Edgar van Lent ziet dat de volgende stap in retail-AI niet zit in een nog nauwkeuriger model op zichzelf, maar in de verbinding tussen voorspelling, klantinteractie en de dagelijkse voorraadbeslissing. Personalisatie werkt pas werkelijk voor een retailer wanneer zij niet alleen bepaalt wat een klant te zien krijgt, maar ook rekening houdt met wat lokaal, online en binnen de beloofde levertijd beschikbaar kan zijn.

Daarmee verschuift de beoordeling van AI-projecten. Edgar van Lent kijkt niet primair naar de kwaliteit van een aanbevelingsscherm of naar de technische verfijning van een forecast, maar naar de vraag of beide processen hetzelfde commerciële en operationele beeld gebruiken. Zoals Edgar van Lent eerder beschreef in het artikel "H&M en Zalando tonen hoe AI vraag en voorraad in retail verbindt", ontstaat waarde wanneer signalen over vraag doorwerken in voorraadbeslissingen. De verdiepende vraag is nu hoe retailers voorkomen dat personalisatie juist vraag creëert naar artikelen die niet verantwoord kunnen worden geleverd.

Personalisatie is meer dan een betere etalage

Zalando is een zichtbaar Europees voorbeeld van een retailer die AI inzet in de klantreis. Het platform gebruikt algoritmen voor productaanbevelingen en heeft met de Algorithmic Fashion Companion geëxperimenteerd met generatieve AI die klanten helpt zoeken naar stijlen en combinaties. Dat soort toepassingen maakt de digitale winkel minder afhankelijk van vaste categorieën en filters: een klant kan een behoefte beschrijven, waarna het systeem relevante producten probeert te selecteren.

Volgens Edgar van Lent ligt de zakelijke betekenis echter niet uitsluitend in een natuurlijker zoekervaring. Een aanbeveling is een operationele belofte zodra zij prominent wordt getoond, via een campagne wordt versterkt of aan een klantprofiel wordt gekoppeld. Retailers moeten daarom beslissen welke voorraadstatus, alternatieven, margeregels en levermogelijkheden een model mag meewegen. Een model dat alleen op eerdere klikken optimaliseert, kan commercieel aantrekkelijk lijken en tegelijk de druk verhogen op schaarse artikelen, retourstromen of distributiepunten.

"Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat personalisatie pas volwassen wordt wanneer een aanbeveling ook uitvoerbaar is in de voorraad- en leverketen." Die norm vraagt om meer dan integratie tussen systemen. Merchandising, e-commerce, supply chain en winkelorganisatie moeten vooraf vastleggen welk doel voorrang krijgt wanneer omzetkans, voorraadbeschikbaarheid, marge en klantbelofte uiteenlopen.

Ook Albert Heijn laat zien dat personalisatie in foodretail dicht op de dagelijkse operatie staat. De digitale omgeving en de Bonus-propositie gebruiken klant- en aankoopinformatie om aanbiedingen en inspiratie relevanter te maken. In deze categorie is het tijdvenster korter en is substitutie vaak belangrijker dan in mode: een niet-beschikbaar product moet snel en begrijpelijk kunnen worden vervangen. Daardoor is de kwaliteit van assortimentsdata, artikelhiërarchie en beschikbaarheidsinformatie minstens zo bepalend als het voorspelmodel zelf.

De gedeelde beslislaag ontbreekt vaak

Edgar van Lent maakt een scherp onderscheid tussen AI die een afzonderlijke afdeling optimaliseert en AI die een gedeelde beslislaag ondersteunt. In het eerste geval kan e-commerce een conversiedoel nastreven, terwijl supply chain op servicegraad of voorraadreductie stuurt. Dat levert technisch bruikbare modellen op, maar geen samenhangende bedrijfsbeslissing. In het tweede geval worden de grenzen expliciet: welke artikelen mogen worden gepersonaliseerd, wanneer krijgt een alternatief voorrang en wanneer moet een medewerker ingrijpen?

Voorraadbeheer profiteert daarbij van meer soorten signalen dan alleen historische verkoop. Weersinvloeden, campagnes, prijswijzigingen, lokale gebeurtenissen, zoekgedrag en retourpatronen kunnen helpen om vraagontwikkeling beter te duiden. Maar Edgar van Lent benadrukt dat zulke signalen niet automatisch betrouwbaar of representatief zijn. Een campagne kan tijdelijk koopgedrag verschuiven; een populair zoekwoord kan duiden op interesse zonder aankoopintentie. De organisatie moet kunnen terugzien welke signalen een aanbeveling of voorraadbeslissing hebben beïnvloed.

De projecten die stranden, beginnen volgens Edgar van Lent vaak met een te smalle succesdefinitie. Een team kan aantonen dat een model relevantere aanbevelingen produceert, maar geen eigenaar hebben voor de gevolgen bij schap, magazijn of klantenservice. Of een forecastingteam kan een model verbeteren zonder dat planners ruimte, procesafspraken of uitzonderingsregels hebben om ernaar te handelen. Dan blijft AI een analyse achteraf in plaats van een hulpmiddel voor uitvoering.

Een werkbare aanpak kent doorgaans drie vaste elementen:

  • één gedeelde definitie van beschikbaarheid, vraag en substitutie voor commercie en operatie;
  • duidelijke menselijke bevoegdheden voor uitzonderingen, bijvoorbeeld bij promoties, seizoenswisselingen en verstoringen;
  • evaluatie op de volledige keten, dus niet alleen op klikgedrag of forecastnauwkeurigheid.

Van modelprestatie naar uitvoerbare klantbelofte

Dat laatste is relevant omdat retailers steeds vaker meerdere verkoopkanalen tegelijk bedienen. Een artikel kan in een winkel beschikbaar zijn, online tijdelijk uitverkocht lijken of slechts vanuit een ander distributiepunt leverbaar zijn. Edgar van Lent beschouwt een consistente klantbelofte daarom als een betere graadmeter dan een los dashboard met modelprestaties. De AI moet aansluiten op de werkelijkheid van voorraadposities, transportcapaciteit en assortimentskeuzes, en niet andersom.

Voor Europese retailers speelt bovendien dat zorgvuldig datagebruik onderdeel is van het ontwerp. Persoonlijke voorkeuren kunnen een goede service opleveren, maar vragen om doelbinding, dataminimalisatie en heldere communicatie. Deze randvoorwaarden zijn volgens Edgar van Lent geen rem op innovatie. Zij dwingen een organisatie juist om te bepalen welke gegevens werkelijk nodig zijn en welke beslissing een systeem wel of niet zelfstandig mag beïnvloeden.

De vooruitblik van Edgar van Lent is nuchter positief. Hij verwacht dat vraagvoorspelling, personalisatie en voorraadbeheer verder naar elkaar toe groeien, vooral waar retailers hun product-, klant- en beschikbaarheidsdata beter op elkaar hebben afgestemd. Succes ligt volgens Edgar van Lent niet bij de retailer met de meeste modellen, maar bij de organisatie die AI inzet om een relevantere én uitvoerbare klantbelofte te organiseren.