Hoe voorspel je klantvraag in een steeds complexere retail?
Samen met Intratuin onderzochten we de mogelijkheden en randvoorwaarden van een AI-gedreven demand forecasting model. Het doel: klantvraag nauwkeuriger voorspellen, zodat inkopers slimmer bestellen, verspilling verminderen en omzetverlies voorkomen.
De uitdaging
Elke retailer herkent de vraag: “Hoe kunnen we klantvraag beter voorspellen zodat inkopers slimmer kunnen bestellen?”Schappen moeten gevuld blijven, maar traditionele forecastmethodes schieten tekort door de complexiteit en schaal van moderne retail. AI biedt kansen, mits de basis op orde is. Dat betekende: werken met schone, complete en consistente data, én de juiste variabelen om het model te voeden.
Het model
We trainden een AI-forecastmodel in Google Vertex AI met vier jaar aan historische data. Door variabelen zoals prijswijzigingen, promoties, seizoenspatronen en pieken rond feestdagen te combineren, kreeg het model een realistischer beeld van koopgedrag. Na training integreerden we het model in de OutSystems-gebaseerde inkoopomgeving. Binnen korte tijd konden meer dan 48.000 artikelen worden voorspeld, waarmee een stevige basis ontstond voor voorspellende inzichten in het dagelijkse inkoopproces.
Van voorspelling naar advies
Een voorspelling alleen is niet genoeg. De volgende stap was het vertalen van forecast-aantallen naar concreet, toepasbaar advies. We ontwikkelden daarom een eenvoudige Safety Stock threshold-formule die aangeeft wanneer voorraadniveaus kritisch worden. Inkopers zagen direct een helder adviesgetal in hun bestaande inkoopscherm. Geen extra dashboards. Geen nieuw proces. Wel directe ondersteuning op het moment van beslissen.
Adoptie en samenwerking
Gedurende meerdere maanden werkten we samen met inkopers in de winkels. We observeerden hun werkwijze, testten hoe het advies aansloot op hun routines en bespraken momenten waarop zij bewust afweken van het AI-advies. Deze gesprekken waren open, soms kritisch, maar altijd waardevol. Ze hielpen niet alleen het model te verbeteren, maar zorgden er ook voor dat inkopers zich mede-eigenaar voelden van de oplossing. Hun feedback verrijkte zowel het model als ons inzicht in het inkoopproces en de business.
Resultaten en vervolgstappen
De pilot leverde twee belangrijke inzichten op. Ten eerste: context is cruciaal. Factoren zoals schapindeling, visual merchandising en vooraf geselecteerde artikelgroepen beïnvloeden beslissingen sterk en moeten worden meegenomen. Ten tweede ontwikkelden we een vergelijkingsframework dat per artikel laat zien waar AI-advies en menselijke beslissingen overeenkomen of afwijken. Dit maakt iteratie eenvoudiger en inzichtelijker, en helpt gericht verbeteren richting de combinatie juiste voorspelling, juiste actie.
Verder bouwen
Intratuin kan deze ontwikkeling nu zelfstandig voortzetten, en dat was precies de bedoeling. AI-oplossingen zijn zelden in één keer perfect. Door klein te starten, te leren en te itereren, groeit de waarde stap voor stap. Wat begon als een pilot is uitgegroeid tot een continu leerproces dat Intratuin helpt steeds beter onderbouwde, datagedreven inkoopbeslissingen te nemen.
