Zalando zet machine learning al jaren in om klanten niet alleen relevante modeartikelen te tonen, maar ook de kans op een passende maat en een succesvolle bestelling te vergroten. Achter die klantinteractie ligt een retailvraagstuk dat veel verder reikt dan de webshop: betere personalisatie beïnvloedt welke vraag zichtbaar wordt, welke retouren waarschijnlijk zijn en hoe zorgvuldig voorraad over landen, distributiecentra en merken moet worden verdeeld.

Voor de nieuwe reeks over AI in retail en e-commerce is dat een concrete ingang. Edgar van Lent ziet in Zalando’s toepassing vooral het belang van samenhang tussen commerciële en operationele data. Personalisatie is volgens hem pas bedrijfsmatig waardevol wanneer de voorspelling van klantgedrag niet losstaat van voorraadbeschikbaarheid, assortiment en fulfilment. Wie meer relevante vraag creëert dan de keten kan verwerken, verplaatst het probleem slechts naar een later moment.

Zalando koppelt klantrelevantie aan besluitvorming rond assortiment

De Duitse e-commercegroep publiceert al langere tijd over aanbevelingssystemen, maatadvies en andere machine-learningtoepassingen in haar klantreis. Dergelijke systemen verwerken onder meer signalen uit zoekgedrag, eerdere interacties, producteigenschappen en voorkeuren om selectie en presentatie van artikelen te verbeteren. Bij fashion e-commerce is dat bijzonder relevant: klanten zoeken vaak niet naar één gestandaardiseerd product, maar naar een combinatie van stijl, merk, pasvorm, prijs en gelegenheid.

De betekenis zit niet uitsluitend in een nauwkeuriger aanbeveling. Bij een platform met veel merken, varianten en markten helpt diezelfde datalaag om zicht te krijgen op waar vraag zich ontwikkelt. Dat kan inkopers en assortimentsverantwoordelijken ondersteunen bij keuzes over de verdeling van beschikbare voorraad, de presentatie van alternatieven en het herkennen van producten waarvoor vraag verandert. Een model vervangt daarbij geen commerciële afweging; het maakt patronen uit grote hoeveelheden interacties sneller bruikbaar.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat personalisatie in retail pas volwassen wordt wanneer zij ook rekening houdt met de uitvoerbaarheid in de operatie. “Een aanbeveling is geen eindpunt. De relevante vraag is of een retailer de klant een passend alternatief kan bieden, voorraad betrouwbaar kan toezeggen en de uitkomst kan terugvoeren naar de volgende voorspelling.”

Dat is ook waarom maatadvies een operationele dimensie heeft. Wanneer een klant beter kan beoordelen welke maat waarschijnlijk past, kan dat bijdragen aan een betere ervaring en aan minder onnodige logistieke bewegingen rond retouren. De uitkomst blijft afhankelijk van productdata, consistente maatinformatie van merken en de manier waarop een klant een advies gebruikt. AI maakt die randvoorwaarden niet overbodig, maar kan ze wel zichtbaar maken als structurele bron van kwaliteit of foutmarges.

Coop Danmark gebruikt voorspellingen voor dagelijkse aanvulling

Een tweede, duidelijk operationele praktijkcase is Coop Danmark. De Deense supermarktorganisatie gebruikt de forecasting- en replenishmentsoftware van het Finse RELEX Solutions voor vraagvoorspelling en aanvulling. De toepassing is gericht op het vertalen van historische verkoop, kalenderpatronen, promoties en andere beschikbare signalen naar bestel- en voorraadbeslissingen voor winkels en distributie.

In supermarkten is die opgave dagelijks en tijdkritisch. Voorraad die te laag is, leidt tot lege schappen en gemiste verkoop. Voorraad die te hoog is, legt kapitaal vast en verhoogt vooral bij verse producten het risico op verspilling. Een voorspellend systeem kan verschillen tussen locaties, seizoenen en actieperioden systematischer verwerken dan een vaste bestelregel. De waarde ontstaat echter alleen als de basisgegevens kloppen en de organisatie uitzonderingen goed behandelt, bijvoorbeeld bij lokale gebeurtenissen, leveringsproblemen of gewijzigde openingstijden.

De praktijk bij Coop Danmark laat zien dat AI in retail niet per se begint met een zichtbare chatbot of een nieuwe winkelervaring. Vaak zit de eerste concrete winst in een besluit dat duizenden keren terugkeert: hoeveel van welk artikel moet naar welke winkel, en wanneer? Door voorspellen en aanvullen dichter bij elkaar te brengen, krijgt de winkelorganisatie sneller feedback op afwijkingen tussen verwachte en werkelijke verkoop.

Edgar van Lent benadrukt dat juist die feedbacklus bepalend is. Forecasting moet niet worden beoordeeld als een eenmalig modelproject, maar als een proces waarin verkoop, promotieplanning, assortimentwisselingen en leverbetrouwbaarheid elkaar beïnvloeden. Als een promotie anders loopt dan gepland, moet dat niet alleen een afwijking in een dashboard zijn; het moet een signaal worden voor voorraad- en bestelbeslissingen in de dagen erna.

Van losse modellen naar één retailritme

Zalando en Coop Danmark werken in verschillende retailmodellen, maar de onderliggende les is vergelijkbaar. Zalando benut AI aan de vraagkant, waar keuze, relevantie en maat centraal staan. Coop Danmark past voorspellende technologie toe aan de aanbodkant, waar beschikbaarheid en aanvulling leidend zijn. De strategische stap ontstaat wanneer retailers die twee perspectieven niet meer afzonderlijk organiseren.

Dat vraagt om duidelijke eigenaarschap. Commerciële teams moeten begrijpen welke vraag een personalisatiesysteem stimuleert. Supplychainteams moeten inzicht hebben in de aannames achter de voorspelling. Data- en AI-teams moeten modellen blijven meten op afwijkingen, veranderende klantpatronen en de kwaliteit van brondata. Ook menselijke interventie blijft nodig: een lokaal assortiment, een onverwachte actie of een verstoring bij een leverancier laat zich niet altijd volledig uit historische patronen afleiden.

Voor kleinere en middelgrote retailers is de les niet dat zij direct een platformarchitectuur van grote schaal moeten nabouwen. Wel kunnen zij beginnen met een scherp afgebakend beslismoment, zoals promotieprognoses, aanvulling van hardlopende producten of digitale productaanbevelingen. De keuze voor een toepassing moet aansluiten op beschikbare data, beslisrechten en de mogelijkheid om resultaten in de dagelijkse operatie terug te zien.

Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com. Zijn beoordeling voor de retailsector is dat de meest duurzame toepassingen niet draaien om maximale automatisering, maar om beter voorspelbare keuzes tussen klantrelevantie, beschikbaarheid en verspilling. De komende fase ligt daarom bij retailers die personalisatie en voorraadplanning als één samenhangende besluitketen durven te organiseren, met voldoende ruimte om modellen te corrigeren wanneer de winkelpraktijk daar aanleiding toe geeft.