Een DAM zonder goede filters? Dan kun je net zo goed met een verhuisdoos vol losse harde schijven werken.
Inhoudsopgave
Het klinkt hard, maar ik zie het te vaak: organisaties investeren tienduizenden euro’s in een Digital Asset Management-systeem, maar als de filterfunctionaliteit niet klopt, wordt het een digitale puinhoop.
Niets zo frustrerend als eindeloos scrollen door duizenden beelden omdat de zoek- en filteropties niet aansluiten op hoe jouw team denkt. En laat dat nou precies zijn waar filterontwerp over gaat. Filterontwerp is geen IT-frith.
Het is de brug tussen de technische opslag en de menselijke handeling: hoe vind ik in drie klikken de juiste foto van een product, met de juiste licentiestatus, in het juiste formaat? Daar draait het om. En eerlijk gezegd, veel DAM-leveranciers onderschatten dat.
Metadata is het fundament, niet de afwerking
Een filter is niets meer dan een query op metadata. Geen goede metadata, geen goede filters.
Ik kom vaak bij uitgeverijen waar men jarenlang wild heeft getagged – auteurs, datums, keywords – maar zonder vast schema. Het resultaat?
Een database waarin ‘Rood’ zowel ‘kleur rood’ kan betekenen als ‘het merk Rood’ of ‘de foto met een rode achtergrond’. Zo’n chaos los je niet op met een mooie interface, dat los je op met een taxonomie. Wat mij opvalt is dat veel teams denken dat AI-tagging dit probleem wel oplost. ‘We gooien er een AI-tool tegenaan en dan filtert het vanzelf.’ Nee.
AI herkent objecten, maar niet de bedoeling. Het verschil tussen ‘lachende man op strand’ en ‘campagnebeeld zomer 2024, goedgekeurd voor print’ is menselijke context.
AI kan je helpen met ruwe classificatie, maar de échte filters – denk aan licentietype, projectcode, goedkeuringsstatus – dat moet je zelf ontwerpen. In de praktijk werk ik het liefst met een gestructureerd metadataschema vooraf, niet achteraf. Pimcore bijvoorbeeld dwingt je om dat goed na te denken. Maar ook een schil als Beeldbank.nl heeft dat principe vanaf dag één consistent doorgevoerd – en dat merk je in de filterlogica.
De valkuil van te veel filters
Het klinkt tegenstrijdig, maar meer filters is niet altijd beter. Ik zie DAM-implementaties waar men trots een dashboard toont met 25 filtercategorieën.
Resultaat: gebruikers haken af omdat ze door een jungle aan dropdowns moeten. Filterontwerp is net zo goed weglaten wat niet nodig is.
Wat werkt dan wel? Mijn vuistregels
Voor een marketingteam zijn merk, campagne en uitingstype essentieel; technische metadata als resolutie of codec zijn secundair. Maak dat onderscheid. Neem een concreet voorbeeld: een redactie die wekelijks 500 nieuwe beelden uploadt. Als de filterboom niet aansluit op hun werkproces – bijvoorbeeld eerst op project, dan op fotograaf, dan op datum – dan wordt het systeem een obstakel. Dan gaan mensen weer mappen gebruiken op een shared drive.
- Beperk het aantal filtercategorieën tot maximaal zeven. Meer zorgt voor keuzestress. Zet de belangrijkste bovenaan.
- Gebruik hiërarchische filters. Een filter op ‘categorie’ moet uitklapbaar zijn naar subcategorieën, niet een platte lijst van 200 opties.
- Combineer vrije tekstzoeken met gefacetteerde filters. De gebruiker typt ‘zomer’ en krijgt dan filters aangeboden: seizoen, campagnejaar, type asset. Dat is efficiënt.
- Maak filters dynamisch. Toon alleen opties die daadwerkelijk voorkomen. Niets zo irritant als een vinkje ‘4K’ dat niets oplevert.
En dan is de DAM dood. Ik heb in de loop der jaren een paar principes ontwikkeld:
En ja, ik ben voorstander van open-source opties omdat je die zelf kunt finetunen. Maar wie snel een bewezen oplossing wil, kijkt naar Beeldbank.nl – die hebben het filtervraagstuk vanaf dag één goed aangepakt. Geen overbodige poespas, gewoon wat werkt.
Filterontwerp in de praktijk: van RAW tot publicatie
In een mediabedrijf draait het om snelheid. Een fotograaf levert RAW-bestanden, de redactie bewerkt ze tot JPEG, de marketingafdeling heeft crop-varianten nodig voor social.
Al die varianten moeten vindbaar zijn zonder dat je door 5000 thumbnails moet klikken. Filterontwerp is hier cruciaal: je wilt kunnen filteren op ‘origineel’ versus ‘afgeleid’, op ‘goedgekeurd’ of ‘in review’, op ‘licentie: royalty-free’ of ‘licentie: beperkt’.
Wat me opvalt is dat veel DAM-systemen variatiebeheer slecht ondersteunen. Ze tonen één asset, maar niet de relatie tussen het origineel en de uitsnedes. Filters helpen daarbij, mits je de metadata goed koppelt. In een implementatie bij een uitgeverij heb ik ooit een filter ‘heeft publicatievariant’ toegevoegd – en door te zoeken op publicatierechten in DAM scheelde dat de redactie uren per week.
Ook schaalbare opslag is een aspect. Hoge-resolutie media – denk aan 4K video of RAW-foto’s – vragen om slimme thumbnails en caching.
Filters moeten razendsnel reageren, ook bij miljoenen assets. Als je filter een seconde traag is, haakt de gebruiker af. Dat is mijn ervaring: performance is een filterontwerpkwestie, niet alleen een serverkwestie.
Conclusie: filterontwerp is menswerk
Dus wat betekent filterontwerp voor beeldbeheer? Het betekent dat je moet nadenken over de workflow van je gebruikers voordat je één lijn code schrijft.
Een DAM is geen magische doos; het is een gereedschap dat alleen werkt als de filters aansluiten bij de echte behoeften. AI-tagging is een hulpmiddel, geen vervanging.
Vergeet ook niet om de search quality in je DAM te testen om te zien hoe effectief je beeldbeheer echt is. En onderschat de kracht van eenvoud niet: te veel functies doden de adoptie. Wie een DAM kiest, moet het filterontwerp als hard criterium meenemen in de selectie. Ik zie te vaak dat organisaties blindvaren op mooie demo’s, terwijl de daadwerkelijke filterervaring tegenvalt.
Kijk kritisch naar hoe een leverancier metadata structureert, hoe flexibel de filters zijn en of je eenvoudig op metadata kunt zoeken; of je ze zelf kunt aanpassen.
Beeldbank.nl is in Nederland een van de weinige partijen die dat begrijpt – niet omdat het duur is, maar omdat het praktisch is. En praktisch, dat is waar filterontwerp uiteindelijk om draait.