AI-voorraadbeheer: minder nee-verkopen, minder dode voorraad

Wat is AI-voorraadbeheer?

AI-voorraadbeheer is het aansturen van voorraadbeslissingen met voorspellende modellen in plaats van vaste regels. Het systeem voorspelt per artikel de verwachte vraag, berekent daaruit bestelpunten, bestelhoeveelheden en veiligheidsvoorraden, en vertaalt dat naar concrete bestelvoorstellen op het juiste moment. Waar klassiek voorraadbeheer terugkijkt naar gemiddelden, kijkt AI vooruit naar wat er waarschijnlijk gaat gebeuren, inclusief seizoen, trend en de betrouwbaarheid van je leveranciers.

Voorraad is daarmee geen administratief onderwerp maar een stuurbaar bedrijfsmiddel. Elke euro die onnodig op de plank ligt, kan niet worden geïnvesteerd; elk artikel dat ontbreekt, kost een verkoop en soms een klant. AI maakt die afweging per artikel expliciet en rekent hem elke dag opnieuw door, iets wat geen planner met een spreadsheet voor duizenden artikelen kan volhouden.

De kernafweging: servicegraad tegenover kapitaalbeslag

Al het voorraadvak draait om een spanning: hoe hoger je beschikbaarheid, hoe meer geld er in voorraad vastzit. Een servicegraad van 99 procent klinkt aantrekkelijk, maar de laatste procenten zijn onevenredig duur; het verschil tussen 95 en 99 procent beschikbaarheid kan het benodigde veiligheidsniveau ruwweg verdubbelen. Omgekeerd voelt een lage voorraad efficiënt, tot de nee-verkopen en spoedbestellingen de besparing opeten.

Het probleem is zelden dat bedrijven deze afweging niet kennen, maar dat ze hem nergens expliciet maken. De voorraadhoogte is dan een bijproduct van gewoontes: bestellen zoals vorig jaar, marges voor de zekerheid, aannames van een vertrokken collega. AI dwingt de afweging naar de oppervlakte: je kiest per artikelgroep welke beschikbaarheid je wilt, en het model laat zien wat die keuze aan voorraad kost. Sturen wordt kiezen in plaats van gokken.

Signalen dat je voorraadbeheer aan vervanging toe is

De meeste bedrijven voelen al lang dat het beter kan, maar herkennen het pas als het benoemd wordt. Herken je dit?

• Je magazijn ligt vol en toch grijp je regelmatig mis op precies de artikelen waar vraag naar is.
• Bestellen gebeurt op vaste dagen met vaste lijstjes, ongeacht wat er die week werkelijk is verkocht.
• Niemand weet precies welk deel van de voorraad al maanden niet is aangeraakt.
• De kennis over wat wanneer besteld moet worden, zit in het hoofd van een of twee mensen.
• Seizoensinkoop is elk jaar opnieuw een schatting, en elk jaar blijkt achteraf een deel verkeerd gegokt.
• Spoedorders en tussentijdse bijbestellingen zijn eerder regel dan uitzondering.

Elk van deze signalen wijst op hetzelfde onderliggende gebrek: beslissingen op gevoel en gewoonte waar data het beter zou doen. Precies daar grijpt vraagvoorspelling in.

Vraagvoorspelling: de motor onder alles

Elke voorraadbeslissing begint met een verwachting van de vraag, uitgesproken of niet. Wie op gevoel bestelt, voorspelt ook, alleen zonder het na te rekenen. Vraagvoorspelling met AI maakt die verwachting expliciet en toetsbaar: per artikel, per week of maand, met een bandbreedte die aangeeft hoe zeker de voorspelling is. Een hardloper met stabiele afzet krijgt een smalle bandbreedte, een grillig artikel een brede, en dat verschil werkt direct door in hoeveel veiligheidsvoorraad verstandig is.

Belangrijk om te weten: een voorspelling hoeft niet perfect te zijn om waardevol te zijn. Ze hoeft alleen structureel beter te zijn dan de aanname die er nu impliciet wordt gedaan. In de praktijk is die lat verrassend laag, omdat menselijke inschattingen systematische afwijkingen vertonen: recente drukte wordt overschat, sluipende dalingen worden gemist en van uitschieters blijft vooral de herinnering hangen.

Wat het model allemaal meeweegt

Een goede vraagvoorspelling kijkt breder dan de verkoopcijfers van vorige maand. De belangrijkste ingrediënten:

• Verkoophistorie per artikel, geschoond voor uitschieters zoals eenmalige projectorders die het beeld vertekenen.
• Seizoenspatronen: het vaste ritme van drukke en stille periodes dat per artikelgroep kan verschillen.
• Trend: groeit of krimpt de vraag structureel, los van het seizoen.
• Werkelijke levertijden per leverancier, inclusief hoe betrouwbaar die levertijden in de praktijk zijn.
• Actuele voorraadstanden, openstaande bestellingen en al toegezegde uitleveringen.
• Kalender-effecten zoals feestdagen, vakantieperiodes en de eigen actiemomenten die je zelf plant.

Het model bepaalt zelf welke factoren er per artikel toe doen. Voor een stabiele hardloper is dat vooral het recente niveau; voor een seizoensartikel weegt het patroon van voorgaande jaren zwaarder.

Seizoenspatronen lezen zoals ze werkelijk zijn

Bijna elk assortiment kent seizoen, maar zelden zo netjes als het gevoel zegt. Sommige artikelen pieken weken eerder dan de klassieke seizoensgrens, andere hebben twee kleinere toppen in plaats van een grote, en bij weer andere is het patroon aan het verschuiven. Wie op de kalender van vorig jaar bestelt, loopt structureel achter op zulke verschuivingen en merkt dat pas als de misgrijpers of de restpartijen er al liggen.

Een model onderscheidt die patronen per artikel in plaats van per gevoel. Het ziet dat artikelgroep A drie weken eerder aantrekt dan groep B, dat een piek elk jaar iets vlakker wordt, en dat een zogenaamd seizoensartikel eigenlijk het hele jaar redelijk stabiel verkoopt. De seizoensinkoop wordt daarmee een reeks onderbouwde beslissingen per groep in plaats van een jaarlijkse alles-of-niets-gok.

Grillige vraag en langzaamlopers: het lastige middenstuk

De grootste hoofdpijn zit meestal niet bij de hardlopers. Die voorspellen zichzelf bijna. Het lastige middenstuk bestaat uit artikelen die onregelmatig verkopen: weken niets, dan opeens drie tegelijk. Voor zulke intermitterende vraag zijn gemiddelden misleidend, want het gemiddelde komt in werkelijkheid vrijwel nooit voor. Klassieke bestelformules slaan daar systematisch de plank mis, met of te veel voorraad of terugkerende misgrijpers als gevolg.

Voorspellende modellen gebruiken voor deze categorie andere technieken: ze schatten niet alleen hoeveel er wordt gevraagd, maar ook hoe waarschijnlijk het is dat er in een periode überhaupt vraag komt. Dat levert eerlijkere veiligheidsvoorraden op voor precies de artikelen waar planners nu het meeste tijd aan kwijt zijn en waar de meeste discussie over bestaat.

Van data naar bestelvoorstel: zo werkt het dagelijks

In de dagelijkse praktijk draait het systeem een vaste routine, meestal elke nacht:

1. 1

   Data verversen

   Actuele verkopen, voorraadstanden, openstaande orders en leveringen worden opgehaald uit je ERP of voorraadsysteem.

2. 2

   Voorspellen

   Per artikel wordt de verwachte vraag voor de komende periodes doorgerekend, inclusief bandbreedte en seizoenscorrectie.

3. 3

   Posities toetsen

   De verwachte vraag wordt afgezet tegen wat er ligt en wat er onderweg is. Artikelen die hun bestelpunt naderen of dreigen door te schieten, komen bovenaan.

4. 4

   Voorstellen genereren

   Voor artikelen die actie vragen, stelt het systeem een bestelling voor: hoeveelheid, moment en leverancier, rekening houdend met minimale afnames en verpakkingseenheden.

5. 5

   Planner beslist

   De planner loopt de voorstellen door, past aan waar hij meer weet dan het model en zet de bestelling door. Elke aanpassing is leerstof voor de volgende ronde.

Bestelmomenten: wanneer is net zo belangrijk als hoeveel

Veel aandacht gaat naar bestelhoeveelheden, maar het moment van bestellen bepaalt minstens zoveel. Te vroeg bestellen zet kapitaal vast dat nog weken niets doet; te laat bestellen betekent misgrijpen zodra de levertijd tegenvalt. Het juiste bestelpunt hangt af van verwachte vraag tijdens de levertijd plus een buffer voor onzekerheid, en beide veranderen voortdurend. Een vast bestelpunt dat ooit is ingesteld, klopt daardoor per definitie een groot deel van het jaar niet.

Het systeem herrekent bestelpunten doorlopend en let daarbij ook op de leverancierskant: een leverancier die officieel twee weken levert maar in de praktijk vier, krijgt in de berekening gewoon vier weken. Zo verschuift de discussie van 'waarom grijpen we mis' naar 'welke leverancier maakt zijn afspraken waar', en dat is een gesprek waar je als inkoper iets mee kunt.

Veiligheidsvoorraad met beleid: niet elk artikel is gelijk

Een veelgemaakte fout is een uniforme buffer over het hele assortiment: overal tien procent extra, of overal vier weken dekking. Dat behandelt je meest kritieke hardloper hetzelfde als een artikel dat drie keer per jaar verkoopt. Verstandiger is differentiëren: artikelen indelen naar omzetbelang en naar voorspelbaarheid, en per segment een passende servicegraad kiezen. Belangrijk en voorspelbaar: krap sturen. Belangrijk en grillig: ruimer. Onbelangrijk en grillig: bewust accepteren dat je soms nee verkoopt.

Het model rekent per segment uit welke veiligheidsvoorraad bij de gekozen servicegraad hoort en houdt die actueel als vraag of levertijd verandert. Het resultaat is een voorraadopbouw die je kunt uitleggen: aan de bank, aan de accountant en vooral aan jezelf. Niet meer 'zo doen we het altijd', maar een onderbouwing per artikelgroep.

Dode voorraad: opsporen voor het dood is

Bij veel bedrijven bestaat 10 tot 20 procent van de voorraadwaarde uit artikelen die nauwelijks nog bewegen. Die voorraad kost ruimte, verzekering en werkkapitaal, en wordt elk jaar minder waard. Het pijnlijke is dat dode voorraad zelden plots ontstaat; artikelen sterven langzaam, en in de drukte van alledag valt een dalende omloopsnelheid niemand op totdat de afschrijving onvermijdelijk is.

Een voorspellend systeem signaleert het stervensproces vroeg: de verkoopfrequentie zakt, de voorspelde vraag dekt de huidige voorraad niet meer binnen een redelijke termijn, en het artikel verschijnt op de bewakingslijst terwijl er nog wat aan te doen valt. Dan zijn er opties: niet meer bijbestellen, actief uitverkopen, retourneren naar de leverancier of verwerken in een bundel.

Slim afprijzen van zulke artikelen is een vak apart; daarover lees je meer bij AI-prijsoptimalisatie voor het MKB.

Welke data je nodig hebt (minder dan je denkt)

De drempel om te beginnen wordt vaak overschat. De basis is verkoophistorie per artikel, actuele voorraadstanden en een lijst van leveranciers met levertijden, en die gegevens zitten vrijwel altijd al in je ERP, kassasoftware of voorraadmodule. Perfecte datakwaliteit is geen voorwaarde; het opschonen van artikelbestanden en het herkennen van vervuiling hoort gewoon bij het werk dat we in de eerste weken doen.

Wat wel helpt: weten welke afspraken er met leveranciers gelden, zoals minimale bestelhoeveelheden en verpakkingseenheden, en duidelijkheid over welke artikelen actief beleid verdienen. Ontbreekt er iets, dan bouwen we daaromheen en verfijnen we zodra de data er wel is. Wachten op perfecte data is de duurste strategie die er bestaat.

De resultaten, in nuchtere getallen

Wat mag je verwachten als vraagvoorspelling en slimme bestelvoorstellen een paar maanden draaien? De bandbreedtes die in de praktijk realistisch zijn:

• 15 tot 30 procent lagere voorraadwaarde bij gelijkblijvende of betere beschikbaarheid.
• 20 tot 50 procent minder nee-verkopen op de artikelen die actief worden bewaakt.
• Servicegraad die stabiel op het gekozen niveau ligt, in plaats van te schommelen met de waan van de week.
• Uren per week minder handmatig bestelwerk, doordat de routinevoorstellen klaarstaan en alleen afwijkingen aandacht vragen.
• Vroege signalering van aankomende dode voorraad, maanden voordat afschrijven de enige optie is.

De exacte uitkomst hangt af van waar je vandaan komt: hoe meer het huidige proces op gevoel draait, hoe groter de sprong. Daarom meten we bij de start de nulsituatie, zodat het effect achteraf niet betwistbaar is.

De planner blijft aan het stuur

AI-voorraadbeheer maakt de planner niet overbodig; het maakt zijn werk eindelijk behapbaar. Het model doet waar rekenkracht wint: duizenden artikelen elke dag doorrekenen, patronen zien die over jaren lopen, nooit een artikel vergeten. De planner doet waar mensen winnen: weten dat een grote klant volgende maand een project start, dat een leverancier wankelt, dat een artikel wordt uitgefaseerd. Die kennis gaat via aanpassingen het systeem in en maakt de volgende voorspelronde beter.

We richten het daarom in als een samenspel met duidelijke rollen. Routinevoorstellen kunnen na verloop van tijd automatisch doorgaan als je dat wilt; alles wat afwijkt, blijft een menselijke beslissing met het advies en de onderbouwing ernaast. Vertrouwen groeit door transparantie, niet door een zwarte doos die zegt dat je hem moet geloven.

Hoe we dit bij jou neerzetten

Van eerste gesprek tot draaiend systeem volgen we een compact traject:

1. 1

   Nulmeting en datacheck

   We meten je huidige voorraadwaarde, servicegraad en incourantie en beoordelen of je data volstaat om mee te starten. Dat is vrijwel altijd het geval.

2. 2

   Scope en afspraken

   We kiezen samen het assortiment en de beslissingen waarmee we beginnen en leggen vast wat het systeem moet kunnen. Je tekent op een totaalbedrag dat daarna niet meer beweegt.

3. 3

   Model bouwen en terugtesten

   We trainen de voorspelling op jouw historie en toetsen haar tegen het verleden: wat zou het model hebben geadviseerd en wat gebeurde er echt. Pas als het model die toets wint, gaan we verder.

4. 4

   Aansluiten en live

   De voorstellen landen in je eigen omgeving, gekoppeld aan je ERP of voorraadsysteem. Binnen een maand draait het advies in productie en na oplevering zijn model en code van jou, tot de laatste regel.

Voor wie dit bedoeld is

Dit is geschreven voor bedrijven waar voorraad een serieuze balanspost is en bestelbeslissingen wekelijks terugkomen: honderden tot duizenden artikelen, meerdere leveranciers, voelbaar seizoen. Voor wie een handvol artikelen voert of louter op klantorder werkt, is voorspellend voorraadbeheer overdreven en zeggen we dat zonder omwegen. Blijkt het wel te passen, dan geldt ook hier onze garantie: levert het systeem niet wat we samen hebben afgesproken, dan krijg je je investering terug.

Twijfel je of jouw situatie zich ervoor leent? De gratis AI-scan op thraive.nl/ai-scan geeft binnen een week duidelijkheid: we kijken naar je assortiment, je datakwaliteit en je huidige werkwijze en vertellen je eerlijk waar de winst zit en waar niet. Antwoord op tussentijdse vragen heb je binnen een uur.

Werk je in de maakindustrie met grondstoffen en halffabricaten, kijk dan ook bij AI voor productiebedrijven, of verken het volledige aanbod via AI-oplossingen voor het MKB.