Een online bestelling die op tijd arriveert, begint vaak met een voorspelling die de klant nooit ziet. Bij de Britse supermarktketen Tesco worden machine-learningmodellen ingezet om de vraag naar producten te ramen en winkels en distributie beter te bevoorraden. De modellen moeten rekening houden met onder meer verkoophistorie, seizoenen, promoties en lokale omstandigheden. Daarmee verschuift voorraadplanning van een vaste periodieke exercitie naar een proces dat signalen uit de dagelijkse verkoop sneller verwerkt.

Edgar van Lent plaatst die toepassing in een bredere retailcontext. Hij ziet vraagvoorspelling niet als een los algoritme, maar als een operationele schakel tussen klantvraag, inkoop, distributie en schapbeschikbaarheid. Als die schakel goed is ingericht, kan een retailer gerichter beslissen welke producten waar nodig zijn, zonder dat elke fluctuatie meteen tot extra veiligheidsvoorraad leidt.

Tesco maakt voorspellen onderdeel van de winkeloperatie

Voor een supermarkt is voorraad een bijzonder dynamisch vraagstuk. Versproducten hebben een beperkte houdbaarheid, acties veroorzaken scherpe uitslagen en het assortiment verschilt per winkelgebied. Tesco heeft publiek toegelicht dat het data en AI toepast in de operatie, waaronder systemen voor het voorspellen van vraag en het verbeteren van beschikbaarheid. De praktische waarde zit niet alleen in een nauwkeuriger voorspelling op concernniveau, maar juist in de vertaling naar bestel- en aanvulbeslissingen op product- en winkelniveau.

Dat is relevant omdat een voorspelling pas effect krijgt wanneer zij aansluit op de processen die erop volgen. Een inkoopteam moet leveringen kunnen aanpassen, distributiecentra moeten de goederenstroom kunnen verwerken en winkelteams moeten kunnen zien wanneer een advies afwijkt van de lokale werkelijkheid. Retail-AI is daarom geen vervanging van vakkennis op de winkelvloer. Zij is een manier om die vakkennis te voorzien van een consistenter vertrekpunt.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat vraagvoorspelling pas waarde creëert wanneer de voorspelling direct verbonden is met het besluit over bestellen, aanvullen of herverdelen. „Een model dat alleen een betere prognose produceert, verandert de winkel nog niet; de winst zit in de beslissingen die aantoonbaar sneller en beter op die prognose volgen.”

Bij Tesco illustreert die werkwijze bovendien dat datakwaliteit geen technische bijzaak is. Assortimentswijzigingen, niet-leverbare artikelen en promoties moeten herkenbaar zijn in de gegevens, anders kan een model tijdelijk verkeerde conclusies trekken. Ook moet de organisatie kunnen onderscheiden tussen een echte verandering in consumentenvraag en een verkoopsignaal dat vooral is veroorzaakt door een leeg schap. Die laatste situatie is in retail cruciaal: nul verkoop betekent niet automatisch nul belangstelling.

ASOS koppelt personalisatie aan commercieel leren

Een andere kant van dezelfde keten is zichtbaar bij het Britse e-commercebedrijf ASOS. Het platform gebruikt al geruime tijd machine learning voor productaanbevelingen en zoek- en ontdekfuncties. Klanten krijgen daarmee een selectie die beter moet aansluiten op eerder bekeken artikelen, aankoopgedrag en kenmerken van het assortiment. De toepassing lost een herkenbaar e-commerceprobleem op: een groot modeaanbod is voor klanten lastig te doorzoeken, terwijl relevante aanbevelingen de kans vergroten dat zij passende artikelen vinden.

Personalisatie wordt soms uitsluitend bekeken als een marketinginstrument. Dat is te beperkt, zegt Edgar van Lent. De interacties met aanbevelingen, zoekopdrachten en productpagina’s leveren ook signalen op over belangstelling voor kleuren, categorieën, merken en prijsniveaus. Die signalen zijn niet hetzelfde als een harde verkoopprognose, maar zij kunnen wel helpen om sneller te zien welke vraag zich ontwikkelt.

Voorraadbeslissingen mogen echter niet automatisch worden gestuurd door elke klik. Online gedrag bevat ruis: klanten vergelijken producten, zoeken inspiratie of bekijken maten die uiteindelijk niet beschikbaar zijn. De bruikbare aanpak is daarom om gedragsdata te combineren met retourinformatie, actuele voorraad, levertijden en historische verkoop. Juist in mode is dat van belang, omdat maatvoering, seizoenswisselingen en retourstromen de betekenis van een bestelling beïnvloeden.

De les uit ASOS is dat personalisatie en voorraadbeheer elkaar kunnen versterken zonder dat ze samenvallen. Personalisatie helpt de klant door het assortiment te ordenen. Vraagplanning helpt de onderneming om de goederenstroom daarop af te stemmen. Als beide systemen dezelfde definities voor productdata, beschikbaarheid en klantinteractie gebruiken, ontstaat minder frictie tussen wat een webshop toont en wat de keten werkelijk kan leveren.

Van modeluitkomst naar bestuurbare retail

Voor Europese retailers ligt de opgave nu vooral in de koppeling van deze toepassingen. Tesco laat zien hoe AI dichter bij de dagelijkse bevoorrading kan komen; ASOS toont hoe algoritmen de digitale ontdekking van producten kunnen verbeteren. In beide gevallen is het niet genoeg om een model te implementeren. Retailers moeten eigenaarschap regelen voor de gegevens, de prestaties per productgroep blijven volgen en medewerkers ruimte geven om uitzonderingen te beoordelen.

Daarbij horen duidelijke grenzen. Personalisatie vraagt om zorgvuldig gebruik van klantgegevens en om transparantie over de manier waarop aanbevelingen tot stand komen. Vraagvoorspelling vraagt om controle op vertekeningen rond acties, assortimentwisselingen en lokale gebeurtenissen. De Europese AI-regels maken die discipline relevanter, maar voor de bedrijfsvoering is zij ook zonder wettelijke verplichting verstandig: een model dat niet uitlegbaar te beheren is, wordt moeilijk te vertrouwen wanneer de markt afwijkt van het patroon.

Edgar van Lent verwacht dat de volgende stap niet bestaat uit één alomvattend retailmodel, maar uit betere samenwerking tussen gespecialiseerde systemen voor vraag, assortiment, prijs, personalisatie en voorraad. Zijn beoordeling is nuchter positief: retailers die de uitkomsten van AI toetsbaar verbinden met hun operationele processen, kunnen klanten relevanter bedienen en tegelijkertijd hun voorraadbeweging beter beheersen.