Vraagvoorspelling in Retail en Supply Chain: de hefboom die bedrijven onderschatten

Iets wat we bij vrijwel elk klanttraject in retail en supply chain opmerken: als je een operationeel probleem helemaal terugbrengt naar de kern, kom je steeds bij hetzelfde terecht.

Niet het ERP. Niet het magazijn. Niet het team.

De forecast.

Vraagvoorspelling bestaat al decennia. Het is niet nieuw, het is niet sexy, en de meeste bedrijven hebben het gevoel dat ze het al "geregeld" hebben. Maar de afgelopen jaren, in tientallen projecten bij retailers, voedingsproducenten en FMCG-bedrijven in België en Nederland, komt Crunch Analytics steeds tot dezelfde conclusie: betere forecasting is nog altijd een van de meest waardevolle, meest onderbenute hefbomen in de supply chain.

Wat dat er in de praktijk uitziet, lees je hieronder.

Signalen dat jouw forecast geld kost

De meeste bedrijven denken dat het wel goed zit. Er is een proces, een planner, misschien zelfs een tool. Forecasting is "geregeld."

Maar stel jezelf eerlijk de volgende vragen:

• Loop je af en toe out-of-stock op producten die je gewoon had moeten hebben? Niet de onvoorspelbare producten, maar de vaste verkopers?
• Zit je aan het einde van een seizoen met overtollige voorraad die je moet afprijzen?
• Wanneer je een promotie draait, weet je of je te veel of te weinig besteld hebt? Of merk je dat pas weken later?
• Besteedt jouw planningsteam meer tijd aan uitzonderingen en brandjes blussen dan aan daadwerkelijk plannen?

Als je op een van deze vragen "ja" antwoordt, kost jouw forecast je geld. De vraag is alleen hoeveel.

De ongemakkelijke waarheid is dat de basisforecast bij de meeste bedrijven neerkomt op "hetzelfde als vorig jaar" of "hetzelfde als vorige week." Soms bijgesteld door een planner met jarenlange ervaring. Dat werkt, tot op een punt. Maar het is een vuistregel, geen model. En vuistregels schalen niet, verbeteren niet met data, en vertellen je niet wanneer ze fout zitten.

Bij een grote retailer was het bestaande forecastingmodel gebaseerd op een voortschrijdend gemiddelde over acht weken. Systematisch en consistent, en tegelijk stelselmatig overstock aan het creëren op trage artikelen en stockouts op snelle. Door dit te vervangen door een model dat de datapatronen in het assortiment daadwerkelijk leerde herkennen, daalde het gebonden werkkapitaal, kwamen er minder lege schappen, en verbeterde de nauwkeurigheid merkbaar over het hele assortiment.

Dat is geen uniek verhaal. Het is een patroon.

De businesscase voor betere vraagvoorspelling: stockouts, overstock en werkkapitaal

De waarde van betere vraagvoorspelling is niet abstract. Die vertaalt zich in vier concrete zaken.

1. Minder stockouts en minder verborgen omzetverlies

Stockouts kosten meer dan de meeste bedrijven beseffen. De voor de hand liggende kost is de gemiste verkoop. De minder zichtbare kost is het demandsignaal dat je net verloren hebt: als een product niet op het schap staat, koopt de klant iets anders of gaat ergens anders naartoe. Je systeem registreert nul vraag, niet gefrustreerde vraag. Over tijd vertekent dat je beeld van wat klanten eigenlijk willen.

Betere forecasting vermindert stockouts. Maar slimmere forecasting helpt je ook herkennen waar historisch omzetverlies je demandsignaal al verstoord heeft, en corrigeert daarvoor.

2. Overstock en werkkapitaal

Elke eenheid overtollige voorraad op je schap of in je magazijn is werkkapitaal dat je ergens anders niet kunt inzetten. De veiligheidsvoorraad (de buffer die je aanhoudt om forecasting-onzekerheid op te vangen) is rechtstreeks evenredig met je forecastfout. Verminder die fout met 10%, en je hebt voor hetzelfde serviceniveau minder veiligheidsvoorraad nodig.

Voor bedrijven met grote assortimenten en lange aanvoerketens is dit geen afrondingsfout. Het gaat om vrijgekomen kapitaal in de orde van zes cijfers.

3. Productieplanning en inkoop

Voor producenten heeft betere vraagvoorspelling een andere dimensie. Het gaat niet alleen over wat er uiteindelijk op de schap belandt. Het gaat over wat je moet produceren, wanneer, en met welke grondstoffen.

Bij een Belgische delicatessenproducent leidden gefragmenteerde planningssystemen tot vertragingen in de grondstofinkoop en inefficiënties in de productieplanning. Door een vraaggestuurde planningslaag te bouwen, konden ze de juiste ingrediënten op het juiste moment bestellen, de druk op de werkvloer verlagen, en kostbare uitvaltijd door omsschakelingen en tekorten minimaliseren.

Het principe is hetzelfde: als je weet welke vraag er aankomt, kan je achterwaarts plannen. Als je dat niet weet, loop je achter de feiten aan.

4. Promoties en prijsstelling

Dit wordt vaak over het hoofd gezien. Wanneer je een promotie draait, moet je twee dingen uit elkaar houden: de basisvraag (wat je sowieso verkocht had) en de promotie-uplift (wat je verkocht dankzij de korting of campagne). Zonder een nauwkeurige basisforecast kun je dat onderscheid niet maken.

Het gevolg? Je bestelt te veel en houdt promotierest over die je verder moet afprijzen, of je bestelt te weinig en laat omzet liggen. 

Betere vraagvoorspelling is de basis voor slimmere promotionele planning. Het is ook de brug naar de volgende stap: het begrijpen van prijselasticiteit op productniveau, en die kennis gebruiken om je kortingsstrategie te optimaliseren. Meer hierover in een volgend artikel.

Vraagclassificatie: waarom één forecastmodel niet past op je hele assortiment

Hier gaat het bij de meeste forecastimplementaties mis. Een bedrijf koopt een forecastingtool, draait die over een assortiment van 10.000 SKU's, meet een gemiddelde nauwkeurigheid van 72%, en verklaart succes.

Maar gemiddelden liegen.

Vraagpatronen zijn niet uniform over een assortiment. Sommige producten verkopen elke dag in voorspelbare hoeveelheden; die nauwkeurig voorspellen is relatief eenvoudig. Andere producten verkopen sporadisch, met horten en stoten, zonder herkenbaar patroon. Die nauwkeurig voorspellen is in veel gevallen wiskundig onmogelijk.

Als je nauwkeurigheid over beide types middelt, verberg je het echte beeld.

Bij Crunch classificeren we elke SKU in een van vier vraagtypes vóór we ook maar één model bouwen:

Stabiele vraag: Regelmatige timing, stabiele hoeveelheid. Deze producten verkopen consistent, week na week. Ze zijn relatief eenvoudig te forecasten en reageren goed op standaard ML-modellen. Dit is waar je hoge nauwkeurigheid moet bereiken en die nauwkeurigheid agressief moet inzetten om veiligheidsvoorraad te verlagen.

Onderbroken vraag: De timing is onregelmatig (het product verkoopt niet elke periode), maar als het verkoopt, zijn de hoeveelheden vrij consistent. Moeilijker te forecasten, maar beheersbaar met de juiste technieken.

Grillige vraag: Het product verkoopt regelmatig, maar de hoeveelheid springt alle kanten op. Je kunt voorspellen wanneer er vraag is, maar niet hoeveel. De nauwkeurigheid zal lager liggen, en de veiligheidsvoorraad moet dat weerspiegelen.

Onregelmatige vraag: Onregelmatige timing en onregelmatige hoeveelheid. Eerlijk gezegd? Deze producten zijn op SKU-niveau grotendeels niet te forecasten. Dat is geen falen van het algoritme, maar een eigenschap van het product. De slimme aanpak is aggregatie: forecast op een hoger niveau (categorie, regio of tijdsperiode) en splits daarna op naar lager niveau.

Waarom is dit van belang? Omdat je reactie op elk type anders moet zijn. Krappe veiligheidsvoorraad op stabiele producten. Hogere buffers op onregelmatige. Geaggregeerde forecasts waar SKU-niveau-forecasting het laat afweten.

Veelvoorkomende uitdagingen bij vraagvoorspelling: productkoppelingen, verloren verkopen en nieuwe SKU's

Vraagclassificatie brengt je verder dan de meeste bedrijven geraken. Maar zelfs met het juiste kader op zijn plaats, zijn er praktische uitdagingen die forecastmodellen die op papier goed lijken, doen struikelen.

Productkoppelingen en herformuleringen

Wanneer een product wordt stopgezet en vervangen door een nieuwe SKU, verliest het model alle historische context. De nieuwe productcode heeft nul geschiedenis. Zonder ingrijpen behandelt het model dat als een splinternieuw product en doet er maanden over om betrouwbare forecasts te bouwen, ook al gaat het in essentie om hetzelfde product onder een nieuwe naam of verpakking.

Slimme forecasting pakt dit aan via productkoppelingen: het herkennen dat Product A v2 de opvolger is van Product A v1 op basis van naamgelijkenis, productkenmerken en overlap in verkooppatronen, waarna beide histories worden samengevoegd tot één doorlopend signaal. Het klinkt als een detail. In de praktijk heeft het in een keten met frequente assortimentsvernieuwingen of seizoensgebonden herformuleringen een meetbare impact op de nauwkeurigheid vanaf dag één.

Nieuwe producten zonder geschiedenis

Écht nieuwe producten zijn een moeilijkere variant van hetzelfde probleem. Er is geen geschiedenis om aan te koppelen. Standaard tijdreeksmodellen hebben niets om op te trainen.

De juiste aanpak is het gebruiken van vraagpatronen van vergelijkbare bestaande producten als proxy, gematched op categorie, prijspunt en verkoopkanaal. Gecombineerd met beschikbare voorloopindicatoren zoals pre-orders of geplande marketinguitgaven, geeft dit het model een startpunt. Forecasting voor nieuwe producten is een oplosbaar probleem, maar het vereist een doordachte strategie, niet gewoon hetzelfde model draaien dat je op gevestigde SKU's gebruikt.

Verloren verkopen die je trainingsdata vervuilen

Dit is de vraagvoorspellingsvariant van een datakwaliteitsprobleem. Wanneer een product uit voorraad is, registreert je systeem nul vraag. Maar nul vraag is niet hetzelfde als nul behoefte. Klanten die het product niet vonden, gingen elders naartoe. Over tijd, als je een model traint op ongecorrigeerde historische data, leert het dat bepaalde producten een lagere vraag hebben dan in werkelijkheid het geval is, en bestelt het stelselmatig te weinig.

De oplossing is lost-sales-imputatie: reconstrueren wat je waarschijnlijk verkocht had tijdens stockout-periodes, en het historisch signaal corrigeren vóór het model er überhaupt naar kijkt. Deze stap overslaan betekent dat je "betere model" leert van een dataset waarin het verkeerde antwoord al ingebakken zit.

Leidende en volgende producten

Niet alle producten sturen hun eigen vraag. Sommige producten zijn leidende producten: ze brengen klanten naar de winkel of de categorie. Andere zijn volgende of trailing producten: gekocht omdat de klant er al is. Denk aan verf en kwasten, of een printer en inktpatronen.

De forecastingimplicatie is dat de vraag naar een volgend product deels een functie is van de vraag naar het leidende product, en niet alleen van zijn eigen verkoopgeschiedenis. Beide identiek behandelen in een model mist die afhankelijkheid en kan structureel verkeerde aanpak produceren. De volledige commerciële gevolgen van dit onderscheid, voor kortings- en promotiestrategieën, gaan verder dan forecasting, maar het herkennen van dit patroon in je assortiment is een nuttig vertrekpunt.

Externe factoren: echte impact, beperkte voorspelbaarheid

Vraag bestaat niet in een vacuüm. Weer, acties van concurrenten, feestdagen en bredere economische omstandigheden hebben impact. De impact is niet marginaal. Wanneer twee grote concurrenten tegelijkertijd promoties draaien in dezelfde categorie, kan de omzet in de betrokken week 20 tot 30% dalen. Een aanhoudende koudegolf verschuift de vraag voor seizoenscategorieën met een vergelijkbare orde van grootte. Dit zijn geen randgevallen, het zijn terugkerende gebeurtenissen waarmee je forecast rekening moet houden.

De waarde van het meenemen van externe factoren is in de eerste plaats retrospectief: je historische verkoopdata corrigeren zodat het model leert van de werkelijke vraag, niet van vraag die onderdrukt werd door een concurrentiepromotie die je vergat mee te nemen. Waar externe signalen vooraf beschikbaar zijn, zoals een al aangekondigde actie van een concurrent, een feestdag in de agenda of een weersvoorspelling voor de komende dagen, kunnen ze ook kortetermijnprognoses verbeteren.

Maar hier zijn eerlijke verwachtingen op zijn plaats. Je kunt het exacte weer van over twee weken niet voorspellen, en je kunt niet voorspellen wat je concurrenten volgende maand beslissen. Wat je wel kunt doen, is een model bouwen dat de patronen van vroegere gebeurtenissen herkent en gepast reageert als vergelijkbare omstandigheden zich voordoen. Dat is niet hetzelfde als de toekomst met zekerheid voorspellen. Het is wél een betere basis dan de externe werkelijkheid volledig negeren.

Wat een moderne vraagvoorspellingsoplossing levert

Een degelijke vraagvoorspellingsoplossing in 2026 is geen zwarte doos die je aansluit en vertrouwt. Het is een systeem met duidelijke inputs, transparante outputs en meetbare prestaties.

Dit levert het op:

Snelheid van implementatie. Onze forecastingoplossing kan in een kwestie van dagen getraind worden op je historische data en kort daarna in productie draaien. Je hebt geen project van zes maanden nodig. Je hebt je data in het afgesproken formaat nodig en een heldere definitie van wat je wilt optimaliseren.

Granulariteit en aggregatie. Voorspellingen op SKU-niveau, automatisch geaggregeerd naar elke categorie, elk kanaal of elke regio die relevant is. Hetzelfde model stuurt de dagelijkse beslissingen van het operationele team én de maandelijkse review van het commerciële team.

Continue verbetering. Het model hertraint automatisch naarmate nieuwe verkoopdata binnenkomt. Het wordt slimmer bij elke transactie. In tegenstelling tot een statisch spreadsheetmodel past het zich aan bij verschuivingen in vraagpatronen over tijd.

Eerlijke prestatiemeting. Vóór uitrol zie je hoe het model presteert op gehouden historische data en hoe het zich verhoudt tot je huidige forecastingaanpak. Na uitrol worden prestaties continu gevolgd. Je weet op elk moment of het model waarde toevoegt.

Contextbewustzijn. Waar data beschikbaar is, kan het model externe signalen meenemen: weer, promotiekalenders, prijswijzigingen, feestdagen. Hoe meer context het model heeft, hoe beter het omgaat met uitzonderlijke periodes.

Bij een grote voedingsproducent was de uitdaging het verbeteren van de "On Time, In Full"-score (OTIF) voor hun klanten: het percentage orders dat compleet en op tijd aankwam. Door een forecastingoplossing te bouwen die rekening hield met hun productlijnen, bestelpatronen van klanten en variabiliteit in de supply chain, verbeterde Crunch de OTIF-prestaties meetbaar. Meer klanten kregen wat ze nodig hadden, wanneer ze het nodig hadden.