Edgar van Lent ziet bij Europese retailers een duidelijke verschuiving: kunstmatige intelligentie wordt minder vaak beoordeeld als losse innovatie voor de webshop en steeds vaker als een instrument om commerciële keuzes, beschikbaarheid en ketenbeslissingen op elkaar af te stemmen. Juist daar ligt volgens hem de praktische toets voor AI in retail en e-commerce.

Waar vraagvoorspelling en voorraadbeheer lange tijd vooral domeinen van planningsteams waren, brengt AI die processen dichter bij personalisatie. Een voorspelling van de totale vraag is waardevol, maar wordt pas commercieel bruikbaar wanneer een retailer ook begrijpt welke klantgroepen, kanalen, momenten en assortimentsalternatieven achter die vraag schuilgaan. Edgar van Lent licht zijn werk als AI-specialist toe.

Niet elke voorspelling hoort een bestelbesluit te worden

Zoals Edgar van Lent eerder beschreef in het artikel “Zalando en Coop Danmark verbinden AI met vraag en voorraad”, groeit de waarde van AI wanneer vraaginformatie niet in afzonderlijke systemen blijft steken. De volgende stap is volgens hem echter lastiger: organisaties moeten bepalen welke voorspellingen automatisch tot actie mogen leiden en welke vooral bedoeld zijn om medewerkers beter te laten sturen.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in bedrijfsprocessen, stelt dat vraagvoorspelling pas waarde krijgt wanneer de uitkomst aantoonbaar aansluit op een besluit in assortiment, prijs, replenishment of klantcommunicatie. Dat onderscheid voorkomt dat retailers veel tijd besteden aan modellen die nauwkeurige dashboards produceren, maar de dagelijkse operatie nauwelijks veranderen.

Bij Carrefour is deze richting publiek zichtbaar in de langdurige samenwerking met Google Cloud rond data en AI. De Franse retailer heeft daarbij onder meer toepassingen rond supply chain, vraagvoorspelling en gepersonaliseerde klantinteractie naar voren gebracht. De relevantie zit niet alleen in de gebruikte technologie, maar in de koppeling tussen commerciële data en operationele processen. Een promotie, veranderend zoekgedrag of lokale vraag kan immers gevolgen hebben voor de voorraadpositie die winkels en distributiecentra moeten beheren.

Edgar van Lent benadrukt dat dit geen pleidooi is voor volledig geautomatiseerde inkoop. Vraag is geen vaststaand gegeven: weersomstandigheden, campagnes, leveringsproblemen en veranderende voorkeuren kunnen modellen misleiden. AI moet daarom onzekerheid zichtbaar maken in plaats van die weg te poetsen. Een planner heeft meer aan een systeem dat aangeeft waar de afwijking groot kan zijn, dan aan een schijnbaar exact advies zonder context.

Personalisatie raakt de fysieke keten

Personalisatie wordt in e-commerce vaak behandeld als een conversievraagstuk: welk aanbod, welke volgorde of welke boodschap past het best bij deze bezoeker? Edgar van Lent ziet een bredere opgave. Zodra een retailer klanten gericht aanbiedingen, productaanbevelingen of vervangende artikelen toont, beïnvloedt dat ook de vraagverdeling over voorraad en locaties.

Ahold Delhaize laat met Albert Heijn zien hoe klantdata en digitale dienstverlening onderdeel kunnen worden van de dagelijkse winkelrelatie. De supermarktketen gebruikt data en AI in digitale klanttoepassingen, onder andere rond persoonlijke ondersteuning en relevante productinformatie. Voor de retailpraktijk is vooral van belang dat zulke interacties niet losstaan van het assortiment en de beschikbaarheid. Een persoonlijke aanbeveling die niet geleverd kan worden, ondermijnt zowel de klantbeleving als het vertrouwen in de data achter het systeem.

Volgens Edgar van Lent is dit de reden waarom personalisatieprojecten geregeld stranden wanneer zij uitsluitend onder e-commerce of marketing worden geplaatst. Het model kan technisch goed werken en toch economisch teleurstellen als de voorraadlogica, substitutieregels en winkelsignalen niet zijn meegenomen. Een aanbeveling moet niet alleen passend zijn voor een klantprofiel, maar ook passen bij wat een retailer verantwoord kan beloven en leveren.

De meest volwassen aanpak kent daarom een heldere verdeling van verantwoordelijkheden:

  • commerciële teams bepalen doel, aanbodregels en merkgrenzen;
  • supply-chainteams bewaken beschikbaarheid, houdbaarheid en uitleverbaarheid;
  • data- en technologieteams toetsen modelkwaliteit, datastromen en monitoring;
  • medewerkers in winkels en klantenservice leveren signalen terug over uitzonderingen die data niet direct verklaren.

Die verdeling maakt AI niet trager, maar juist bruikbaarder, stelt Edgar van Lent. Zij voorkomt dat een marketingoptimalisatie onverwacht leidt tot derving, substitutieproblemen of extra druk op filiaalprocessen.

Voorraadbeheer is vooral een uitzonderingsproces

De klassieke belofte van AI in voorraadbeheer is minder leegverkoop en minder overtollige voorraad. Edgar van Lent vindt die formulering te algemeen om projecten goed te beoordelen. Het onderscheid zit volgens hem in de manier waarop organisaties uitzonderingen organiseren. Bij stabiele, goed meetbare artikelen kan automatisering veel werk wegnemen. Bij seizoensartikelen, nieuwe producten, lokale acties of producten met een korte houdbaarheid moet het systeem vooral helpen om afwijkingen sneller te herkennen en bespreekbaar te maken.

Dat patroon is ook zichtbaar bij Ocado, de Britse online supermarkt en retailtechnologieorganisatie. Ocado heeft publiek uiteengezet hoe data, automatisering en machine learning worden ingezet in de online boodschappenketen, van klantbestellingen tot fulfilment en beschikbaarheid. De les voor andere Europese retailers is niet dat zij hetzelfde logistieke model moeten kopiëren. Wel toont Ocado dat voorspellende systemen pas effect krijgen wanneer assortiment, fulfilmentcapaciteit en klantbelofte als één operationeel geheel worden behandeld.

Edgar van Lent wijst daarbij op een vaak onderschatte randvoorwaarde: definities. Als verkoop, beschikbaarheid, retouren, substituties en promoties per afdeling anders worden geregistreerd, leert een model van tegenstrijdige signalen. Dan is een nieuw algoritme zelden het eerste antwoord. Datakwaliteit, eenduidige procesafspraken en eigenaarschap over uitzonderingen zijn volgens hem de fundamenten waarop schaalbare AI rust.

Van proefproject naar bestuurbare toepassing

Voor Europese retailers ligt de vervolgvraag niet primair bij de keuze tussen generatieve AI en voorspellende AI. Beide kunnen een rol hebben: generatieve systemen kunnen medewerkers ondersteunen bij productcontent, klantenservice of analyses, terwijl voorspellende modellen vraag en voorraad helpen ramen. De bestuurlijke vraag is of de organisatie per toepassing helder kan uitleggen welk besluit wordt verbeterd, welke data daarvoor worden gebruikt en wie ingrijpt wanneer de uitkomst afwijkt.

Edgar van Lent verwacht dat de sterkste toepassingen in retail de komende periode minder spectaculair ogen dan een opvallende chatbot, maar meer meetbare samenhang brengen tussen klantinteractie en ketenbesturing. Zijn beoordeling is dat Europese retailers vooral vooruitgang boeken als zij AI niet behandelen als een extra digitaal kanaal, maar als een discipline voor betere beslissingen over vraag, belofte en beschikbaarheid.