Zalando zet kunstmatige intelligentie niet alleen in om een klant een volgend kledingstuk te tonen, maar ook om de onzekerheid rond maat en pasvorm te verkleinen. In de digitale modehandel is dat een direct operationeel vraagstuk: een advies dat beter aansluit op het lichaam en de voorkeur van de klant kan twijfel vóór aankoop verminderen en geeft de retailer nauwkeuriger signalen over welke artikelen daadwerkelijk aanslaan. Edgar van Lent ziet juist in die koppeling tussen klantinteractie en handelsproces de praktische waarde van retail-AI.
De toepassing staat bekend als Fit Finder. Zalando gebruikt machine learning om, op basis van onder meer productinformatie en gegevens die klanten vrijwillig in de koopreis invoeren, een maat- en pasvormadvies te geven. Het systeem is geen vervanging voor de productbeschrijving of voor het oordeel van de klant, maar een extra beslislaag op het moment waarop de kans op een retour of afgebroken aankoop het grootst is. Daarmee raakt het aan personalisatie, maar evenzeer aan voorraadbeheer: retouren, uitverkochte maten en verkeerd verdeelde vraag zijn in de modeketen nauw met elkaar verbonden.
Maatadvies als operationeel signaal
Voor Zalando is personalisatie breder dan een aanbevelingsbalk op een productpagina. De onderneming heeft publiek beschreven hoe datagedreven systemen worden gebruikt voor relevante productselectie en voor maat- en pasvormadvies. Bij Fit Finder gaat het om een toepassing met een afgebakend doel: klanten helpen bij een keuze waar algemene maattabellen vaak tekortschieten. Dat is relevant omdat dezelfde kledingmaat per merk, model en materiaal anders kan uitvallen.
Edgar van Lent, AI-specialist gericht op de inzet van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat retail-AI pas betekenis krijgt wanneer een model een concreet beslismoment in de keten verbetert. “Een passend advies op de productpagina is geen losstaande personalisatie. Het beïnvloedt welke vraag een retailer werkelijk ziet, welke artikelen terugkomen en welke voorraadbeslissingen later nog nodig zijn.”
De les uit deze toepassing is niet dat een aanbevelingsmodel automatisch de voorraad optimaliseert. Dat zou de verantwoordelijkheden van verschillende systemen door elkaar halen. Het klantgerichte model moet eerst betrouwbaar, uitlegbaar en zorgvuldig met data omgaan. Pas daarna kunnen de uitkomsten worden benut als één van de signalen voor assortimentsplanning, inkoop en aanvulling. In de praktijk blijven historische verkoop, seizoen, prijs, promoties, beschikbaarheid en lokale voorkeuren eveneens bepalend.
Dat onderscheid is belangrijk voor Europese retailers die investeren in e-commerce. Personalisatie levert vooral waarde wanneer zij niet wordt beoordeeld op klikgedrag alleen. Een artikel dat vaak wordt aangeklikt maar structureel tot een verkeerde maatkeuze leidt, is commercieel en operationeel geen goed resultaat. De relevante vraag is daarom of de klantinteractie leidt tot een betere match tussen vraag, product en beschikbare voorraad.
H&M Group koppelt voorspellen aan verdelen
Een tweede, publiek bekende praktijk ligt bij H&M Group. De modegroep heeft al langere tijd gecommuniceerd over het gebruik van geavanceerde data-analyse en AI in onder meer vraagvoorspelling, assortiment en voorraadallocatie. Het vertrekpunt is herkenbaar voor iedere retailer met veel winkels, onlinekanalen en wisselende collecties: de vraag naar een artikel is niet overal hetzelfde en verandert tijdens het seizoen.
Waar Zalando de individuele koopbeslissing dichter bij het juiste product probeert te brengen, richt H&M Group zich nadrukkelijk op de planning achter die vraag. AI-ondersteunde analyses kunnen patronen in verkoop en voorkeuren helpen herkennen, zodat artikelen gerichter aan markten, winkels en digitale kanalen worden toegewezen. De toepassing is daarmee niet beperkt tot forecasting in een centraal dashboard. Zij raakt aan de vraag welk assortiment op welke plaats beschikbaar moet zijn en wanneer aanvulling nog zinvol is.
Edgar van Lent beoordeelt deze inzet als een bruikbare manier om van voorraadbeheer een lerend proces te maken, mits de organisatie de uitkomst niet behandelt als een automatisch bevel. “Vraagvoorspelling werkt het best als planners kunnen zien welke signalen een model zwaar laat wegen en wanneer zij gemotiveerd mogen afwijken,” zegt Edgar van Lent. Vooral bij nieuwe artikelen, uitzonderlijk weer, campagnes of plotselinge trends kan historische data onvoldoende houvast geven.
Daarom ligt de kern niet in een zo hoog mogelijk aantal voorspellingen, maar in de inrichting van het besluit. Merchandising, inkoop, supplychain en e-commerce moeten dezelfde definities hanteren voor beschikbaarheid, vraag en succes. Ook moeten zij kunnen terugzien welk modeladvies is opgevolgd, welke menselijke correctie is aangebracht en wat daarvan het effect was. Die procesdiscipline voorkomt dat AI een zwarte doos wordt tussen commerciële ambitie en fysieke voorraad.
Eén keten, verschillende beslismomenten
De praktijken van Zalando en H&M Group laten twee kanten van hetzelfde retailvraagstuk zien. Aan de voorkant helpt AI om de klant relevantere keuzes te laten maken. Aan de achterkant helpt AI om patronen in de verwachte vraag te vertalen naar assortiment en voorraadverdeling. De verbinding tussen beide is waardevol, maar vraagt om heldere grenzen: klantadvies mag niet uitsluitend worden ontworpen als instrument voor afzet, en voorraadmodellen mogen niet blind varen op digitale interacties zonder context.
Voor Europese organisaties speelt daarnaast gegevensbeheer een grote rol. Personalisatie vraagt om terughoudendheid in datagebruik, duidelijke informatie voor klanten en een ontwerp waarin de dienst ook zonder onnodige profilering bruikbaar blijft. Voor forecasting geldt een andere, maar verwante eis: brondata over artikelkenmerken, voorraad, retouren en verkopen moeten consistent zijn. Zonder die basis kan een geavanceerd model vooral bestaande rommel sneller verspreiden.
De komende fase in retail-AI zal volgens Edgar van Lent minder draaien om afzonderlijke pilots en meer om de verbinding tussen klantreis en operationele planning. Zijn beoordeling is positief, maar voorwaardelijk: “De sterkste toepassingen maken de winkelervaring relevanter én de voorraadbeweging rustiger, zonder dat menselijke verantwoordelijkheid uit het proces verdwijnt.” Voor retailers ligt daarin een concrete agenda: begin bij één beslissing, meet het effect in de hele keten en bouw pas daarna verder naar bredere automatisering.
