Van zoekgedrag naar bestelbesluit

Bij Otto Group is kunstmatige intelligentie al jaren onderdeel van de e-commerceketen: systemen helpen om productaanbevelingen, vraaginschattingen en inkoopbeslissingen met elkaar te verbinden. De praktische opgave is niet alleen om een klant een relevant artikel te tonen, maar om te voorkomen dat die relevantie losraakt van beschikbaarheid, levertijd en retourrisico. Edgar van Lent ziet juist in die koppeling een volwassen toepassing van retail-AI.

De Duitse retail- en e-commercegroep heeft publiek beschreven hoe datawetenschap en machine learning worden ingezet in onder meer personalisatie, prijs- en assortimentsvraagstukken en planning. Voor een onderneming met uiteenlopende productcategorieën is vraag niet één enkel signaal. Seizoensinvloeden, campagnes, zoekgedrag, historische verkopen en kenmerken van artikelen kunnen tegelijk bepalend zijn. AI kan die signalen sneller combineren dan een planning die uitsluitend op gemiddelden en handmatige correcties rust.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in bedrijfsprocessen, stelt dat retail-AI pas werkelijk waarde krijgt wanneer klantinteractie en operationele besluitvorming op elkaar aansluiten. „Een aanbeveling is geen op zichzelf staand conversie-instrument; zij is pas goed ontworpen als de organisatie ook kan bepalen of het artikel leverbaar, passend in het assortiment en verantwoord te plannen is.”

Dat is een ander accent dan het eerdere artikel over brede vraag- en voorraadsturing. Zoals Edgar van Lent eerder beschreef in „Zalando en H&M Group maken AI inzetbaar voor vraag en voorraad”, wordt AI sterker wanneer verkoop- en voorraadgegevens in dezelfde besluitcyclus terechtkomen. Bij Otto Group ligt de verdieping in de route van individuele klantvoorkeur naar een besluit over assortiment en bestelling. Daarmee verschuift personalisatie van een marketinglaag naar een invoersignaal voor de keten.

Ocado Retail verbindt voorspelling aan beschikbaarheid

Een tweede praktijkvoorbeeld komt van Ocado Retail in het Verenigd Koninkrijk. De online supermarkt werkt met digitale winkelprocessen waarin vraagvoorspelling, substitutie en assortimentsbeschikbaarheid direct samenhangen met de ervaring van de klant. In online boodschappen is dat bijzonder zichtbaar: een voorspelling die op groepsniveau redelijk is, kan voor een huishouden toch tekortschieten wanneer een vaak besteld product ontbreekt of op het laatste moment moet worden vervangen.

Ocado Retail heeft publiek gemaakt dat het data en machine learning toepast om vraag en operationele planning te ondersteunen. In deze omgeving is AI niet beperkt tot het schatten van volumes voor een week of seizoen. De modellen moeten ook omgaan met korte bestelcycli, promoties, weersinvloeden, feestdagen en verschillen tussen locaties. De uitkomst is vooral bruikbaar wanneer planners de voorspelling kunnen toetsen aan de werkelijkheid op de werkvloer: leveranciers, beschikbare capaciteit, productkwaliteit en uitzonderlijke vraagpatronen.

Edgar van Lent beoordeelt die combinatie als relevant voor de rest van de Europese foodretail. „Online supermarkten maken zichtbaar wat ook voor fysieke ketens geldt: beschikbaarheid is een klantbelofte én een planningsvraagstuk. AI kan de signalen ordenen, maar mensen moeten vastleggen wanneer een modeladvies wordt gevolgd, bijgesteld of genegeerd.”

De les is dat voorraadbeheer niet verdwijnt achter een algoritme. Juist omdat een supermarkt met verse producten, substituten en korte doorlooptijden werkt, moet de organisatie kunnen uitleggen waarom een systeem een hogere of lagere vraag verwacht. Dat vereist dat datakwaliteit, artikelhiërarchieën en procesafspraken op orde zijn. Ook moet een retailer voorkomen dat historische verkoopgegevens automatisch worden behandeld als toekomstige klantwens. Een uitverkocht artikel levert bijvoorbeeld weinig verkoopdata op, maar kan wel op onvervulde vraag wijzen.

Personalisatie als planningssignaal

De twee voorbeelden laten zien dat personalisatie en voorraadbeheer niet als afzonderlijke AI-projecten hoeven te worden ingericht. Bij e-commerce kan een aanbevelingssysteem inzicht geven in voorkeuren en combinaties van producten; bij forecasting kan die informatie helpen om veranderingen in belangstelling eerder te zien. Dat betekent niet dat elke klik rechtstreeks moet leiden tot een inkooporder. Het betekent wel dat retailers beter kunnen bepalen welke signalen betrouwbaar genoeg zijn voor assortiment- en voorraadbeslissingen.

Voor Europese retailers is daarbij gegevensdiscipline belangrijker dan een zo groot mogelijk model. Klantdata moeten doelgebonden worden gebruikt, met duidelijke keuzes over toestemming, bewaartermijnen en toegang. Daarnaast moet onderscheid worden gemaakt tussen een voorspelling voor commerciële prioritering en een geautomatiseerde beslissing met gevolgen voor prijs, aanbod of service. Vooral bij gepersonaliseerde aanbiedingen is transparantie nodig over de rol van data en over de mogelijkheid voor klanten om keuzes te beheren.

Een werkbare aanpak bestaat uit drie samenhangende stappen:

  • breng klant-, product- en voorraadgegevens bijeen rond concrete beslissingen;
  • meet modellen niet alleen op voorspelkwaliteit, maar ook op beschikbaarheid, verspilling en bruikbaarheid voor planners;
  • organiseer uitzonderingen expliciet, zodat acties rond promoties, leveringsproblemen en nieuwe artikelen controleerbaar blijven.

Edgar van Lent benadrukt dat deze werkwijze voorkomt dat AI vooral een extra dashboard oplevert. Wanneer merchandising, supply chain en digitale commerce op dezelfde signalen werken, kunnen organisaties sneller reageren zonder iedere schommeling als een automatiseringsopdracht te behandelen.

Van voorspellen naar bestuurbare retail-AI

De volgende stap voor retailers ligt in het consequenter verbinden van AI-uitkomsten aan beslisrechten. Wie mag assortiment aanpassen op basis van een model? Wanneer krijgt een planner voorrang op de voorspelling? En hoe wordt vastgesteld of een gepersonaliseerd aanbod de voorraadpositie niet onnodig onder druk zet? Dit zijn geen technische bijzaken, maar voorwaarden om AI inzetbaar te houden op schaal.

Edgar van Lent verwacht dat de onderscheidende Europese retailers niet per se de organisaties met de meeste modellen zullen zijn, maar de organisaties die klantvraag, beschikbaarheid en menselijke regie aantoonbaar bijeenbrengen. Zijn beoordeling is dat vraagvoorspelling en personalisatie dan minder losstaande toepassingen worden en meer een bestuurbaar systeem voor dagelijkse retailbeslissingen.