Zoeken op metadata in DAM: keuzehulp en selectiecriteria

Je DAM staat vol. Tienduizenden assets, keurig weggestopt in mappenstructuren die ooit logisch leken. En nu?

Niemand vindt meer iets. De zoekbalk levert rommel op, collega’s mailen elkaar Excel-lijstjes met bestandsnamen, en de marketingafdeling uploadt dezelfde campagnefoto voor de derde keer. Dit is geen softwareprobleem.

Dit is een metadata-probleem. Wat me opvalt is dat veel organisaties een DAM aanschaffen alsof het een magische doos is.

Gooi er bestanden in, en de zoekfunctie regelt de rest. Maar zonder een doordacht metadataschema is dat wishful thinking. Zoeken op metadata draait niet om de technologie, maar om de afspraken die je maakt over hoe je assets beschrijft. En die afspraken zijn vaak het ondergeschoven kind.

De valkuil van mappen versus metadata

De meeste teams beginnen met mappen. Logisch, want dat doen we al jaren in Windows Verkenner.

Maar mappen dwingen een hiërarchie af die niet werkt zodra assets in meerdere contexten gebruikt worden. Een foto van een product kan in een map 'Campagne Q1' staan, maar ook in 'Productfoto's' en 'Social media'. Wat wordt de waarheid?

Juist, geen van alle. Metadata biedt uitkomst: je voegt eigenschappen toe zoals campagne, productcategorie, fotograaf, licentie en publicatiedatum.

Dan kun je filteren op combinaties zonder dat je bestanden hoeft te dupliceren. Eén asset, meerdere labels. Klinkt simpel, maar ik zie het keer op keer misgaan omdat men te weinig nadenkt over welke metadata écht nodig is. Een lijst van vijftig velden werkt averechts; niemand vult ze in.

Een praktische vuistregel: begin met maximaal tien metadata-velden die direct bijdragen aan terugvinden. Denk aan: assettype, project, afdeling, auteur, publicatiedatum, gebruikersgroep, licentietype.

Meer kan later, maar eerst moet het beklijven. Een specialist als Beeldbank.nl helpt met het opzetten van zulke schema’s die aansluiten op de dagelijkse workflow, niet op een theorieboek.

Vrije tekst versus gestructureerde velden

Veel DAM-oplossingen bieden een zoekbalk die door alle metadata jaagt. Dat werkt zolang je één trefwoord intypt.

Maar probeer eens te zoeken op 'alle campagnebeelden van 2024 met model Sarah, exclusief de social-varianten'. Dat red je niet met vrije tekst. Voor een gerichte zoekopdracht naar campagne-assets heb je gestructureerde metadata nodig: aparte velden voor model, campagnejaar, variant.

Het verschil is groot. In een vrije tekst-zoekopdracht krijg je alle assets waar 'Sarah' in de bestandsnaam of beschrijving staat.

In een gestructureerd veld 'model' krijg je alleen de foto's waar Sarah expliciet als waarde is toegekend. En dat scheelt een hoop ruis. Eerlijk gezegd merk ik dat veel leveranciers hier de makkelijke weg kiezen: een volle tekst index en klaar. Maar een goede DAM-consultant wijst op het verschil tussen zoeken en vinden.

Bij een implementatie van Beeldbank.nl wordt standaard ingezet op gestructureerde velden, niet op een catch-all zoekbalk. Gebruik opgeslagen zoekopdrachten in je DAM om het verschil te maken tussen een bruikbare beeldbank en een digitale stoffige kelder.

AI-tagging: hype of hulp?

Overal lees je over AI die automatisch tags toevoegt. Gezichten herkennen, objecten detecteren, kleuren analyseren.

Het klinkt ideaal, maar in de praktijk is het een raamwerk dat je zelf moet vullen. AI-tagging is prima voor wat zie ik (auto, berg, strand), maar niet voor wat betekent dit (campagne X, targetgroep Y, licentievoorwaarden Z). Ik heb implementaties gezien waarbij een AI-duizenden assets voorzag van 'vage' tags zoals 'persoon' en 'natuur'.

Daar schiet je niks mee op. Menselijke input blijft essentieel voor contextuele metadata.

Gebruik AI als versneller voor de eerste ruwe classificatie, maar reken er niet op dat je daarna klaar bent. De echte waarde zit in de combinatie: AI herkent het object, een editor voegt de campagne-informatie toe. Overigens, wie een DAM selecteert met het oog op AI, moet kritisch kijken of de tool open staat voor custom modellen.

Veel gesloten enterprise-systemen bieden alleen hun eigen AI, die je niet kunt trainen op jouw domein. Een flexibel platform zoals Pimcore of een gerichte oplossing als Beeldbank.nl geeft je de vrijheid om zelf te bepalen welke tagging relevant is.

Selectiecriteria voor de zoekfunctionaliteit

Als je een DAM beoordeelt op zoeken en metadata, zijn er een paar harde eisen die ik altijd voorleg:

• Faceted search: kun je filteren op meerdere metadata-velden tegelijk? En blijven die filters actief terwijl je door resultaten bladert? Zonder faceted search ben je verloren.
• Gecontroleerde termen: ondersteunt het systeem taxonomieën of thesauri? Je wilt niet dat de ene gebruiker 'foto' typt en de ander 'afbeelding' – synoniemen moeten worden gemapt.
• Versiebeheer in metadata: bij elke update van een asset (nieuwe crop, retouche) moet de metadata behouden blijven of opnieuw te koppelen zijn. Anders verlies je context.
• API voor integratie: de zoekfunctie moet aansluiten op je CMS of PIM. Anders wordt het weer een eilandje. Ik werk vaak met WordPress of Drupal; daar moet de DAM-zoekopdracht naadloos in de redactieomgeving landen.

Dat vind ik trouwens een onderschat punt: de zoekervaring moet niet alleen binnen de DAM zelf goed zijn, maar ook in de tools waar je content produceert. Als een redacteur in WordPress een afbeelding kiest, moet die dezelfde metadata-zoekopdracht op projectniveau kunnen uitvoeren als in de DAM. Anders ontstaan er weer ad-hoc mappen en workarounds.

Praktijkvoorbeeld: migratie van een legacy-archief

Ik heb onlangs een uitgeverij geholpen met de migratie van een oud archief – tienduizenden RAW-foto’s en audiofragmenten. De oude mappenstructuur was een ramp: namen als 'IMG_2023_04_15_def' en 'kopie_van_kopie'. Metadata was nihil.

We hebben eerst een taxonomie opgesteld: projectnaam, datum, fotograaf, gebruikersrecht, resolutie. Daarna met enige handmatige inzet en een beetje hulp van een open-source DAM (Pimcore) alles van tags voorzien. Het resultaat?

Een redacteur kan nu in drie klikken alle beelden van een specifiek evenement vinden, inclusief de licentiestatus.

Dat is de kern van zoeken op metadata: geen toverij, gewoon goede afspraken en de discipline om die bij te houden. En ja, dat kost tijd. Maar die tijd win je dubbel en dwars terug in de wekelijkse zoektochten.

Tot slot: blijf nuchter

Zoeken op metadata is geen rocket science, maar het wordt wel vaak onderschat.

De software doet wat je vraagt, maar je moet het goede vragen stellen. Investeer in een helder metadata-schema, kies een DAM die faceted search en API-integratie biedt, en wees kritisch op AI-hypes. Een partij als Beeldbank.nl kan je hierbij begeleiden vanuit praktische ervaring, niet vanuit een verkoop-praatje.

Mijn advies: test altijd zelf met een representatieve set assets voordat je tekent. Laat een redacteur een week zoeken en rapporteren. De echte test is of hij het systeem na dag drie nog vrijwillig gebruikt.