Over KatanaPIM
KatanaPIM is een enterprise SaaS-platform voor Product Information Management (PIM) voor online verkopers, gevestigd in Leiden. De belofte: “Publish once, sell everywhere.” Merken gebruiken het om productdata van leveranciers, ERP-systemen en spreadsheets te centraliseren, te verrijken met vertaalde en SEO-geoptimaliseerde content, te valideren via eigen workflows en te verspreiden naar verkoopkanalen zoals Shopify, Magento, BigCommerce, WooCommerce, Amazon, bol en Zalando.
De uitdaging
Als SaaS-productbedrijf moest KatanaPIM het kernplatform blijven doorontwikkelen en tegelijk implementaties opleveren voor een groeiende lijst e-commercekunden, elk met een eigen catalogusstructuur, eigen kanalen en integraties. Daarvoor zijn senior .NET-engineers nodig die zelfstandig aan een complex multi-tenant product kunnen werken, met stevige QA zodat releases geen live klantcatalogi breken.
Onze aanpak
Wij werken volgens het principe: eerst vertrouwen, dan opschalen. We bewijzen onze waarde op echt werk en laten de samenwerking pas daarna groeien. Amsby zette een vast team in India op dat werkte als onderdeel van de eigen product- en delivery-organisatie van KatanaPIM:
- 3 senior .NET-developers voor platformontwikkeling, klantimplementaties, integraties en API’s.
- 1 software tester voor functionele en regressietests van platformreleases en klantimplementaties.
Het team leverde en ondersteunde KatanaPIM-implementaties voor e-commercemerken in zeer verschillende productcategorieën, van babyproducten en Aziatische voeding tot behang, wijn en gitaaronderdelen.
Van team naar AI-programma
Na jaren werken aan het platform kwam KatanaPIM terug bij Amsby voor automatisering, en daarna voor twee AI-agents. Eén klant, een groeiende relatie: van ontwikkelcapaciteit naar AI die werkt voor product, marketing en support.
Automatisering van productdata-onboarding
Elke nieuwe PIM-klant begint met dezelfde horde: de bestaande productdata in de PIM krijgen. Voor fabrikanten is dat meestal een grote ERP-export met tientallen Nederlandstalige kolommen, met artikelnummers, EAN-codes, eenheden, THT-regels, palletconfiguratie en meer. Niets daarvan past op het datamodel van de PIM, en handmatig mappen is traag en foutgevoelig.
- De ERP-export (Excel) van de klant wordt geüpload via een eenvoudig webformulier.
- Alle 40+ bronvelden worden opgeslagen in een masterdatasheet, zodat er een volledige, controleerbare kopie van de originele data blijft.
- Een transformatiestap mapt de bronvelden naar het datamodel van KatanaPIM (SKU, naam, omschrijving, GTIN, gewicht, eenheid, merk, categorie, leverancier).
- De gemapte data wordt weggeschreven naar vijf importklare tabellen: Products, Stock, Suppliers, Descriptions en Categories.
De automatisering draait op n8n en Google Sheets; dezelfde mapping werkt voor elke export en elke update.
AI-releasenotes uit Jira
Elke SaaS-release eindigt met dezelfde klus: tientallen Jira-tickets doorlopen, bepalen welke wijzigingen klanten merken, ontwikkelaarstaal vertalen naar klantvoordelen en een mail in de huisstijl bouwen. Dat kostte de product owner bij elke release uren.
- Zodra een release in Jira als released wordt gemarkeerd, start een webhook de agent automatisch; via een eenvoudig formulier kan de product owner ook op verzoek notes genereren.
- De agent haalt alle tickets van de Jira-fixversie op en zet ze om naar schone tekst.
- Claude filtert intern werk weg, groepeert verwante tickets tot onderwerpen, deelt ze in als New feature, Improvement of Fix en geeft ze een impactscore.
- Claude schrijft de mail in de vertrouwde toon van de releasemails van KatanaPIM, met “Learn more”-links die alleen uit een whitelist van echte helpcenterpagina’s komen, zodat de AI geen URL’s kan verzinnen.
- Het concept wordt opgemaakt als HTML-mail volledig in de huisstijl van KatanaPIM.
- De product owner ontvangt het als DRAFT FOR REVIEW, met een paneel alleen voor de reviewer dat laat zien uit welke tickets elk onderwerp komt en welke tickets zijn weggelaten en waarom. Niets bereikt klanten zonder menselijke goedkeuring.
AI-supportassistent (RAG)
Supportteams besteden veel tijd aan vragen die al eens beantwoord zijn, in de documentatie of in eerdere tickets. De kwaliteit hangt af van wie het ticket oppakt, en echte bugs kunnen in de wachtrij blijven liggen voordat iemand ze herkent.
- Elke nacht verzamelt een indexer de Confluence-documentatie en maximaal 200 recent opgeloste tickets en slaat ze op als vector-embeddings in Elasticsearch, zodat elk opgelost ticket deel wordt van de kennisbank.
- Een webhook van Jira Service Management start de assistent zodra een klant een ticket aanmaakt.
- Het ticket wordt via vector search vergeleken met de kennisbank, die de 8 meest relevante passages teruggeeft.
- Claude schrijft een eerste antwoord in de taal van de klant, baseert elke bewering op de gevonden bronnen, verwijst er met nummers naar en zegt het eerlijk als de bronnen de vraag niet dekken.
- Elk concept krijgt een betrouwbaarheidsniveau en een aanbevolen route: klaar om te versturen, meer informatie nodig, of doorzetten naar development.
- Het resultaat komt als interne notitie op het ticket, zodat de klant nooit een ongecontroleerd AI-antwoord ziet; waarschijnlijke bugs krijgen automatisch een escalatielabel.