelingen zelf de juiste bronnen raadplegen en antwoorden geven op basis van actuele, gecombineerde informatie. Dat is precies wat hier het verschil maakte.
De AI-assistent combineerde automatisch:
- historische weerdata van het KNMI (neerslag per dag, per regio);
- bezoekersaantallen en sessieduur uit de eigen webshop-analytics;
- conversieratio’s en orderdata per dag.
Dat leverde geen rapport op dat daarna nog handmatig geïnterpreteerd moest worden. Het leverde een direct antwoord op de gestelde vraag.
Wat de data werkelijk zei
Het antwoord was verrassend eenduidig: op regenachtige dagen was het bezoek aan motorparts-online.com niet structureel hoger. De conversieratio lag evenmin hoger. Er was geen significant patroon dat regen samenhing met meer omzet.
Dat sluit aan bij wat je kunt verwachten als je een stap verder nadenkt over de doelgroep. Motorrijders zijn een specifieke klantgroep. Ze kopen onderdelen met een doel: een reparatie uitvoeren, een aanpassing doen, rijklaar zijn. Dat koopmoment is doorgaans niet weersafhankelijk. Ze plannen, ze vergelijken, en ze bestellen als ze er klaar voor zijn, regen of geen regen.
De aanname dat slechte rijomstandigheden automatisch leiden tot meer online shopgedrag bleek voor deze doelgroep en dit productaanbod niet te kloppen.
Van inzicht naar beslissing
Het team van motorparts-online.com draaide op basis van dit inzicht zijn Google Ads-campagnes op regenachtige dagen terug, in plaats van ze op te hogen. Het budget dat op die dagen anders ingezet zou zijn, kon worden verschoven naar momenten die wél aantoonbaar beter presteren.
Dat is de kern van dit verhaal: niet de techniek, maar het inzicht dat de techniek oplevert. Zonder de MCP-koppeling had iemand handmatig weerdata moeten downloaden van het KNMI, dat moeten combineren met exportbestanden uit de analytics en de advertentietool, en dat vervolgens in een spreadsheet moeten analyseren. Als dat al ooit was gedaan, had het weken gekost en was de aanname waarschijnlijk nooit systematisch getoetst.
Hoe zo’n analyse er in de praktijk uitziet
Een medewerker stelt via de interne AI-chat de vraag: “Presteren we beter op regenachtige dagen” De AI-assistent raadpleegt via MCP de KNMI-weerdata, de eigen verkoopdata en de analytics. Binnen een minuut komt een antwoord terug op basis van meerdere maanden historische data, uitgesplitst per weertype. Geen handmatige export, geen spreadsheet, geen wachten op een rapport van een marketingbureau.
Waarom dit verder gaat dan een weertabel
Het gaat hier niet om weerdata op zich. Het gaat om het principe dat aannames in e-commerce zelden worden getoetst, simpelweg omdat het combineren van de juiste databronnen te veel tijd kost. Een team van tien man heeft geen data-analist in dienst die wekelijks kruistabellen draait op weerdata en campagneresultaten.
MCP maakt dat soort analyses toegankelijk. Niet als luxe voor grote bedrijven met een BI-team, maar als iets wat een MKB-webshop zelf kan inzetten via een interne AI-assistent. De drempel zit niet in de data, want die is er al. De drempel zit in het combineren ervan op het moment dat de vraag speelt.
Kernpunt: de waarde van gekoppelde databronnen zit niet in de techniek zelf, maar in het inzicht dat je anders mist of pas weken later ziet, als de beslissing allang genomen is.
Bij Divtag bouwen we dit soort AI-koppelingen voor MKB-bedrijven die willen sturen op feiten in plaats van gevoel. Dat kan een interne assistent zijn die weerdata, verkoopcijfers en campagnedata combineert, maar ook koppelingen met voorraadbeheer, logistieke data of klantgedrag. De technologie is er. De vraag is alleen welke aannames bij jou nog nooit systematisch zijn getoetst.
Veelgestelde vragen over AI-koppelingen en weerdata (FAQ)
Wat is MCP precies en heb ik dat als webshop nodig?
Kan ik mijn Google Ads-campagnes automatisch laten aanpassen op basis van het weer?
Hoe lang duurt het om zo’n AI-koppeling te bouwen?
Is mijn data veilig als een AI-tool er toegang toe heeft?
Werkt dit alleen voor webshops, of ook voor andere MKB-bedrijven?
Plan een vrijblijvend kennismakingsgesprek