Intentiedata: wat een gesprek vastlegt dat een formulier verliest

Twee kandidaten vullen hetzelfde contactformulier in: naam, e-mailadres, gewenste opleiding. Op papier zijn ze identiek. Vraag uw toelatingsteam wat het verschil tussen hen is, en niemand kan het antwoorden — het formulier registreert een identiteit, geen verhaal.

Een gesprek met een AI-chatbot legt wél een verhaal vast. Niet "interesse in Bedrijfskunde", maar: vraag over duaal leren in het eerste jaar, gesteld om 23:14 uur, vlak na het bekijken van de financieringspagina. Dat detail is geen curiositeit — het is bruikbare informatie over waar deze kandidaat in het beslissingsproces staat en wat hem nog tegenhoudt.

Wat is intentiedata precies?

Intentiedata is informatie over wát een kandidaat wil weten, wannéér hij het vraagt en in welke context — niet alleen wíe hij is. Het onderscheid zit in het werkwoord: een formulier registreert, een gesprek onthult.

Een naam en een e-mailadres vertellen u dat iemand bestaat en interesse heeft getoond. Ze vertellen u niets over urgentie, twijfel of het specifieke obstakel dat een kandidaat ervan weerhoudt zich aan te melden. Intentiedata vult precies dat gat: het is gedateerd (wanneer werd de vraag gesteld), contextueel (wat ging eraan vooraf) en specifiek (welk exact onderwerp).

Dit sluit aan bij een bredere verschuiving in hoe kandidaten zich vandaag oriënteren. Bijna 70% van de marketeers geeft aan dat prospects hen nu later in hun beslissingsproces bereiken, nadat ze zelf al AI-ondersteund onderzoek hebben gedaan (bron: HubSpot, State of Marketing Report 2026). Voor hogescholen betekent dit dat de kandidaat die uw formulier invult, vaak al weken oriënterend gedrag heeft vertoond dat u nooit heeft gezien — een gesprek is een van de weinige plekken waar u dat gedrag alsnog vastlegt, op het moment dat het gebeurt.

Wat een formulier vastlegt tegenover wat een gesprek vastlegt

Een contactformulier en een chatbotgesprek verzamelen fundamenteel verschillende soorten gegevens, ook al lijkt de output — een naam in uw CRM — oppervlakkig gelijk. Onderstaande tabel zet het naast elkaar.

Het verschil is niet dat een formulier "slecht" is — het blijft nuttig voor documentgebonden aanvragen, zoals uitgewerkt in onze vergelijking AI-chatbot vs contactformulier voor het hoger onderwijs. Dit artikel gaat een stap verder dan die vergelijking: het gaat niet over welk kanaal beter converteert, maar over wat u met de data doet zodra ze binnen is.

Hoe intentiedata de lead-scoring scherper maakt

Intentiedata verbetert lead-scoring omdat het twee dingen meet die een formulier niet kan tonen: urgentie en specificiteit. Een kandidaat die vraagt naar exacte inschrijfdata is verder in zijn traject dan een kandidaat die vraagt wat de opleiding precies inhoudt.

Een score gebaseerd op formuliervelden behandelt elke ingevulde rij hetzelfde: naam ingevuld, opleiding gekozen, klaar. Een score gebaseerd op gespreksinhoud kan onderscheid maken tussen een verkennende vraag ("wat is het verschil tussen hbo en wo bij deze opleiding?") en een beslissingsvraag ("wanneer moet ik me uiterlijk aanmelden om nog in aanmerking te komen voor het stageprogramma?"). De tweede vraag wijst op een kandidaat die al aan het plannen is.

Ook herhaling en tijdstip zijn signalen. Een kandidaat die op drie verschillende avonden terugkeert met steeds concretere vragen over collegegeld en financiering, geeft een ander urgentiesignaal af dan iemand die één keer langskomt met een algemene vraag. Een score die alleen "opleiding ingevuld: ja/nee" registreert, mist dit patroon volledig.

Hoe intentiedata de opvolging stuurt: wat te zeggen, wanneer

Intentiedata vertelt uw toelatingsteam niet alleen wíe te bellen, maar wát te zeggen en wannéér. Dat is het operationele verschil tussen een generieke follow-up-mail en een gerichte reactie op een specifieke twijfel.

Neem het voorbeeld uit de inleiding: een kandidaat die om 23:14 uur vraagt naar duaal leren in het eerste jaar, kort na het bekijken van de financieringspagina. Een medewerker die dit gesprek leest, weet meteen waar te beginnen — niet met een algemene introductiemail, maar met concrete informatie over de duale leerroute en de financiële regelingen die daarbij horen. Zonder dat gesprek begint dezelfde medewerker bij nul, met alleen een naam en een e-mailadres.

Timing telt ook mee. Een vraag laat op de avond, vlak vóór de aanmelddeadline in Studielink, vraagt om een andere opvolgsnelheid dan een vraag die drie maanden vóór die deadline wordt gesteld. Een toelatingsteam dat intentiedata gebruikt, kan prioriteren op basis van wat er werkelijk speelt, in plaats van formulieren in volgorde van binnenkomst af te werken.

Dit verandert niets aan de rol van de medewerker zelf — het geeft hem alleen het startpunt dat een leeg formulierveld niet biedt. De chatbot vervangt het gesprek met een adviseur niet; hij zorgt ervoor dat dat gesprek niet meer bij nul hoeft te beginnen.

Hoe intentiedata een zinvolle overdracht aan een mens mogelijk maakt

Intentiedata voorkomt dat een kandidaat zijn vraag twee keer moet stellen: eenmaal aan de chatbot, en nogmaals aan de medewerker die het gesprek overneemt. Zonder die context herhaalt elke overdracht het eerste contactmoment, wat wrijving toevoegt op precies het punt waar een kandidaat persoonlijke aandacht verwacht.

Georgia State University illustreert wat er gebeurt wanneer instellingen dit principe structureel toepassen. De universiteit introduceerde een conversationele assistent, Pounce, die vragen en gegevens van toekomstige studenten in real time via gesprek verzamelde in plaats van via statische formulieren. Het resultaat: een daling van summer melt — toegelaten kandidaten die zich uiteindelijk niet inschrijven — met 21,4%, en een stijging van de daadwerkelijke inschrijvingen met 3,3 tot 3,9% (bron: Brookings Institution en success.gsu.edu, het programmabureau van Georgia State University).

Het mechanisme achter dat resultaat is precies waar dit artikel over gaat: door vragen te beantwoorden op het moment dat een kandidaat ze stelt, en die vragen vast te leggen in plaats van te laten verdampen, ontstond een continu beeld van waar elke kandidaat in het proces vastliep. Menselijke medewerkers konden vervolgens gericht ingrijpen bij wie dat het hardst nodig had — in plaats van iedereen met dezelfde standaardmail te benaderen.

Voor een hogeschool vertaalt dit zich naar een concreet werkproces: de chatbot voert het eerste gesprek, markeert signalen van twijfel of urgentie, en geeft die context door aan de medewerker die de overdracht overneemt. De medewerker leest geen transcript van nul tot honderd — hij krijgt een samenvatting van wat er speelt en waar hij moet beginnen.

Waar intentiedata terechtkomt: van gesprek naar CRM

Intentiedata heeft alleen operationele waarde als ze de weg vindt naar het systeem waarin uw toelatingsteam werkt — niet als losse chatlogs die niemand naleest. De gespreksgegevens moeten gestructureerd landen in het CRM, gekoppeld aan het kandidaatprofiel, naast de standaardvelden uit het formulier.

In de praktijk betekent dit dat elk relevant signaal — het gestelde onderwerp, het tijdstip, de voorafgaande paginabezoeken, de mate van urgentie — als apart, doorzoekbaar gegeven wordt vastgelegd. Een medewerker die een kandidaat opbelt, moet in enkele seconden kunnen zien waar het laatste gesprek over ging, niet door een volledig transcript te doorzoeken.

Skolbot is gebouwd op precies dit principe: de chatbot draait op de eigen website van de hogeschool, beantwoordt vragen van kandidaten, herkent signalen van intentie tijdens het gesprek, en stuurt die informatie automatisch door naar het CRM van de school — samen met de afspraak of aanmelding die eruit voortkomt. Voor toepassingen die verder gaan dan alleen het toelatingsgesprek, zoals vragen over studentenleven, onboarding of alumnicontact, leest u conversationele AI voor scholen: 5 toepassingen buiten aanmelding — ook daar geldt hetzelfde principe: elk gesprek is een gegevensbron, niet alleen een antwoord.

Praktisch: intentiedata invoeren zonder uw proces om te gooien

Intentiedata invoeren vraagt geen nieuw systeem naast uw bestaande CRM — het vraagt een chatbot die gestructureerd doorgeeft wat ze al registreert. De eerste stap is niet technisch, maar organisatorisch: bepalen welke signalen voor uw toelatingsteam daadwerkelijk bruikbaar zijn.

Begin met een beperkte set: het gespreksonderwerp, het tijdstip, en of de kandidaat een duidelijke deadline of urgentie noemde. Voeg pas later verfijningen toe, zoals sentimentherkenning of vergelijking met eerdere gesprekken van dezelfde kandidaat. Een team dat in één keer overspoeld wordt met tientallen nieuwe datavelden, gebruikt uiteindelijk geen enkel veld.

Zorg ook dat de overdracht naar een medewerker een samenvatting toont, geen ruwe log. EDUCAUSE wijst er in zijn analyses van conversational AI in het hoger onderwijs op dat de meerwaarde van gespreksdata pas ontstaat wanneer instellingen ze structureren voor menselijk gebruik — ongestructureerde chatlogs leveren evenveel ruis op als een leeg formulierveld.