Hoe een klein marketingteam met AI onverwachte publieksverbanden vond

We zijn met z’n vijven op marketing bij de Schuur, een theater voor film en toneel in de binnenstad van Haarlem. Geen developer, IT-afdeling of datateam. Wel een kassasysteem met ruim 610.000 verkochte tickets en een vraag die bijna iedere week terugkomt: welke bezoekers zijn mogelijk geïnteresseerd in deze nieuwe voorstelling?

Tot voor kort beantwoordden we die vraag vanuit onze eigen kennis. Voor een dansvoorstelling selecteerden we eerdere dansbezoekers; een nieuwe film ging naar mensen met belangstelling voor film. Logisch, maar grof en sterk afhankelijk van collega’s die de programmering al jaren kennen.

Toen ik met AI onze koophistorie anders ging bekijken, vond ik verbanden die niet in zulke categorieën pasten. Neem ‘Kinds of Kindness’ en ‘Megalopolis’, twee eigenzinnige films van verschillende makers die inhoudelijk nauwelijks op elkaar lijken. Volgens de labels in ons systeem deelden ze geen genre, thema, land of toon. Toch hadden 35 van de 149 kopers van Megalopolis ook Kinds of Kindness bezocht: bijna een kwart, ruim tweeënhalf keer zoveel als je mag verwachten van bezoekers die toch al veel films zien.

Achteraf konden we die overeenkomst wel benoemen. Beide films waren grote, eigenzinnige projecten waarover de meningen sterk uiteenliepen. Wie ervoor koos, koos niet alleen voor een genre, acteur of regisseur, maar ook voor het risico van een film die geen veilige avond beloofde. Risicobereidheid staat in geen enkel veld van ons systeem.

En dit paar bleek niet uitzonderlijk. Toen ik natelde hoeveel vergelijkbare films uit dezelfde periode zo’n sterke publieksoverlap hadden, gold dat voor bijna acht op de tien. Dat maakte de vondst niet kleiner, maar groter: onze programmering zit vól met zulke clusters, geen enkel label voorspelt ze, en je ziet ze pas als je naar koopgedrag kijkt. Alleen liggen ze verspreid over honderdduizenden transacties — met de hand vind je ze niet.

Met AI als bouwhulp en de gegevens die al in ons kassasysteem stonden, maakte ik daarom een toepassing die inhoudelijke overeenkomsten combineert met werkelijk bezoekgedrag. Niet om de marketeer uit het proces te halen, maar om zichtbaar te maken wat niemand met de hand kan vinden.

Begin niet met AI, maar met een terugkerende beslissing

Mijn eerste AI-project had niets met publieksselecties te maken. Iedere week actualiseerde ik handmatig onze filmvoorstellingen voor de Filmladder. Terugkerend handwerk met vaste stappen, dus onderzocht ik of het te automatiseren was. Toen dat lukte, veranderde vooral mijn beeld van wat ik zelf kon bouwen.

Ik begon in een chatvenster en stapte daarna over op Claude Code, een AI-assistent die code voor je schrijft en aanpast. Ik programmeerde daarmee niet ineens iedere regel zelf: ik beschreef in gewone taal wat ik wilde bereiken, testte wat eruit kwam en stuurde bij als het niet klopte. Dat laatste is het werk dat overblijft, en het is marketingwerk — je moet weten welke uitkomst deugt.

De volgende vraag kwam rechtstreeks uit het werk van mijn team. Voor een nieuwe voorstelling zochten collega’s handmatig naar vergelijkbare eerdere titels, vooral vanuit eigen kennis. Waardevolle kennis, maar kennis die in hoofden zit, tijd kost en bij een nieuwe collega nog niet aanwezig is.

De eerste versie van mijn toepassing deed daarom maar één ding: een collega koos een voorstelling en kreeg vergelijkbare historische titels terug. Dat bleek meteen nuttig. Pas daarna volgden maanden van testen en uitbreiden. Inmiddels draait de toepassing dagelijks, gebruikt het team haar in het reguliere werk en kunnen selecties naar ons ticketsysteem worden doorgezet. Het is geen prototype meer.

Gedrag boven inhoud

De toepassing gebruikt twee signalen, in een vaste volgorde. Werkelijk bezoekgedrag is leidend: welke bezoekers kochten kaartjes voor welke voorstellingen, en waar overlappen die publieksgroepen?

Bij een nieuwe voorstelling bestaat dat signaal nog niet. Dan gebruiken we inhoud als tijdelijke brug. Een taalmodel leest de openbare voorstellingstekst en geeft een paar thema’s terug, zoals identiteit, rouw of migratie. Onze eigen labels bewaken de grenzen: een jeugdvoorstelling wordt niet aan een arthousefilm gekoppeld, omdat beide over identiteit gaan. De bezoekers van thematisch verwante titels vormen een voorlopige doelgroep. Geen voorspelling, een startpunt.

Zodra de eerste kaartkopers er zijn, neemt gedrag het over. De kopersgroep van de nieuwe voorstelling wordt vergeleken met de publieksgroepen van alles wat we eerder speelden. De rekenmaat heeft een naam uit de statistiek, maar het principe past in één zin: hoeveel mensen kochten voor allebei een kaartje, afgezet tegen iedereen die bij minstens één van de twee zat. Voor Megalopolis kwam daar Kinds of Kindness uit — een titel die geen van ons zelf had aangedragen.

Twee dingen zijn daarbij belangrijk. Er wordt nooit klant met klant vergeleken, altijd voorstelling met voorstelling; er ontstaat dus geen individueel AI-profiel. En het taalmodel krijgt geen klantgegevens te zien: de scripts werken met klantnummers zonder namen of e-mailadressen.

Eén gedeelde koper is daarbij een echt signaal, maar een dun signaal: dezelfde verhouding betekent iets anders bij honderd mensen dan bij één.

Wat betekent dit buiten een theater?

Dezelfde aanpak werkt overal waar klanten meer dan één product, dienst of type content afnemen. Neem een webshop die een nieuw artikel opneemt. Zolang er niets van verkocht is, kan zij alleen zoeken naar inhoudelijk vergelijkbare producten. Maar zodra de eerste bestellingen binnenkomen, kan zij onderzoeken welke andere artikelen opvallend vaak door diezelfde klanten zijn gekocht — en dat zijn lang niet altijd artikelen uit dezelfde categorie. Dat is de webshopversie van Megalopolis en Kinds of Kindness: een verband dat je in het assortiment niet ziet en in het koopgedrag wel.

De marketeer beslist

Daarom toont het dashboard niet alleen een bestand met adressen. Een medewerker ziet welke historische voorstellingen als bron zijn gebruikt, hoe sterk de overlap is, hoeveel bezoekers erbij horen en hoeveel daarvan e-mailtoestemming hebben.

Overtuigt een voorgestelde voorstelling niet, dan gaat ze eruit; een ontbrekende titel kan handmatig worden toegevoegd. Het dashboard berekent de ontdubbelde doelgroep dan opnieuw. Pas daarna gaat de selectie naar ons ticketsysteem. Ook geen matches is een geldige uitkomst — het systeem hoeft niet voor iedere voorstelling schijnzekerheid te produceren.

Dat helpt vooral minder ervaren collega’s: een stagiair hoeft niet iedere titel en publieksrelatie uit het hoofd te kennen om een beredeneerde eerste selectie te maken. En het is voor mij de kern van human-in-the-loop. Niet achteraf vluchtig controleren wat een systeem al heeft besloten, maar een mens ruimte geven om in te grijpen op het beslismoment zelf.

Zo zet je zelf de eerste stappen

Je hoeft niet te beginnen met een dashboard of honderdduizenden transacties. Vier stappen voor een eerste verkenning:

1. Kies één terugkerende beslissing en bepaal de grenzen. Voor welk nieuw product, evenement of dienst leun je nu vooral op categorieën, handmatig zoekwerk of de kennis van een paar collega’s? Schrijf meteen op welke gegevens je nodig hebt, wie ze mag gebruiken en welke toestemming vereist is om iemand te benaderen.
2. Bouw de kleinst mogelijke proef. Laat AI helpen met de code voor één controleerbare handeling. Begin lokaal, desnoods met een kleine export. Onze eerste proef hoefde geen mailing te versturen; alleen mogelijke matches te tonen.
3. Houd aannames en gedrag uit elkaar en toon de onderbouwing. Een inhoudelijke overeenkomst is een hypothese, gedeelde klanten zijn gedrag. Bewaar die signalen apart, en laat bronselecties en aantallen zien voordat de doelgroep in gebruik gaat.
4. Zoek tegenbewijs. Vraag ervaren medewerkers juist welke matches níét kloppen. Test op beperkte schaal en vergelijk waar mogelijk met een controlegroep. Pas dan weet je of de nieuwe selectie meer opent, klikt of koopt.

AI verlaagt de drempel om zelf iets te bouwen, maar neemt het moeilijke werk niet weg. Je moet je gegevens begrijpen, privacy bewaken, uitzonderingen herkennen en bepalen wanneer een uitkomst goed genoeg is om te gebruiken.

Wat er veranderde en wat nog niet bewezen is

We gebruikten vroeger regelmatig brede interessegroepen. Nu begint een medewerker met een kleinere, beredeneerde selectie uit de volledige historie, en zit selectiekennis minder uitsluitend in de hoofden van ervaren collega’s.

Dat is het resultaat dat ik nu kan onderbouwen. Het systeem wordt gebruikt voor mailings, maar ik heb nog geen betrouwbare campagneresultaten waarmee ik kan zeggen dat het aantoonbaar meer kaartverkoop oplevert. Een publieksoverlap is geen garantie dat iemand opnieuw koopt. De volgende stap is daarom niet meer techniek, maar consequent meten.

De kopers van Megalopolis en Kinds of Kindness zaten altijd al in onze verkoophistorie. Het verband tussen hen ook, en de honderden verbanden eromheen. Wij hadden alleen geen praktische manier om ze te zien.