Data & algoritmes in retail: hoe je AI introduceert in je operations en een winnende strategie ontwikkelt

Retail is een van de spannendste sectoren als het gaat om de winst die te rapen valt met artificiële intelligentie. De reden is simpel: retailers beschikken over bakken eigen data die gebruikt kan worden om voorspellingen te voeden. Hypernauwkeurige voorspellingen waarmee mensen of machines betere beslissingen kunnen nemen—bijvoorbeeld bij het aanpassen van winkelinrichting, het aanvullen van voorraad of het bepalen van prijzen en promoties.

Toch gaat de meeste AI-investering voorlopig naar marketing en ‘hyperpersonalisatie’, terwijl de échte quick wins liggen in de operationele kant van het verhaal. Hier lees je waarom.

Waarom retailers hun focus op Advanced Analytics & AI moeten herbekijken

Retailers hebben de voorbije jaren vooral geëxperimenteerd met AI in typische marketingtoepassingen. Daarbij laten ze net die domeinen links liggen waar de grootste winst te boeken valt—zoals voorraadbeheer, prijsstrategie en het opzetten van promotiecampagnes.

De klassieke bestemming voor investeringen in advanced analytics is de marketingafdeling. Investeren in CRM-platformen zoals Salesforce Marketing Cloud, Selligent of Zaius levert duidelijk iets op. Zeker omdat veel innovatieve cases vertrekken vanuit gepersonaliseerde communicatie, is dit een logische eerste stap om de mogelijkheden van data science te ontdekken.

Maar wie eenmaal succes boekt in dat domein, dreigt al snel te blijven investeren in ‘meer van hetzelfde’. Extra toeters en bellen bovenop bestaande tools—terwijl de meeropbrengst alsmaar kleiner wordt.

Zoals een verkoper vasthoudt aan een vertrouwd product omdat het hem vroeger succes bracht, blijven veel organisaties hangen in het bekende. Maar wie zijn blik vernauwt, mist mogelijk de écht interessante kansen.

De cruciale vraag is dan ook: “Waarin moet ik nu investeren, als ik mijn retailorganisatie écht wil omvormen tot een bedrijf dat gestuurd wordt door data en algoritmes?”
Een vraag die wij vaak krijgen van retailers die op zoek zijn naar duurzame groei. Ons antwoord komt uit het veld.

We zien grote opportuniteiten in voorraadbeheer, prijszetting en promoties. Logisch ook: deze domeinen raken aan de kern van retail, aan de échte waarde die een goede retailer zijn klant biedt.

“De kern van retail is: het juiste product, aan de juiste prijs, voor de juiste klant; precies op het juiste moment.”

Daar is lef voor nodig, want dit zijn net de domeinen waar retailers al decennia lang mee worstelen. De echte uitdaging? Ze zijn sterk met elkaar verweven, wat het extra complex maakt.

Net door die complexiteit kiezen veel retailers voor een ‘satisficing’ aanpak: een strategie die nét goed genoeg is om te werken. Op buikgevoel en ervaring. Moeilijk schaalbaar, en afhankelijk van specifieke mensen. Wat meteen ook een risico is voor de organisatie.

Dit artikel wil net daarin inzicht brengen: hoe die processen met elkaar verbonden zijn, en hoe je met klassieke én nieuwe technologie die puzzel beter kan leggen.

Retail staat onder druk. Alleen wie een systeem uitbouwt dat beter presteert dan het buikgevoel, zal het overleven.

Dit is het eerste artikel in een vierdelige reeks. Deel één geeft een overzicht van de dynamiek en de denkkaders die we gebruiken. Met een centrale rol voor de vraagvoorspelling. Deel twee zoomt in op voorraadbeheer: hoe je de juiste balans vindt tussen out-of-stock en overstock. Deel drie focust op dynamische prijszetting: hoe optimaliseer je je marge in functie van marktomstandigheden. En deel vier laat zien hoe je die inzichten terug kan koppelen naar marketing en promoties, om zo nog gerichter en slimmer te communiceren.

Een interessanter speelveld voor je data & algoritmes

Dit eerste deel schetst het landschap waarin retailers enorme winst kunnen halen uit analytics: distributie en prijszetting.

“Te veel marketing vandaag is 1P-marketing. Bedrijven focussen bijna uitsluitend op promotie en verkoop, en vergeten product, prijs en distributie. Resultaat: inefficiënte marketing.” – Philip Kotler

Drie domeinen die het verschil maken

Geen enkele retailer is identiek, en retail betekent altijd al: veelzijdig zijn. Maar als het op analytics-investeringen aankomt, springen er drie domeinen uit: prijszetting, voorraadbeheer en marketing & promoties.

Die drie hangen nauw samen. De juiste prijs hangt vaak af van je huidige voorraad of de levertijd van je leverancier. En je veiligheidsvoorraad wordt mee bepaald door de marge op een product.

Ook marketing en promotie beïnvloeden prijs en voorraad. Denk aan producten in promotie zetten omwille van overschotten, of net extra voorraad voorzien vóór een geplande campagne.

Innovatie blijft vaak een vaag begrip. Deze whitepaper wil daar verandering in brengen, met heel concrete voorbeelden van hoe je kan innoveren in deze domeinen. Die vind je in deel 2, 3 en 4. Deel 1 – dit stuk – schetst eerst de marktdynamiek.

Eerste domein van uitmuntendheid: Voorraadbeheer

Voorraadbeheer wordt hier gebruikt als overkoepelende term voor alles wat te maken heeft met bestel- en logistieke beslissingen van een retailer. De kerntaak in dit domein? De juiste balans vinden tussen voorraadkosten en de opportuniteitskost van gemiste verkoop.

Beide begrippen klinken eenvoudig, maar de juiste balans én cijfers vinden is vaak bijzonder complex.

Verschillende economische trends hebben supply chains korter gemaakt. Enerzijds is er de nood aan snellere responstijden door volatielere vraag. Anderzijds zorgt de opkomst van protectionisme ervoor dat bedrijven hun ketens herdenken (Rose en Reeves, 2017).

Waar het vroeger volstond om een kostengeoptimaliseerde keten te hebben, wordt weerbaarheid nu minstens even belangrijk. Minder schakels en minder wettelijke grenzen in je keten is de kortste weg naar dat doel.

Een kortere keten betekent echter niet dat alles simpeler wordt. Nieuwe technologieën gooien de regels van supply chain management overhoop.

Sommigen spreken zelfs van het einde van supply chain management (Lyall, Mercier en Gstettner, 2018), maar het is eerder een hergeboorte dan een dood.

Helemaal vooraan in die nieuwe beweging staat AI. In de supply chain wordt artificiële intelligentie vooral gebruikt om repetitieve, transactionele taken te automatiseren.

Dat geeft mensen de ruimte om zich te focussen op het finetunen van algoritmes en het optimaliseren van het proces als geheel. Het resultaat: betere prestaties én interessanter werk.

Voor concrete voorbeelden van wat deze shift betekent voor retailers, verwijzen we door naar deel 2 van deze reeks.

Tweede domein van uitmuntendheid: Prijszetting

Slechts weinig retailers hebben het comfort om klanten te bedienen die ongevoelig zijn voor prijs—klanten die hun koopgedrag niet aanpassen op basis van wat iets kost. En al bestaan zulke markten, ze brengen heel andere problemen met zich mee. Vraag dat maar aan wie recent nog een drugskartel heeft gerund.

“Het gevolg is dat gevestigde spelers blijven bestaan, met amper concurrentie, zelfs als ze hoge prijzen vragen voor slechte service.” — Tom Wainwright, Narconomics: How To Run a Drug Cartel

Hoewel prijs een van de belangrijkste factoren is voor klanten bij hun aankoopbeslissingen, werken veel retailers nog steeds met achterhaalde prijsprocessen.

Ze vertrouwen op buikgevoel, vage vergelijkingen met concurrenten of eenvoudige opslagsystemen zoals cost-plus pricing. Prijzen worden zelden herbekeken tot het moment van afprijzingen.

Zo gaat er ontzettend veel waarde verloren—vooral bij online spelers waar de ‘menu cost’ (de kost van prijsaanpassingen) zo goed als nul is. Tegelijk is het voor klanten kinderspel geworden om prijzen online te vergelijken tussen verschillende aanbieders.

Juist daarom is het cruciaal om een duidelijk systeem te hebben dat snel inspeelt op prijsonbalansen.

“Met de komst van het internet kunnen klanten makkelijk prijzen vergelijken. Dat verhoogt het belang van prijs binnen de 4P’s. Ze kopen hun favoriete merk vaker bij de retailer met de laagste prijs.” — Philip Kotler

Toegegeven, prijs is meer dan het cijfer op het label. Klanten betalen met plezier een premium voor gemak of een vertrouwd merk. Dat weten we al lang—economische literatuur bulkt van de inzichten hierover.

Maar dankzij recente vooruitgang in data science én de datacaptatie die retailers vandaag hebben, kunnen die inzichten eindelijk écht toegepast worden. Dat maakt prijszetting het tweede domein waarin retailers zich kunnen onderscheiden.

Voor concrete voorbeelden van hoe je als retailer structureel werk maakt van betere prijsbeslissingen, verwijzen we door naar deel 3 van deze reeks.

Derde domein van uitmuntendheid: Promoties

Een gevolg van de toenemende druk op de retailsector is dat veel bedrijven zich opnieuw massaal op kortingen storten om hun omzet op peil te houden.

Die klassieke knop is makkelijk om aan te draaien en eenvoudig te meten, en lijkt dus een snelle oplossing. In sectoren zoals mode, waar discounters het hele jaar door stunten, zie je die reflex extra sterk terugkomen.

Maar wie blind aan die knop blijft draaien, belandt al snel in de discountval. Dan komen klanten alleen nog voor de korting—en dat vreet aan je marge.

Zo'n aanpak is op lange termijn onhoudbaar. Retailers die relevant willen blijven, moeten het anders aanpakken.

Een belangrijke strategische vraag is: welke échte waarde bied ik aan mijn klant? En hoe kan ik me focussen op die waarde, in plaats van enkel goedkoper te willen zijn? Het antwoord varieert, maar centraal staat het bouwen aan een totaalervaring voor klanten die fan zijn van je merk.

Naast strategische keuzes kan ook slimme automatisatie helpen. De kern? Geen bombardement aan kortingen voor iedereen, maar gerichte, slimme acties.

Kortingen geef je alleen aan wie het nodig heeft om over de streep getrokken te worden. De diepte van de korting stem je af op de marge. En je geeft korting enkel op producten die écht moeten bewegen.

De eerste aanpak: slimme, reactieve kortingen. Als analytics tonen dat je voorraad te hoog is, houdbaarheidsdata naderen of er nieuwe producten aankomen, is het tijd om een korting te overwegen. Maar wel op basis van een verfijnde vraagvoorspelling, op klantniveau.

De tweede aanpak: optimalisatie van seizoensopruimingen. Twee keer per jaar beslissen category managers op buikgevoel over kortingen. Te laag, en je verkoopt niets. Te hoog, en je laat marge liggen.

Met voorspellende algoritmes op basis van historisch gedrag kun je hier veel beter op sturen. Retailers met lage ‘menu costs’ kunnen zelfs live learning-algoritmes inzetten die blijven leren van klantreacties en real-time balanceren tussen testen en optimaliseren.

Zo’n systeem zet je niet van de ene dag op de andere op. Maar het is wél een richting om naartoe te werken.

Daarom is ‘promoties’ het derde domein waarin retailers vandaag het verschil kunnen maken. Voor meer concrete voorbeelden verwijzen we door naar deel 4 van deze reeks.

Waarom de vraagfunctie je vertrekpunt is

De motor achter de recente vooruitgang in artificiële intelligentie is het vermogen om predictiemachines te bouwen. Die doen wat de naam zegt: ze voorspellen. En als je data van voldoende kwaliteit hebt, doen ze dat beter dan ooit tevoren.

Deel twee van deze longread gaat dieper in op de praktische kant van zulke voorspellende modellen.

Goede prestaties in elk van de drie besproken domeinen—voorraad, prijs en promotie—staan of vallen met de kwaliteit van je vraagvoorspelling. Daarom moet datamodeling het startpunt zijn van elke investering in data science en advanced analytics.

De juiste hoeveelheid bestellen? Hangt af van wat je denkt te gaan verkopen. De juiste prijs bepalen? Vereist inzicht in prijselasticiteit. De juiste promotie kiezen? Afhankelijk van hoe gevoelig klanten en producten zijn voor die acties.

Nogmaals: een basisprijs en een promotie betekenen mentaal iets totaal anders voor de consument.

Een predictiemachine is in essentie simpel: je steekt er input in, en op basis daarvan voorspelt het systeem een uitkomst—in dit geval: klantenvraag.

Over het bouwen van zo’n vraagfunctie zijn boeken vol geschreven. Daar gaan we hier niet op in. Wel tonen we welke inputvariabelen je kunt gebruiken. Die geven meteen een beeld van waar je op moet inzetten bij je analytics-investeringen.

Historische verkoop als input

De meeste retailers beginnen hier: verkoopgeschiedenis als voorspeller. De simpelste aanpak is het gemiddelde uit het verleden doortrekken. Iets slimmer? Dan voeg je trend en seizoensinvloeden toe. Nog slimmer? Dan koppel je er externe info aan, zoals catalogusvernieuwingen.

Maar dit heeft grenzen. Wat met nieuwe producten zonder historie? Of met items die zelden verkopen door voorraadbreuken, nichemarkten of heel specifieke vraag?

Producteigenschappen als input

Daarom voeg je beter ook productinfo toe. Daarmee bouw je geen model per product, maar voor productgroepen. Denk aan categorie, prijs, performance, kleur—alles wat meespeelt in de perceptie van de klant.

Hier wringt het soms bij retailers: slechte datakwaliteit, vage categorieën, lege velden. Dat moet je oplossen. Soms kan online data soelaas bieden, of AI die via beeldherkenning eigenschappen afleidt. Maar dat is een pleister, geen oplossing.

Met deze info kun je ook voor nieuwe producten voorspellingen doen, en beïnvloedt één uitschieter minder sterk je model.

Promotie-impact als input

Prijs is een vaste producteigenschap. Promoties zijn iets heel anders. Ze komen in allerlei vormen: kortingen, bundels, rebates... vaak in combinatie met communicatie (e-mail, banners, in-store...).

Die communicatie moet mee in je model. Maar weinig retailers hebben gestructureerde, historisch bruikbare data over promoties. De reden? Het is lastig om goed te modelleren. Toch is het cruciaal—want het is een goudmijn aan info.

Hoe je zo’n promotiedatabase bouwt, zou een aparte whitepaper vergen. Maar als je daarmee worstelt, helpen we graag.

Prijselasticiteit als input

Hier gaat het niet zozeer over extra data, maar over experimenten. Welke producten zijn prijsgevoelig, welke niet? Soms kun je dat uit historische data halen. Vaak ook niet. Dan moet je proactief testen.

En dat loont. Want de elasticiteit voorspellen is cruciaal voor prijsoptimalisatie. Je moet weten wat prijsveranderingen doen met vraag en marge.

Concurrentieprijzen als input

Weinig retailers opereren zonder concurrentie. Klanten vergelijken. Zeker online. Gelukkig is die info makkelijker te capteren dan ooit. Scraping tools halen automatisch data van concurrerende websites.

Die data geeft inzicht in prijsniveau, promotiegedrag, assortiment... Zelfs zonder integratie in je vraagfunctie is dat al waardevol. En later kun je het gebruiken voor dynamische prijszetting (zie deel 3).

En nog veel meer

Bovenstaande is maar een versimpelde weergave. In de praktijk tellen nog veel andere factoren mee. Verkoop je barbecues? Dan is het weer cruciaal. Zit je in fashion? Dan kijk je misschien naar kleuren van topdesigners.

Er bestaat geen universeel vraagmodel. Teveel hangt af van context. Experimenteren is dus onvermijdelijk.

Hopelijk geeft dit overzicht je de juiste ideeën om vraagvoorspelling in jouw context naar een hoger niveau te tillen.

Takeaways

Dit artikel pleitte ervoor om budgetten voor advanced analytics (opnieuw) toe te wijzen aan domeinen waar ze écht het verschil kunnen maken—en niet aan de randgebieden waar ze vandaag vaak belanden.

We toonden waarom het loont om te investeren in alles wat vraagvoorspelling mogelijk maakt of versterkt. Want die voorspelling is de motor achter betere voorraad, prijszetting en promoties.

Dat is geen eenvoudige opdracht. Het betekent dat je moet sleutelen aan de kernprocessen van je organisatie—niet gewoon wat AI-toplaag erbovenop gooien.

De sleutel tot innovatie is de vraagfunctie. De vraag die je je nu moet stellen: verzamel ik al de juiste data om zo’n geavanceerd model te bouwen?

Iedere retailer heeft verkoopcijfers (de fiscus bedankt je). Maar hoeveel weten we écht over prijzen en assortimenten van concurrenten?

Deze reeks gaat verder met drie verdiepende artikelen over voorraadbeheer, prijs en promoties—allemaal bekeken door een data-driven bril. Meer weten? Geef gerust een seintje.

Bio

Ik ben een eeuwig nieuwsgierige geest—wetenschapper en scepticus tegelijk—altijd op zoek naar nieuwe inzichten. Geen pure theoreticus, wel pragmatisch in mijn aanpak van problemen.

Ik ben CTO en co-founder van Crunch Analytics, waar ik het voorrecht heb om een team van gedreven, getalenteerde mensen te begeleiden. Net als mijn brede interesses komt ons team uit alle hoeken: data scientists, businessstrategen, data engineers, statistici en meer. Dankzij die mix kunnen we complexe businessuitdagingen aanpakken en slimme, soms onverwachte oplossingen leveren.

Louis-Philippe Kerkhove - Co-founder & CTO Crunch Analytics

Referenties

• Phillips, Robert Lewis. Pricing and revenue optimization. Stanford University Press, 2005.
• Agrawal, Ajay, Joshua Gans, and Avi Goldfarb. Prediction machines: the simple economics of artificial intelligence. Harvard Business Press, 2018.
• Economist special report on Global Supply Chains, July 2019 (https://www.economist.com/spec...)
• https://medium.com/swlh/how-zara-spent-0-in-advertising-to-disrupt-the-fashion-industry-59526b5000af
• Rose, Justin, and Martin Reeves. "Rethinking your supply chain in an era of protectionism." Harvard Business Review, published on 22 (2017).
• Lyall, A., Mercier, P., & Gstettner, S. (2018). The death of supply chain management. Harvard Business Review, 15, 2-4.
• Wainwright, T. (2016). Narconomics: How to run a drug cartel. PublicAffairs.