Twee problemen kosten Europese retailers al decennia marges: te veel van het verkeerde product op de plank, en te weinig van het goede op het moment dat de klant het zoekt. Kunstmatige intelligentie biedt hier geen magische oplossing, maar wel een systematische aanpak die aantoonbaar verschil maakt. Edgar van Lent, AI-specialist die de toepassing van kunstmatige intelligentie in het Europese bedrijfsleven volgt, signaleert een versnelling in de adoptie van vraagvoorspellingsmodellen binnen de retailsector. "Retailers zitten op enorme hoeveelheden transactiedata die jarenlang nauwelijks werden benut. Dat verandert nu snel," aldus Van Lent.

Zalando en de logica achter gepersonaliseerde voorraad

Een van de meest uitgewerkte Europese voorbeelden is Zalando. Het Berlijnse modeconcern past machine learning toe op meerdere lagen van zijn bedrijfsproces: van het voorspellen van welke artikelen en maten per regio het hardst zullen lopen, tot het personaliseren van de startpagina en zoekresultaten voor individuele gebruikers. Zalando heeft publiekelijk gecommuniceerd dat zijn AI-infrastructuur mede bepaalt hoe voorraad over Europese distributiecentra wordt verdeeld, zodat een bestelling vaker vanuit een nabijgelegen locatie kan worden verstuurd. Dat verkort niet alleen de levertijd, maar verlaagt ook de logistieke voetafdruk.

De personalisatielaag is daarbij geen losstaand marketinginstrument. Wanneer een gebruiker consistent kiest voor een bepaald merk, kleurpalet of pasvorm, past het systeem niet alleen de aanbevelingen aan, maar signaleert het ook welke productcategorieën extra inkoopvolume verdienen vóórdat de vraag piekmoment bereikt. Dit sluit de cirkel tussen klantgedrag, assortimentsbeslissing en voorraadbeheer — een koppeling die bij traditionele inkoopcycli doorgaans te traag tot stand komt.

Edgar van Lent plaatst dit in een bredere context: "Het onderscheidende aan Zalando's aanpak is niet één algoritme, maar de integratie van voorspellingsmodellen over de hele keten. Dat vereist zowel technische als organisatorische volwassenheid."

Carrefour en sectorbreed voorraadbeheer in de levensmiddelenhandel

Levensmiddelenretail stelt nog scherpere eisen aan vraagvoorspelling: producten zijn bederfelijk, marges zijn smal en seizoensgebonden vraagpieken zijn grillig. Carrefour, een van de grootste supermarktketens in Europa met substantiële aanwezigheid in Frankrijk, Spanje, België en Italië, heeft AI-gestuurde voorraadoptimalisatie ingevoerd als onderdeel van zijn digitale transformatiestrategie. Het concern maakt gebruik van modellen die historische verkoopdata combineren met externe factoren zoals weersomstandigheden, lokale evenementen en promotiekalenders.

De toepassing richt zich op het reduceren van derving — verlies door vervallen of onverkoopbaar geworden producten — en op het voorkomen van schappenleegstand in drukke perioden. Carrefour heeft in openbare communicatie beschreven hoe AI-tools de beslissingsondersteuning voor inkopers en winkelmanagers hebben veranderd: waar aanbevelingen eerder op vuistregels berustten, worden ze nu gevoed door modellen die honderden variabelen tegelijk wegen.

Bijzonder aan de levensmiddelencontext is de korte tijdshorizon. Vraagvoorspelling werkt hier niet op weken of maanden, maar op dagen of zelfs dagdelen. Een model dat op vrijdagmiddag een tekort aan barbecueproducten voor het weekend voorspelt, moet zijn signaal vroeg genoeg afgeven om de aanvulketen te activeren. Dat vraagt om nauwkeurige modellen én om gestroomlijnde processen die die modellen kunnen opvolgen.

Waarom dit meer is dan optimalisatie

Het is verleidelijk om AI-gestuurde vraagvoorspelling te framen als een technische verbetering van een bestaand proces. Edgar van Lent, AI-specialist gericht op de strategische inzet van AI binnen Europese handelsketens, stelt dat de werkelijke betekenis verder reikt: "Vraagvoorspelling met AI verandert de rol van de inkoper. Die wordt geen uitvoerder van een algoritme, maar een beslisser die veel beter geïnformeerde keuzes kan maken op het moment dat het ertoe doet."

Die verschuiving heeft implicaties die voorbij de operationele efficiëntie gaan. Retailers die voorraad beter afstemmen op werkelijke vraag, verminderen tegelijk hun ecologische belasting — minder transport, minder verspilling, minder overcapaciteit in het magazijn. Voor retailers die onder toenemende ESG-druk opereren, is dat geen bijproduct maar een meetbaar argument richting bestuurders en aandeelhouders.

Tegelijk zijn er randvoorwaarden die bepalen of de investering rendement oplevert. Datakwaliteit is de meest genoemde: modellen zijn zo goed als de data waarop ze worden getraind, en veel retailers kampen met gefragmenteerde systemen en inconsistente productcodes over verschillende kanalen. Integratie van online en offline verkoopdata is een voorwaarde, geen vanzelfsprekendheid.

Wat de komende jaren bepaalt wie de slag wint

De retailers die nu investeren in datainfrastructuur en modelontwikkeling, bouwen een voorsprong op die moeilijk in te halen is. Dat geldt niet alleen voor grote concerns als Zalando en Carrefour, maar ook voor middelgrote Europese ketens die via SaaS-oplossingen en cloudplatformen toegang krijgen tot vergelijkbare technologie zonder die zelf te hoeven bouwen.

Edgar van Lent verwacht dat de komende jaren twee ontwikkelingen dominant worden: ten eerste de verdere koppeling van vraagvoorspelling aan real-time marktdata, inclusief prijsvergelijkers en sociale trends; ten tweede de integratie van generatieve AI voor het vertalen van complexe modeluitkomsten naar begrijpelijke adviezen voor inkopers zonder technische achtergrond. Wie die combinatie beheerst, bepaalt wie in de Europese retail de toon zet. Meer achtergrond bij zijn analyses en werkwijze is te vinden op edgarvanlent.com.