Hoe de Sint gebaat is bij AI

De signalen dat warehouses uitpuilen, doordat bedrijven zijn blijven inkopen ‘alsof we nog in coronatijd leven’ terwijl de dynamiek totaal is veranderd, bereiken inmiddels iedereen. Tegelijkertijd staan de feestdagen voor de deur, een belangrijk seizoen voor retailers waar ze zich goed op willen voorbereiden om er het meeste uit te halen. Het voorspellen van aankooppatronen is dan ook van groot belang.

Tekst: Antoine Brouwer

Het nauwkeurig voorspellen van patronen wordt echter steeds complexer en daarom zullen retailers een datagedreven aanpak moeten omarmen om beter te kunnen anticiperen op de vraag. De complexiteit waar retailers mee te maken hebben komt voort uit bijvoorbeeld personeels- en grondstoftekorten, vertragingen in de supply chain, inflatie en de situatie in Oekraïne. Dergelijke factoren zijn onvoorspelbaar, maar hebben invloed op de sector. Ze maken het steeds lastiger om voorraden te beheren en inkopen te voorspellen. Zeker wanneer je bedenkt dat binnen de retailsector de meeste inkopers vaak nog werken met een op regels gebaseerde aanpak, die hen helpt om voorraden te voorspellen, aan te vullen en te beheren. Wanneer het gaat om consistente, voorspelbare productcategorieën zullen retailers weliswaar uit de voeten kunnen met deze aanpak, maar blijkt dit toch vaak niet meer de ideale methode en kunnen ze mede daardoor juist te maken krijgen met over- of understock.

Hoge verwachtingen van AI

Zeker tijdens de pandemie veranderde het consumentengedrag, waardoor je bij retailers een trend zag om op zoek te gaan naar oplossingen in de richting van artificial intelligence (AI) in combinatie met data en analyses. AI kent al verschillende toepassingen, denk aan chatbots of het monitoren van klantgedrag in winkels. Dit zijn slechts een paar voorbeelden, maar de verwachtingen zijn hoog. AI zal steeds vaker toegepast worden in software, hardware en services. In 2021 gebruikte slechts 14 procent van de Nederlandse retailers AI, blijkt uit een onderzoek van het ING Economisch Bureau. Verbazingwekkend, want juist deze sector kan er veel baat bij hebben. Het zorgt er namelijk voor dat retailers op basis van betere voorspellingen hun inkoop kunnen verbeteren, zodat ze hun voorraad strak kunnen managen; ook als het over seizoensgebondenheid gaat.

Van reactief naar proactief

Om goede voorspellingen te doen, zijn data het sleutelwoord. Op basis daarvan kan AI relaties leggen. Waar je een op regels gebaseerd systeem kunt zien als een excelsheet met ‘als-dit-dan-dat’-relaties – als A gebeurt, doe dan B – gaat AI een stap verder met ‘Als A en B gebeurd zijn, dan heeft dat invloed op C, maar ook op de relatie van C op D’.

Zoals gezegd wordt het retaillandschap steeds complexer, waardoor het handig is als een dergelijk systeem beschikt over aanpassingsvermogen. Vaak is dit bij een systeem op basis van regels niet het geval, terwijl het bij AI wél zo is en in de loop van de tijd ook nog leert. Dit stelt retailers in staat om proactief te reageren op verschillende veranderende factoren en mogelijke verstoringen. Het verkrijgen van inzichten en het slimmer worden van het systeem in de loop van de tijd zijn enorme voordelen.

Chocoladeletters

Om specifiek voorspellingen te doen voor een bepaald seizoen, bijvoorbeeld voor Black Friday, sinterklaas en kerst, is het nodig om minimaal twee jaar aan historische data te hebben waar AI patronen in kan ontwaren. In het algemeen geldt: hoe meer data, hoe beter. Hoe werkt dit dan in de praktijk? Neem bijvoorbeeld chocoladeletters. De kans is groot dat een retailer te veel of juist te weinig heeft van een bepaalde letter. En na de feestdagen is het bijna onmogelijk om de complete voorraad te verkopen, dus je wilt dit goed inschatten om overstock te voorkomen. AI helpt dan door een vraagvoorspelling uit te voeren en die te blijven updaten met de nieuwste gegevens. Er wordt een out-of-stock-algoritme doorlopen, dat de voorraad van elke vestiging controleert. Als een bepaalde letter niet meer op voorraad is, schat het algoritme in wat het aantal verkopen voor die chocoladeletter zou zijn geweest als-ie wel op voorraad was. De historische data worden met behulp van dat algoritme ‘opgeschoond’, zodat je een betrouwbare schatting hebt van wat de vraag naar die chocoladeletter zou zijn geweest.

Het voorbereiden van deze historische gegevens is de eerste stap. Vervolgens worden de kenmerken van het product afgeleid, in dit geval de seizoensgebonden patronen, en toegepast op de toekomst. Als we elk jaar met sinterklaas een stijging in de verkoop van de letter A zien, dan wordt dat gebruikt om die stijging in de verkoop ook toe te passen op de komende sinterklaasperioden.

Mens en machine

Door data op een geautomatiseerde manier te bekijken, wordt inkopen voor retailers een stuk nauwkeuriger zodat ze efficiënter voorraad kunnen beheren en inkopen. Door de combinatie van rekenkracht, het vermogen om meer verbanden te leggen en de kennis van de retailprofessional, bereik je een optimale vraagvoorspelling. Zowel gedurende het jaar als tijdens specifieke seizoenen.

Antoine Brouwer is director Retail Solutions bij IG&H.