Voorraadforecasting met AI voor groothandel: minder geld in voorraad

Voorraad staat op je balans als bezit. Hij gedraagt zich als kosten.

In vrijwel elke groothandel is voorraad de grootste post waar de directie het minst frequent over spreekt. Omzet en marge staan maandelijks op de agenda. Voorraad komt pas ter sprake als de accountant naar de afwaardering vraagt, of als de bank naar het werkkapitaal kijkt.

Dat is opmerkelijk, want het gaat om serieus geld. Wat wij bij groeiende groothandels zien is dat al snel twintig procent van het werkkapitaal onnodig vastzit in voorraad. Geld dat niet in groei, personeel of een overname zit, maar in dozen die staan te wachten.

Het venijnige is dat te veel voorraad zelden als probleem voelt. Je hebt geen nee hoeven verkopen, klanten klagen niet, de leverbetrouwbaarheid oogt prima. De kosten zijn stil: rente, ruimte, handling, en uiteindelijk afwaardering op artikelen die niemand meer vraagt. Te weinig voorraad voelt onmiddellijk pijnlijk, te veel voorraad voelt jarenlang comfortabel. Dat is precies waarom het scheefgroeit.

Waarom inkoopbeslissingen structureel naast zitten

Niet omdat je inkopers hun vak niet verstaan. Maar omdat ze beslissen met informatie die het probleem niet kan oplossen.

Je stuurt op gemiddelden in plaats van op patronen

De meest gebruikte inkoopregel is een variant op: pak het verbruik van de afgelopen zes of twaalf maanden en reken daarmee verder. Dat werkt zolang de vraag stabiel is. Zodra er seizoen in zit, een actie is geweest, een grote klant is gekomen of vertrokken, is het gemiddelde een slechte raadgever. Het middelt precies de informatie weg die je nodig hebt.

De historie die je nodig hebt, bewaart je ERP niet

Om een patroon te herkennen heb je betrouwbare historie nodig: wat was de werkelijke vraag, wat is er misgelopen door nee-verkopen, hoe lang deed de leverancier er destijds echt over. Veel ERP-systemen overschrijven dit soort gegevens of bewaren alleen de actuele stand. Je kunt dan wel terugkijken naar wat je verkocht hebt, maar niet naar wat je had kunnen verkopen.

Elke inkoper heeft zijn eigen Excel

In de praktijk draait de inkoopbeslissing bij veel groothandels op een persoonlijk werkbestand, met eigen aannames over veiligheidsmarges en levertijden. Dat gaat goed zolang die persoon er is. Het is niet overdraagbaar, niet controleerbaar en niet te verbeteren, want niemand anders kent de aannames.

Incourantie zie je pas als het te laat is

Een artikel wordt niet van de ene op de andere dag incourant. Het zakt maanden weg: eerst iets minder vraag, dan een kwartaal zonder orders, dan een jaar stilstand. Elk van die signalen is zichtbaar in je data. Maar zolang niemand er systematisch naar kijkt, merk je het pas bij de jaarafsluiting, als afwaarderen het enige is wat nog rest.

Wat AI hier wel en niet doet

Even de verwachtingen scherpstellen, want op dit onderwerp wordt veel beloofd.

AI is geen glazen bol. Het voorspelt geen onverwachte order van een nieuwe klant en het ziet geen leveranciersfaillissement aankomen. Wie dat verkoopt, verkoopt lucht.

Wat het wel doet: patronen herkennen in grotere hoeveelheden historie dan een mens overziet, en die patronen consistent toepassen op elk artikel. Niet op de twintig artikelen waar de inkoper toevallig aandacht voor heeft, maar op alle vijfduizend. Seizoenseffecten, de samenhang tussen artikelen, het werkelijke gedrag van je leveranciers, de invloed van acties: allemaal factoren die een mens in theorie kan meewegen maar in de praktijk voor een handvol artikelen volhoudt.

Het resultaat is geen foutloze voorspelling. Het is een betere startpositie voor de beslissing, plus tijd die vrijkomt doordat de uitzonderingen zichzelf melden in plaats van dat je ze moet zoeken.

Vier voorspellingen die direct geld opleveren

1. Vraagvoorspelling per artikel en per kanaal

Niet één voorspelling voor het hele assortiment, maar per artikel, en waar relevant per afzetkanaal. Een artikel dat via de webshop anders loopt dan via je vaste B2B-klanten vraagt om een andere inkoopbeslissing. Dat onderscheid maakt een gemiddelde nooit.

2. Incourantie voorspellen voordat het afwaardering wordt

De waardevolste voorspelling is vaak de negatieve: welke artikelen zijn op weg om dood voorraad te worden. Signaleer je dat zes maanden eerder, dan heb je nog opties — uitverkopen, bundelen, retour naar leverancier. Signaleer je het bij de jaarafsluiting, dan rest alleen afboeken.

3. Veiligheidsvoorraad op basis van werkelijke leverbetrouwbaarheid

De meeste veiligheidsvoorraden zijn ooit met de hand ingesteld en sindsdien niet aangeraakt. Ze zijn gebaseerd op de levertijd die de leverancier belooft, niet op de levertijd die hij waarmaakt. Zodra je de werkelijke prestaties van je leveranciers meeneemt, blijkt de ene leverancier structureel een extra buffer te rechtvaardigen en de andere al jaren te veel.

4. Afwijkingen die zichzelf melden

De praktische winst zit in signalering: een artikel dat significant afwijkt van zijn eigen patroon, een leverancier die begint uit te lopen, een klant die stilvalt. Niet als maandrapport, maar als melding op het moment dat het gebeurt. Dat is het verschil tussen bijsturen en achteraf verklaren.

Waarom dit niet zomaar uit je ERP rolt

Elke forecast is zo goed als de data eronder. Drie dingen moeten kloppen voordat een voorspelling betekenis heeft.

Je hebt betrouwbare historie nodig die bewaard blijft, ook als artikelen van groep wisselen of klanten van segment veranderen. Je hebt data uit meerdere bronnen nodig, want inkoop, verkoop, magazijn en leveranciersprestaties zitten zelden in hetzelfde systeem. En je hebt eenduidige definities nodig: wat telt als vraag, tellen nee-verkopen mee, wanneer noem je een artikel incourant.

Zolang die drie niet geregeld zijn, is elke AI-toepassing een experiment. Daarom bouwen wij voorspellingen niet rechtstreeks op het ERP, maar op een centraal dataplatform waarin historie, definities en bronnen geborgd zijn. De volgorde is niet onderhandelbaar: eerst het fundament, dan de voorspelling.

Wat het oplevert, in directietaal

Voor het MT vertaalt dit zich naar twee cijfers.

Het eerste is DIO, het aantal dagen dat voorraad gemiddeld in je magazijn staat. Elke dag die je daarvan afhaalt is direct cash die vrijvalt. Bij een groothandel met enkele miljoenen aan voorraad loopt dat snel in de honderdduizenden.

Het tweede is leverbetrouwbaarheid. De reflex is te denken dat minder voorraad automatisch slechtere levering betekent. In de praktijk gebeurt vaak het omgekeerde: je had te veel van de verkeerde artikelen en te weinig van de juiste. Scherper voorspellen betekent niet overal minder, maar anders verdeeld.

Die twee samen, plus de marge per klant en productgroep, vormen het complete beeld waarop je een groothandel kunt sturen.

Hoe je hiermee begint

Niet met een assortimentbreed forecastproject. Begin met de artikelgroep waar het meeste geld in vastzit, of waar de afwaardering het hardst aankwam. Eén groep, één vraag: klopt onze inkoop hier met de werkelijke vraag?

Die eerste analyse levert bijna altijd hetzelfde op: een handvol artikelen waar je structureel te veel van inkoopt, en een paar waar je juist te krap zit. Dat alleen al verdient de exercitie terug. Vanaf daar breid je uit, niet andersom.

Kijken wat er in jouw voorraad vastzit

Benieuwd hoeveel werkkapitaal er in jouw magazijn onnodig vaststaat, en welke artikelen op weg zijn naar afwaardering? In een vrijblijvende sessie kijken we samen naar je huidige data en laten we zien wat daar nu al uit te halen is.

Vraag een demo aan of bekijk wat we doen voor groothandel en distributie.