Vraagvoorspelling met AI: beter plannen of schijnzekerheid?
AI kan patronen in verkoopgegevens herkennen en combineren met informatie over bijvoorbeeld feestdagen, weer of promoties. Je leest welke data en seizoenspatronen daarbij tellen, hoe uitzonderlijke gebeurtenissen voorspellingen vertekenen en wanneer een nauwkeurig ogend cijfer toch schijnzekerheid geeft.
Wat AI-vraagvoorspelling wel en niet vertelt
Vraagvoorspelling gebruikt AI om te schatten hoeveel klanten waarschijnlijk van een product willen kopen in een bepaalde toekomstige periode. Zo'n model gebruikt meestal oude verkoop, samen met details als prijs, promotie, winkel, soort product en kalenderdata. Wat je krijgt: geen garantie, en geen directe meting van wat mensen echt wilden kopen. Het blijft een inschatting op basis van wat in de data zat. Dat onderscheid speelt vooral bij artikelen die vaker uitverkocht zijn geweest. Je verkoopcijfers tonen alleen hoeveel er geleverd kon worden, niet het aantal mensen dat misgreep in de winkel.
Een AI-model beslist ook niet automatisch hoeveel je moet inkopen. De voorspelling gaat over verwachte afzet; een bestelkeuze moet daarnaast rekening houden met levertijden, minimale ordergrootte, kosten voor opslag, risico op bederven en hoe vaak iets op voorraad moet zijn. Dus twee producten met dezelfde voorspelde vraag kunnen toch een compleet andere inkoopstrategie vragen. Denk aan potgrond versus een rageartikel: lange houdbaarheid en lage kosten rechtvaardigen meer buffer, bij korte modepieken kan voorraad blijven liggen.
AI komt van pas als het om duizenden artikelen, locaties en periodes gaat. Geen mens vindt dan nog elk patroon. Toch blijft specifieke kennis nodig. Soms buigt een bekend patroon ineens af, door bijvoorbeeld een nieuwe marktspeler, een andere verpakking of leveringsproblemen. Zie een prognose daarom als onderbouwing bij het beslissen, niet als een signaal dat direct als orderregel het systeem in mag.
Wat voor verkoopdata het model echt nodig heeft
Je begint bij een tijdlijn met verkoop per product en eenheid, vaak per dag of week. Verder is het slim om locatie, regio, verkoopkanaal en voorraadstatus toe te voegen. Laat je dat weg, dan zie je misschien niet dat een artikel in de ene provincie snel stijgt en in een andere juist wegzakt, want landelijk lijkt alles stabiel. Houd ook bij: introductiedatum, momenten met geen voorraad, wanneer iets uit het assortiment verdwijnt of een ander artikelnummer krijgt. Doe je dat niet, dan kan het model valse knikken zien, zoals een administratieve wijziging in plaats van echte veranderde klantvraag.
Kijk kritisch naar de kwaliteit. Dubbele regels, missende dagen, slordige retourverwerking, of een ongemerkte switch van stuks naar dozen: allemaal bronnen van schijnpatronen. Een nulverkoop is niet altijd een échte nulvraag, kan zomaar wegens geen voorraad, winkel dicht of late dagafsluiting komen. Zet zulke scores apart, niet gelijk als normaal datapunt.
Koppel prijsinformatie en promoties, maar let op de juiste looptijden en doelgroep. Een actie alleen voor vaste klanten is niet hetzelfde als een landelijke prijsverlaging. Zonder deze details kan een model een verkooppiek fout leren als standaardgroei. Maak vooraf heldere afspraken over definities, tijdzones, productniveaus en correcties. Mist dit? Dan maakt elk geavanceerd model de bronproblemen ondoorzichtiger in plaats van opgelost.
Kritiek op seizoenspatronen en modelblindheid voor de kalender
Verkoop beweegt op meerdere ritmes. Het ene artikel verkoopt doordeweeks, het andere vooral met kerst. Sportartikelen schieten omhoog bij de start van het seizoen, schriften bij begin schooljaar. AI-modellen kunnen patronen oppikken, mits er genoeg vergelijkbare jaren in de data zitten. Maar kijk uit: twaalf weken verkopen biedt geen bewijs voor een stabiel jaarlijks patroon. Nieuwe winkels missen simpelweg een eigen historisch record voor piekperioden als december.
Zorg dat je kalenderdata aansluit bij klantengedrag, niet alleen officiële feestdagen. Pasen verschuift ieder jaar, lokale vakanties liggen nergens tegelijk, en het begin van Ramadan valt steeds anders. Focus niet puur op maanden. Koppel extra kenmerken als feestdagen, dagtype, lokale gebeurtenissen en schoolvakanties. Let verder op gedrag vlak vóór een feestdag: piekverkopen verschuiven soms juist naar de dagen voor Kerst en niet die dag zelf.
Let goed op dat seizoenspatronen geen absolute wetten zijn. Een zachte winter vreet aan de verkoop van warme jassen. Een plots koude week geeft weer een korte piek. Maak daarom verschil tussen vaste kalendertrends en actuele omstandigheden die het patroon beïnvloeden. Controleer altijd of de situatie rond het artikel, de prijs, distributie en voorraad vergelijkbaar is als je seizoensdata interpreteert.
Externe data, toegevoegde waarde en ruis in de voorspelling
Externe bronnen helpen om onverwachte schommelingen te verklaren. Voorbeelden: temperatuur, hoeveel regen valt er, economische trends, zoekvolumes of lokale evenementen. Maar let op: waarde hangt af van de logica én beschikbaarheid van de data voor het juiste moment. Weersdata heeft nut voor frisdankjes in hete weken, maar landelijk gemiddelde temperaturen zeggen weinig als je winkels verspreid zitten. Gebruik data per regio en documenteer de updatefrequentie.
Regelmatig gaat het mis omdat analisten terugkijken en dan informatie gebruiken die historisch nog niet beschikbaar was (leakage). Je mag een model voor week 36 niet trainen met de temperatuur die pas later bekend werd. Test eerlijk: neem alleen data die destijds al bekend was bij het voorspellen. Pas ook op bij economische indicatoren die later zijn bijgesteld of evenementenkalenders die in de loop van het jaar veranderen.
Extra variabelen zorgen niet standaard voor verbetering. Toevallige verbanden duiken altijd op in trainingsdata, maar verdwijnen daarna. Voeg alleen iets toe als het logisch is, data structureel beschikbaar blijft én het effect blijft bestaan op nieuwe gevallen. Check per regio en artikelsoort. Externen kunnen elkaar zelfs tegenwerken: bij zon schiet terrasomzet omhoog, maar een lokale stortbui houdt klanten weg. Een model kan pas onderscheid maken als er veel voorbeelden zijn én het verband bestaat.
Wat uitzonderingen en incidenten doen met je voorspelling
Incidentele gebeurtenissen sturen een model snel de mist in. Een overdreven piek (hamstergedrag, een viral tik), wordt zomaar als normaal ingeleerd. Gaat je verkoop door storing of lockdown fors onderuit, dan drukt dat de verwachting voor daarna. Soms zie je het direct in de cijfers, maar vaak ontbreekt context: het model plakt de piek aan een verkeerd detail (bijvoorbeeld een specifieke woensdag of prijsschommeling).
Gooi uitbijters niet meteen weg. Ze zijn soms een fout, maar kunnen ook wijzen op echte vraag die je wel degelijk moet managen. Kijk naar details in transacties, was het artikel beschikbaar, speelde er een eenmalige actie, kwam iets in het nieuws, of gebeurde er operationeel wat? Label afwijkingen als dataprobleem, incidentele gebeurtenis, structurele switch of onbekend. Corrigeer fouten, maar echte gevallen kun je als scenario meenemen. Leg uit wat je doet, daardoor kunnen anderen later begrijpen waar en waarom je hebt ingegrepen.
Een model kan geen gebeurtenissen voorspellen die het niet kent. Combineer daarom met scenario's: normaal verloop, groei-explosie, leveringsproblemen. Kijk naar de snelheid, hoe snel past het model zich aan als het klantenpatroon draait? Modellen die aan 3 jaar historie hangen, reageren traag; modellen die vooral op recente weken letten, vangen te snel ruis op. Afstemming hiervan is maatwerk en hangt af van het type artikel.
Hoe horizon en detail het verschil maken
Een voorspelling voor morgen is vaak makkelijk gemaakt, maar zes maanden vooruit? Daar zit veel meer onzekerheid in. Toch heb je juist die lange termijn nodig bij productieplanning of voorraden die van ver moeten komen. Dus stem de voorspeld termijn af op de beslissing: elke dag bijbestellen voor de winkel kan, maar een buitenlandse leverancier vraagt langere planning. Niet elk model dekt alles af. Korte trends werken niet voor het jaar vooruit, op lange termijn worden snelle golfjes verraderlijk.
Het gekozen detailniveau bepaalt de bruikbaarheid. Voorspellen per artikel per filiaal geeft detail, maar levert veel rare ritsen op met weinig data. Op categorieschaal wordt het patroon gladder, maar mis je pieken van een enkel hardloper of juist instabiele artikelen. Veel organisaties kiezen een gelaagde aanpak: maak inschattingen op verschillende niveaus en laat totalen op elkaar aansluiten. Grote afwijkingen tussen de som van winkels en landelijke planning moeten verklaard zijn, anders gaat het mis in de aansturing.
Artikelen die zelden lopen passen slecht bij standaardmodellen. Je ziet weken niks, dan ineens een flinke order. Daar kun je beter kijken naar kans plus gemiddelde ordergrootte in plaats van strakke weekverwachting. Houd rekening met minimumbestellingen en hoe snel iets kan komen: een perfecte weekvoorspelling heeft weinig nut als je alleen per kwartaal mag bestellen. Zorg voor afspraken over vernieuwing van de voorspelling; weet waarop bijgestuurd moet worden.
Fouten en onzekerheid rond voorspellen zichtbaar houden
Beoordeel een model niet op één cijfer. Neem gemiddelde fout: die klinkt duidelijk, maar grote artikelen drukken dan alles. Een percentage kan kleine slowmovers juist enorm laten meetellen. Kies iets wat past bij de planning, en kijk naast het totaal ook naar verschillen tussen groepjes, locaties, het seizoen en tijdsperiode. Het komt voor dat het gemiddelde verbetert, maar net de artikelen waar een tekort duur uitpakt krijgen slechtere scores.
Test altijd met historie die het model nog niet zag. Verdeeld door elkaar testen, met dagen uit verleden en toekomst door elkaar, kan stiekem informatie vanuit de toekomst naar de training sluizen. Gebruik een tijdsmethode: train op het verleden, voorspel dan een echte volgende periode. Doe dit op meerdere momenten, ook in piekweken. Houd de AI-uitkomst naast simpele alternatieven: vorige jaar dezelfde week, of voortschrijdend gemiddelde. Staat het geavanceerde model niet structureel voorop ten opzichte van zo'n basislijn? Dan is alle modelwerk mogelijk verspilde moeite.
Eén scorecijfer zegt niks over onzekerheid. Toon waar het kan een bandbreedte: welke uitkomst is aannemelijk als het mee- of tegenzit? Controleer hoe vaak dat bereik klopt. Een smalle band die vaak overschreden wordt is geen bewijs van nauwkeurigheid, maar van overschat vertrouwen. Kijk verder naar structurele afwijkingen: voorspel je altijd te laag bij introducties of juist te hoog bij acties? Meet voortschrijdend, want assortiment en klantengedrag veranderen altijd. Leg vooraf vast wat per categorie een acceptabele fout is.
Wat er bij de praktijkkeuze tussen voorspelling en voorraadbesluit komt kijken
Een vraagprognose wordt pas praktisch als duidelijk is hoe dit je voorraad stuurt. Combineer voorspelling met je voorraad, openstaande orders, levertijd, en gewenste servicegraad. Zie je een gemiddelde vraag van honderd per week? Bestel niet automatisch honderd. Misschien duurt het vier weken voor je bijlevert, of zijn er forse pieken mogelijk. Je veiligheidsvoorraad kies je mede door die onzekerheid plus wat een tekort je kost. Zeker bij bederfelijke of snel verouderende artikelen moet te veel voorraad soms veel zwaarder wegen dan een misgelopen verkoopkans.
Maak regels voor uitzonderingen waarbij een automatisch voorstel eerst handmatig moet worden gecheckt. Denk aan nieuwe artikelen, grillige wijziging van uitkomsten, acties zonder goede referentie, leveranciers die traag reageren, of ongewoon hoge orderbedragen. Laat planners bij een afwijking niet op goed geluk klikken en accepteer het: toon wat er veranderde, welke aanname ligt onder de voorspelling, en hoeveel onzekerheid er nog is. Registreer elke handmatige aanpassing plus de reden waarom. Zo kun je straks controleren of het effect positief of negatief was.
Let op: voorspelling en voorraad beslissen beïnvloeden elkaar. Na een prognose volgt een bestelling, die vervolgens tekorten voorkomt. Je mag gerealiseerde verkoop niet als bewijs nemen dat de voorspelling altijd perfect was, de bestelstrategie heeft immers de uitkomst bepaald. Houd dus bij: artikelbeschikbaarheid, gemiste verkopen en aankopen die zijn vervangen door andere producten. Daarmee scheid je een goed voorspellend model van een proces dat vooral stuurt op wat toevallig in de schappen stond.
Veelgestelde vragen
Hoe vertaal je een AI-vraagprognose naar een besteladvies?
Je maakt van een AI-prognose een besteladvies door de verwachte vraag gedurende de levertijd te combineren met je voorraadstrategie en praktische beperkingen. De voorspelling is een onderdeel van de rekensom, niet het besteladvies zelf.
- Bepaal eerst hoeveel er verkocht wordt in de tijd tot de volgende levering binnenkomt.
- Kies hoeveel veiligheidsvoorraad past bij je gewenste service en de onzekerheid in de voorspelling.
- Neem actuele voorraad, lopende orders, minimale bestelaantallen en houdbaarheid in de overweging mee.
Check altijd bij opvallende of grote adviezen of de input klopt voor je een order goedkeurt.
Hoe maak je een vraagprognose voor een nieuw product zonder verkoopgeschiedenis?
Heb je een nieuw product zonder verkoopgeschiedenis, begin dan met vergelijkbare artikelen plus info over de introductie, en besef dat zo'n schatting altijd onzeker is. Zoek vergelijkbare producten naar doelgroep, prijs, gebruik, seizoen, kanaal, niet alleen naar soort of categorie.
- Kijk of je verkoopdata hebt van eerdere vergelijkbare introducties en gebruik die als basis.
- Bekijk geplande acties en distributie als die al bekend zijn.
- Werk direct je prognose bij zodra er echte verkoop- of voorraaddata zijn.
Kies liever voor een voorzichtig kleine eerste order of beperkte uitrol; daarmee kun je je aannames beter testen voordat je vol inzet.
Hoe bepaal je of AI-vraagvoorspelling financieel rendabel is?
Bepaal de waarde van AI-voorspelling door kosten en opbrengsten af te zetten tegen de huidige manier van plannen; niet zomaar omdat de fout kleiner lijkt te zijn. Alleen als een betere verwachting leidt tot slimmere bestelkeuzes, heeft het zin.
- Kijk naar meer/minder misgelopen omzet, overschotten, afboekingen en derving.
- Neem implementatiewerk, databeheer en tijd van planners mee in de balans.
- Zet uitkomsten af tegen een eenvoudige referentievoorspelling in dezelfde periode.
Een test met een beperkte groep artikelen of één winkel laat snel zien of de stap het extra werk waard is.
Wat moet een planner doen als de AI-prognose niet overeenkomt met de praktijkkennis?
Krijg je als planner een AI-verwachting die niet strookt met je praktijkkennis, onderzoek dan waar het verschil zit en pas zo nodig aan, met uitleg erbij. Je voegt zo informatie toe die het systeem nog mist, zoals een actie die op komst is, een nieuwe speler in de buurt, of bekende leverproblemen.
- Kijk eerst of je data klopt, en of het model de juiste periode heeft bekeken.
- Maak onderscheid tussen veranderingen met duidelijke onderbouwing en puur buikgevoel.
- Leg aanpassingen vast en bekijk later of ze goed uitpakten.
Zo blijft duidelijk dat jij de keuze maakt en is het te achterhalen wanneer het model blinde vlekken heeft.
Hoe begin je met AI-vraagvoorspelling binnen een organisatie?
Start klein en overzichtelijk, waar je data nagenoeg klopt en het voorraadprobleem concreet is. Dan zie je direct of het AI-model in de dagplanning bruikbaar is voor je de aanpak breder uitrolt.
- Kies een artikelgroep met voldoende historie en regelmatig planningsgedoe.
- Leg vast wie de data nakijkt, voorspellingen bekijkt en afwijkingen verwerkt.
- Vergelijk met de bestaande praktijk en spreek af waaraan je het succes wilt afmeten.
Neem operationeel planners vanaf de start mee, zodat ze begrijpen wat de uitkomst betekent en weten wanneer handmatige controle nodig blijft.
Foto: cottonbro studio