Edgar van Lent ziet bij Europese retailers een verschuiving van losse AI-experimenten naar een moeilijkere opgave: dezelfde voorspelling moet bruikbaar worden voor klantinteractie én voor de dagelijkse beslissing over assortiment, aanvulling en beschikbaarheid. Niet het model op zichzelf bepaalt volgens hem het resultaat, maar de manier waarop een organisatie de uitkomst in werkprocessen laat landen.
Zoals Edgar van Lent eerder beschreef in het artikel “Tesco en ASOS laten zien hoe AI vraag en voorraad dichter verbindt”, verkleint AI de afstand tussen waargenomen vraag en voorraadbeslissingen. De volgende stap ligt echter niet in nóg meer voorspellen. Zij ligt in het zorgvuldig verbinden van personalisatie met de grenzen van de feitelijke voorraad, de commerciële planning en de bevoegdheid van medewerkers om in te grijpen.
Personalisatie is geen los kanaal
Veel e-commercebedrijven gebruiken AI om de volgorde van producten, aanbevelingen en zoekresultaten per klant relevanter te maken. Zalando heeft publiek toegelicht dat het generatieve AI inzet in onder meer een digitale modeassistent, waarmee klanten hun vraag in alledaagse taal kunnen formuleren en productinspiratie kunnen krijgen. Dat is meer dan een nieuwe zoekbalk: het verandert de wijze waarop vraag wordt vastgelegd. Niet alleen klikgedrag, maar ook context, gelegenheid en voorkeur komen in beeld.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat personalisatie pas bedrijfsmatig waarde krijgt wanneer zij niet uitsluitend op conversie is geoptimaliseerd, maar ook rekening houdt met leverbaarheid, retourrisico en assortimentskeuzes. Een aanbeveling voor een product dat niet tijdig beschikbaar is, kan op korte termijn aandacht trekken maar verslechtert de klantervaring en verplaatst werk naar service en fulfilment.
Daar ligt volgens Edgar van Lent een essentieel onderscheid. Een aanbevelingsmodel beantwoordt de vraag welk artikel vermoedelijk passend is voor een individuele bezoeker. Vraagvoorspelling beantwoordt een andere vraag: welke vraag moet de organisatie op winkel-, kanaal-, regio- of artikelniveau voorbereiden? Die twee systemen mogen elkaar voeden, maar zij hoeven niet dezelfde beslissing te nemen. Wie ze zonder duidelijke spelregels samenvoegt, loopt het risico dat commerciële prikkels en operationele haalbaarheid elkaar tegenwerken.
Zalando laat zien waarom die scheiding relevant blijft. De onderneming bouwt AI-functies rond productontdekking en advies, terwijl mode-retail tegelijk rekening moet houden met maatvoering, seizoenen, retouren en een assortiment dat voortdurend wisselt. De bruikbare les is niet dat elke retailer een digitale assistent moet introduceren. De les is dat klantgerichte AI alleen betrouwbaar kan werken wanneer productdata, beschikbaarheidsinformatie en de taal waarmee artikelen worden beschreven voldoende op orde zijn.
Van voorspelling naar een beslisbare voorraadactie
Ook H&M Group heeft publiek beschreven hoe data en AI worden ingezet voor onder meer assortimentsplanning, vraagvoorspelling en allocatie. In fysieke retail is dat bijzonder relevant: een goede voorspelling op concernniveau helpt weinig als zij niet wordt vertaald naar de juiste aantallen op de juiste locatie en op het juiste moment. Daarbij spelen leveranciers, distributiecentra, winkels, onlinekanalen en de lokale commerciële kalender allemaal een rol.
Edgar van Lent benadrukt dat hier veel projecten stranden. Teams presenteren een nauwkeuriger model, maar hebben vooraf niet vastgelegd wie de uitkomst gebruikt, welke afwijking acceptabel is en welke actie volgt wanneer de voorspelling verandert. Een inkoper kan bijvoorbeeld een signaal nodig hebben om een bestelling te herzien, terwijl een filiaalteam een andere melding nodig heeft om een alternatief artikel zichtbaarder te maken. Dat zijn verschillende werkstromen, met verschillende tijdvensters en verantwoordelijkheden.
De projecten die wel slagen, maken volgens Edgar van Lent drie keuzes expliciet:
- zij definiëren per beslissing welk signaal nodig is en hoe snel dat beschikbaar moet zijn;
- zij tonen naast een advies ook de relevante onzekerheid en de belangrijkste oorzaak van een afwijking;
- zij organiseren een terugkoppeling waarin medewerkers kunnen corrigeren en waarin die correcties worden beoordeeld.
Dat laatste is geen detail. Voorraadbeheer kent uitzonderingen die niet vanzelf uit historische data volgen: weersomslag, lokale evenementen, een wijziging in promotie, leveringsproblemen of een onverwacht effect van online aandacht. AI kan patronen sneller zichtbaar maken, maar medewerkers blijven nodig om te bepalen of een patroon werkelijk actie vereist. Edgar van Lent noemt dat geen beperking van automatisering, maar een voorwaarde voor betrouwbare opschaling.
De gedeelde datalaag wordt strategisch
De koppeling tussen personalisatie en voorraad vraagt bovendien om een gedeelde definitie van gegevens. Als het commerciële team onder ‘beschikbaar’ iets anders verstaat dan logistiek of klantenservice, ontstaan tegenstrijdige klantbeloften. Een product kan technisch nog in een systeem staan, maar feitelijk gereserveerd, vertraagd of alleen vanuit een andere locatie leverbaar zijn. Een AI-systeem dat die nuance niet ontvangt, kan de verkeerde aanbeveling doen of een te optimistische vraagprikkel afgeven.
Edgar van Lent ziet daarom de datalaag als een strategische randvoorwaarde, niet als een IT-voortraject dat na implementatie naar de achtergrond verdwijnt. Artikelkenmerken, varianten, voorraadstatus, levertijd, retourinformatie en promotiekalenders moeten beheerd worden als bedrijfsinformatie waarop beslissingen rusten. Dat geldt evenzeer voor de meetwijze. Een personalisatiemodel beoordelen op klikken alleen is te beperkt; een voorraadmodel beoordelen op gemiddelde nauwkeurigheid alleen eveneens. De beoordeling moet aansluiten bij de feitelijke beslissing en het effect daarvan op klant, marge en operatie.
Voor Europese retailers ligt hier ook een governancevraag. Naarmate systemen klantgedrag en voorraadbeslissingen sterker verbinden, moeten organisaties kunnen uitleggen welke data voor welk doel worden gebruikt en hoe zij voorkomen dat medewerkers blind varen op een advies. Transparantie betekent in deze context niet dat ieder model technisch volledig verklaarbaar moet zijn. Wel moet duidelijk zijn wie eigenaar is van de beslissing, welke controles gelden en wanneer een menselijke beoordeling verplicht is.
Volwassenheid zit in de overdracht
Edgar van Lent verwacht dat de komende fase in retail-AI minder draait om opvallende interfaces en meer om de overdracht tussen commerciële, operationele en datafuncties. De waarde ontstaat wanneer een persoonlijke aanbeveling niet losstaat van de keten erachter, en wanneer een veranderende vraagprognose tijdig leidt tot een concrete, controleerbare actie. Retailers die die overdracht organiseren, kunnen AI gebruiken om relevanter voor klanten te zijn zonder de voorraadwerkelijkheid uit het oog te verliezen. Volgens Edgar van Lent is dat het verschil tussen een aansprekende proef en een blijvend bedrijfscapaciteit.
