Bij Zalando begint AI niet bij een campagne, maar bij de vraag welke producten een individuele klant waarschijnlijk wil zien. Het Europese modeplatform gebruikt machine learning in zoekresultaten, aanbevelingen en maatadvies, zodat een groot online assortiment beter aansluit op voorkeuren, eerdere interacties en de context van een bezoek. Daarmee wordt personalisatie tegelijk een operationeel instrument: relevantere productpresentatie geeft retailers betere signalen over vraag.

Volgens Edgar van Lent laat deze praktijkcase zien waarom retail-AI niet moet worden gereduceerd tot een conversiemotor. Wie klantgedrag structureel vertaalt naar vraagpatronen, kan ook assortimentskeuzes, replenishment en voorraadverdeling nauwkeuriger organiseren. De waarde ontstaat daarbij pas wanneer commerciële teams, supplychainplanning en dataverantwoordelijken met dezelfde definities van product, beschikbaarheid en vraag werken.

Zalando koppelt klantrelevantie aan assortimentssignalen

Zalando communiceert al jaren publiekelijk over het gebruik van machine learning voor onder meer aanbevelingen, zoekfunctionaliteit, maat- en fitondersteuning en de rangschikking van artikelen. Dat is relevant omdat mode-e-commerce met een uitzonderlijk gefragmenteerd aanbod werkt: kleuren, maten, seizoenen, merken en snel veranderende trends maken een generiek ‘meest verkocht’-overzicht vaak weinig bruikbaar voor een individuele bezoeker.

De toepassing lost dus een concreet probleem op. Een klant die gericht zoekt naar kleding voor een bepaalde gelegenheid, maat of stijl, moet niet eerst door een groot aantal irrelevante artikelen. Modellen kunnen beschikbare signalen combineren om de selectie en volgorde van producten persoonlijker te maken. Tegelijk blijft beschikbaarheid een harde grens. Een aanbeveling die niet leverbaar is of alleen leidt tot onpraktische retouren, levert voor klant noch retailer duurzame waarde op.

Dat maakt de verbinding met voorraadbeheer wezenlijk. Digitale interacties zijn geen directe voorspelling van verkoop, maar zij kunnen wel vroegtijdige signalen geven over belangstelling voor productgroepen, prijspunten of combinaties. Voor een retailer ligt de opgave vervolgens in het scheiden van tijdelijk klikgedrag, daadwerkelijke koopintentie en vraag die logistiek uitvoerbaar is. De AI-toepassing wordt pas volwassen wanneer die vertaalslag aantoonbaar in het planningsproces is ingebed.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat personalisatie pas strategische waarde krijgt wanneer zij ook de besluitvorming over assortiment en voorraad verbetert. Zijn werk als AI-specialist licht hij toe op https://edgarvanlent.com.

H&M Group gebruikt data voor vraag en allocatie

Een tweede publiek bekend voorbeeld komt uit de modeketen H&M Group. De onderneming heeft naar buiten gebracht dat zij data-analyse en AI inzet om vraag beter te begrijpen en goederenstromen en assortimentsbeslissingen te ondersteunen. Voor een retailer met winkels, onlinekanalen en uiteenlopende lokale markten is dat een andere, maar nauw verbonden toepassing van dezelfde logica: niet alleen voorspellen wat klanten mogelijk zoeken, maar ook bepalen waar een artikel op welk moment het best beschikbaar kan zijn.

Hier staat voorraadallocatie centraal. Een artikel dat in één markt of kanaal hard loopt, hoeft elders niet dezelfde vraag te hebben. Lokale voorkeuren, weersomstandigheden, seizoensmomenten, promoties en de fase van een collectie kunnen het patroon beïnvloeden. AI kan planners helpen die variabelen op schaal te verwerken en afwijkingen sneller zichtbaar te maken. Daarmee vervangt het systeem de retailplanner niet; het geeft een beter onderbouwde basis voor uitzonderingen, herverdeling en bijsturing.

H&M Group illustreert ook een belangrijke nuance. In fashion retail is een vraagprognose nooit uitsluitend een rekenkundige uitkomst. Nieuwe artikelen hebben beperkte historische data, trends kunnen abrupt omslaan en verkoopdata weerspiegelen mede wat daadwerkelijk beschikbaar was. Een model dat alleen terugkijkt naar eerdere verkoop kan schaarste verwarren met lage belangstelling. Daarom moeten organisaties voorraadposities, beschikbaarheid, retourinformatie en commerciële beslissingen samen beoordelen.

Edgar van Lent wijst erop dat dit precies het onderscheid maakt tussen een aantrekkelijk model en een bruikbare retailtoepassing. “Vraagvoorspelling is geen automatische bestelknop, maar een proces om onzekerheid eerder en beter bespreekbaar te maken”, beoordeelt Edgar van Lent. In de praktijk betekent dit dat inkopers en planners moeten kunnen zien welke signalen een advies dragen, waar onzekerheid hoog is en wanneer menselijk ingrijpen nodig blijft.

De praktische les: één keten van signaal tot beslissing

De twee cases laten verschillende startpunten zien. Zalando werkt dicht op de digitale klantinteractie; H&M Group richt de inzet ook op vraag, allocatie en voorraad in een omnichannelomgeving. De gemeenschappelijke les is dat AI pas rendement oplevert wanneer informatie niet opgesloten blijft in afzonderlijke commerciële of operationele systemen.

Voor retailers is vooral een heldere werkverdeling nodig tussen model en organisatie:

  • modellen signaleren patronen, waarschijnlijkheden en afwijkingen;
  • commerciële teams beoordelen merk-, promotie- en assortimentscontext;
  • supplychain- en voorraadteams vertalen prioriteiten naar uitleverbare acties;
  • data- en governancefuncties bewaken dat definities, kwaliteit en verantwoord gebruik overeind blijven.

Die inrichting voorkomt dat personalisatie en forecasting losstaande projecten worden. Zij helpt ook om de kwaliteit van AI eerlijk te beoordelen. Niet het aantal voorspellingen is doorslaggevend, maar de vraag of de retailer minder vaak te laat reageert op een verschuivend vraagbeeld, zonder klanten met irrelevante keuzes of onnodige voorraad te belasten.

Van experiment naar dagelijkse retailregie

De komende fase in Europese retail ligt daarom in het verbinden van beslissingen die nu vaak apart worden genomen: wat een klant ziet, wat een inkoper bestelt, hoe voorraad over locaties wordt verdeeld en wanneer een planner ingrijpt. Dat vraagt om betrouwbare productdata, expliciete regels voor uitzonderingen en voldoende ruimte om modellen aan te passen aan seizoenen en commerciële wijzigingen.

Edgar van Lent beoordeelt de ontwikkeling positief, mits retailers AI behandelen als besluitondersteuning binnen een controleerbaar proces. De sterkste toepassingen zullen volgens Edgar van Lent niet per se de meest spectaculaire interfaces hebben, maar de systemen zijn die klantrelevantie, vraaginschatting en voorraadbeschikbaarheid aantoonbaar dichter bij elkaar brengen.