B2B webshop content op schaal verliep bij ITM Interma niet in een rechte lijn, maar in drie opeenvolgende slagen, bovenop een complete herinrichting van de navigatie. ITM Interma is een B2B-webshop in magazijnartikelen met duizenden artikelen. Het bijzondere aan de uitgangssituatie: klanten bestelden producten rechtstreeks vanaf de categoriepagina, en losse productpagina’s waren er nauwelijks. Dat bepaalde de volgorde van het werk: eerst de categorieteksten, dan productteksten opbouwen waar die ontbraken, en daarna een tweede verbeterslag op de categorieteksten op basis van de nieuwe productinformatie. Tegelijk verschoof de navigatie van materiaalgericht naar toepassingsgericht, en dat is bij duizenden artikelen een flinke operatie.
Ik deel deze case omdat de werkelijkheid van B2B webshop content rommeliger is dan de meeste gidsen doen voorkomen. Niet even wat productteksten schrijven, maar een iteratie waarin categorie en product elkaar versterken, op een fundament dat zelf ook nog verbouwd wordt.
De uitgangssituatie bij ITM Interma
ITM Interma verkoopt magazijnartikelen aan zakelijke klanten, met een catalogus van duizenden artikelen. Twee dingen maakten de uitgangssituatie bijzonder.
Ten eerste was de categoriepagina de bestelpagina. Klanten konden producten rechtstreeks vanaf de categoriepagina in hun mandje leggen, en losse productpagina’s bestonden nauwelijks of waren erg beperkt. De categoriepagina deed dus dubbel werk: als vindplaats in de zoekmachine en als plek waar de bestelling daadwerkelijk gebeurde.
Ten tweede was de catalogus ingedeeld op materiaal: artikelen waren gegroepeerd naar waar ze van gemaakt zijn. Een zakelijke koper zoekt meestal anders, namelijk op toepassing: wat heb ik nodig voor deze specifieke klus. Een indeling op materiaal sluit daar niet altijd op aan. Een overstap naar een toepassingsgerichte structuur lag voor de hand, maar dat raakt bij duizenden artikelen de hele indeling.
De aanpak: drie slagen, niet een
Omdat de categoriepagina de bestelpagina was, begon het werk daar. Maar een ronde volstond niet. De aanpak voor deze B2B webshop content werd een iteratie in drie slagen.
Slag 1: categorieteksten eerst. De categoriepagina’s kregen content die de zakelijke zoekintentie beantwoordt, want daar gebeurde de aankoop en daar lag de meeste zoekwaarde. De volledige logica achter sterke categoriepagina’s staat in mijn stuk over categoriepagina SEO.
Slag 2: productteksten opbouwen. Daarna de productpagina’s, die er nauwelijks waren. Hier moest content vanaf de basis worden opgebouwd in plaats van verbeterd. AI als systeem maakte dat haalbaar: productspecificaties als input, een vaste structuur en merkrichtlijnen als kader, en controle achteraf. Hoe je dat kwalitatief houdt, beschreef ik in AI-gegenereerde webshop content en in productomschrijvingen die ranken en converteren.
Slag 3: categorieteksten verbeteren. Met goede productinformatie op tafel kon de categorie-content een tweede, scherpere slag krijgen. De categoriepagina’s verwezen nu naar concrete, goed beschreven producten, en konden daardoor specifieker en overtuigender worden. Categorie en product versterken elkaar, maar alleen als je ze in deze volgorde aanpakt.
De structurele ombouw: navigatie en configureerbare producten
Parallel aan het tekstwerk liep de grootste operatie, en die had twee kanten. De eerste was de overstap van een materiaalgerichte naar een toepassingsgerichte navigatiestructuur. In plaats van artikelen indelen naar waar ze van gemaakt zijn, worden ze ingedeeld naar waar een koper ze voor gebruikt. Dat sluit aan op hoe een zakelijke klant zoekt, maar het is geen knop die je omzet. Bij duizenden artikelen wordt elk artikel opnieuw tegen de structuur gehouden: in welke toepassing hoort dit thuis, en vaak in meerdere tegelijk.
De tweede kant was de overstap van losse producten naar configureerbare producten. Waar tientallen varianten van hetzelfde artikel eerst als losse producten in de catalogus stonden, worden ze samengebracht onder een configureerbaar product waarbij de koper zelf de juiste variant kiest. Dat scheelt dunne, bijna identieke pagina’s en sluit beter aan op hoe een zakelijke koper bestelt, maar het vraagt dat je per artikelgroep uitzoekt welke losse producten samen een configureerbaar product vormen. Ook dat raakt duizenden artikelen.
Beide ombouwen raken de categoriestructuur waar in slag 1 en 3 ook de content op draait. De structuur en de content-iteratie liepen daarom in elkaar over, en dat maakte het traject complexer dan een standaard content-opdracht. Het is ook precies waarom ik de structuur nooit los van de content zou aanpakken: ze bepalen elkaar.
Waarom AI werkt voor B2B webshop content
Het verschil tussen AI die werkt en AI die rommel oplevert, zit in de context. Een model dat alleen “schrijf een productbeschrijving” krijgt, produceert generieke tekst die op elke andere webshop lijkt. Een model dat de echte productspecificaties, de toepassing en de merkstem meekrijgt, levert B2B webshop content die past bij een zakelijke koper die op specificaties en toepassing zoekt.
Daarom was het voorbereidende werk groter dan het schrijfwerk. De specificaties moesten gestructureerd beschikbaar zijn, de toepassingen helder, en de kwaliteitslat vooraf bepaald. Bij content op schaal verschuift je tijd van schrijven naar inrichten. Wie die stap overslaat, krijgt volume zonder kwaliteit.
Wat ik een volgende keer eerder zou doen
Eerlijk: de samenhang tussen navigatie en content had ik nog explicieter aan de voorkant willen vastpinnen. Omdat de toepassingsgerichte indeling en de teksten elkaar beinvloeden, scheelt het werk als de structuur-keuzes en de content-aanpak vanaf dag een als een geheel worden gepland in plaats van als opeenvolgende klussen.
De tweede les: betrek de mensen die de producten en hun toepassingen kennen. Bij technische magazijnartikelen zit de waarde in detail dat een model niet kan verzinnen, zoals voor welke klus een artikel precies bedoeld is. Die input maakt het verschil tussen correcte tekst en tekst die een koper echt verder helpt, en hij is onmisbaar bij een toepassingsgerichte indeling.
Een derde les hoort daarbij: controleer de technische SEO-fundamenten van de shop voordat de content-slag begint. Crawlbaarheid, indexatie en laadtijd bepalen of goede teksten uberhaupt worden opgepikt.
Wat een ‘goede’ B2B-categoriepagina anders maakt dan een productpagina
Een B2B-categoriepagina is geen verkleinde productpagina. Het is een ander type pagina met een ander doel, en bij ITM Interma was dat verschil het kernpunt van de hele ombouw.
De B2B-koper zoekt op materiaal of toepassing, niet op productnaam. Een inkoper bij een installateur typt “afzuigslang voor industriële ventilatie” in Google, niet “ITM-AFZ-50”. De categoriepagina is de eerste pagina die op die zoekopdracht moet rangschikken én moet bedienen. De productpagina komt later, als de keuze tussen 5 varianten gemaakt moet worden.
Categoriepagina = shortlist. Hier wil de bezoeker zien welke categorieën materiaal bestaan, welke toepassingsgebieden gangbaar zijn, en welke vraagstukken die categorie typisch oplost. Korte intro, duidelijke filters, voorbeeldproducten.
Productpagina = beslissing. Hier wil dezelfde bezoeker specifieke specs (lengte, diameter, materiaal, temperatuurbereik), prijs in context, levertijd. Bullets, technische tabellen, beschikbaarheid.
Bij ITM speelde een tweede mechaniek: configureerbare bundeling. Eén categoriepagina kan 50 productvariaties dekken zonder 50 dunne URL’s te genereren. Dat is essentieel in B2B waar diameter en lengte per project verschillen. Variant-pagina’s voor elke combinatie maken je site groot en je content dun. Eén pagina met een configurator houdt de inhoud diep en de SEO sterk.
De praktische test voor elke B2B-categoriepagina: kan een professionele inkoper binnen 5 seconden zien of jouw product zijn toepassing aan kan? Zo nee, dan zit het probleem in de categoriepagina-structuur, niet in de productdata. Dat was bij ITM het inzicht dat de hele aanpak vormde.
Google’s eigen richtlijnen voor product- en categoriedata vind je in de structured data documentation voor Product. Daar staat welke velden Google verwacht voor B2B-catalogi met varianten.
Wil je dit voor jouw webshop?
Heb je een B2B-webshop met honderden of duizenden artikelen waar de content en mogelijk ook de structuur achterlopen? De aanpak uit deze case is overdraagbaar: begin bij de categoriepagina’s, bouw productcontent op met AI als systeem, verbeter daarna de categorieteksten, en behandel je navigatie en content als een geheel. Dit is ook het probleem dat ik met PageFlow als managed service heb geproductiseerd. Lees de bredere webshop SEO gids of plan een kennismaking.
Veelgestelde vragen over B2B webshop content op schaal
Begin je bij categoriepagina’s of bij productpagina’s?
Dat hangt af van je uitgangssituatie. Bij ITM Interma waren de categoriepagina’s de bestelpagina’s en bestonden productpagina’s nauwelijks, dus daar begon het werk. De aanpak werd een iteratie in drie slagen: eerst categorieteksten, dan productteksten opbouwen, en daarna een tweede verbeterslag op de categorieteksten op basis van de nieuwe productinformatie. Categorie en product versterken elkaar, maar alleen in die volgorde.
Waarom de categorieteksten twee keer aanpakken?
Omdat de eerste ronde categorieteksten geschreven wordt voordat de productpagina’s bestaan. Zodra er goede, specifieke productcontent ligt, kun je de categoriepagina’s een tweede, scherpere slag geven: ze verwijzen dan naar concrete producten en kunnen overtuigender en specifieker worden. De tweede ronde haalt de winst binnen die in de eerste ronde nog niet mogelijk was.
Hoe pak je een navigatie-herindeling aan bij duizenden artikelen?
Stap voor stap, en niet los van de content. Bij de overstap van een materiaalgerichte naar een toepassingsgerichte navigatie wordt elk artikel opnieuw tegen de structuur gehouden: voor welke toepassing is het bedoeld, vaak meerdere tegelijk. Dat is veel handwerk en oordeel. Omdat de structuur en de categorieteksten elkaar bepalen, plan je ze het beste als een geheel in plaats van als losse projecten.
Hoe houd je AI-content kwalitatief op schaal?
Door AI als systeem in te zetten en niet als losse tekstgenerator. Geef het model de echte productspecificaties, de toepassing, een vaste structuur en je merkrichtlijnen mee, en controleer de output achteraf. De kwaliteit zit in de context die je vooraf inricht, niet in de prompt. Generieke input geeft generieke output, specifieke input geeft bruikbare content.
