Edgar van Lent ziet bij Europese retailers een duidelijke verschuiving: AI krijgt pas zakelijke betekenis wanneer vraagvoorspelling, personalisatie en voorraadbeheer niet als drie losse experimenten worden ingericht. Een aanbeveling aan een klant verandert immers de verwachte vraag; een voorraadbeslissing bepaalt vervolgens of die belofte ook kan worden waargemaakt.

In het eerdere artikel, zoals Edgar van Lent eerder beschreef…, stond de beweging van voorraad zelf centraal. Dit vervolg verdiept een andere vraag: hoe verbinden retailers klantinteractie en operationele planning zonder dat een succesvolle campagne juist tot lege schappen, onnodige substituties of teleurstelling in de webshop leidt? Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com.

Personalisatie is ook een operationeel signaal

Veel e-commerceprojecten beginnen bij de digitale etalage. Dat is logisch: aanbevelingen, zoekresultaten en persoonlijke aanbiedingen zijn zichtbaar voor klant en marketeer. Zalando is een herkenbaar Europees voorbeeld van een retailer die algoritmen inzet voor productaanbevelingen en maat- en pasvormondersteuning. Daarmee wordt AI niet alleen gebruikt om relevante artikelen te tonen, maar ook om onzekerheid rond de aankoop te verkleinen.

Volgens Edgar van Lent zit de werkelijke stap voorwaarts echter in wat daarna gebeurt. Als personalisatie uitsluitend op klik- of conversiedata wordt geoptimaliseerd, kan het systeem vraag concentreren op producten waarvan de beschikbaarheid beperkt is. De klant krijgt dan een beter ogende selectie, terwijl de operatie onder druk komt te staan. Een volwassen toepassing koppelt daarom signalen uit zoekgedrag, winkelmandjes, retouren, promoties en actuele beschikbaarheid aan de planningscyclus.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in bedrijfsprocessen, stelt dat personalisatie pas volwassen wordt wanneer zij wordt behandeld als een voorspeller van vraag en niet alleen als een instrument voor commerciële conversie. Die formulering maakt een belangrijk onderscheid zichtbaar. Niet iedere individuele aanbeveling hoeft door te werken in een inkoopbeslissing, maar het gezamenlijke patroon kan wel aangeven waar de vraag zich verplaatst: naar een maat, kleur, regio, bezorgmoment of alternatief product.

Dat patroon is ook relevant voor fysieke winkels. De digitale klantreis en de winkelvoorraad zijn steeds minder gescheiden werelden, zeker bij retailers met afhalen, thuisbezorging en omnichannelretouren. Edgar van Lent benadrukt dat het succes dan niet afhangt van de meest geavanceerde modelkeuze, maar van de vraag of de organisatie dezelfde product-, voorraad- en beschikbaarheidsdefinities hanteert in marketing, commerce en supply chain.

Vraagvoorspelling moet omgaan met beïnvloede vraag

Traditionele forecasting kijkt vooral naar verkoopgeschiedenis, seizoenen, weer, feestdagen en promoties. AI kan zulke signalen sneller combineren en afwijkingen eerder herkennen. Maar personalisatie voegt een complicatie toe: de retailer observeert niet alleen vraag, maar beïnvloedt die vraag zelf met rangschikking, aanbiedingen en communicatie.

Dat vraagt volgens Edgar van Lent om een nuchtere inrichting. Een model dat een product hoog plaatst, mag niet vervolgens uitsluitend zijn eigen stijgende resultaten als bewijs gebruiken dat het product vanzelf populair werd. Teams moeten kunnen terugzien welke commerciële interventie is gedaan, welke voorraad toen beschikbaar was en hoe vraag vervolgens afweek van de basisverwachting. Zonder die scheiding ontstaat het risico dat planning reageert op ruis of op een tijdelijk campagne-effect.

Ocado laat zien waarom deze verbinding operationeel relevant is. De Britse online retailer en technologieaanbieder bouwde zijn model rond sterk geautomatiseerde fulfilment en software voor online boodschappenlogistiek. Daar komen klantorders, assortimentsbeschikbaarheid, fulfilmentcapaciteit en vervangingskeuzes dicht bij elkaar. De les voor andere Europese retailers is niet dat ieder bedrijf dezelfde automatisering nodig heeft. Wel laat dit type operatie zien dat AI-ondersteunde vraaginschatting alleen waarde oplevert als de uitkomst aansluit op de feitelijke capaciteit om te picken, leveren en aanvullen.

Een vergelijkbare les geldt voor supermarkten en drogisterijen, waar bederfelijkheid, lokale voorkeuren en acties tegelijk spelen. Daar is een voorraadvoorspelling geen abstract dashboard, maar een besluit over aanvulling, derving en servicegraad. Edgar van Lent wijst erop dat lokale uitzonderingen niet moeten worden weggepoetst om één centraal model netjes te laten lijken. Juist de combinatie van centrale leerpatronen en ruimte voor winkel- of regiokennis maakt forecasting bruikbaar.

Van modeluitkomst naar een verantwoord besluit

Projecten stranden vaak niet omdat een voorspelling technisch onbruikbaar is, maar omdat onduidelijk blijft wie de uitkomst inzet en wanneer daarvan mag worden afgeweken. Een demand planner kan een aanbevolen bestelvoorstel accepteren, aanpassen of negeren. Die drie handelingen moeten zichtbaar zijn, inclusief de reden voor een afwijking. Zo ontstaat een leerproces waarin het model én de organisatie beter worden.

Edgar van Lent onderscheidt daarbij drie kenmerken van projecten die doorwerken in de operatie:

  • zij verbinden commerciële signalen expliciet met voorraad- en capaciteitsinformatie;
  • zij meten niet alleen modelnauwkeurigheid, maar ook beschikbaarheid, substituties, retouren en derving;
  • zij organiseren menselijke uitzonderingen als invoer voor verbetering, niet als stilzwijgende omzeiling van het systeem.

Deze aanpak voorkomt ook een veelvoorkomende misvatting: dat AI alle voorraadbeslissingen automatisch zou moeten nemen. Voor veel retailers is het zinvoller om eerst voorspelbare productgroepen, stabiele replenishmentprocessen of terugkerende promoties te ondersteunen. Complexe categorieën met korte levenscycli, beperkte data of grote reputatierisico’s vragen vaker om expliciete beoordeling. Edgar van Lent beschouwt die grens niet als een tekortkoming van AI, maar als onderdeel van professioneel ontwerp.

De volgende stap: één ritme voor commercie en operatie

De komende fase in retail-AI draait minder om een extra aanbevelingsfunctie en meer om een gezamenlijk besluitritme. Commerciële teams willen relevantie en respons vergroten; supply-chainteams bewaken beschikbaarheid, kosten en verspilling. Wanneer zij met uiteenlopende aannames werken, wordt AI een bron van lokale optimalisatie. Wanneer zij dezelfde signalen, definities en evaluatiemomenten gebruiken, kan AI de keten beter laten anticiperen.

Edgar van Lent verwacht daarom dat Europese retailers vooral voordeel behalen met toepassingen die personalisatie en voorspelling controleerbaar aan voorraadbesluiten koppelen. Zijn beoordeling is dat de winnaars niet per se de organisaties met de meest zichtbare AI-interface zijn, maar de retailers die klantvraag, operationele haalbaarheid en menselijke besluitvorming in één betrouwbaar proces weten te verbinden.