Door Laas NuryVoor een groothandel of distributeur zit de voorspelling achter bijna elk getal dat ertoe doet: hoeveel voorraad je aanhoudt, hoe vaak je nee moet verkopen, hoeveel je afschrijft, hoeveel geld er in het magazijn vastzit. De meeste bedrijven voorspellen nog met een spreadsheet, een voortschrijdend gemiddelde in het ERP en de ervaring van de inkoper. Dat werkt, tot het assortiment groeit, de acties zich opstapelen en de ervaren inkoper met pensioen gaat.
Vraagvoorspelling met AI kan beter, maar alleen op de juiste artikelen en met de juiste data. In dit artikel lees je hoe het werkt, welke data nodig zijn, hoe je meet of het echt beter is dan wat je nu doet en hoe een betere voorspelling leidt tot betere inkoop.
Hoe het werkt
Een klassieke voorspelling kijkt naar de historie van één artikel en trekt het patroon door: de verkoop van vorig jaar, een voortschrijdend gemiddelde, een seizoensfactor. Een AI-voorspelling leert van alle artikelen tegelijk en voegt de factoren toe die de vraag bepalen:
- Historie: verkoop of orders per artikel, per locatie, per klantgroep.
- Kalender: seizoenen, feestdagen, schoolvakanties, betaaldagen, de dag van de week.
- Je eigen acties: promoties, prijswijzigingen, nieuwe listings bij klanten.
- Externe factoren waar ze tellen: het weer bij seizoensproducten, bekende evenementen, marktindicatoren.
Omdat het model over artikelen heen leert, kan het ook artikelen met een korte historie voorspellen door patronen van vergelijkbare artikelen te gebruiken. In de grote M5-voorspelwedstrijd op verkoopdata uit de retail presteerden machine-learningmethoden die over veel artikelen tegelijk leren beter dan de klassieke statistische maatstaven. Dat sluit aan bij wat je in de praktijk ziet: de winst is het grootst waar veel artikelen en veel factoren zijn.
Welke data je nodig hebt
| Data | Waarom het telt | Minimaal |
|---|---|---|
| Verkoop- of orderhistorie | De basis van elke voorspelling | Twee jaar, per artikel en bij voorkeur per locatie |
| Momenten van uitverkocht | Zonder deze gegevens leert het model dat geen voorraad geen vraag betekent | Vastgelegd wanneer artikelen niet beschikbaar waren |
| Acties en prijswijzigingen | Ze verklaren de pieken die het model anders als ruis ziet | Data en diepte van elke actie |
| Levertijden en bestelhoeveelheden | Nodig om van een voorspelling een inkoopvoorstel te maken | Per leverancier en artikel |
| Artikelkenmerken | Laten het model leren over vergelijkbare artikelen heen | Groep, merk, verpakking, seizoen |
Perfecte data heb je niet nodig om te beginnen. Je moet wel weten waar ze niet klopt, vooral bij de momenten van uitverkocht: die zijn de meest voorkomende reden dat een voorspelling de vraag structureel onderschat.
Meten of het beter is
Een nieuwe voorspelling is het alleen waard als ze de huidige verslaat op jouw data. Meet beide op dezelfde manier, over een periode die het model niet heeft gezien:
- Nauwkeurigheid per artikelgroep, bijvoorbeeld met de gewogen absolute procentuele fout (WAPE): hoe ver de voorspelling ernaast zat, gewogen naar volume.
- Bias: voorspelt het structureel te hoog of te laag? Een kleine maar constante afwijking kost meer dan een grotere willekeurige fout.
- Toegevoegde waarde per stap: hoeveel verbetert elke stap de voorspelling, ook de handmatige correcties van de inkoper? Soms maken die het juist slechter.
- Het bedrijfsresultaat: beschikbaarheid, voorraadniveau en afschrijvingen in een testperiode, niet alleen de foutcijfers.
Splits de resultaten naar type artikel. Snellopers met een stabiele vraag verbeteren het meest; langzame lopers en nieuwe artikelen blijven voor elke methode lastig. Dat is normaal, en het laat zien waar de aandacht van de inkoper naartoe moet.
Van voorspelling naar inkoop
Een voorspelling alleen verandert niets. De waarde zit in wat ze in gang zet:
- De voorspelling per artikel en locatie, dagelijks of wekelijks bijgewerkt.
- Veiligheidsvoorraad op basis van hoe onzeker die voorspelling is, in plaats van een vast aantal dagen voor alles.
- Inkoopvoorstellen die rekening houden met levertijden, minimale bestelhoeveelheden en leveranciersafspraken.
- De inkoper beslist: keurt goed, past aan of wijst af, met de redenen achter elk voorstel in beeld.
- Uitzonderingen eerst: de artikelen waar de voorspelling onzeker is, de vraag verandert of een leverancier te laat is, staan bovenaan de lijst.
In de meeste bedrijven verschuift het werk van de inkoper van rekenen naar beoordelen: minder tijd voor de artikelen die zich normaal gedragen, meer voor de artikelen die dat niet doen.
Zo begin je
- Kies één productgroep of één magazijn met genoeg volume en historie.
- Verzamel de data uit de tabel hierboven, en markeer de momenten van uitverkocht.
- Bouw de voorspelling naast het huidige proces en vergelijk over een periode die het model niet heeft gezien.
- Laat het een paar weken meedraaien: de inkopers werken zoals altijd en zien de voorstellen ernaast.
- Zet de productgroep om als de cijfers beter zijn, en breid daarna uit.
Kijk eerst of de ingebouwde voorspelfunctie van je ERP al genoeg doet voor jouw assortiment; veel systemen hebben er een. Draai je op SAP of Dynamics 365, dan legt AI bovenop SAP en Microsoft Dynamics uit hoe een voorspelling naast het ERP daarop aansluit. En met de AI-scan check je of de data er is voordat je begint.
