Probleem
Feedback op verkoopgesprekken kost tijd: iemand moet het gesprek terugluisteren, beoordelen en notities schrijven. Daardoor gebeurt het zelden, terwijl juist directe feedback het meeste oplevert.
Randvoorwaarden
- Betrouwbare structuur: een scorekaart moet altijd dezelfde velden hebben, anders is hij niet te vergelijken of in een CRM te zetten.
- Ook Nederlandstalige gesprekken.
- Mobiel bruikbaar, direct na een gesprek.
Architectuur
Een Express-backend met een vanilla-JavaScript-frontend als PWA, verpakt als Android-app via Capacitor. De analyse is opgesplitst: regelgebaseerde engines detecteren momenten en scoren het gesprek, en het taalmodel voegt interpretatie toe. De uitkomsten worden samengevoegd tot één resultaat.
Implementatie
- Regel-engines (
momentDetector,dealScorer) voor herkenbare patronen zoals vragen, bezwaren en afsluiters, ook in het Nederlands. - Scorekaart volgens de SPIN- en LAER-methodes, met coaching-playbook, rollenspel en battlecards.
- Tests: 28 testbestanden voor de engines en de API.
AI en automatisering
Claude levert de analyse via structured outputs. Het verzoek bevat een JSON-schema (format: { type: "json_schema", schema: AI_ANALYSIS_SCHEMA } in src/engine/aiAnalyzer.js), zodat het antwoord altijd de verwachte velden heeft. Het resultaat wordt samengevoegd met de regelgebaseerde uitkomst en gemarkeerd met het model dat het leverde. Een lijst met fallback-modellen houdt de analyse beschikbaar als een model niet reageert.
Resultaat
Een werkende MVP die gesprekken analyseert tot een gestructureerde scorekaart met CRM-notitie, op desktop en Android.
Lessen
- Regels en LLM combineren: deterministische detectie voor wat vastligt, het model voor interpretatie. Dat maakt de uitkomst stabieler en goedkoper.
- Schema’s in plaats van parsing: structured outputs halen een hele klasse fouten weg die ontstaat bij het parsen van vrije tekst.