AI voor inkoop en voorraad
Bij een webshop met EUR 5-150M omzet groeit het aantal SKU's, leveranciers en kanalen sneller dan een inkoopteam in spreadsheets kan bijhouden. Vaste min/max-regels lopen achter op seizoenspieken en op levertijden die stilletjes oplopen.
Processen en waar AI past
Vraagvoorspelling per SKU
- 10-20 dagen
- Wekelijkse of dagelijkse herberekening van de verwachte afzet per artikel op basis van nieuwe orderdata, retourstromen, voorraadstanden en geplande promoties.
- Demand planner of senior inkoper
- Typisch (schatting) voor een webshop met EUR 5-150M omzet: 5.000 tot 50.000 actieve SKU's die wekelijks worden doorgerekend, waarvan schatting 250 tot 1.500 A-artikelen extra worden gecontroleerd rond seizoenswissels en grote acties.
- 8 tot 16 uur per week bij handmatig doorrekenen in spreadsheets.. Aanname: wekelijks exporteren en samenvoegen van verkoop- en voorraaddata uit webshop, marktplaatsen en WMS (2 tot 3 uur) + handmatig beoordelen en bijstellen van trends en seizoensfactoren voor 300 tot 600 belangrijkste SKU's tegen 1 tot 1,5 minuut per SKU (5 tot 10 uur) + afstemming met marketing over lopende en geplande promoties (1 tot 3 uur). Meet dit een week in je eigen team voordat je de besparing noemt.
- Historische orderregels per dag, per SKU en per verkoopkanaal (webshop en marktplaatsen); Historische voorraadstanden per dag om periodes met nulvoorraad te herkennen; Retourdata per SKU en het aandeel retouren dat weer als verkoopbare voorraad terugkeert; Marketing- en actiekalender met geplande kortingen en campagnes; Artikelstamdata met categorie-indeling, introductiedatum en status (actief of uitlopend)
- Voorspelde afzet per SKU per week en per maand over de volledige inkoophorizon; Correctiefactor voor gemiste verkopen tijdens eerdere periodes zonder voorraad; Uitzonderingenlijst met artikelen waarvan de werkelijke verkoop buiten de bandbreedte van de voorspelling valt; Doorgerekende vraagparameters als directe voeding voor het berekenen van bestelpunten en veiligheidsvoorraden
- We halen elke nacht de gerealiseerde verkooporders, retouren en dagelijkse voorraadstanden per SKU en per verkoopkanaal op uit het ERP, het WMS en de webshop.
- Het systeem zuivert de historische reeks voor dagen met nulvoorraad (stockouts) en eenmalige uitschieters, zodat een eerdere uitverkoop niet leidt tot een structureel te lage vraagverwachting.
- De forecastingmodule berekent per SKU de verwachte vraag voor de komende weken en maanden op basis van trend, seizoenspatroon en omloopsnelheid.
- De inkoper of demand planner voert geplande marketingcampagnes, prijsacties en assortimentswijzigingen in die het model niet uit historische cijfers kan afleiden.
- We controleren de lijst met SKU's waar de voorspelling sterk afwijkt van de recente realisatie en geven de gecontroleerde vraagvoorspelling vrij aan de bestelmodule.
- Een statistisch model rekent duizenden SKU's per week door op trend, seizoen en dagen met nulvoorraad. Dat kun je grotendeels automatiseren. De inkoper stuurt alleen bij voor nieuwe producten zonder historie en voor grote acties. Bij Delhaize BeLux haalt het model volgens SymphonyAI en Delhaize een wekelijkse nauwkeurigheid van 80 tot 85 procent in de distributiecentra voor droog en diepvries (leveranciersopgave, niveau B).
- Vervuilde brondata, zoals niet-geregistreerde stockouts of eenmalige B2B-partijverkopen in de webshopdata, zorgen ervoor dat het model de structurele vraag structureel te laag of te hoog inschat.
- We richten een wekelijkse afwijkingsrapportage in op de belangrijkste A-artikelen en schermen eenmalige bulkorders en actiepieken af voordat het model de basisvraag opnieuw traint.
- Som van de absolute afwijkingen tussen voorspelde en gerealiseerde afzet gedeeld door de totale gerealiseerde afzet over 4 weken, plus de verhouding tussen structureel te hoog of te laag voorspellen.
Bestelvoorstellen en inkooporders
- 10-25 dagen
- De geprojecteerde vrije voorraad van een SKU zakt binnen de som van levertijd en bestelinterval onder het dynamische bestelpunt, of een vaste besteldag voor een leverancier breekt aan.
- Operationeel inkoper of supply chain planner
- Typisch (schatting) voor een webshop met EUR 5-150M omzet: 50 tot 300 inkooporders per week, bestaande uit schatting 500 tot 4.000 bestelregels.
- 15 tot 30 uur per week bij handmatig werken met vaste min/max-lijsten en losse besteladviezen.. Aanname: 100 tot 200 inkooporders per week maken en nalopen, waarbij de inkoper gemiddeld 8 tot 10 minuten per order besteedt aan het controleren van omloopsnelheid, het handmatig aanvullen tot de franco-grens of MOQ, en het overtypen of importeren van de order in het ERP. Meet dit een week in je eigen team voordat je de besparing noemt.
- Vraagvoorspelling per SKU uit proces p1; Actuele fysieke voorraad, gereserveerde klantorders en reeds openstaande inkooporders uit WMS en ERP; Leverancierscondities: actuele levertijd, bestelinterval, MOQ, omdoos-aantallen, inkoopprijzen en franco-grens; Gewenste beschikbaarheid (servicegraad) per ABC-klasse en beschikbare inkoopbudgetten
- Dynamisch berekende veiligheidsvoorraad en bestelpunt per SKU (ter vervanging van vaste min/max-regels); Dagelijkse bestelvoorstellen per leverancier, geoptimaliseerd voor bestelkosten en voorraadkosten; Verzonden inkooporders in het ERP en vooraangemelde verwachte ontvangsten in het WMS; Inzicht in de verwachte inkoopuitgaven voor de komende weken
- Het systeem berekent per SKU dynamisch de veiligheidsvoorraad en het bestelpunt op basis van de vraagvoorspelling, de onzekerheid in vraag en levertijd, en de gewenste servicegraad per ABC-categorie.
- Dagelijks trekt de replenishment-module de actuele vrije voorraad en reeds lopende inkooporders af van de verwachte behoefte gedurende de levertijd.
- Het systeem groepeert de benodigde aantallen per leverancier tot een concreet bestelvoorstel en past dit aan op verpakkingseenheden, minimale afnamehoeveelheden (MOQ) en franco-orderbedragen.
- Standaard bestelvoorstellen die binnen de vooraf ingestelde budgetlimieten en voorraaddekkingsgrenzen vallen, worden automatisch goedgekeurd of als kant-en-klare batch klaargezet.
- De inkoper beoordeelt alleen de bestelvoorstellen met een vlag (zoals hoge orderwaarde, nieuwe artikelen of grote afwijking ten opzichte van vorig jaar) en geeft akkoord.
- Het systeem zet het goedgekeurde voorstel om in een formele inkooporder in het ERP en WMS en verstuurt de bestelling naar de leverancier.
- Replenishment-software vervangt vaste min/max-regels door een doorlopende herberekening van bestelpunt en ordergrootte. Standaardorders binnen vaste grenzen kunnen automatisch door. Bij Delhaize BeLux wordt ongeveer 20 procent van de bestelvoorstellen automatisch goedgekeurd, met 50 procent als doel (leveranciersopgave, niveau B). De clip 'inkoper-wordt-regisseur-van-ai-agents' laat zien hoe de rol van de inkoper daardoor naar uitzonderingen en kaders verschuift.
- Als een verkeerde verpakkingseenheid, foute inkoopprijs of verouderde MOQ in de stamdata staat, kan automatische goedkeuring leiden tot een veel te grote bestelling die magazijnruimte en kasstroom blokkeert.
- We stellen dubbele drempelwaarden in voor automatische goedkeuring: een maximaal orderbedrag in euro's per leverancier en een maximale voorraaddekking in dagen per SKU. Alles daarboven wacht op goedkeuring van de inkoper.
- Percentage van de tijd dat A-artikelen op voorraad zijn voor de klant, gecombineerd met de gemiddelde voorraadwaarde en het percentage bestelvoorstellen dat zonder handmatige aanpassing kan worden doorgezet.
Levertijden en leveranciersprestaties bewaken
- 5-10 dagen
- Elke geboekte goederenontvangst in het WMS of het verstrijken van een bevestigde leverdatum op een nog openstaande inkooporder.
- Operationeel inkoper
- Typisch (schatting) voor een webshop met EUR 5-150M omzet: 50 tot 300 goederenontvangsten per week verdeeld over 30 tot 250 actieve leveranciers.
- 4 tot 8 uur per week voor het handmatig bijhouden van levertijden en achterhalen van vertragingen.. Aanname: wekelijks nalopen van 50 tot 150 ontvangsten en te late leveringen tegen gemiddeld 3 minuten per order (2,5 tot 7,5 uur) + handmatig aanpassen van levertijdvelden op leveranciers- en artikelniveau in het ERP (0,5 tot 1 uur). In veel webshops schiet dit onderhoud er bij tijdgebrek helemaal bij in. Meet dit een week in je eigen team voordat je de besparing noemt.
- Inkooporderhistorie met aanmaakdatum, verzenddatum en bevestigde leverdatum; Goederenontvangstregistraties met tijdstempel uit het WMS (zoals Picqer of ERP-magazijnmodule); Ingestelde standaardlevertijden per leverancier en per SKU in het ERP; Openstaande inkooporders waarvan de verwachte leverdatum is verstreken
- Signaleringslijst van leveranciers met opgelopen of verkorte levertijden; Concreet wijzigingsvoorstel voor de levertijd in de stamdata, voorzien van historische onderbouwing; Bijgewerkte levertijdparameters in ERP en voorraadplanning na akkoord van de inkoper; Betrouwbaarheidsscore per leverancier voor gebruik in leveranciersgesprekken
- Een inkoopagent leest dagelijks de besteldata, orderbevestigingen en daadwerkelijke WMS-ontvangstdata van alle afgeronde en nog openstaande inkooporders uit.
- De agent vergelijkt de werkelijke doorlooptijd per leverancier met de standaardlevertijd die in de stamdata van het ERP en de planningssoftware staat ingesteld.
- Zodra een leverancier structureel trager of sneller levert dan de ingestelde waarde, berekent de agent hoeveel dagen je te laat of te vroeg bestelt en welke SKU's daardoor risico lopen op nulvoorraad.
- De agent stuurt de inkoper een melding met het bewijs uit de recente leveringen en stelt een nieuwe levertijd voor, maar wacht op expliciete bevestiging van de inkoper.
- Na bevestiging door de inkoper past de agent de levertijd aan in het ERP en de planningsmodule, waarna de bestelpunten en veiligheidsvoorraden direct worden herberekend.
- Een agent kan de ingestelde levertijd naast de werkelijke levertijd leggen en een wijziging voorstellen. In de clip 'inkoopagent-spoort-opgelopen-levertijden-op' staat 14 dagen in het systeem terwijl de leverancier 18 tot 19 dagen nodig heeft: je bestelt dan 4 tot 5 dagen te laat. De agent past leveranciersdata pas aan na expliciete bevestiging van de inkoper. Zo wordt een eenmalige vertraging, zoals een vastgelopen container, geen nieuwe norm.
- Wanneer een eenmalige uitschieter in de levertijd zonder menselijke check als nieuwe norm wordt vastgelegd, verhoogt de planningssoftware direct alle bestelpunten en leg je onnodig extra werkkapitaal vast in voorraad.
- Verplichte menselijke bevestiging (human-in-the-loop): de inkoopagent zet het wijzigingsvoorstel klaar met de onderliggende orderdata, maar schrijft de nieuwe levertijd pas weg na een expliciet akkoord van de inkoper.
- Gemiddeld absoluut verschil in dagen tussen de ingestelde levertijd in het ERP en de gerealiseerde doorlooptijd van inkooporder tot WMS-inslag over de laatste 10 leveringen per leverancier.
Nieuwe leverancier aanhaken (onboarding)
- 3-7 dagen
- De inkoper heeft een commercieel akkoord bereikt met een nieuwe leverancier en wil deze met het bijbehorende assortiment vastleggen in het ERP, WMS en de planningssoftware.
- Inkoper in samenwerking met masterdata-beheer en financiële administratie
- Typisch (schatting) voor een webshop met EUR 5-150M omzet: 2 tot 10 nieuwe leveranciers per maand, met per leverancier schatting 20 tot 500 aan te maken SKU's.
- 2 tot 6 uur per nieuwe leverancier, oftewel typisch 4 tot 12 uur per week inclusief assortimentsuitbreidingen bij bestaande leveranciers.. Aanname: opvragen en handmatig controleren van KVK-, btw- en bankgegevens (30 tot 45 minuten) + ombouwen van afwijkende leveranciers-spreadsheets naar het exacte ERP/WMS-importformaat voor gemiddeld 100 SKU's (60 tot 180 minuten) + invoeren en controleren van condities in ERP en inkooptool (30 tot 90 minuten). Meet dit een week in je eigen team voordat je de besparing noemt.
- Leveranciersregistratie met bedrijfsnaam, adres, KVK-nummer (8 cijfers), btw-nummer, IBAN en contactpersonen; Commerciële afspraken: betalingscondities, valuta, franco-ordergrens en standaardlevertijd; Product- en prijslijst van de leverancier (vaak aangeleverd als ongestructureerde Excel of CSV) met EAN, inkoopprijs, verpakkingseenheid en MOQ
- Volledig gevalideerde leverancierskaart in het ERP en de boekhouding; Foutloos gestructureerd importbestand voor nieuwe SKU's in het WMS en de webshop; Ingestelde inkoopparameters (levertijd, MOQ, prijs) zodat de planningssoftware direct bestelvoorstellen kan berekenen; Vastgelegd controlelogboek van de 8 doorlopen onboarding-stappen
- De inkoper start de onboarding via een assistent met vaste AI-instructies die het proces in 8 vaste stappen doorloopt op basis van de aangeleverde leveranciersdocumenten en prijslijsten.
- De assistent controleert de bedrijfs- en identificatiegegevens op volledigheid en formaat, waaronder de harde validatie dat een Nederlands KVK-nummer uit exact 8 cijfers bestaat, evenals controle op btw-nummer en IBAN.
- De assistent vertaalt de prijslijst en productcatalogus van de leverancier naar het vaste importschema van het ERP en WMS (EAN, artikelcode leverancier, inkoopprijs, MOQ, omdoos en levertijd).
- De assistent controleert op ontbrekende velden of tegenstrijdigheden (zoals ontbrekende EAN-codes of een levertijd van nul dagen) en vraagt de ontbrekende punten gericht terug.
- De inkoper en de financiële administratie controleren het opgeschoonde dossier in de laatste stap en geven het bestand vrij voor import in ERP, WMS en de inkoopsoftware.
- We splitsen twee onderdelen. Onderhandelen met een strategische leverancier over marge, exclusiviteit en betaalvoorwaarden is mensenwerk (ai_fit niet). Het administratief aanhaken na het akkoord kan een assistent met vaste instructies voorbereiden (assisteren). In de clip 'vaste-ai-instructies-leverancier-onboarding-acht-stappen' loopt zo'n assistent acht stappen af, inclusief de controle dat een KVK-nummer uit 8 cijfers bestaat. Inkoop en finance geven het dossier vrij.
- Een verkeerd overgenomen verpakkingseenheid (bijvoorbeeld een doos van 12 stuks inlezen als 1 stuk) of een foutief IBAN-nummer leidt bij de eerste bestelling direct tot foute voorraadinkoop of verkeerde betalingen.
- De AI-assistent voert de 8 vaste validatiestappen uit en zet het importbestand klaar, maar schrijft niets rechtstreeks naar de productiedatabase zonder vier-ogengoedkeuring van inkoop (voor prijzen en MOQ) en finance (voor IBAN en betaaltermijn).
- Aantal werkdagen van akkoord met leverancier tot bestelbare SKU in het systeem, en het percentage eerste leveringen waarbij prijs, aantal en EAN bij ontvangst exact kloppen.
Voorraadcorrecties en telverschillen
- 5-12 dagen
- Een misgrijper tijdens het orderpicken in het magazijn, een afwijking bij de goederenontvangst of een geplande periodieke cyclus-telling (cycle count).
- Magazijnmanager of inventory controller
- Typisch (schatting) voor een webshop met EUR 5-150M omzet: 100 tot 800 locatie-tellingen per week en schatting 20 tot 150 telverschillen per week die moeten worden beoordeeld.
- 6 tot 14 uur per week voor het samenstellen van tellijsten en het administratief uitzoeken van oorzaak en mutatielogs (exclusief het fysieke tellen op de vloer).. Aanname: dagelijks 30 tot 60 minuten voor het selecteren en inplannen van te tellen locaties (2,5 tot 5 uur per week) + gemiddeld 5 minuten speurwerk in WMS-logboeken voor 50 tot 100 onverklaarde telverschillen per week (4 tot 8,5 uur). Meet dit een week in je eigen team voordat je de besparing noemt.
- Actuele systeemvoorraad per magazijnlocatie en per SKU uit het WMS; Fysieke telresultaten vanaf de handscanners op de magazijnvloer; Logboek van recente mutaties: goederenontvangsten, interne verplaatsingen, orderpicks en verwerkte retouren; Inkoopprijs per SKU voor het bepalen van de financiële impact van de afboeking of bijboeking
- Gerichte dagelijkse tellijsten (cycle counts) voor het magazijnteam; Verklaarde en geaccordeerde voorraadcorrecties in het WMS en de grootboekrekening in het ERP; Herstelde vrije voorraadstand in de webshop en in de voorraadplanningssoftware; Overzicht van terugkerende foutbronnen per artikelgroep of leverancier
- Het systeem genereert dagelijks een geprioriteerde tellijst voor cycle counting op basis van omloopsnelheid (A-artikelen vaker tellen), historische foutgevoeligheid en gemelde pick-afwijkingen.
- Magazijnmedewerkers tellen de fysieke voorraad op de aangewezen locaties met handscanners en voeren het getelde aantal in het WMS in.
- Bij een verschil tussen de systeemvoorraad en de fysieke telling controleert een analyse-script eerst op openstaande transacties, zoals een vracht die al wel op de vloer staat maar nog niet is ingeboekt of een nog niet afgemelde pickbon.
- Het systeem groepeert de overgebleven telverschillen naar waarschijnlijke oorzaak, zoals maat- of kleurverwisseling tussen vergelijkbare SKU's of een telfout per omdoos.
- Kleine verschillen binnen een vaste drempelwaarde worden verwerkt; grotere verschillen gaan voor hertelling en goedkeuring naar de magazijnmanager, waarna de gecorrigeerde voorraad direct doorstroomt naar de inkoopsoftware.
- Het fysiek tellen en het afboeken van verdwenen voorraad blijven mensenwerk. AI helpt bij het kiezen van de locaties die vandaag geteld moeten worden en bij het naast elkaar leggen van ontvangst-, retour- en pickgegevens om de oorzaak van een verschil te vinden. Een kloppende voorraad is ook de voorwaarde voor p1 en p2: denkt het systeem dat er 50 stuks liggen terwijl het vak leeg is, dan komt er nooit een inkooporder.
- Als een telverschil automatisch wordt gecorrigeerd op het moment dat er nog een inslag of orderpick voor datzelfde artikel openstaat, creëer je een vals voorraadverschil en bestelt de replenishment-module ten onrechte bij.
- We blokkeren automatische voorraadmutaties op locaties met actieve pick- of ontvangsttaken en vereisen handmatige vrijgave van de magazijnmanager voor elke correctie boven een vast bedrag in euro's.
- Percentage getelde locaties waar de fysieke voorraad exact overeenkomt met de WMS-voorraad, plus het aantal keren per 1.000 orderregels dat een picker misgrijpt op een locatie die volgens het systeem voorraad heeft.
Overstock afprijzen of herverdelen
- 10-20 dagen
- De berekende voorraaddekking van een SKU komt boven de maximale norm uit (bijvoorbeeld richting het einde van een seizoen), of een artikel raakt op de ene locatie uitverkocht terwijl het op een andere locatie stilstaat.
- Category manager, merchandiser of senior inkoper
- Typisch (schatting) voor een webshop met EUR 5-150M omzet: 200 tot 2.500 SKU's die wekelijks op overstock of scheve verdeling worden gescreend, resulterend in schatting 50 tot 400 herverdelings- of afprijsbeslissingen per maand.
- 6 tot 12 uur per week voor het handmatig maken van ouderdomsanalyses en het doorrekenen van verplaatsingen of afprijzingen.. Aanname: wekelijks bouwen van draaitabellen met voorraadouderdom en verkoopsnelheid per locatie (2 tot 3 uur) + handmatig beoordelen van 100 tot 300 traag lopende SKU's tegen 1,5 tot 2 minuten per SKU (3 tot 7 uur) + doorvoeren van nieuwe prijzen en het handmatig uitzetten van herbestelregels (1 tot 2 uur). Meet dit een week in je eigen team voordat je de besparing noemt.
- Actuele voorraad per SKU per magazijnlocatie, winkel of verkoopkanaal; Vraagvoorspelling per SKU en per locatie of kanaal; Inkoopwaarde, actuele verkoopprijs, brutomarge en opslagkosten per SKU; Seizoenseinddata, uiterste verkoopdata en gemaakte prijsafspraken met merken of leveranciers
- Geprioriteerde lijst van overstock-artikelen gesorteerd op geblokkeerd werkkapitaal en ouderdom; Concrete herverdelingsopdrachten tussen voorraadlocaties of winkels; Onderbouwde afprijsvoorstellen voor webshop en marktplaatsen; Automatische blokkade op nieuwe bestelvoorstellen voor afgeprijsde, uitlopende SKU's
- Het systeem berekent wekelijks per SKU de actuele voorraaddekking in weken door de aanwezige voorraad te delen door de bijgestelde vraagvoorspelling voor de komende periode.
- Artikelen die met de huidige verkoopsnelheid niet voor het einde van het seizoen of de maximale ligduur worden verkocht, krijgen automatisch een overstock-signaal met het bedrag aan vastgezet werkkapitaal.
- Als je meerdere voorraadlocaties of winkels naast je webshop hebt, berekent het model eerst of het herverdelen van voorraad naar een locatie met hogere vraag het overschot oplost tegen de volledige verkoopprijs.
- Wanneer herverdelen geen optie is (of bij één centraal magazijn), stelt het systeem een gerichte prijsverlaging, bundel of uitverkoopactie voor om de voorraad tijdig af te bouwen.
- De category manager of inkoper keurt de herverdeling of afprijzing goed, blokkeert automatische herbestellingen voor het betreffende artikel in de inkoopsoftware en zet de actie door naar het WMS of de webshop.
- Een model ziet traag lopende voorraad vroeg en rekent door waar elk stuk de meeste kans op verkoop heeft. Bij Torfs steeg de verkoop van herverdeelde schoenen tot 50 procent (interview met de COO, periode en basis niet genoemd, niveau measured in onze case). Afprijzen raakt je marge en merk, dus een category manager keurt elk voorstel goed.
- Als je een overstock-artikel afprijst om er vanaf te komen, stijgt de afzet tijdelijk. Wanneer de inkoopsoftware niet weet dat het om een uitverkoop van een uitlopend artikel gaat, ziet het model die verkooppiek aan voor stijgende marktvraag en bestelt het artikel opnieuw bij.
- Koppel elke uitverkoop-afprijzing verplicht aan de status 'niet bijbestellen / uitlopend' in de planningssoftware en hanteer een maximale kortingsgrens waarboven de commercieel verantwoordelijke moet tekenen.
- Aandeel van de totale voorraadwaarde met een dekking boven de maximale norm (bijvoorbeeld meer dan 16 of 26 weken), plus de gerealiseerde verkoopstijging en overgebleven brutomarge op herverdeelde of afgeprijsde artikelen.
Tools per proces
Elke regel komt van de eigen pagina van de leverancier. Prijs, Nederlandse taal en verwerking in de EU staan erin zoals die pagina ze noemt. Wat de pagina niet zegt, staat als onbekend.
| Tool | Rol in het proces | Nederlands | EU-verwerking | Prijs | Bron |
|---|---|---|---|---|---|
| Optiply | Forecasting, replenishment en een supply chain agent voor inkoop. De vendorpagina noemt 40+ forecastingmodellen en zegt dat het vaste min/max-regels vervangt. De agent uit onze clip over levertijden komt van Optiply. | onbekend | onbekend | Lite vanaf € 79 per maand (tot 1.000 orders en 1.000 SKU's per maand), Professional en Enterprise op aanvraag | optiply.com |
| Slimstock Slim4 | Cloudplatform voor vraagvoorspelling en voorraadplanning. De pagina noemt AI zonder uit te leggen welke methode. | onbekend | onbekend | onbekend | slimstock.com/nl |
| Prediko | AI-vraagplanning, een inkoopkalender van 12 maanden en een buying table voor Shopify-winkels. | onbekend | onbekend | Core: USD 499 per maand bij USD 5-10M jaaromzet, USD 999 bij USD 10-20M, USD 1.499 bij USD 20-25M; boven USD 50M op aanvraag | prediko.io/pricing |
| Picqer | Magazijnsoftware voor webshops met inkoopadvies, controle van ontvangen goederen en voorraad per locatie. Telrondes worden op de pagina niet beschreven. De ontvangstdata is de bron voor het meten van werkelijke levertijden. | ja | ja | Team € 379 per maand (3.000 bestellingen inbegrepen, € 0,28 per extra bestelling), Business € 825 (7.500, € 0,22), Premium € 1.349 (15.000, € 0,16), Premium+ € 2.475 (30.000, € 0,11), Enterprise € 5.500 (75.000, € 0,055) | picqer.com/nl |
| Markmi | AI-assistent voor afprijzen aan het einde van het seizoen, met voorspelling en scenarioanalyse. Gebouwd op modedata. Onze cases Torfs en Schuurman Schoenen gebruiken het. | onbekend | onbekend | onbekend | markmi.ai |
| Claude Projects | Vaste instructies per project, zodat een assistent het aanhaken van een nieuwe leverancier elke keer in dezelfde stappen doorloopt. Het is een hulp bij het voorbereiden van het dossier, geen systeem dat in je ERP schrijft. | nee | nee | Pro USD 17 per maand bij jaarbetaling (USD 20 maandelijks), Team standaard USD 20 per seat bij jaarbetaling (USD 25 maandelijks) | claude.com/pricing |
Bewijs uit onze cases en sessies
De cases tonen voorspellen en herverdelen bij retailers en logistiek, niet het inkoopproces van een webshop zelf, en alle cijfers komen van de bedrijven of hun leveranciers. De clips laten het proces en de controlestappen zien, maar geven geen gemeten tijdwinst.
Torfs: de verkoop van herverdeelde schoenen steeg tot 50 procent. Niveau measured in onze case, maar het komt uit een interview met de COO, zonder periode of vergelijkingsgroep. Bekijk de case
Delhaize BeLux: wekelijkse nauwkeurigheid in de distributiecentra van 80 tot 85 procent voor droog en diepvries en 85 tot 90 procent voor vers, en circa 20 procent van de bestelvoorstellen automatisch goedgekeurd. Niveau B: cijfers van SymphonyAI en Delhaize zelf, zonder onafhankelijke controle. Bekijk de case
Ampère (bol): het model voorspelt het ophaalvolume met een gemiddelde afwijking van 13 liter. Niveau measured in onze case, eigen opgave van Ampère en KickstartAI, en het gaat om pakketlogistiek, niet om inkoop. Bekijk de case
- Torfs: Torfs verdeelt voorraad met een eigen AI-model: verkoop van herverdeelde schoenen steeg tot 50 procent
- Delhaize BeLux: Delhaize BeLux: AI-voorspellingen verbeteren de nauwkeurigheid met gemiddeld 5 procentpunt en tot 10 procentpunt bij seizoensgevoelige winkels
- Ampère (bol): Ampère, ontstaan uit bol, voorspelt de laadruimte van pakketten met AI: gemiddeld 13 liter afwijking
Plan voor 90 dagen
Dag 1 tot 30: pilot
Nulmeting vastleggen, stamdata opschonen en de voorspelling in schaduwmodus laten meedraaien voor een afgebakende productgroep.
- Meet over de afgelopen 6 tot 12 maanden de beschikbaarheid van A-artikelen, de voorraadwaarde, het aandeel overstock en het verschil tussen ingestelde en werkelijke levertijden.
- Schoon de stamdata van een pilotgroep van 500 tot 2.000 SKU's op: levertijd, verpakkingseenheid, MOQ, status uitlopend en periodes met nulvoorraad.
- Koppel een pakket op leesbasis aan webshop, ERP en WMS en laat 2 weken voorspelling en bestelvoorstellen naast je huidige werkwijze meedraaien zonder dat het systeem orders verstuurt.
Dag 31 tot 60: meten
Bestelvoorstellen live voor de pilotgroep, met goedkeuring door de inkoper, en controle van levertijden en nieuwe leveranciers.
- Vergelijk de schaduwvoorstellen met de orders van de inkoper, corrigeer foute MOQ's en seizoensprofielen en zet de voorstellen live met verplichte goedkeuring.
- Laat wekelijks de werkelijke levertijd per leverancier naast de ingestelde levertijd leggen en de inkoper wijzigingen bevestigen.
- Leg het onboarding van nieuwe leveranciers vast in vaste instructies met acht stappen en een controle op het KVK-nummer van 8 cijfers.
Dag 61 tot 90: opschalen
Opschalen naar het hele assortiment en automatische goedkeuring aanzetten voor stabiele herhaalorders.
- Breid voorspelling en bestelvoorstellen uit naar alle actieve productgroepen en koppel overstock en afprijzen aan de nieuwe vraagcijfers.
- Zet automatische goedkeuring aan voor stabiele A- en B-artikelen binnen harde grenzen in euro en voorraaddekking. Delhaize BeLux zit volgens eigen opgave op circa 20 procent automatisch goedgekeurd met 50 procent als doel, dus bouw het stapsgewijs op.
- Evalueer tegen de stop- en continue-regel en leg het weekritme van de inkoper vast: uitzonderingen beoordelen, actiekalender aanleveren en leveranciers bespreken.
Stoppen
Zet automatisch doorzetten stil en ga terug naar handmatige vrijgave als de beschikbaarheid van A-artikelen meer dan 2 procentpunt onder de nulmeting zakt, of als de gewogen voorspelfout (WMAPE) op A-artikelen vier weken achter elkaar boven 35 procent blijft en slechter is dan een eenvoudig voortschrijdend gemiddelde, of als de voorraadwaarde bij gelijke omzet met meer dan 15 procent stijgt. Dit zijn aangenomen drempels: leg ze vast voordat je begint.
Doorgaan
Schaal de automatische goedkeuring op als de beschikbaarheid van A-artikelen stabiel op of boven 96 procent ligt, de WMAPE op A-artikelen onder 25 procent blijft en het handmatige bestelwerk met minstens 30 procent daalt of de voorraadwaarde ten opzichte van de omzet met minstens 5 procent. Ook dit zijn aangenomen drempels.
Veelgemaakte fouten
- Nulvoorraad-blindheid: een artikel was vorig seizoen drie weken uitverkocht en lijkt daardoor weinig te verkopen. Geef de historische voorraadstand mee en corrigeer de dagen met nulvoorraad.
- Verouderde levertijden in de stamdata: je bestelt structureel te laat. Laat een agent de werkelijke levertijd meten en laat de inkoper wijzigingen bevestigen.
- Uitverkoop-echo: je prijst overstock af, de verkoop stijgt en het systeem bestelt het artikel opnieuw. Zet afgeprijsde artikelen op uitlopend of niet bijbestellen voordat de korting live gaat.
- Eenheid- en MOQ-fouten: een omdoos van 24 stuks wordt als 1 stuk ingelezen en een automatische order is 24 keer te groot. Controleer de eerste order van elk nieuw artikel handmatig en stel een euro-plafond per order in.
- Schijnvoorraad in het WMS: het systeem denkt dat er 15 stuks liggen terwijl het vak leeg is, dus er komt geen bestelling. Houd een vast telritme en koppel telverschillen terug naar de vrije voorraad.
Veelgestelde vragen
Wat is vraagvoorspelling en waarom werkt het beter dan min/max-regels?
Een min/max-regel kijkt alleen of je voorraad onder een vast getal zakt. Vraagvoorspelling schat per SKU de verkoop van de komende weken uit orderhistorie, seizoen en periodes met nulvoorraad. Slimstock, een leverancier, raadt in dit artikel aan om de fout van je prognose te registreren en te meten. Lees het als leveranciersinhoud: de statistieken erin hebben geen bron.
Welke data heb ik nodig om te starten?
Minimaal orderregels per SKU per dag, bij voorkeur 12 tot 24 maanden om seizoenen te zien (schatting), dagelijkse voorraadstanden, openstaande inkooporders, artikelstamdata met inkoopprijs en verpakkingseenheid, en per leverancier de levertijd, MOQ en franco-grens. Zonder voorraadstanden kan het model niet zien wanneer een artikel uitverkocht was.
Hoe meet ik de forecastfout?
Meet de gewogen voorspelfout (WMAPE): de som van de absolute afwijkingen gedeeld door de totale verkoop, plus de bias, dus of je structureel te hoog of te laag zit. Meet per week en per ABC-klasse en vergelijk met een eenvoudig voortschrijdend gemiddelde. Een model dat dat gemiddelde niet verslaat, mag niet autonoom bestellen.
Kan AI zelf inkooporders plaatsen?
Voor standaard herhaalorders binnen vaste grenzen wel. De inkoper houdt de kaders en de uitzonderingen. Bij Delhaize BeLux wordt volgens SymphonyAI en Delhaize circa 20 procent van de bestelvoorstellen automatisch goedgekeurd, met 50 procent als doel. In onze clip over levertijden past de agent leveranciersdata pas aan na expliciete bevestiging van de inkoper.
Verder in deze afdeling
Cases
- Picnic: Picnic voorspelt vraag en bezorgvolume met deep-learningmodellen en laat mensen de uitkomst bijsturen
- HelloPets: HelloPets laat de Nederlandse webshop 39 procent meer omzet uit flows halen met voorspelde herbestelmomenten, volgens Klaviyo
- Voordeelgordijnen: Voordeelgordijnen gebruikt Shopify Sidekick voor stofanalyses en verkoopvoorspellingen na de overstap naar Shopify
- Olivia & Kate: Olivia & Kate bouwt met Shopify Sidekick een retourregel en spaart een offerte van circa 1.200 euro uit
- Hunkemöller: Hunkemöller meldt 8 procent meer omzet en 2 procent meer marge met AI-afprijzen in een pilot van tweeënhalve maand
- Carrefour België: Carrefour België gebruikt een AI-tool voor vervaldata en kortingen: meer dan 40.000 kortingen per dag in 83 winkels
- Kramp: Kramp bouwt met Xebia een MLOps-platform voor vraagvoorspelling: nauwkeurigheid 4 procent beter, besparing van ongeveer 8 miljoen euro verwacht
- Ampère (bol): Ampère, ontstaan uit bol, voorspelt de laadruimte van pakketten met AI: gemiddeld 13 liter afwijking
- Albert Heijn: Albert Heijn voorspelt broodproductie met eigen AI-app en meldt 815.000 kilo minder broodverspilling in een half jaar
- Torfs: Torfs verdeelt voorraad met een eigen AI-model: verkoop van herverdeelde schoenen steeg tot 50 procent
- Delhaize BeLux: Delhaize BeLux: AI-voorspellingen verbeteren de nauwkeurigheid met gemiddeld 5 procentpunt en tot 10 procentpunt bij seizoensgevoelige winkels
- Schuurman Schoenen: Schuurman Schoenen verhoogt de marge in de sale met 5 tot 6 procent met een AI-afprijsplatform
- Albert Heijn: Albert Heijn voorspelt dagelijks miljarden verkopen met machine learning en vermijdt volgens eigen product owner 3,6 miljoen kilo voedselverspilling in een jaar
- Shoeby: Shoeby voorspelt met Power BI welke producten per winkel en online het best verkopen: analysetijd van maanden naar ongeveer vijf dagen, volgens Macaw
- Dekker Hout: Dekker Hout laat AI orders uit e-mail, pdf en afbeeldingen omzetten naar orders in Business Central
Video’s uit het archief
- Over vijf jaar koopt je AI-agent in, jij regisseert
- Inkoopagent spoort opgelopen levertijden op
- 150 miljoen omzet met één inkoper: het OPEX-vliegwiel
- Vaste AI-instructies: leveranciers onboarden in acht stappen
- MCP voor inkoop: één vraag aan Gmail, ClickUp en Moneybird
- AI Code Generatie: van SQL tot DAX in seconden
- 4 conversational analytics tools getest
- Real-time prijsvergelijking via Google Shopping API
- Zonder definitielaag geeft AI elke keer een ander cijfer
- Eerst de bodem: datawarehouse en second brain voor AI
- Vragen stellen aan je data in Looker
- Keuzehulpdata als declaratieve data in je CDP
- Self-healing pipelines en AI als controleur van je cijfers
- SQL schrijven voor BigQuery: Gemini, Claude of ChatGPT?
- Conversational analytics: chatten met je data
- Vier tools voor chatten met data getest: wat viel tegen?
- Laat een LLM afwijkingen in je cijfers opsporen
- Een eigen CEO-dashboard, gebouwd in drie uur
- Share of mention: zo meet je zichtbaarheid in AI
- Vijf FTE minder op inkoop bij 100 miljoen omzet
- Beter reageren is goedkoper dan beter voorspellen
- Search Console en Ads koppelen levert een backlog op
- Google Analytics en Search Console koppelen via MCP
- Een opvolgmail voor een debiteur laat je door AI schrijven
- Claude in Excel bouwt een debiteurenanalyse in je sheet
- BI met AI: vaste waarheid, definitielaag en vragen aan data
- Waarom Power BI, Tableau en Looker geen toekomst hebben
- Praten met je data: nieuwe klantenservicevragen via MCP
- Praten met je data: de MeerMetData MCP en wat er nog komt
Nieuws over Prijzen en voorraad
- ChatGPT stelt gebruikers voor om productprijzen dagelijks te volgen
- AI drijft elektronicaprijzen op terwijl shoppers wachten op Black Friday-korting
- Reuters: EU-heffingen op goedkope Shein- en Temu-pakketten kunnen 6 miljard euro opleveren
- Landmark Global lanceert Shopify-app voor internationale verzending
- Walmart steekt 6 miljard dollar in extra magazijnrobots van Symbotic
Achtergrond en bronnen
AI levert hier het eerst op bij vraagvoorspelling, bestelvoorstellen en het bewaken van levertijden, omdat de regels meetbaar zijn en een inkoper de uitzonderingen beoordeelt. Per proces staat hieronder wat je automatiseert, wat je laat voorstellen en waar een mens beslist.