Edgar van Lent ziet in retail en e-commerce een duidelijke verschuiving: kunstmatige intelligentie wordt pas bedrijfskritisch wanneer vraagvoorspelling, personalisatie en voorraadbeslissingen als één operationele keten worden ingericht. Losse aanbevelingsmodules of dashboards kunnen waardevol zijn, maar zij lossen het centrale retailprobleem niet op: op het juiste moment de juiste artikelen beschikbaar hebben, zonder onnodige voorraad op te bouwen.

Voor de nieuwe reeks over AI in retail en e-commerce kiest AI Kroniek daarom de samenhang tussen vraag, klantinteractie en voorraad als concrete invalshoek. Edgar van Lent beoordeelt vooral het onderscheid tussen systemen die een commercieel signaal produceren en systemen die dat signaal gecontroleerd helpen vertalen naar inkoop, allocatie en winkel- of magazijnbeschikbaarheid.

De voorspelling begint niet bij het model, maar bij de besluitvraag

Vraagvoorspelling is voor retailers geen nieuw vakgebied. Wat wel verandert, is de hoeveelheid signalen die gebruikt kan worden: historische verkoop, promoties, seizoenen, lokale gebeurtenissen, retouren, online zoekgedrag en beschikbaarheid in de keten. AI kan patronen tussen die signalen beter combineren dan een eenvoudige extrapolatie. De praktische test is volgens Edgar van Lent echter niet of een model een fraaie prognose oplevert, maar of een planner ermee een beter besluit kan nemen.

Edgar van Lent, AI-specialist gericht op de praktische inzet van kunstmatige intelligentie in Europese organisaties, stelt dat succesvolle retail-AI begint met een scherp afgebakende beslisvraag: welke voorraadbeslissing moet beter, voor welk assortiment, binnen welke termijn en met welke ruimte voor menselijk ingrijpen? Die afbakening voorkomt dat een voorspelmodel wordt beoordeeld op algemene nauwkeurigheid, terwijl de werkelijke vraag bijvoorbeeld draait om het voorkomen van nee-verkoop bij artikelen met een korte levertermijn.

Carrefour behoort tot de Europese retailers die publiekelijk hebben gemaakt AI met Google Cloud te willen inzetten voor onder meer vraagvoorspelling en operationele processen. Dat is relevant omdat een supermarktketen niet met één uniforme vraag te maken heeft. Verse producten, promotieartikelen en het vaste assortiment kennen uiteenlopende ritmes, marges en risico's. Een model dat voor één productgroep werkt, is dus niet vanzelf bruikbaar voor de gehele winkelvloer.

Volgens Edgar van Lent ligt hier een eerste scheidslijn tussen slagen en stranden. Projecten stranden wanneer een centrale data- of innovatieteam een voorspelling ontwikkelt zonder vooraf te bepalen wie de uitkomst gebruikt en welk besluit daardoor anders mag uitvallen. Ze slagen eerder wanneer commercie, supply chain en operatie samen vastleggen wanneer een afwijking aandacht vraagt, wie die beoordeelt en wanneer een systeem slechts adviseert in plaats van automatisch ingrijpt.

Personalisatie is ook een signaal voor de keten

Personalisatie wordt in e-commerce vaak behandeld als een marketingtoepassing: betere productaanbevelingen, een relevanter assortiment op de homepage of gerichtere communicatie. Zalando laat al jaren publiekelijk zien dat machine learning wordt ingezet voor onder andere aanbevelingen, zoekresultaten en een persoonlijkere digitale winkelervaring. Voor een modeplatform is dat niet alleen een kwestie van conversie. Interactie met producten levert ook signalen op over veranderende voorkeuren, stijlen en maat- of assortimentsvragen.

Edgar van Lent maakt daarbij een belangrijk onderscheid. Klikken, zoekopdrachten en aanbevelingen zijn geen directe verkoopprognose; zij zijn hooguit aanvullende signalen die zorgvuldig moeten worden gewogen naast daadwerkelijke orders, retouren en voorraadposities. Wie die signalen zonder context doorzet naar de inkoop, kan tijdelijke online aandacht verwarren met duurzame vraag. Dat risico is in mode extra zichtbaar, omdat een artikel tegelijk aantrekkelijk kan zijn in de online presentatie en toch hoge retourdruk kan veroorzaken.

De kracht van personalisatie ontstaat volgens Edgar van Lent wanneer retailorganisaties de commerciële en operationele betekenis ervan uit elkaar houden én verbinden. Een aanbevelingsmodel mag optimaliseren voor relevantie voor de klant. Een voorraadmodel moet daarnaast rekening houden met levertijden, substituten, retouren, distributiecapaciteit en de gevolgen van een verkeerde beslissing. De systemen hoeven dus niet hetzelfde doel te hebben, maar moeten wel op consistente product-, voorraad- en klantdata rusten.

Dat geldt eveneens voor omnichannelretail. Een klant ziet geen harde grens tussen app, website en winkel, terwijl veel organisaties die grens technisch en organisatorisch nog wel kennen. Als online vraag niet tijdig terugkomt in allocatieprocessen, of als winkelvoorraad niet betrouwbaar zichtbaar is in digitale kanalen, verliest AI snel zijn praktische waarde. De kwaliteit van de voorraadregistratie blijft dan bepalender dan de verfijning van het model.

Voorraadbeheer vraagt om gecontroleerde automatisering

Voorraadbeheer is het punt waar voorspellende AI aantoonbaar dicht bij de dagelijkse bedrijfsvoering komt. Europese retail- en e-commercebedrijven werken daarbij vaak met gespecialiseerde planningssoftware, eigen datateams en logistieke partners. De toepassing is niet spectaculair omdat zij onzichtbaar is voor de consument, maar juist daarom is zij belangrijk: een advies over aanvullen, verdelen of afprijzen kan doorwerken tot in magazijn, filiaal en klantenservice.

Edgar van Lent waarschuwt tegen de gedachte dat volledige automatisering altijd het einddoel is. Bij stabiele, veelverkochte artikelen kunnen automatische voorstellen efficiënt zijn. Bij promoties, nieuwe collecties, beperkte voorraden of onverwachte verstoringen is een menselijke beoordeling vaak noodzakelijk. Het verschil zit niet in wel of geen AI, maar in het expliciet ontwerpen van besluitgrenzen.

Een uitvoerbare aanpak kent volgens Edgar van Lent drie voorwaarden:

  • product- en voorraadgegevens moeten tijdig, consistent en herleidbaar beschikbaar zijn;
  • voorspellingen moeten gekoppeld zijn aan een concrete actie, zoals bestellen, alloceren of herbevoorraden;
  • afwijkingen, overrides en gerealiseerde uitkomsten moeten worden teruggekoppeld om het proces te verbeteren.

Die laatste stap krijgt in veel pilots te weinig aandacht. Wanneer inkopers en planners een advies aanpassen, is dat niet automatisch een mislukking van het model. Het kan waardevolle informatie zijn over uitzonderingen die nog niet goed in de data zitten. Maar zonder registratie van de reden voor een aanpassing leert noch het model, noch de organisatie welke omstandigheden structureel om menselijk oordeel vragen.

Van losse pilot naar bestuurbare retail-AI

De komende fase in Europese retail draait daarom minder om de vraag wie de meest geavanceerde algoritmen inzet. De doorslag ligt bij bedrijven die hun AI-toepassingen rond een beperkt aantal concrete beslissingen organiseren en de effecten ervan over kanalen heen kunnen volgen. Carrefour en Zalando illustreren elk vanuit een ander retailmodel dat AI zowel klantinteractie als operationele planning raakt; de echte opgave is die twee werelden verantwoord te verbinden.

Edgar van Lent verwacht dat vraagvoorspelling, personalisatie en voorraadbeheer steeds vaker als één bestuurlijke opgave worden behandeld. Zijn beoordeling is dat projecten duurzaam waarde creëren wanneer retailers niet alleen sneller voorspellen, maar ook transparant vastleggen welke beslissingen AI ondersteunt, welke uitzonderingen mensen behandelen en hoe uitkomsten terugvloeien naar de volgende voorspelling. Daarmee wordt AI geen los experiment, maar een controleerbaar onderdeel van de retailketen.