Forecasting met AI
Met AI forecasting voorspel je uit je eigen verkoophistorie hoeveel je de komende weken verkoopt, per artikel, klant of vestiging. Dat wordt een inkoopadvies, een productieplan of een omzetprognose, elke dag bijgewerkt. Een planner of inkoper beslist, met cijfers in plaats van gevoel. Hieronder zie je hoe dat werkt, stap voor stap.
In het kort
Nu
In de meeste mkb-bedrijven zit forecasting in het hoofd van de inkoper of planner. Die kijkt naar vorig jaar, weet dat een klant in december meer bestelt en voelt aan wanneer een artikel hard gaat. Vaak staat er een Excel-bestand naast met gemiddelden.
Dat werkt tot het niet meer werkt:
AI forecasting neemt het rekenwerk over, voor alle artikelen tegelijk, elke dag.
Wat AI doet
Een forecastmodel leert patronen uit je eigen data:
Daaruit volgt per artikel een voorspelling met een bandbreedte: waarschijnlijk 120 stuks, met 90 procent zekerheid tussen 95 en 150. Die bandbreedte is belangrijk. Zij bepaalt hoeveel veiligheidsvoorraad je nodig hebt.
Dan komt de automatisering. De voorspelling wordt gecombineerd met de actuele voorraad, openstaande inkooporders, levertijden en minimale bestelhoeveelheden. De uitkomst is een concreet advies: bestel nu 200 stuks bij deze leverancier, of: dit artikel is over negen dagen op.
Voor de meeste mkb-situaties gebruiken we bewezen statistische modellen en machine learning, geen taalmodel. Een taalmodel kan wel helpen bij het uitleggen: waarom het advies deze week hoger is dan vorige week.
Systemen
Een forecast is zo goed als de data. We koppelen:
De voorspelling komt terug waar je team werkt: in een dashboard, als inkoopvoorstel in het ERP of als dagelijkse mail met de artikelen die aandacht nodig hebben. Hoe koppelingen werken, staat bij API koppelingen. Voor het dashboard zie rapportages en dashboards.
Voorbeeld
Rutten Elektroshop in Cuijk verkoopt meer dan 9.750 artikelen, online en in de winkel. Het doel was grip op voorraad. Na de automatisering is de voorraadwaarde realtime zichtbaar, voorspelt het systeem wanneer een artikel op is en krijgt het team een inkoopadvies. De kostprijzen zijn automatisch gekoppeld, zodat ook de marge klopt. Lees het in de casestudy van Rutten.
Bij Mousse Cakes in Rotterdam werkt het de andere kant op: orders worden automatisch het productieplan, en recepten worden omgerekend naar de benodigde hoeveelheden. Daar is de planning direct gekoppeld aan wat klanten bestellen.
Een fictief voorbeeld van de opbrengst. Een groothandel met 3.000 artikelen bestelt nu wekelijks op gevoel. Na de invoering bestelt de inkoper op advies, en kijkt hij alleen nog zelf naar de artikelen waar het model onzeker is of waar een actie loopt. Hoeveel voorraad en tijd dat scheelt, meten we vooraf en na drie maanden.
Opbrengst
De opbrengst zit in drie dingen:
Hoeveel het is, hangt af van je assortiment en hoe jullie nu werken. In ons AI kansenonderzoek rekenen we dat vooraf uit, met een financieel beeld per maand.
Kosten. De bouw hangt af van het aantal bronnen, de kwaliteit van de data en waar de uitkomst moet landen. We werken met een vaste prijs per afgesproken stap, met acceptatiecriteria vooraf. Lost de kernfunctionaliteit het omschreven probleem niet op, dan betaal je niet voor die oplossing. prijsindicatie forecasting met AI, dashboard en inkoopadvies Daarnaast zijn er lopende kosten voor rekenkracht en hosting. Die hangen af van het aantal artikelen en hoe vaak de forecast draait.
Meer over wat we automatiseren staat bij AI automatisering.
Klantverhaal
Retail
70 jaar elektrozaak. Voorraad, kostprijzen en prijsadvies uit één systeem, het winkelgevoel bleef.
9.750+ artikelen live
Voedselproductie
Productieplanning, koelketen, inkoop, cijfers en klantcontact in één flow.
100% batches traceerbaarVeelgestelde vragen
Een eerste versie staat vaak binnen enkele weken, als de verkoophistorie beschikbaar is. De meeste tijd zit in het opschonen van data en het testen op het verleden. Daarna draait de voorspelling dagelijks of wekelijks automatisch. Na een paar maanden meten we hoe goed hij was en stellen we bij waar nodig.
Ja. Het model geeft een advies met een bandbreedte, en de inkoper of planner beslist. Die weet dingen die niet in de data staan, zoals een nieuwe klant of een leverancier met problemen. Het systeem laat zien waar het onzeker is, zodat de aandacht naar die artikelen gaat. Afwijkingen van het advies leggen we vast, zodat het model ervan leert.
Dat hangt af van het aantal bronnen, de kwaliteit van je data en of de uitkomst in een dashboard of direct in je ERP komt. We spreken een vaste prijs per stap af, met acceptatiecriteria vooraf. De lopende kosten voor rekenkracht en hosting zijn meestal beperkt. In een kort gesprek geven we een eerste inschatting.
Voor seizoenspatronen heb je minstens een jaar verkoophistorie nodig, liever twee of drie. Per dag of per week, per artikel. Voor nieuwe artikelen zonder historie gebruiken we vergelijkbare artikelen. Heb je minder data, dan kan een eenvoudiger model nog steeds beter zijn dan een gemiddelde in Excel. We kijken eerst wat er is.
Verder lezen
Plan een kort gesprek. We kijken naar je verkoopdata en vertellen wat een forecast bij jou kan opleveren.
