H&M Group zet kunstmatige intelligentie in om vraag per markt, winkel en verkoopkanaal beter te ramen en de verdeling van artikelen daarop aan te passen. Daarmee raakt de toepassing direct aan een hard retailprobleem: een collectie is pas commercieel bruikbaar wanneer de juiste maat, kleur en stijl beschikbaar zijn op de plek waar klanten die willen kopen. Edgar van Lent ziet juist in die vertaling van voorspelling naar aanvulling en allocatie de praktische waarde van AI in retail.

De toepassing is relevant omdat retailers met veel winkels, onlinekanalen en seizoenscollecties voortdurend besluiten moeten nemen onder onzekerheid. Historische verkopen alleen zijn daarvoor onvoldoende: vraag verschuift door weer, lokale voorkeuren, promoties, retouren en de snelheid waarmee trends zich online verspreiden. H&M Group heeft publiek toegelicht dat het data en AI inzet voor onder meer demand forecasting, assortimentsplanning en de beschikbaarheid van producten. Het doel is niet een abstract beter model, maar een betere aansluiting tussen klantvraag en voorraad.

Van verkoopsignaal naar voorraadbesluit

Bij H&M Group komen signalen uit winkels en digitale kanalen samen met informatie over artikelen, markten en verkoopmomenten. AI kan daarin patronen herkennen die voor afzonderlijke planners lastig te overzien zijn. De uitkomst kan helpen bepalen welke producten vaker moeten worden aangevuld, welke verdeling tussen locaties logisch is en waar een assortiment beter op lokale vraag kan aansluiten.

Dat maakt vraagvoorspelling nadrukkelijk geen losstaande analysefunctie. Een voorspelling heeft pas bedrijfswaarde wanneer inkoop, distributie, winkeloperatie en e-commerce er tijdig een besluit aan kunnen verbinden. In de praktijk betekent dat ook dat medewerkers uitzonderingen moeten kunnen beoordelen. Een ongebruikelijke hittegolf, een campagne of een leveringsverstoring kan het historische patroon doorbreken. AI ondersteunt dan de voorbereiding van het besluit, maar neemt de verantwoordelijkheid voor commerciële en operationele keuzes niet weg.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat retailmodellen vooral waarde krijgen wanneer zij niet alleen vraag voorspellen, maar ook zichtbaar maken welk voorraadbesluit daaruit volgt. Volgens Edgar van Lent voorkomt die koppeling dat prognoses blijven hangen in dashboards terwijl winkels en webshops met dezelfde beschikbaarheidsproblemen blijven werken.

Zalando koppelt personalisatie aan beschikbaar assortiment

Een tweede concrete Europese praktijkcase is Zalando. Het in Duitsland gevestigde e-commerceplatform gebruikt machine learning voor gepersonaliseerde aanbevelingen en voor het afstemmen van de digitale winkelervaring op individuele klanten. Dat is meer dan een productcarrousel: het platform verwerkt onder meer interacties met artikelen en kenmerken van het assortiment om relevante selectie en ontdekking mogelijk te maken.

Voorraad en personalisatie zijn daarbij twee kanten van dezelfde operatie. Een aanbeveling die esthetisch passend is, maar niet leverbaar is in de gezochte maat of een lange levertijd kent, heeft beperkte waarde. Omgekeerd helpt betere personalisatie retailers om vraag eerder en specifieker te zien ontstaan. Bij een onlineplatform met een breed merkenaanbod kan dat inzicht relevant zijn voor assortimentskeuzes, presentatie en de prioriteit waarmee beschikbare artikelen onder de aandacht komen.

Zalando heeft AI ook publiek gepositioneerd als onderdeel van zijn digitale productontwikkeling, onder andere bij zoek- en ontdekfuncties. De relevante les voor andere retailers is niet dat iedere onderneming een platformmodel moet kopiëren. Wel laat de case zien dat klantrelevantie meetelt vanaf het moment dat een product wordt getoond. De kwaliteit van zoekresultaten, aanbevelingen en productinformatie beïnvloedt welke vraag zichtbaar wordt en hoe snel een retailer daarop kan reageren.

Edgar van Lent benadrukt dat personalisatie niet moet worden beoordeeld als een geïsoleerde marketingtoepassing. „De volwassen toepassing verbindt klantvoorkeur, assortiment en feitelijke beschikbaarheid,” beoordeelt Edgar van Lent. „Pas dan kan een retailer de digitale ervaring verbeteren zonder een belofte te doen die de operatie niet kan waarmaken.”

Datakwaliteit en menselijke regie blijven bepalend

De twee toepassingen leggen verschillende accenten: H&M Group richt zich nadrukkelijk op de beweging van goederen en de planning daarachter, terwijl Zalando AI inzet in de digitale klantinteractie. Toch rusten beide op dezelfde voorwaarden. Productdata moeten consistent zijn, voorraadstanden moeten voldoende actueel zijn en teams moeten begrijpen welke signalen een model wel en niet kan duiden. Zonder die basis kan een systeem een nauwkeurig ogende aanbeveling of prognose produceren die operationeel niet bruikbaar is.

Ook governance verdient aandacht. Personalisatie vraagt om zorgvuldige omgang met klantdata en om duidelijke grenzen aan profilering. Voor vraagplanning is uitlegbaarheid van belang: planners moeten kunnen achterhalen waarom een systeem een verschuiving signaleert, zeker wanneer dat gevolgen heeft voor verdeling, afprijzing of aanvulling. Europese retailers hebben bovendien te maken met uiteenlopende markten, talen en lokale consumptiepatronen. Dat maakt één centraal model niet automatisch overal even geschikt.

Een werkbare aanpak begint daarom met een beperkt maar concreet beslismoment, zoals aanvulling van snelle verkopers, lokale assortimentskeuze of de rangschikking van beschikbare artikelen in een webshop. Vervolgens kunnen teams meten of de voorspelling bruikbaar is in het proces, waar uitzonderingen ontstaan en welke data ontbreken. De techniek moet zich aanpassen aan de ritmes van merchandising en supply chain, niet andersom.

Voor de komende jaren verwacht Edgar van Lent dat de onderscheidende stap in retail ligt in het verbinden van vraagmodellen met uitvoerbare voorraadacties. Zijn beoordeling is dat Europese retailers die personalisatie, voorspelling en voorraadbeheer als één keten organiseren, minder afhankelijk worden van handmatige correcties en gerichter kunnen reageren op veranderende klantvraag — mits zij de menselijke controle op uitzonderingen en de kwaliteit van brondata behouden.