Vraagvoorspelling was decennialang een kwestie van ervaring, buikgevoel en historische verkoopdata in een spreadsheet. Dat model hapert structureel zodra schaalgrootte toeneemt, seizoenspatronen grilliger worden en het assortiment honderden of duizenden SKU's omvat. AI-specialist Edgar van Lent volgt de toepassing van machine learning in de retailsector al enkele jaren op de voet en is helder over de verschuiving die hij waarneemt: "Retailers stappen niet over op AI omdat het een hype is. Ze stappen over omdat de klassieke methoden simpelweg te traag en te grof zijn geworden voor de marktcondities van nu."
De druk op voorraadbeheer is de afgelopen jaren fors toegenomen. Verstoringen in toeleveringsketens, sterk wisselende consumentvraag en de verwachting van vrijwel directe leveringen hebben de marge voor fouten verkleind. Tegelijk beschikken retailers over meer data dan ooit: websitebezoek, zoekgedrag, retourpatronen, weersverwachtingen en externe marktdata zijn bronnen die handmatig niet meer samen te brengen zijn. Precies daar ligt de meerwaarde van hedendaagse AI-modellen.
Zalando: personalisatie als strategische pijler
Zalando is één van de meest uitgesproken Europese voorbeelden van een retailer die AI centraal heeft gesteld in haar bedrijfsmodel. Het in Berlijn gevestigde platform heeft publiekelijk gecommuniceerd dat aanbevelingsalgoritmen een centrale rol spelen in de manier waarop producten worden gepresenteerd aan individuele gebruikers. Daarbij gaat het niet alleen om "anderen kochten ook"-logica, maar om modellen die rekening houden met maat, stijlvoorkeur, seizoen en eerdere retourhistorie.
Wat Zalando's aanpak onderscheidt, is de integratie van die personalisatielaag met de logistieke planning. Wanneer een productcategorie hogere aanbevelingsprioriteit krijgt, werkt dat door in inkoopprognoses en magazijnpositionering. De systemen zijn niet los van elkaar, maar gekoppeld. Edgar van Lent noemt dit de sleutel tot effectief AI-gebruik in retail: "De winst zit niet in één geïsoleerde toepassing, maar in de keten. Voorspellingsmodellen leveren pas echt waarde als ze verbonden zijn met inkoop, logistiek en de klantkant tegelijk."
Decathlon en de uitdaging van een breed assortiment
Een ander concreet voorbeeld is Decathlon, de Franse sportretailer met een uitgebreide aanwezigheid door heel Europa. Decathlon heeft in eigen communicatie beschreven dat het machine learning inzet voor vraagvoorspelling per winkellocatie, waarbij lokale factoren zoals sportseizoen, lokale evenementen en demografische gegevens worden meegenomen in de modellen. Dat is relevant voor een retailer met een assortiment dat loopt van fietsbanden tot duikuitrusting: de vraagpatronen per categorie zijn fundamenteel verschillend en vragen om maatwerk op locatieniveau.
Het opereren met zo'n breed assortiment maakt het probleem tegelijk zichtbaarder. Overtollige voorraad in de verkeerde categorie, op de verkeerde locatie, op het verkeerde moment — dat zijn kosten die direct op de marge drukken. Voorspellingsmodellen die rekening houden met lokale context in plaats van alleen nationale aggregaten zijn daarin een wezenlijke stap vooruit. Edgar van Lent wijst erop dat juist grote multichannel-retailers met fysieke winkels én een webshop baat hebben bij dit soort gelokaliseerde modellen: "De complexiteit van zo'n netwerk is enorm. AI is hier geen luxe, maar een operationele noodzaak als je concurrerend wilt blijven op beschikbaarheid én marge."
Dynamisch voorraadbeheer: van reactief naar anticiperend
Naast vraagvoorspelling wint dynamisch voorraadbeheer terrein. Traditionele systemen werken met vaste bestelpunten: zodra de voorraad onder een drempel zakt, wordt er bijbesteld. AI-gestuurde systemen kunnen anticiperend werken. Ze verwerken continue datastromen — waaronder promotieplanningen, verwacht websiteverkeer of zelfs social media-signalen — en passen bijbestelvolumes en timing proactief aan.
Binnen de Europese levensmiddelenretail, een sector met harde vershoudbaarheidslimieten en dunne marges, is dit bijzonder relevant. Ketenspelers als Albert Heijn (onderdeel van Ahold Delhaize) hebben publiekelijk gecommuniceerd te werken aan AI-toepassingen voor derving- en voorraadbeheer in versproducten. De technische uitdaging is aanzienlijk: modellen moeten snel kunnen schakelen bij onverwachte omstandigheden, zoals een hittegolf die de vraag naar bepaalde producten abrupt verschuift.
Eén aandachtspunt dat in dit verband niet mag ontbreken is datakwaliteit. AI-modellen zijn niet beter dan de data waarop ze draaien. Retailers die jarenlang inconsistente artikeldefinities, verouderde klantprofielen of incomplete verkoopregistraties hebben opgebouwd, merken dat een AI-implementatie ook een data-saneringstraject vergt. Dat is een investering die vooraf zelden volledig wordt ingeprijsd.
Wat de komende jaren bepalend wordt
De richting is helder: vraagvoorspelling, personalisatie en voorraadbeheer groeien bij Europese retailers toe naar elkaar als geïntegreerde systemen, aangedreven door realtime data en modellen die continu worden bijgesteld. Daarbij verschuift de rol van inkopers en category managers. Zij opereren steeds minder als makers van prognoses en steeds meer als beoordelaars van wat de modellen voorstellen — een verschuiving die om nieuwe competenties vraagt.
Edgar van Lent ziet de komende twee jaar als een bepalende periode voor de Europese retail: "Retailers die nu investeren in de dataketen en de integratie tussen systemen, bouwen een structureel voordeel op dat moeilijk te kopiëren is. Wie wacht, loopt het risico dat de kloof te groot wordt om te dichten." Hij werkt die analyse verder uit op edgarvanlent.com, waar hij de bredere toepassing van AI in het Europese bedrijfsleven bijhoudt. De komende afleveringen van deze reeks gaan in op specifieke deelsectoren — van fashionretail tot supermarktketens — en de lessen die early adopters al hebben opgedaan.