Edgar van Lent ziet in retail en e-commerce een duidelijke verschuiving: kunstmatige intelligentie wordt pas bedrijfskritisch wanneer vraagvoorspelling, personalisatie en voorraadbeslissingen als één samenhangend proces worden ingericht. Niet het model op zichzelf, maar de vertaling van voorspellingen naar dagelijkse keuzes over assortiment, beschikbaarheid en aanvulling bepaalt volgens hem of een initiatief waarde oplevert.

Voor deze eerste analyse in de nieuwe reeks over AI in retail en e-commerce kiest Edgar van Lent daarom nadrukkelijk niet voor de opvallendste toepassing aan de digitale winkelpui. Gepersonaliseerde aanbevelingen zijn zichtbaar voor de klant, maar de werkelijke operationele waarde ontstaat wanneer signalen uit klantgedrag ook gecontroleerd doorwerken in de planning van voorraad en capaciteit. Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com.

De voorspelling is pas nuttig als de organisatie kan handelen

Vraagvoorspelling in retail is ingewikkelder dan het ramen van de verkoop van vorige week. Seizoenen, promoties, weersinvloeden, retouren, leverbetrouwbaarheid en verschuivingen tussen winkels en onlinekanalen maken historische verkoopdata alleen onvoldoende. AI kan patronen in die verschillende signalen beter combineren dan een handmatig proces met vaste regels, maar daarmee is de voorraadbeslissing nog niet automatisch goed.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat succesvolle retailtoepassingen beginnen bij een helder besluit: welke voorraadbeslissing moet sneller, consistenter of beter onderbouwd worden? Dat kan gaan over de aanvulling van een distributiecentrum, de verdeling van artikelen over filialen of de keuze om een onlineartikel tijdelijk minder prominent te tonen als de beschikbaarheid onder druk staat.

Volgens Edgar van Lent stranden projecten vaak wanneer een retailer een nauwkeuriger voorspelling verwart met een bruikbaar bedrijfsproces. Een model kan een verwachte vraag geven, terwijl inkopers en planners vervolgens nog werken met afwijkende artikelindelingen, late leveranciersinformatie of afzonderlijke systemen voor e-commerce en winkels. Dan wordt AI een extra rapportagelaag, geen instrument voor beter voorraadbeheer.

Dat onderscheid is ook zichtbaar bij Carrefour, dat publiek heeft gecommuniceerd over samenwerking met Google Cloud rond data en AI voor onder meer vraagvoorspelling en optimalisatie van operationele processen. De relevantie daarvan zit niet alleen in rekenkracht. Een grote retailer moet voorspellingen kunnen verbinden met assortiment, promotiekalenders, logistieke beperkingen en lokale marktvraag. Juist die koppeling maakt duidelijk waarom een algemeen model voor de hele keten zelden volstaat.

Personalisatie mag de voorraad niet verrassen

Personalisatie wordt in e-commerce vaak behandeld als een commerciële functie: betere aanbevelingen moeten de klant sneller bij relevante producten brengen. Edgar van Lent beschouwt die toepassing breder. Wanneer een platform leert welke stijlen, prijspunten of productcategorieën voor een klant relevant zijn, ontstaat er ook informatie over de vraag die waarschijnlijk op korte termijn zichtbaar wordt. Die informatie kan waardevol zijn voor assortiments- en voorraadsturing, mits de organisatie voorzichtig omgaat met onzekerheid en privacy.

Zalando is een concreet Europees voorbeeld van een onderneming die machine learning publiek inzet voor gepersonaliseerde ontdekking van mode en voor functies zoals maat- en pasvormadvies. Deze toepassingen laten zien dat personalisatie niet beperkt blijft tot een generieke productcarrousel. In een assortiment met veel varianten kan betere relevantie de klant helpen kiezen en tegelijk retailers beter laten begrijpen waar vraag zich concentreert.

Maar Edgar van Lent waarschuwt voor een te directe koppeling. Kliks en aanbevelingen zijn geen bestelling, en een stijgende interesse in een product betekent niet zonder meer dat de voorraad op alle locaties moet worden verhoogd. Retourgedrag, marges, substitutie door vergelijkbare artikelen en de kans op leverproblemen horen in dezelfde afweging thuis. Personalisatie is daarom vooral een aanvullend vraagsignaal, geen zelfstandige bestelknop voor de keten.

De volwassen aanpak bestaat uit het combineren van signalen. Verkoop- en zoekgedrag, beschikbare voorraad, productattributen, campagneplanning en informatie over leveringen krijgen ieder een eigen rol. Voorbeelden van zulke vragen zijn: wordt een artikel vaker bekeken omdat het werkelijk populairder wordt, of omdat een campagne de zichtbaarheid tijdelijk opvoert? En is een alternatief product beschikbaar als de voorspelde vraag sneller stijgt dan de aanvulling?

Waar projecten in de praktijk op worden gewonnen

Edgar van Lent ziet drie voorwaarden die het verschil maken tussen een veelbelovende proef en een schaalbare toepassing. Ten eerste moet de retailer de basisdata beheersen: artikelhiërarchieën, voorraadstanden, promotiegegevens en kanaalinformatie moeten voldoende actueel en onderling vergelijkbaar zijn. Ten tweede moet vooraf duidelijk zijn wie ingrijpt wanneer het model een uitzondering signaleert. Ten derde hoort de uitkomst meetbaar te zijn in operationele termen, zoals beschikbaarheid, derving, substitutie of de kwaliteit van aanvullingsbeslissingen, niet alleen in technische modelprestaties.

Dat vraagt ook om menselijke controle. Een planner kan kennis hebben van een lokale gebeurtenis, een tijdelijk probleem bij een leverancier of een assortimentswijziging die nog niet goed in de data zichtbaar is. AI moet die expertise niet wegdrukken, maar gericht ondersteunen. Edgar van Lent benadrukt dat een goed systeem uitlegbaar genoeg moet zijn om afwijkingen te bespreken en te corrigeren. Zonder die mogelijkheid neemt het vertrouwen af zodra de eerste onverwachte uitkomst zich voordoet.

Een tweede randvoorwaarde betreft privacy en doelbinding. Personalisatie gebruikt signalen die vaak aan individuele klanten zijn gekoppeld. Voor retailers is het daarom verstandig om scherp te onderscheiden tussen klantgerichte aanbevelingen en geaggregeerde inzichten voor planning. Niet elk beschikbaar datapunt hoeft in een voorspellend proces terecht te komen; een beperkte, zorgvuldig beheerde dataset kan robuuster zijn dan een systeem dat zonder duidelijke noodzaak steeds meer gegevens verzamelt.

Van losse use case naar bestuurbare keten

De komende fase in Europese retail draait volgens Edgar van Lent minder om de vraag óf AI vraag beter kan voorspellen. De kernvraag is of retailers hun commerciële, digitale en operationele teams rond dezelfde besluitcyclus kunnen organiseren. Daar ligt de brug tussen een relevante onlineaanbeveling en een voorraadpositie die de belofte ook kan waarmaken.

Edgar van Lent verwacht dat de sterkste toepassingen niet per se de meest autonome zullen zijn. Zij zullen vooral goed afgebakend zijn, werken met betrouwbare signalen en ruimte laten voor professionele correctie. Voor Europese retailers ligt daarin een nuchtere kans: AI kan personalisatie en voorraadbeheer dichter bij elkaar brengen, zolang de technologie wordt behandeld als onderdeel van ketenregie en niet als een los experiment.