Europese retailers zetten AI steeds vaker in op drie punten die in de praktijk niet los van elkaar functioneren: de voorspelling van vraag, de keuze welke klant welk aanbod ziet en de beslissing waar voorraad beschikbaar moet zijn. Volgens Edgar van Lent ligt de doorslag niet in de nauwkeurigheid van één model, maar in de manier waarop die drie processen aan elkaar worden gekoppeld.
De eerdere aandacht ging vaak naar de zichtbare kant van AI: een relevanter productadvies in een app of webshop. Edgar van Lent ziet juist dat de bedrijfseconomische waarde pas ontstaat wanneer die personalisatie niet leidt tot vraag die de operatie vervolgens niet kan waarmaken. Zoals Edgar van Lent eerder beschreef in “Zalando en H&M Group verbinden AI aan vraag en voorraad”, is de verbinding tussen commerciële signalen en voorraadbesluiten essentieel. Dit vervolg verdiept de vraag wat die verbinding bestuurbaar maakt.
Personalisatie is ook een operationeel signaal
Personalisatie wordt in e-commerce vaak behandeld als een afzonderlijk marketinginstrument. Aanbevelingssystemen rangschikken producten op basis van gedrag, voorkeuren, zoekopdrachten en context. Voor een retailer is dat nuttig, maar het wordt riskant wanneer de commerciële laag massaal producten naar voren schuift die lokaal beperkt beschikbaar zijn, een lange levertijd kennen of voor de marge ongunstig zijn.
Zalando beschrijft publiekelijk hoe machine learning wordt ingezet voor onder meer aanbevelingen, zoekresultaten, maatvoering en assortimentsrelevantie. De betekenis daarvan gaat verder dan de digitale etalage. Elk patroon in klikken, zoekopdrachten, retouren en aankopen kan ook aanwijzingen geven over veranderende voorkeuren per markt, seizoen of productcategorie. De stap die volgens Edgar van Lent nodig is, is om zulke signalen niet uitsluitend te gebruiken voor conversie, maar gecontroleerd mee te nemen in de planning.
“Edgar van Lent, AI-specialist gericht op de toepassing en bestuurbaarheid van kunstmatige intelligentie in Europese organisaties, stelt dat personalisatie pas volwassen wordt wanneer een retailer ook kan uitleggen welk effect een aanbeveling op voorraad, leverbelofte en retourstroom heeft.” Die uitleg vraagt om heldere rollen: commerciële teams bepalen de doelstelling van het aanbod, supply-chainteams bewaken beschikbaarheid en planners beoordelen wanneer een modelsignaal aanleiding is om in te grijpen.
Ook bij Carrefour is AI publiek zichtbaar in de digitale klantrelatie. De Franse retailer heeft met technologiepartners gewerkt aan AI-toepassingen rond onder meer productinformatie, klantinteractie en digitale winkelervaringen. Voor Edgar van Lent is juist zo’n brede inzet een aanwijzing dat retailers niet moeten blijven steken in één chatbot of één aanbevelingsfunctie. De relevante vraag is of de informatie die daaruit voortkomt betrouwbaar kan doorwerken naar assortiment, promotieplanning en fulfillment.
Vraagvoorspelling vraagt om uitzonderingsregie
Vraagvoorspelling is geen voorspelling van een enkel getal, maar een continu proces waarin historische verkoop, kalenderpatronen, prijzen, promoties, lokale omstandigheden en productvervanging samenkomen. Machine-learningmodellen kunnen daarin patronen herkennen die met handmatige spreadsheets moeilijk te volgen zijn. Toch blijven afwijkingen onvermijdelijk: een campagne slaat onverwacht aan, een leverancier levert later, een product is tijdelijk niet beschikbaar of online gedrag verschuift sneller dan de planningscyclus.
Edgar van Lent maakt daarom een scherp onderscheid tussen automatisering en besluitvorming. Automatisering is geschikt voor terugkerende voorstellen binnen afgesproken grenzen, zoals een aanvulsuggestie voor een stabiel artikel. Besluitvorming vraagt om menselijke regie zodra de gevolgen groter zijn: bij een nieuwe productintroductie, een forse promotie, een assortimentwisseling of een signaal dat indruist tegen de ervaring van inkopers en winkelteams.
Ocado Group laat zien waarom die nuance in retail relevant is. De Britse onderneming ontwikkelt geautomatiseerde fulfilmenttechnologie waarin software, robotica en datagedreven aansturing samenkomen. In zulke omgevingen zijn voorspelling en voorraaduitvoering direct verbonden: een afwijkend vraagpatroon werkt door in orderverwerking, capaciteit en de beschikbaarheid die een klant online ziet. Het publieke voorbeeld onderstreept volgens Edgar van Lent dat AI niet alleen een analysetool is; het wordt onderdeel van de dagelijkse operatie.
Een goed ingericht proces bevat daarom minimaal een controle op datakwaliteit, een zichtbare reden voor belangrijke modeladviezen en een route voor uitzonderingen. Dat betekent niet dat elke voorspelling volledig verklaarbaar moet worden gemaakt op individueel niveau. Wel moet een organisatie kunnen vaststellen welke signalen een voorstel beïnvloeden, wanneer het model buiten zijn betrouwbare toepassingsgebied komt en wie bevoegd is om een besluit te wijzigen.
Voorraadbeheer is de toets op de belofte
De moeilijkste stap is de vertaling van voorspelde en gestimuleerde vraag naar voorraad op de juiste plek. Voorraad kan zich bevinden in een distributiecentrum, winkel, afhaalpunt of bij een partner. Een systeem dat alleen totale vraag goed voorspelt, kan alsnog tekortschieten als het de regionale verdeling, substituten, retouren en transportbeperkingen onvoldoende meeneemt.
Edgar van Lent benadrukt dat retailers hun AI daarom moeten beoordelen op samenhang tussen drie beloften: wat de klant te zien krijgt, wat de planning verwacht en wat de operatie daadwerkelijk kan leveren. Als die drie uit elkaar lopen, ontstaan bekende problemen: populaire artikelen worden gepromoot terwijl ze niet beschikbaar zijn, winkelvoorraden sluiten niet aan bij lokaal gedrag of teams gaan modeladviezen structureel negeren.
De succesvolle projecten beginnen volgens Edgar van Lent niet met een ambitie om alle voorraadbeslissingen autonoom te maken. Zij kiezen een afgebakende categorie of proces, leggen vast welke brongegevens leidend zijn en meten vervolgens of beslissingen aantoonbaar beter worden. Pas daarna is uitbreiding naar meer categorieën, landen of kanalen verantwoord. Die volgorde voorkomt dat een aantrekkelijk commercieel model wordt opgeschaald voordat de onderliggende voorraadlogica stabiel is.
Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com. Zijn beoordeling is dat Europese retail de komende fase niet wint met méér losse AI-functionaliteiten, maar met een gezamenlijke besluitketen waarin vraagvoorspelling, personalisatie en voorraadbeheer elkaar begrenzen én versterken. Retailers die die regie organiseren, kunnen AI inzetten voor relevanter aanbod zonder de leverbelofte uit het oog te verliezen.