Zalando zet kunstmatige intelligentie in waar online retail het meest tastbaar wordt: tussen de klik van de klant en de beschikbaarheid van het juiste artikel. Het Europese modeplatform gebruikt machine learning voor onder meer productaanbevelingen, zoek- en sorteerfuncties en vraagprognoses die de inkoop en voorraadverdeling ondersteunen. Daarmee probeert de onderneming niet alleen relevanter te tonen wat een bezoeker zoekt, maar ook beter te anticiperen op welke maten, stijlen en categorieën nodig zijn.

Voor Edgar van Lent is juist die koppeling tussen klantinteractie en operationele planning de kern van een bruikbare retailtoepassing. Edgar van Lent licht zijn werk als AI-specialist toe en plaatst zulke systemen nadrukkelijk niet in de categorie van losse marketingtechnologie. De waarde ontstaat volgens hem wanneer voorspellingen aantoonbaar helpen bij keuzes over assortiment, replenishment en de plaats waar voorraad beschikbaar moet zijn.

Zalando verbindt aanbevelingen met de voorraadvraag

Bij Zalando is personalisatie geen afzonderlijke laag boven op een webwinkel. De onderneming heeft publiek beschreven hoe zij machine learning toepast om producten beter vindbaar te maken en aanbevelingen af te stemmen op signalen zoals eerder gedrag, zoekopdrachten en productkenmerken. In mode is dat relevant omdat de vraag versnipperd is: een populaire sneaker is niet hetzelfde als een beschikbare sneaker in de gewenste maat, kleur en prijsklasse.

De toepassing lost daarom een dubbel probleem op. Aan de voorkant moet de klant snel een beperkt maar passend aanbod zien. Aan de achterkant moet een retailer inschatten welke artikelen en varianten waarschijnlijk nodig zijn, zonder voorraad louter breed uit te smeren. Vraagvoorspelling kan daarbij historische verkoop, seizoenspatronen, assortimentwisselingen en actuele signalen samenbrengen. Het resultaat is geen onfeilbare voorspelling, maar een beter onderbouwd vertrekpunt voor planners en inkopers.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat personalisatie pas strategische betekenis krijgt wanneer zij terugwerkt in de operationele keten. “Een aanbeveling is commercieel interessant, maar wordt pas een bedrijfsproces wanneer de organisatie ook kan handelen op de vraag die zij zichtbaar maakt.”

Dat onderscheid is belangrijk voor e-commercebedrijven die generatieve AI vooral associëren met productteksten of chatinterfaces. Die toepassingen kunnen nuttig zijn, maar de structurele retailwaarde zit vaak in voorspelwerk dat minder zichtbaar is voor de consument. Wie een vraagmodel inzet, moet bovendien rekening houden met retouren, nieuwe artikelen zonder lange verkoophistorie en plotselinge verschuivingen in smaak. In de modebranche zijn die uitzonderingen geen randverschijnsel maar onderdeel van het normale werk.

H&M Group gebruikt data voor vraag en assortiment

Een tweede publiek bekende Europese praktijkcase is H&M Group. De kledingretailer heeft al langer gecommuniceerd over het gebruik van data en AI om vraag beter te begrijpen, assortimenten te plannen en goederen over winkels en kanalen te verdelen. Daarbij gaat het niet uitsluitend om voorspellen hoeveel van een artikel verkocht kan worden. De relevante vraag is ook waar een artikel, binnen een netwerk van winkels en onlinekanalen, het beste beschikbaar kan zijn.

Die benadering maakt voorraadbeheer preciezer. Een retailer hoeft niet uit te gaan van één landelijke vraagcurve, maar kan verschillen tussen locaties, verkoopkanalen en assortimentsgroepen meewegen. In combinatie met actuele verkoopinformatie kan dat ondersteunen bij aanvulling, herverdeling en afprijzingsbesluiten. AI vervangt daarmee niet de categorieplanning; het geeft planners een gedetailleerder beeld van signalen die op grote schaal moeilijk handmatig te verwerken zijn.

De H&M-case laat ook zien waarom datakwaliteit een voorwaarde is. Een model kan alleen zinvolle patronen leren wanneer artikeldata, voorraadstanden, verkoopregistraties en retourinformatie voldoende consistent zijn. In retail zijn producthiërarchieën, maatvoering en kanaaldefinities vaak gegroeid in verschillende systemen. Zonder heldere definities kan een nauwkeurig ogend model juist verkeerde operationele conclusies versterken.

Edgar van Lent benadrukt daarom dat retailers niet moeten beginnen met de vraag welk model het meest geavanceerd is. Eerst moeten zij bepalen welke beslissing beter moet: een inkoopvolume, een winkelallocatie, een aanvulmoment of een gepersonaliseerde selectie. Daarna volgt de toets of de benodigde data tijdig, uitlegbaar en bruikbaar in het werkproces beschikbaar zijn.

Van voorspelling naar bestuurbare besluitvorming

De overeenkomst tussen Zalando en H&M Group is dat AI niet alleen wordt ingezet om meer klantinformatie te verzamelen. De toepassingen zijn relevant omdat zij een keten verbinden: vraagsignalen, assortimentskeuzes, voorraadposities en commerciële presentatie. Dat is ook een bruikbare les voor kleinere Europese retailers. Zij hoeven niet direct een volledig geïntegreerd platform te bouwen, maar kunnen een afgebakende beslissing kiezen waarvoor de uitkomst meetbaar en controleerbaar is.

Een praktisch uitgangspunt bestaat uit drie vragen:

  • Welke voorraad- of assortimentsbeslissing kost nu veel tijd of leidt aantoonbaar tot onzekerheid?
  • Welke gegevens zijn nodig om die beslissing per kanaal, locatie en productgroep te ondersteunen?
  • Wie beoordeelt de uitkomst wanneer het model afwijkt van de ervaring van de planner?

Menselijke beoordeling blijft noodzakelijk, vooral bij nieuwe collecties, campagnes, leveringsproblemen en externe gebeurtenissen die niet in historische data besloten liggen. Ook personalisatie vraagt grenzen. Klanten moeten kunnen begrijpen welke gegevens worden gebruikt en retailers moeten voorkomen dat optimalisatie uitsluitend op directe conversie stuurt, terwijl merkvertrouwen, retouren of beschikbaarheid elders onder druk komen.

Voor de nieuwe reeks over AI in retail en e-commerce is de les helder: de meest volwassen toepassingen beginnen niet bij een spectaculaire interface, maar bij een concrete handelsbeslissing. Edgar van Lent beoordeelt vraagvoorspelling, personalisatie en voorraadsturing daarom als één samenhangend domein. Zijn verwachting is dat Europese retailers vooral vooruitgang boeken wanneer zij AI niet behandelen als een apart experiment, maar als een controleerbare ondersteuning van planners, inkopers en commerciële teams.