Wat zegt het koperspotentieel van jouw domeinnaam?
Het koperspotentieel geeft aan hoe sterk de kenmerken van een domeinnaam passen bij verkochte namen, vergeleken met langdurig aangeboden namen. Het meet geen daadwerkelijke kopersinteresse of verkoopkans. We tonen de uitkomst als classificatie van Laag tot Zeer sterk. Denk aan een naam die een bedrijf kan gebruiken voor een merk, webshop, product of dienst.
Laag: 0–10; Beperkt: >10–20; Redelijk: >20–50; Goed: >50–70; Sterk: >70–<80; Zeer sterk: ≥80–100. De indeling gebruikt de ongeronde score. Binnen elke classificatie sorteert de lijst op het oorspronkelijke cijfer; dat cijfer blijft in de score-uitleg en CSV-export beschikbaar. De grenzen zijn een presentatiekeuze, geen prijs- of verkoopkanscategorieën.
Hoe zijn de scorecategorieën bepaald?
De grenzen zijn op 2 november 2026 opnieuw afgestemd op de verkoopherkenning van het huidige model. Hiervoor gebruiken we de toetsvoorspellingen voor 1.679 verkochte namen en 20.000 lang aangeboden namen. Iedere naam is voorspeld door een model dat niet op die naam of zijn naamfamilie is getraind. De onderstaande percentages beschrijven de samenstelling van deze referentieset, geen kans op een toekomstige verkoop.
| Categorie | Namen | Verkochte voorbeelden | Aandeel |
|---|---|---|---|
| Laag | 17960 | 450 | 2,5% |
| Beperkt | 1661 | 258 | 15,5% |
| Redelijk | 1313 | 451 | 34,3% |
| Goed | 423 | 249 | 58,9% |
| Sterk | 150 | 115 | 76,7% |
| Zeer sterk | 172 | 156 | 90,7% |
We bepalen eerst een stijgend verband tussen de modelscore en het aandeel verkochte voorbeelden. De grenzen volgen referentieniveaus van 10%, 25%, 50%, 75% en 90% en zijn afgerond op vijf scorepunten. De referentieset is ook gebruikt om de grenzen te kiezen; dit is een verkennende indeling, geen onafhankelijke kalibratietoets. De bovenste categorieën bevatten minder voorbeelden. Een lang aangeboden naam is geen bewezen onverkoopbare naam.
De numerieke scores, modelbestanden en trainingslabels zijn niet veranderd. De indeling en minimumfilters gebruiken overal dezelfde grenzen. De afzonderlijke herregistratiekansen en hun kansbuckets blijven gelijk.
Het model combineert eigenschappen van de naam met zoekvraag, een inschatting van mogelijke zakelijke toepassingen en beschikbare historische domeinwaarnemingen. Het heeft geleerd om verkochte domeinnamen te onderscheiden van namen die nog worden aangeboden en waarvan het aanbiedingsrecord minstens een jaar oud is.
Een hogere score betekent dat het model meer overeenkomsten herkent met de verkochte namen in de trainingsgegevens. Daarmee kun je een lijst ordenen en gericht kiezen welke domeinen je nader wilt bekijken. Klik op een score om te zien welke kenmerken de beoordeling verhogen of verlagen.
De uiteindelijke verkoopprijs hangt af van de betekenis van de naam voor een specifieke koper en van de onderhandeling.
Waar kijkt het model naar?
- Naam en taal: onder meer lengte, cijfers, streepjes, herkenbare woorden en Nederlandse woord- en letterpatronen.
- Spelling: herkenbare Nederlandse woorden en gelijkenis met een gangbaarder woord bij één letterverschil, ontbrekende of extra letter of verwisseling. Het model weegt dit samen met de overige kenmerken; een onbekende naam is niet automatisch een spelfout.
- Zoekvraag: Google Ads-gegevens over zoekvolume, advertentieconcurrentie, kosten per klik en biedingen voor de zoekterm.
- Commerciële interesse: een AI-beoordeling via Jev van de potentiële belangstelling van meerdere commerciële kopers.
- Vergelijkbare domeinen: DNS van dezelfde naam onder .com en .be, als aanvullend kenmerk.
- Historische domeinwaarnemingen: Common Crawl-waarnemingen: gevonden, eerste en laatste waarneming, tijdspanne en aantal waargenomen jaren. Een ontbrekend antwoord blijft onbekend.
- Backlinksterkte: Ahrefs Domain Rating. Een hoge waarde bewijst geen relevante of spamvrije links.
Naamwaarde en bestaand verkeer
De beoordeling richt zich op de commerciële aantrekkelijkheid van de domeinnaam voor zakelijk gebruik. Het model weegt Ahrefs DR als indicatie van backlinksterkte en historische Common Crawl-waarnemingen mee. Dit meet geen bestaande bezoekers of zoekposities en bewijst geen brede kopersmarkt. Moz telt niet mee.
Voor handelaren die een domein kopen vanwege bestaand verkeer — bezoekers die nog komen via oude links, zoekresultaten of eerder gebruik — is aanvullend onderzoek nodig naar de herkomst en kwaliteit van dat verkeer. Het getoonde zoekvolume gaat over zoekopdrachten naar de bijbehorende term, niet over bezoekers van het domein.
Waarom krijgt een naam deze score?
Klik op een score voor koperspotentieel om te zien welke kenmerken die beoordeling omhoog of omlaag trekken. De uitleg gebruikt de oorspronkelijke invoer van die beoordeling en de bijdragen die het XGBoost-model daarvoor berekent. We groeperen deze in naam en taal, spelling, zoekvraag en advertentiemarkt, potentiële commerciële kopers, vergelijkbare domeinen, historische domeinwaarnemingen en backlinksterkte.
De uitleg wordt rechtstreeks uit het model berekend met TreeSHAP. Er wordt geen aanvullende AI-tekst gegenereerd en er zijn geen nieuwe gegevensaanvragen nodig. De balken tonen de relatieve netto invloed binnen de beoordeling, ten opzichte van het uitgangssignaal van het model. Bij eerdere beoordelingen waarvoor de oorspronkelijke invoer niet is vastgelegd, kun je de naam opnieuw beoordelen om een score met uitleg te krijgen.
Hoe komt een verkoopprijs tot stand?
De prijs van een domeinnaam hangt sterk samen met de waarde die deze voor een specifieke koper heeft. Een naam die precies past bij een product, dienst of merk kan voor dat bedrijf veel meer betekenen dan voor een andere koper. Dit sluit aan bij value-based pricing: de waarde voor de koper vormt het uitgangspunt voor de prijsstelling.
Wat partijen uiteindelijk overeenkomen, hangt ook af van het beschikbare budget van de koper, de waarde die de verkoper aan het domein hecht, diens vraagprijs en de onderhandelingspositie van beide partijen. Dezelfde naam kan daardoor bij verschillende kopers en op verschillende momenten een andere prijs opleveren. De score ondersteunt de selectie van commercieel interessante namen; de verkoopprijs ontstaat in de context van een concrete koper en verkoper.
Technische verdieping: model, trainingsgegevens en validatie
De score voor koperspotentieel wordt één keer berekend zonder Wayback. De optionele websitehistorie wordt afzonderlijk opgehaald en verandert de score voor koperspotentieel niet.
We gebruiken XGBoost: een model dat de uitkomsten van meerdere beslisbomen combineert. Het huidige model gebruikt 73 invoerkenmerken en is getraind op 21.679 domeinen: 1.679 namen met een bevestigde verkoopprijs als positieve voorbeelden en 20.000 nog aangeboden namen van Nameshift als negatieve voorbeelden. De spelling- en taalkenmerken worden lokaal berekend met vaste Nederlandse woordenlijsten en woordfrequenties. Ahrefs DR, vijf Common Crawl-kenmerken en kenmerken voor Nederlandse woorddeling en niet-herkende naamdelen tellen mee. De bestaande score voor koperspotentieel is geen invoerkenmerk. Handmatige commerciële beoordelingen en herregistratie-uitkomsten worden niet als trainingsdoelen gebruikt. Verkoopprijzen, vraagprijzen, verkopers en plaatsingsdatums zijn geen invoerkenmerken; duurdere verkopen krijgen geen extra trainingsgewicht. De aanvullende woorddeling combineert Nederlandse en Engelse woorden. Naast de exacte domeintekst meten we een herkenbare woordcombinatie in Google Ads: zoekvolume, klikprijs, concurrentie en biedingen. Beide metingen tellen apart mee. Onzekere namen worden niet geforceerd herschreven; bij dezelfde zoekterm hergebruiken we de bestaande meting.
De 26 naamkenmerken herkennen geografische namen en persoonsnamen: straat, buurt of wijk, woonplaats, gemeente, regio en land, beschikbare inwonertallen, voornamen, achternamen en naamcombinaties. De langste passende geografische naam krijgt voorrang. Meerdere mogelijke plaatsen en overlap met gewone woorden blijven zichtbaar als onzekerheid. Een woonplaats wordt niet zonder bewijs als stad of dorp aangeduid. De herkenning gebeurt lokaal met afgeleide gegevens van GeoNames (CC BY 4.0), CBS en Kadaster via PDOK (CC BY 4.0), Unicode CLDR en Statbel. Persoonsnaamfrequenties zijn gepubliceerde Belgische ondergrenzen, geen Nederlandse bevolkingsfrequenties. Een match identificeert geen persoon of domeinhouder en sluit een naam niet automatisch uit.
De negatieve voorbeelden zijn gespreid over oudere Nameshift-records en verschillende publieke verkoperslabels. De aanmaakdatum van het record is afgeleid uit het interne id. Een record van minstens een jaar oud bewijst geen onafgebroken verkoopaanbod. Lang aangeboden zijn is een vergelijkingssignaal en bewijst geen waardeloosheid of onverkoopbaarheid.
Als Google Ads geen gemiddelde klikprijs (CPC) levert, behandelen we die als onbekend. Een gemeten klikprijs van nul blijft nul. Dit onderscheid geldt ook voor de trainingsgegevens en de score-uitleg.
De positieve voorbeelden komen uit gerapporteerde verkopen van DNJournal en bevestigde Nameshift-verkopen. Een verkoop bewijst belangstelling van een koper, geen brede kopersmarkt. Geen .be-DNS bewijst niet dat die naam ongeregistreerd is.
Voor .com- en .be-DNS onderscheidt het model drie categorieën: records gevonden, geen records gevonden en onbekend. Een onbekende meting is geen bewijs voor aanwezigheid of afwezigheid. In de training krijgt iedere naam ook varianten met afgeschermde .com-DNS, .be-DNS en beide. Die varianten delen samen hetzelfde totale gewicht; ze worden pas na de splitsing in trainings- en controlegroepen gemaakt.
De training gebruikt één variant zonder Wayback-kenmerken. Iedere naam houdt hetzelfde totale gewicht. De app gebruikt een vaste modelversie; nieuwe aanvragen trainen het model niet automatisch bij.
De trainingslabels onderscheiden waargenomen verkopen van nog aangeboden voorraad. Het model leert overeenkomsten met deze groepen; het meet geen intrinsieke waarde en voorspelt geen verkoop binnen een vastgestelde termijn. Een negatief voorbeeld is geen bewezen verkoopwaarde van nul euro.
We schalen de modeluitkomst naar 0 tot 100 om commercieel potentieel te rangschikken. De score is een rangschikkingsmaat, geen gekalibreerd verkooppercentage.
Hoe goed rangschikt het model?
We toetsen het model in vijf groepen op dezelfde 21.679 domeinen. Iedere naam wordt voorspeld door een model dat niet op die naam, zijn naamfamilie of direct verwante namen is getraind. Alle 73 kenmerken en modelinstellingen blijven gelijk. De onderstaande uitkomsten komen uit deze toetsvoorspellingen, niet uit voorspellingen op de eigen trainingsnamen.
| Maatstaf | Huidig verkoopmodel (73 kenmerken) |
|---|---|
| PR-AUC | 0,5398 |
| ROC-AUC | 0,8936 |
PR-AUC (Average Precision) beschrijft de verhouding tussen precision en recall over scoregrenzen. Precision is het aandeel positief gelabelde namen in een selectie; recall is het teruggevonden aandeel van alle positieve voorbeelden. ROC-AUC beschrijft hoe goed positieve voorbeelden boven negatieve worden gerangschikt: 0,5 past bij toeval, 1 bij perfecte scheiding.
Bij selectie van de hoogste 10% van de scores blijven 993 van de 1.679 verkoopnamen behouden (59,1%). De positieve voorbeelden vormen 7,74% van de toetsset; dit aandeel beïnvloedt PR-AUC. Het productiemodel is daarna op alle 21.679 trainingsnamen getraind, met hetzelfde totale gewicht per naam. Wayback wordt niet gebruikt.
Dit is retrospectief onderzoek met eerder bekeken verkopen en een gespreide steekproef van oudere aanbiedingsrecords, geen nieuwe onafhankelijke praktijktest of gemeten verkoopkans. De bronnen en jaren verschillen; kenmerken zijn achteraf gemeten. De uitkomst bewijst niet hoe goed het model toekomstige verkopen bij andere verkopers voorspelt.
Definities: Average Precision en ROC-AUC.
Ahrefs DR wordt bij een nieuwe score via de bestaande gedeelde werker opgehaald of uit de cache hergebruikt. Bij een storing blijft de invoer onbekend; een geldige DR van 0 blijft 0. Het model is ook getraind met afgeschermde DR-waarden. Common Crawl wordt lokaal opgezocht in de volledige historische .nl-index van Common Crawl Domain Names 1.0.0, met waarnemingen tot 25 juni 2025. Ouderdom en recentheid gebruiken de vaste peildatum 31 oktober 2026. De jaartelling bestrijkt 2012–2025, met een onvolledig laatste jaar. Niet gevonden in deze bron is geen bewijs dat er nooit een website was. Nieuwe domeinen kunnen direct uit dezelfde index worden opgezocht; hiervoor is geen externe aanvraag nodig.
TreeSHAP verdeelt de interne uitkomst over de gebruikte kenmerken; hun bijdragen en het uitgangssignaal tellen samen op tot de log-odds. De sigmoid-omzetting daarvan, maal 100, levert de score voor koperspotentieel. Dit zijn bijdragen aan een modelbeoordeling, geen los optelbare scorepunten of bewijs dat het aanpassen van één kenmerk hetzelfde effect zal hebben. In nieuwe deellinks wordt ook de beschikbare uitleg vastgelegd, zodat die bij het gedeelde resultaat blijft horen.
Bij ontbrekende verplichte Google Ads- of Jev-gegevens kan geen score worden berekend. Onbekende DNS wordt als eigen categorie verwerkt; ontbrekende biedingsgegevens blijven ontbrekend. Verouderde of later gewijzigde gegevens kunnen invloed hebben op de uitkomst.