Named Entity Recognition

Named Entity Recognition (NER) is een machine learning-techniek die automatisch specifieke informatie uit ongestructureerde tekst herkent en categoriseert. Het systeem identificeert namen van personen, bedrijven, locaties, datums, geldbedragen en andere vooraf gedefinieerde entiteiten. Voor MKB-bedrijven betekent dit dat je grote hoeveelheden klantcommunicatie, contracten of reviews kunt doorzoeken zonder elke tekst handmatig te lezen.

Hoe Named Entity Recognition tekst analyseert

Een NER-systeem scant tekst woord voor woord en vergelijkt patronen met een getrainde database. Het model herkent contextuele signalen zoals hoofdletters, woordvolgorde en grammaticale structuur. Een zin als "Jan Jansen van Bakkerij De Korenbloem in Utrecht bestelde 500 euro aan ingrediënten" levert vier entiteiten op: een persoonsnaam, een bedrijfsnaam, een locatie en een geldbedrag. Het systeem labelt elk fragment automatisch met de juiste categorie. Nederlandse NER-modellen zijn specifiek getraind op onze taal, omdat "de" in het Engels een entiteitsmarker kan zijn maar in het Nederlands een lidwoord. De nauwkeurigheid hangt af van de kwaliteit van de trainingsdata en de complexiteit van je teksten. Bij standaard zakelijke communicatie halen moderne systemen een accuratesse van 85 tot 95 procent.

Waarom Named Entity Recognition nu praktisch bruikbaar is

NER bestaat al sinds de jaren negentig, maar was lange tijd te duur en te complex voor het MKB. De doorbraak kwam met open-source libraries zoals spaCy en Hugging Face Transformers, die kant-en-klare Nederlandse modellen aanbieden. Je hobt geen datacenter meer nodig: een standaard cloudserver volstaat. Bedrijven gebruiken NER nu voor klantsegmentatie, contractanalyse en trenddetectie in feedback. Een webshop met duizenden reviews kan automatisch zien welke productnamen, merken of locaties klanten noemen. Een accountantskantoor haalt bedrijfsnamen en BTW-nummers uit ingescande facturen. De techniek werkt het best bij gestructureerde teksten zoals e-mails, formulieren of rapporten, minder goed bij informele chat of dialect.

Wat Named Entity Recognition oplevert in combinatie met andere AI-tools

NER is zelden een op zichzelf staande oplossing. Je combineert het met API-integraties om geëxtraheerde data direct in je CRM of ERP te laden. Een verzekeraar kan automatisch polisnummers, namen en schadebedragen uit claims halen en doorsturen naar het juiste systeem. Een recruitmentbureau extraheert functietitels, bedrijfsnamen en locaties uit sollicitatiebrieven om kandidaten te matchen met vacatures. In de praktijk zien we dat MKB-bedrijven NER inzetten als eerste stap in een groter automatiseringstraject. Monkey Vision helpt bij het ontwerp van zulke workflows via maatwerk ontwikkeling en AI-integraties, waarbij we NER koppelen aan n8n-workflows of custom dashboards. De investering loont pas als je minstens 100 documenten per maand verwerkt, anders blijft handmatig werk efficiënter.

Named Entity Recognition wordt in de praktijk ingezet zodra je veel ongestructureerde tekst moet doorzoeken op specifieke informatie. Denk aan klantcommunicatie, contracten, nieuwsartikelen of interne rapporten. Hieronder zie je vier concrete situaties waarin MKB-bedrijven NER gebruiken om tijd te besparen en betere inzichten te halen uit bestaande data.

Automatische klantsegmentatie uit e-mailverkeer

Een B2B-dienstverlener ontvangt honderden aanvragen per maand via e-mail en contactformulieren. Met NER haal je automatisch bedrijfsnamen, functietitels, locaties en branche-indicatoren uit die berichten. Je CRM-systeem labelt elke lead meteen met de juiste tags, zodat je salesteam weet of het om een MKB-klant uit de bouw gaat of een multinational in de financiële sector. Een accountantskantoor in Arnhem gebruikt dit om aanvragen van zzp'ers te scheiden van die van BV's, wat de doorlooptijd van offertes met 40 procent verkortte. Je hebt alleen een API-koppeling nodig tussen je mailbox en je CRM. De eerste setup kost ongeveer 12 uur ontwikkeltijd, daarna draait het systeem autonoom. Let op: Nederlandse modellen werken beter dan Engelstalige bij typisch Nederlandse entiteiten zoals KvK-nummers of gemeentenamen.

Contractanalyse en compliance-controle

Juridische afdelingen en compliance-teams moeten vaak dezelfde informatie uit tientallen contracten halen: partijnamen, looptijden, opzegclausules, boetebedragen. NER scant PDF's of Word-documenten en extraheert deze velden automatisch naar een spreadsheet. Een vastgoedbeheerder met 200 huurcontracten kan zo in een middag een overzicht maken van alle einddatums en indexeringsclausules, waar dat handmatig twee weken zou kosten. De techniek werkt goed bij standaardcontracten, minder bij sterk afwijkende formuleringen of handgeschreven aantekeningen. Je combineert NER vaak met optical character recognition (OCR) als je ingescande papieren contracten hebt. De nauwkeurigheid ligt rond 90 procent bij getypte tekst, wat betekent dat je altijd een steekproef handmatig moet controleren. Voor bedrijven met minder dan 50 contracten per jaar is de investering meestal niet rendabel.

Trenddetectie in klantfeedback en reviews

Een webshop met 5.000 reviews per kwartaal wil weten welke producten, merken of productkenmerken klanten spontaan noemen. NER haalt automatisch productnamen, kleuraanduidingen, materiaaltypes en merknamen uit vrije tekst. Je ziet meteen dat "waterdicht" 120 keer voorkomt in combinatie met een specifiek model rugzak, of dat klanten uit Limburg vaker over "snelle levering" schrijven dan klanten uit Friesland. Een fietsenwinkel in Utrecht ontdekte via NER dat 30 procent van de negatieve reviews ging over een specifiek slotmerk, wat leidde tot een leverancierswissel. Deze toepassing werkt ook voor interne feedback: HR-afdelingen scannen exitgesprekken op afdelingsnamen, managementnamen en redenen voor vertrek. Je koppelt NER aan een content marketing strategie door te zien welke zoektermen klanten in reviews gebruiken, en die termen te verwerken in je productpagina's.

Wanneer Named Entity Recognition de juiste keuze is en wanneer niet

NER loont als je minstens 100 vergelijkbare documenten per maand verwerkt en je zoekt naar herhalende entiteiten zoals namen, bedragen of datums. Het werkt niet goed bij sterk variërende teksten, dialect, of creatieve content zoals blogs. Een eenmanszaak die 10 offertes per maand schrijft, heeft geen NER nodig. Een recruitmentbureau dat 500 cv's per week ontvangt wel. Ook belangrijk: NER herkent entiteiten, maar begrijpt geen intentie of sentiment. Het ziet "Apple" als bedrijfsnaam, maar weet niet of de schrijver positief of negatief is. Combineer NER daarom met sentiment-analyse of chatbots voor een compleet beeld. Volgens de Autoriteit Persoonsgegevens moet je bij verwerking van persoonsgegevens via NER altijd een verwerkersovereenkomst afsluiten met je AI-leverancier.