AI in voorraadbeheer: hoe kan jouw groothandel voorraad en kosten beter beheersen?

Het vertrouwen trekt voorzichtig aan, maar de marge blijft onder druk

Tijdens de ICT & Logistiek beurs in Utrecht woonden we vanuit Blisss een sessie bij van Dirk Mulder, Sector Banker Trade & Retail bij ING. Vanuit zijn expertise in handel en retail besprak hij onder andere de economische positie van groothandels, de druk op productiviteit en marge en de mogelijkheden die AI biedt om kernactiviteiten slimmer te ondersteunen. In dit artikel gebruiken we de inzichten uit zijn presentatie als vertrekpunt en vertalen we deze naar de praktijk van groothandels. Daarbij richten we ons specifiek op het voorraadbeheer: hoe kun je vraag, beschikbaarheid en voorraadkosten beter op elkaar afstemmen en daarmee ook je rendement verbeteren?

Het vertrouwen onder ondernemers en consumenten trekt na een periode van negatief sentiment voorzichtig aan. Tegelijkertijd beschikken consumenten over opgebouwde spaarbuffers en wordt geld dat opzij wordt gezet op dat moment niet uitgegeven. Die terughoudendheid kan via winkels en andere afnemers uiteindelijk ook doorwerken naar de groothandel. Het beeld verschilt per sector, maar bij veel bedrijven zit de uitdaging niet alleen in het realiseren van omzet, maar vooral in wat daarvan onderaan de streep overblijft.

Wanneer kosten harder stijgen dan de omzet, komt de marge onder druk te staan. Daardoor wordt productiviteit steeds belangrijker: hoe kun je met de beschikbare mensen en middelen meer voor elkaar krijgen? Technologie kan daarbij helpen. Veel bedrijven gebruiken AI inmiddels voor ondersteunende werkzaamheden, maar juist binnen de kernactiviteiten van een groothandel liggen interessante mogelijkheden om kosten en opbrengsten beter met elkaar in balans te brengen.

Denk bijvoorbeeld aan vraagvoorspelling, voorraadbeheer en prijsstelling. Deze toepassingen raken direct aan de vraag hoeveel voorraad je nodig hebt, waar je die voorraad aanhoudt en hoe je voorkomt dat onnodig veel kapitaal vastzit in artikelen die onvoldoende bewegen. In dit artikel richten we ons daarom specifiek op AI in voorraadbeheer. De toepassing van AI voor operationele beslissingen binnen het magazijn, zoals orderprioritering en dockplanning, behandelen we apart in AI in het magazijn: welke beslissingen kun je slimmer ondersteunen?

Je voorraad bepaalt mede wat je verdient

Voorraad maakt het mogelijk om klanten snel te helpen, maar legt tegelijkertijd beslag op geld, ruimte en capaciteit. Bij te veel voorraad bouw je bijvoorbeeld winkeldochters op: producten blijven liggen, terwijl je wel betaalt voor financiering en opslag. Bij te weinig voorraad ontstaat juist het risico dat je omzet misloopt doordat je niet kunt leveren. Goed voorraadbeheer draait daarom niet simpelweg om zo weinig mogelijk voorraad, maar om voldoende voorraad op het juiste moment en op de juiste plaats.

De gevolgen van een verkeerde balans kunnen bovendien verder doorwerken in je organisatie. Een tekort kan leiden tot een spoedbestelling, aanvullende transportkosten of zelfs omzetverlies wanneer een klant elders gaat bestellen. Een overschot kan betekenen dat producten langer ruimte innemen, extra financieringskosten veroorzaken of uiteindelijk met korting moeten worden verkocht. Voorraad heeft daarmee rechtstreeks invloed op zowel je serviceniveau als je rendement.

Goed voorraadbeheer vraagt daarom om inzicht in welke producten goed lopen en welke minder. Hoe ontwikkelt de vraag zich? Hoe snel verkoopt een artikel? Hoe betrouwbaar zijn de levertijden van leveranciers? En hoeveel onzekerheid wil je opvangen met extra voorraad? Hoe beter je die factoren op elkaar afstemt, hoe gerichter je kunt bepalen waar voorraad noodzakelijk is en waar kapitaal onnodig vastzit.

Die afweging raakt bovendien niet alleen je eigen rendement. Als groothandel kun je klanten helpen hun beschikbaarheid en voorraad eveneens beter te organiseren. Informatie over vraag, bestelpatronen en beschikbaarheid krijgt daarmee waarde voor meerdere partijen in de keten.

Wat kan AI betekenen voor voorraadbeheer?

AI kan helpen om grotere hoeveelheden informatie te combineren en patronen zichtbaar te maken die relevant zijn voor voorraadbeslissingen. Denk daarbij vooral aan de relatie tussen historische verkoop, verwachte vraag, actuele voorraad, levertijden en externe factoren. De technologie is daarbij geen doel op zichzelf. De vraag is uiteindelijk of je beter kunt bepalen wat je moet inkopen, hoeveel je nodig hebt en waar die voorraad beschikbaar moet zijn.

1. Verkoopgegevens combineren met weer en seizoenen

Historische verkoopcijfers laten zien wat klanten eerder hebben gekocht. Voor je volgende bestelling wil je vooral weten welke vraag je in de toekomst kunt verwachten. Naast je verkoopgeschiedenis kunnen factoren zoals het seizoen, feestdagen of het weer daarop invloed hebben. Voor een groothandel met weersafhankelijke producten kan het bijvoorbeeld interessant zijn om eerdere bestellingen naast historische weergegevens te leggen.

Zie je bij bepaalde omstandigheden steeds een verandering in de vraag? Dan kun je onderzoeken of die informatie helpt om toekomstige verkopen beter in te schatten. AI kan ondersteunen bij het herkennen van patronen die in grote hoeveelheden gegevens lastig handmatig te ontdekken zijn. Hoeveel waarde dergelijke gegevens hebben, hangt uiteindelijk sterk af van het assortiment en de beschikbare informatie.

Het vertrekpunt moet daarom een concrete bedrijfsvraag zijn. Voor welke artikelen verwachten we bijvoorbeeld daadwerkelijk dat het weer of het seizoen invloed heeft op de verkoop? Vervolgens kun je onderzoeken of de beschikbare gegevens die veronderstelling ondersteunen. Zo voorkom je dat je allerlei externe gegevens verzamelt zonder vooraf te weten welk voorraadprobleem je daarmee wilt oplossen.

Een voorspelling blijft bovendien een inschatting. Medewerkers beschikken ook over kennis van klanten, marktontwikkelingen en eenmalige projecten die niet altijd in historische data terugkomt. Die praktijkkennis blijft nodig om te beoordelen of een verwachte verandering in de vraag ook daadwerkelijk aanleiding is om meer of minder voorraad aan te houden.

2. Je voorraadniveau afstemmen op de verwachte vraag

Een betere voorspelling krijgt pas economische waarde wanneer je die kunt vertalen naar je voorraadpositie. Verwacht je minder vraag naar een artikel, dan wil je bijvoorbeeld voorkomen dat nieuwe voorraad binnenkomt terwijl bestaande voorraad nauwelijks beweegt. Neemt de vraag juist toe, dan wil je tijdig kunnen beoordelen of beschikbare voorraad en geplande leveringen voldoende zijn. Daarmee probeer je tekorten én onnodige overschotten eerder te voorkomen.

Daarbij gaat het om een passende balans. Zo weinig mogelijk voorraad is niet vanzelfsprekend het beste resultaat, omdat je beschikbaar wilt blijven voor klanten en rekening moet houden met onzekerheden in de levering. Omgekeerd kan een hoge beschikbaarheid kostbaar worden wanneer je daarvoor structureel veel artikelen moet financieren die nauwelijks verkopen. De interessante vraag is daarom welk voorraadniveau past bij het gewenste serviceniveau, de verwachte vraag en het risico dat je als organisatie wilt dragen.

Ook de verdeling over meerdere vestigingen kan daarbij relevant zijn. Misschien ligt een artikel op locatie A structureel stil terwijl op locatie B regelmatig vraag ontstaat. Dan kan een andere verdeling mogelijk voorkomen dat je nieuwe voorraad inkoopt terwijl dezelfde artikelen elders beschikbaar zijn. Het doel is niet simpelweg minder voorraad, maar voorraad inzetten waar deze daadwerkelijk waarde toevoegt.

3. Sneller reageren op veranderingen in de keten

Voorraadbeheer wordt extra ingewikkeld wanneer omstandigheden veranderen. Een leverancier kan later leveren dan verwacht, de behoefte van een belangrijke klant kan plotseling toenemen of een verstoring kan ervoor zorgen dat je een product ergens anders moet inkopen. Op zo'n moment wil je inzicht hebben in wat die verandering betekent voor de voorraadpositie die je de komende periode nodig hebt.

Door gegevens uit verkoop, inkoop, voorraad en leveranciersinformatie met elkaar te combineren, kun je bijvoorbeeld eerder zien welke artikelen risico lopen op een tekort. Vervolgens kun je onderzoeken of extra inkoop nodig is, of een alternatieve leverancier beschikbaar is of dat bestaande voorraad anders kan worden verdeeld. AI kan daarbij vooral interessant worden wanneer veel producten, leveranciers, locaties en mogelijke scenario's tegelijkertijd moeten worden meegenomen.

Hoe eerder een mogelijke verstoring zichtbaar wordt, hoe meer handelingsruimte je overhoudt. Je kunt alternatieven onderzoeken en klanten informeren voordat een verwachte afwijking een urgent probleem wordt. Daarmee draait voorraadbeheer niet alleen om reageren op een artikel dat uitverkocht is, maar steeds meer om het beheersen van het risico dat zo'n tekort ontstaat.

Klaar om met meer klanten en leveranciers te verbinden

Hoe goed je informatie in de keten kunt benutten, hangt ook af van de systemen waarmee je samenwerkt. Bij Dumocom ziet directeur-eigenaar André van der Loo juist daar kansen. Sinds de overstap naar Business Central heeft het productiebedrijf een basis waarmee het gemakkelijker kan aansluiten op nieuwe ontwikkelingen.

André verwacht dat bedrijven steeds meer gaan integreren met hun klanten en leveranciers, zodat gegevens eenvoudiger kunnen worden uitgewisseld. Daar wil Dumocom verder in gaan, maar sommige klanten zijn daar volgens hem nog niet aan toe. Zijn ervaring laat zien dat slimmer samenwerken ook vraagt om ketenpartners die mee kunnen bewegen. Voor groothandels is dat herkenbaar: je eigen systemen op orde brengen is een belangrijke stap, waarna je samen kunt onderzoeken hoe je informatie beter laat doorstromen.

4. Prijsstelling afstemmen op je voorraad

Prijs kan eveneens een middel zijn om voorraad doelgerichter te beheren. Een herkenbaar voorbeeld komt uit supermarkten, waar elektronische schaplabels het mogelijk maken prijzen eenvoudig aan te passen. Bij producten die hun houdbaarheidsdatum naderen, kan een hogere korting worden ingezet om de resterende voorraad sneller te verkopen. Een vergelijkbaar principe zie je in de luchtvaart, waar ticketprijzen veranderen naarmate het vertrekmoment dichterbij komt.

Elektronische schaplabels zijn op zichzelf natuurlijk geen AI. Ze maken vooral snelle prijswijzigingen uitvoerbaar. AI kan een stap daarvoor interessant worden door verschillende gegevens mee te wegen bij de vraag welke prijs op welk moment passend kan zijn. Denk bijvoorbeeld aan aanwezige voorraad, omloopsnelheid, verwachte vraag, resterende houdbaarheid en historische verkooppatronen.

Voor groothandels roept dat een interessante vraag op: kun je informatie over voorraad en verwachte vraag beter benutten bij commerciële beslissingen? Vooral bij producten met een beperkte houdbaarheid, seizoensartikelen of artikelen waarvan structureel te veel voorraad overblijft, kan dat relevant zijn. Een prijsbeslissing wordt daarmee ook een instrument om kapitaal dat in voorraad vastzit eerder vrij te maken.

De grootste uitdaging zit in de data

De mogelijkheden klinken aantrekkelijk, maar bruikbare voorspellingen vereisen betrouwbare informatie. Juist daarin ontstaat binnen de handelsketen al snel complexiteit. De ene leverancier kan artikel- en leveringsinformatie anders aanleveren dan de andere, terwijl klanten eveneens eigen eisen stellen aan gegevens. Daardoor kost het moeite om informatie uit verschillende bronnen op een consistente manier te combineren.

Dat probleem speelt ook binnen de eigen organisatie. Inkoop, verkoop en voorraadbeheer gebruiken gegevens voor verschillende doeleinden en hanteren niet vanzelfsprekend dezelfde definities. Voordat je verkoopgegevens, voorraad en leveranciersinformatie betrouwbaar met elkaar kunt combineren, moet daarom duidelijk zijn wat deze gegevens precies betekenen. Gaat het om dezelfde artikelen en eenheden? Hanteren afdelingen dezelfde definitie van beschikbare voorraad? En zijn verwachte levertijden daadwerkelijk actueel?

Vanuit Blisss vertalen we dat naar concrete procesvragen. Als een leverancier in dozen levert terwijl je verkoopafdeling in stuks verkoopt, moet die verhouding betrouwbaar zijn vastgelegd. Als medewerkers verschillende betekenissen geven aan ‘beschikbare voorraad’, kunnen verschillende conclusies ontstaan over hoeveel er opnieuw besteld moet worden. Een geavanceerd voorspelmodel verandert daar niets aan wanneer de onderliggende gegevens niet kloppen.

Daarom begint slimmer voorraadbeheer ook bij afspraken over registratie en verantwoordelijkheid:

• Wie houdt artikelgegevens en levertijden actueel?

• Welke informatie gebruikt inkoop om een bestelling te bepalen?

• Worden ontvangsten, reserveringen en voorraadcorrecties tijdig verwerkt?

• Hoe sluiten gegevens van leveranciers en klanten aan op je eigen administratie?

• Kun je historische verkoop betrouwbaar vergelijken met je huidige assortiment?

Je hoeft niet eerst alle data in je organisatie perfect te maken voordat je een toepassing kunt onderzoeken. Voor het voorraadvraagstuk waarmee je begint, moet wel duidelijk zijn welke gegevens nodig zijn, waar deze vandaan komen en hoe betrouwbaar ze zijn. Door klein te beginnen, kun je bovendien sneller ontdekken welke dataproblemen daadwerkelijke invloed hebben op je voorraadbeslissingen.

Ook kennis en vaardigheden moeten meegroeien

Werken met voorspellingen en AI vraagt daarnaast om kennis om gegevens te analyseren en uitkomsten goed te interpreteren. Daarmee is AI meer dan een softwarekeuze. Iemand moet begrijpen wat een voorspelling betekent, waarop deze gebaseerd is en wanneer er reden is om ervan af te wijken. Zeker bij beslissingen die direct invloed hebben op inkoop en voorraadwaarde wil je voorkomen dat een model blind wordt gevolgd.

Dat brengt praktische uitdagingen met zich mee. Mensen met specialistische datakennis zijn schaars, bestaande systemen moeten kunnen aansluiten op eventuele nieuwe toepassingen en zowel technologie als expertise vragen om investeringen. Zeker voor kleinere groothandels ligt het daarom niet altijd voor de hand om alle benodigde kennis zelf in huis te organiseren. Samenwerking met gespecialiseerde partijen kan dan een logisch alternatief zijn.

De verbinding met de eigen bedrijfsvoering blijft daarbij belangrijk. Een analyse kan bijvoorbeeld voorspellen dat de vraag naar een artikel sterk stijgt, terwijl een accountmanager weet dat een grote klant een eenmalig project afrondt en binnenkort juist minder gaat bestellen. Juist de combinatie van datakennis, commerciële kennis en praktijkervaring zorgt ervoor dat voorspellingen niet automatisch worden gevolgd, maar worden gebruikt om betere voorraadbeslissingen te nemen.

Van dozenschuiver naar strategisch partner

Slimmer voorraadbeheer biedt uiteindelijk ook kansen buiten de eigen bedrijfsvoering. De positie van de groothandel is de afgelopen jaren veranderd. Waar de sector vroeger regelmatig werd neergezet als een tussenschakel die voornamelijk producten van A naar B verplaatste, zijn informatie en aanvullende dienstverlening steeds belangrijker geworden. Het beeld van de groothandel als eenvoudige ‘dozenschuiver’ past daardoor allang niet meer bij de rol die veel handelsbedrijven vervullen.

Data over vraag, verkoop en voorraad kan bijvoorbeeld ook waardevol zijn voor klanten. Een groothandel kan inzicht geven in welke producten snel of langzaam bewegen, helpen bij het bepalen van passende voorraadniveaus of eerder signaleren dat beschikbaarheid van bepaalde artikelen onder druk komt te staan. Daarmee ondersteun je een klant niet alleen bij het inkopen van producten, maar ook bij keuzes die invloed hebben op diens eigen werkkapitaal en beschikbaarheid.

Aan de andere kant kan betere informatie ook leveranciers helpen. Wanneer ontwikkelingen in de vraag eerder zichtbaar worden, kan dat gebruikt worden in gesprekken over leveringen, beschikbaarheid en planning. De groothandel krijgt daarmee een interessante positie tussen vraag en aanbod: je beschikt over informatie uit beide kanten van de keten en kunt helpen die beter op elkaar aan te laten sluiten.

Daarmee verschuift voorraadkennis van een intern operationeel onderwerp naar een onderdeel van je toegevoegde waarde. Niet alleen producten leveren, maar klanten en leveranciers helpen om betere keuzes te maken rondom beschikbaarheid, voorraad en vraag. Juist dát maakt dit onderwerp breder dan alleen efficiënter werken in het magazijn.

De vertaling naar de praktijk: benut je ERP als basis

Voor Blisss begint de praktische vertaling bij de samenhang tussen processen, mensen en informatie. Een goed ingericht ERP-systeem speelt daarin een belangrijke rol, omdat gegevens over verkoop, inkoop en voorraad daar bij elkaar komen. Hoe beter die basis aansluit op de werkelijkheid, hoe beter je kunt bepalen wat er beschikbaar is, wat onderweg is en welke vraag eraan komt. Dat is waardevol voor de bestaande voorraadplanning én vormt een fundament voor aanvullende analyses en voorspellingen.

Microsoft Dynamics 365 Business Central biedt bijvoorbeeld planningsfunctionaliteit waarmee vraag en aanbod op elkaar kunnen worden afgestemd. Daarbij spelen onder meer de werkelijke en verwachte klantvraag en ingestelde bestelparameters een rol. Die mogelijkheden bestaan ook zonder dat je direct een nieuwe AI-toepassing toevoegt. Het is daarom verstandig eerst te onderzoeken hoe goed je de functionaliteit en informatie gebruikt die al beschikbaar zijn.

Zijn levertijden bijvoorbeeld actueel? Sluiten bestelinstellingen aan op de praktijk? Worden ontvangsten en voorraadwijzigingen tijdig verwerkt? En heb je voldoende inzicht in artikelen die langzaam bewegen of juist regelmatig onvoldoende beschikbaar zijn? Verbeteringen op dat niveau kunnen al helpen om voorraad en kosten beter te beheersen, terwijl je tegelijkertijd de gegevensbasis verbetert waarop eventuele AI-toepassingen later voortbouwen.

De vraag moet daarom niet zijn hoe je zo snel mogelijk AI aan je voorraadbeheer toevoegt, maar welk voorraadprobleem je wilt oplossen. Misschien wil je overtollige voorraad verminderen, beschikbaarheid verbeteren of vraag nauwkeuriger voorspellen voor een specifieke productgroep. Begin met één of twee gerichte vraagstukken en onderzoek welke gegevens, bestaande functionaliteit en eventueel aanvullende technologie daarvoor nodig zijn.

Bij Blisss helpen we groothandels om die verbinding te leggen tussen voorraadambities en de dagelijkse bedrijfsvoering. Daarbij kijken we naar de inrichting van het ERP, de kwaliteit van informatie en de processen rondom inkoop, verkoop en voorraad. Wil je weten waar jouw groothandel meer grip kan krijgen op voorraad en kosten? Bekijk wat Business Central voor de groothandel kan betekenen of ga met ons in gesprek.