AI in voorraadbeheer voor groothandel en food: een leveranciersonafhankelijk stappenplan
Kort antwoord
AI optimaliseert voorraadbeheer door per artikel de vraag te voorspellen, met een bandbreedte, en daaruit veiligheidsvoorraad en besteladvies af te leiden. Een nieuw ERP is daarvoor niet nodig. Begin met één productgroep, maak de historie schoon, laat het advies enkele weken naast de planner meedraaien en meet tegen een nulmeting. De planner beoordeelt de uitzonderingen en tekent.
Wie zoekt naar AI en voorraadbeheer, vindt veel teksten van leveranciers over hun eigen software, soms met een besparingspercentage vooraf. Wat zo'n percentage voor uw assortiment betekent, staat er zelden bij. Dit artikel is de andere kant: een leveranciersonafhankelijk stappenplan voor groothandels en foodbedrijven. Het loopt van de data via de voorspelling en de veiligheidsvoorraad naar het werken met uitzonderingen en de evaluatie na de piek. Daarna leest u wat u meet, wat mensenwerk blijft en hoe u een leverancier toetst.
Op deze pagina
- Wat automatiseert AI in voorraadbeheer?
- Waarom voorraadbeheer een goed eerste AI-proces is
- Stap 1: maak de data geschikt, te beginnen bij verkoop en vraag
- Stap 2: deel het assortiment in naar waarde en voorspelbaarheid
- Stap 3: laat de voorspelling meedraaien naast uw bestaande ERP
- Stap 4: vertaal de voorspelling naar veiligheidsvoorraad en bestelparameters
- Stap 5: werk met uitzonderingen in plaats van met elk artikel
- Stap 6: evalueer na de piek
- Wat meet u bij AI-voorraadbeheer?
- Wat blijft mensenwerk?
- Hoe toetst u een leverancier of tool?
- Wat u realistisch mag verwachten
Wat automatiseert AI in voorraadbeheer?
AI in voorraadbeheer is geen los systeem. Het zijn drie stappen die op elkaar aansluiten. Eerst een vraagvoorspelling per artikel, liefst met een bandbreedte in plaats van één getal. Dan de vertaling daarvan naar veiligheidsvoorraad en bestelparameters. Tot slot een besteladvies dat de planner beoordeelt. Wat u automatiseert, is het rekenwerk: elke week alle artikelen op dezelfde manier doorrekenen. De beslissing, en de kennis die niet in de data staat, automatiseert u niet.
Hoe dat er in een gangbaar ERP uitziet, beschrijft Microsoft in de openbare documentatie van de extensie Sales and Inventory Forecast voor Business Central. Die voorspelt de verkoop op basis van de verkoophistorie, toont wanneer een artikel waarschijnlijk uitverkocht raakt en helpt aanvullingsorders bij leveranciers aan te maken. De invoer bestaat uit de boekingsdatum, het artikelnummer en de hoeveelheid van artikelposten van het type verkoop. De documentatie noemt ook de grenzen. De voorspelling is samengevoegd over alle locaties en varianten. En als er te weinig data is of de data sterk wisselt, maakt de dienst geen voorspelling.
Wij noemen dit voorbeeld niet als aanbeveling. Het laat wel twee dingen zien die voor elke tool gelden. Een voorspelling die op verkoopposten draait, ziet alleen wat u verkocht, niet wat klanten vroegen. En elke tool heeft een punt waarop de data te dun of te grillig is. Vraag elke leverancier om dezelfde openheid.
Waarom voorraadbeheer een goed eerste AI-proces is
Voorraad heeft veel historische data en een uitkomst die u kunt meten: nee-verkopen, voorraadwaarde en, in food, derving. Daarom hoort het bij de processen die zich het eerst lenen voor AI in groothandel en logistiek. In het onderzoek van evofenedex naar AI in handel en logistiek, onder bijna driehonderd logistiek professionals, worden digitale assistenten, voorraadbeheer en vraagvoorspelling het meest kansrijk genoemd. Hetzelfde onderzoek laat het knelpunt zien. Slechts 42 procent van de bedrijven heeft de interne data grotendeels op orde, en bij een derde is dat beperkt.
In de logistiek is AI bovendien nog geen gewoonte. Volgens voorlopige CBS-cijfers over 2025 gebruikt 45 procent van de bedrijven met 50 tot 250 werkzame personen AI. Over alle bedrijfsgroottes samen gebruikt in de handel 12 procent van de bedrijven AI, in vervoer en opslag 7 procent. Van de bedrijven die AI gebruiken, zet 4 procent het in voor logistieke doeleinden, het laagste aandeel van alle doeleinden die het CBS noemt.
Stap 1: maak de data geschikt, te beginnen bij verkoop en vraag
Een voorspelmodel is zo goed als de historie waarop het leert. Voordat er een model aan te pas komt, loopt u deze punten na:
- Verkoop is niet hetzelfde als vraag. Was een artikel uitverkocht, dan staat in uw historie de voorraadgrens en niet wat klanten vroegen. Registreer en markeer nee-verkopen, anders leert een model de tekorten van vorig jaar als normale vraag.
- Acties, promoties en eenmalige grote orders zijn gelabeld met datum en soort, zodat een uitschieter herkenbaar is als uitzondering.
- De artikelstam klopt: geen dubbele nummers, actuele eenheden en complete leveranciersgegevens. Gewijzigde artikelnummers zijn gekoppeld aan hun voorganger, anders begint een vervangend artikel zonder historie.
- Levertijden per leverancier staan erin zoals ze werkelijk zijn, niet zoals ze zijn afgesproken. Een voorspelling wordt pas een besteladvies als u weet hoever u vooruit moet kijken.
- Bestelafspraken liggen vast: minimale bestelhoeveelheid, bestelveelvoud en vaste besteldagen per leverancier.
- In food: partij, houdbaarheidsdatum en derving per reden. Zonder reden is niet te zien of derving uit te ruime inkoop komt of uit een kwaliteitsprobleem.
- Elke datastroom heeft een eigenaar met naam. Zonder eigenaar loopt de kwaliteit na de pilot ongemerkt terug.
Stap 2: deel het assortiment in naar waarde en voorspelbaarheid
Niet elk artikel verdient dezelfde aanpak. Een bruikbare indeling is de ABC-XYZ-analyse. ABC zegt hoeveel een artikel bijdraagt aan omzet of voorraadwaarde. XYZ zegt hoe regelmatig de vraag is. Een A-artikel met regelmatige vraag is de plek waar een voorspelmodel het snelst laat zien wat het waard is: er is veel historie, en een fout kost er geld.
Bij traagdraaiers met veel weken zonder verkoop ligt dat anders. Het open handboek Forecasting: Principles and Practice van Rob Hyndman en George Athanasopoulos beschrijft dat de methoden in dat boek uitgaan van doorlopende waarden. Bij reeksen met kleine aantallen, zoals 0, 1 of 2 per periode, zijn andere methoden nodig. De methode van Croston wordt daarvoor veel gebruikt, maar staat volgens de auteurs bekend als vertekend, en er bestaat geen formule om er voorspellingsintervallen bij te berekenen. Begin voor zulke artikelen met een eenvoudige vaste bestelregel en laat een model eerst bewijzen dat het beter is.
Nieuwe artikelen hebben geen historie. Daar wijst de planner een vergelijkbaar artikel aan als referentie en legt dat oordeel vast. Dat blijft de werkwijze, ook met AI.
Stap 3: laat de voorspelling meedraaien naast uw bestaande ERP
AI-voorraadbeheer vraagt geen nieuw ERP. De verstandige volgorde is omgekeerd. Kies één afgebakende productgroep uit de A-hoek, laat een model wekelijks een besteladvies maken en leg dat naast het advies van de planner. Neem een periode met gewone weken en ten minste één drukkere periode. Pas daarna beslist u over software, met bewijs uit de eigen operatie in plaats van een demo.
Toets het model ook achteraf op uw eigen historie. Hyndman en Athanasopoulos benadrukken dat hoe goed een model op de eigen trainingsdata past, geen betrouwbare maat is voor de werkelijke voorspelfout. Houd daarom een periode apart die het model niet heeft gezien, en vergelijk alleen daarop. In hun handboek is dat doorgaans ongeveer 20 procent van de beschikbare data.
Kies de tijdseenheid die bij uw bestelritme past. Microsoft adviseert voor zijn eigen extensie per maand te voorspellen, met een horizon van twaalf maanden. Wie wekelijks bij een leverancier bestelt, heeft daarnaast een voorspelling per week nodig, minstens over de levertijd.
Het uitgangspunt in de pilot: AI adviseert, de planner beslist en tekent. Dat maakt de planner mede-eigenaar van het systeem in plaats van tegenstander.
Stap 4: vertaal de voorspelling naar veiligheidsvoorraad en bestelparameters
Een voorspelling is nog geen bestelling. Daartussen zitten de veiligheidsvoorraad, het bestelpunt en de afspraken met de leverancier. De veiligheidsvoorraad vangt de onzekerheid op in de vraag en in de levertijd. Daarom is een bandbreedte rond de voorspelling nuttiger dan één getal. Volgens Hyndman en Athanasopoulos kan een puntvoorspelling zonder bijbehorend interval vrijwel geen waarde hebben, omdat u niet kunt zien hoe nauwkeurig zij is.
De marge loopt snel op naarmate u meer zekerheid wilt. In hun standaardtabel, bij normaal verdeelde fouten, ligt de grens van een interval van 80 procent op 1,28 standaardafwijkingen aan weerszijden van de voorspelling, van 95 procent op 1,96 en van 99 procent op 2,58. Elk procentpunt extra zekerheid kost bovenaan de schaal dus meer marge dan onderaan. Voor de veiligheidsvoorraad werkt dezelfde logica. Kies het gewenste niveau daarom per artikelgroep, niet voor het hele assortiment tegelijk.
Microsoft geeft in de best practices voor Business Central concrete aanknopingspunten die ook buiten dat pakket bruikbaar zijn. Gebruik een veiligheidsvoorraad voor artikelen met grote schommelingen in de vraag en voor artikelen waarvoor service-afspraken gelden. Baseer het bestelpunt op het vraagprofiel: is de gemiddelde vraag 100 stuks tijdens een levertijd van zeven dagen, dan ligt het bestelpunt minimaal op 100. Neem een veiligheidslevertijd van één tot zes dagen, en een langere zolang de leverprestatie van een nieuwe leverancier onbekend is.
Daarna komen de afspraken met de leverancier. Ligt de minimale bestelhoeveelheid hoger dan wat u in een levertijd verkoopt, dan bepaalt die afspraak uw voorraad meer dan de voorspelling. Een goed opgezet advies maakt dat zichtbaar, zodat de inkoper erover kan onderhandelen.
In food begrenst de houdbaarheid de buffer. Een veiligheidsvoorraad die langer ligt dan de resterende houdbaarheid, wordt derving. Leg per productgroep vast wat een fout naar boven en naar beneden werkelijk kost, en laat het advies daarop aansluiten in plaats van op het middelste scenario. Meer over derving en kwaliteit leest u in ons artikel over AI in food manufacturing.
Stap 5: werk met uitzonderingen in plaats van met elk artikel
De grootste verandering voor de planner zit niet in de voorspelling, maar in waar de aandacht naartoe gaat. In plaats van elke bestelregel na te lopen, beoordeelt de planner de artikelen die het systeem als uitzondering markeert. Leg elke afwijking van het advies vast, met de reden erbij. Niet om planners te controleren, maar omdat die aanpassingen laten zien waar het model iets structureel mist, en waar een planner op gevoel corrigeerde terwijl het model gelijk had.
Spreek vooraf af wat een uitzondering is, bijvoorbeeld:
- Het advies wijkt sterk af van de vorige bestelling of van de eigen historie van het artikel.
- De verwachte voorraad zakt binnen de levertijd onder de veiligheidsvoorraad.
- Een leverancier levert later dan de vastgelegde levertijd.
- Een nieuw artikel, een vervallen artikel of een artikel met te weinig historie.
- In food: voorraad die de houdbaarheidsgrens nadert, of een partij die is geblokkeerd.
- Een klant, actie of sluitingsdag die de planner kent en het model niet.
Stap 6: evalueer na de piek
Juist de drukste weken leveren veel leerzame data op. Plan daarom na elke piek een vaste evaluatie; na de decemberpiek is dat januari. Hoe u die piek zelf voorbereidt, staat in ons artikel over vraagvoorspelling vóór de decemberpiek. Verwerk de uitkomst in de data: markeer de nee-verkopen en acties van de piek, zodat het model volgend jaar van de werkelijke vraag leert. De evaluatie zelf draait om vier vragen:
- Waar zat de voorspelling het verst naast, per week en per artikel?
- Was die afwijking op dat moment te voorspellen? Alleen die categorie is een verbeterpunt.
- Welke aanpassingen van de planner pakten goed uit, en welke niet?
- Moeten veiligheidsvoorraad, bestelpunt of uitzonderingsregels per artikelgroep worden bijgesteld?
Wat meet u bij AI-voorraadbeheer?
Leg een nulmeting vast voordat de pilot begint. Zonder vertrekpunt wordt de evaluatie een kwestie van gevoel. Meet daarna steeds op dezelfde manier:
- De voorspelfout per artikelgroep, gemeten op weken die het model niet heeft gezien. Een absolute maat, zoals de gemiddelde absolute fout in stuks, is per artikel goed te lezen.
- Wees voorzichtig met procentuele fouten. Volgens Hyndman en Athanasopoulos worden die oneindig of onbepaald bij een vraag van nul, extreem bij een vraag dicht bij nul, en straffen ze negatieve fouten zwaarder dan positieve. Voor traagdraaiers is dat een reëel probleem. Om artikelen onderling te vergelijken, noemen zij de geschaalde fout (MASE) als alternatief.
- Vertekening: zit de voorspelling systematisch te hoog of te laag? Een kleine gemiddelde fout kan een structurele overschatting op één groep verbergen.
- Nee-verkopen en leverbetrouwbaarheid op de gekozen productgroep.
- De gemiddelde voorraadwaarde en de omloopsnelheid, bij gelijke leverbetrouwbaarheid.
- In food: derving per reden, in kilo's of euro's.
- Hoe vaak de planner afwijkt van het advies, en wie achteraf gelijk had.
- De tijd die planners kwijt zijn aan routinematig nalopen, tegenover de tijd voor het beoordelen van uitzonderingen.
Wat blijft mensenwerk?
De planner beslist en tekent, AI adviseert. Dat is geen formaliteit. Een model weet alleen wat in de historie staat: niet dat er een nieuwe klant is binnengehaald, dat de inkoper vorige week een actie heeft afgesproken of dat een leverancier de laatste week van het jaar dicht is. Die kennis zit bij mensen. Zij hoort als gegeven in het systeem te komen, niet als correctie achteraf.
In food komt de verantwoordelijkheid voor voedselveiligheid erbij. Artikel 18 van de Algemene Levensmiddelenverordening (Verordening (EG) nr. 178/2002) vraagt dat u kunt aangeven wie u levensmiddelen heeft geleverd en aan welke bedrijven u heeft geleverd. Welke partij eerst de deur uitgaat, wanneer een partij wordt geblokkeerd en wat er bij een terugroepactie gebeurt, blijven beslissingen van mensen binnen uw kwaliteitssysteem. Een besteladvies mag daar niet omheen werken.
Derving staat ook op de Europese agenda. Richtlijn (EU) 2025/1892 verplicht de lidstaten maatregelen te nemen om uiterlijk 31 december 2030 het levensmiddelenafval in de verwerkende en producerende industrie met 10 procent te verminderen, ten opzichte van het jaargemiddelde over 2021 tot en met 2023. Dat doel geldt voor de lidstaten, niet rechtstreeks voor uw bedrijf.
De mensen die met het model werken, moeten het ook begrijpen. Artikel 4 van de EU AI-verordening (Verordening (EU) 2024/1689) geldt sinds 2 februari 2025. Sinds de wijziging door Verordening (EU) 2026/1744, in werking per 27 juli 2026, vraagt het aanbieders en gebruikers van AI-systemen maatregelen te nemen die de ontwikkeling van AI-geletterdheid ondersteunen bij hun personeel en anderen die namens hen met die systemen werken. Een bepaald niveau hoeven zij niet te waarborgen. Voor planners komt dat neer op: weten waarop een voorspelling is gebaseerd, herkennen wanneer een model buiten zijn bereik werkt, en kunnen uitleggen waarom zij een advies hebben gevolgd of aangepast. Meer daarover leest u in ons artikel over AI-geletterdheid.
Hoe toetst u een leverancier of tool?
Een besparingspercentage vooraf zegt weinig, omdat het resultaat afhangt van uw assortiment, uw vraagpatroon en uw data. Ook een goede proef is geen garantie: waarom AI-projecten na de pilot kunnen stranden, en hoe u dat vooraf regelt, staat in ons artikel over AI-projecten die stranden na de pilot.
Stel een leverancier daarom liever deze vragen:
- Wilt u het model testen op een periode uit onze eigen historie die het niet heeft gezien, en de uitkomst naast de werkelijke verkoop leggen?
- Hoe gaat het model om met nee-verkopen en uitverkochte periodes?
- Wat gebeurt er bij artikelen met te weinig of te grillige historie?
- Voorspelt het per locatie en per variant, of samengevoegd?
- Geeft het een bandbreedte, en kunnen wij het gewenste zekerheidsniveau per artikelgroep instellen?
- Legt het systeem vast wie een advies heeft aangepast, en waarom?
- Kunnen wij onze data en instellingen meenemen als wij overstappen?
Wat u realistisch mag verwachten
Wat haalbaar is, hangt af van de breedte van uw assortiment, hoe grillig de vraag is en hoe goed de data op orde is. Een redelijk doel na een goede pilot: minder nee-verkopen op de gekozen productgroep, een lagere gemiddelde voorraad bij gelijke leverbetrouwbaarheid, in food minder derving, en planners die hun tijd verschuiven van nalopen naar beoordelen. Hoeveel dat is, laat uw eigen nulmeting zien, niet een percentage uit een brochure.
In een Praktijkdag werken wij met de mensen die het proces dagelijks draaien aan één werkproces uit uw eigen operatie, bijvoorbeeld het opstellen en beoordelen van het besteladvies voor één productgroep. Het team leert het terwijl het wordt gebouwd. De weken waarin het advies daarna naast de planner meedraait, vallen buiten die ene dag. Raakt het proces een norm zoals HACCP, BRC of IFS, dan leggen wij de werkafspraken vast in de taal van die norm. Een Praktijkdag kost vanaf € 2.500 per groep, exclusief btw. Een besparing vooraf beloven wij niet.
Bronnen
- evofenedex, 2025: onderzoek AI in handel en logistiek (bijna driehonderd logistiek professionals; 42 procent heeft de interne data grotendeels op orde; voorraadbeheer en vraagvoorspelling als kansrijke toepassingen)
- CBS, 12 december 2025: bedrijven gebruiken AI vaakst voor marketing of verkoop (AI-gebruik naar grootte, bedrijfstak en doel, voorlopige cijfers 2025)
- Microsoft Learn, bijgewerkt april 2026: Using the Sales and Inventory Forecast extension to manage inventory (Business Central; invoer, beperkingen en advies voor periode en horizon)
- Microsoft Learn: Setup best practices, planning parameters (Business Central; veiligheidsvoorraad, bestelpunt en veiligheidslevertijd)
- Hyndman en Athanasopoulos, Forecasting: Principles and Practice, derde editie, OTexts 2021, paragraaf 5.8: evaluating point forecast accuracy (testperiode, procentuele fouten en MASE)
- Hyndman en Athanasopoulos, Forecasting: Principles and Practice, paragraaf 5.5: prediction intervals (waarde van intervallen en tabel met vermenigvuldigingsfactoren)
- Hyndman en Athanasopoulos, Forecasting: Principles and Practice, paragraaf 13.2: time series of counts (kleine aantallen en de methode van Croston)
- Verordening (EG) nr. 178/2002 (Algemene Levensmiddelenverordening), artikel 18: traceerbaarheid, EUR-Lex
- Richtlijn (EU) 2025/1892 van 10 september 2025 tot wijziging van Richtlijn 2008/98/EG betreffende afvalstoffen, artikel 9 bis: preventie van levensmiddelenafval, EUR-Lex
- Verordening (EU) 2024/1689 (EU AI Act), artikel 4 en artikel 113, EUR-Lex
- Verordening (EU) 2026/1744 (Digitale omnibus inzake AI), 8 juli 2026, bekendgemaakt 24 juli 2026: nieuwe tekst van artikel 4, EUR-Lex
Veelgestelde vragen
- Kunt u voorraadbeheer volledig automatiseren met AI?
- Het rekenwerk wel: elke week alle artikelen op dezelfde manier doorrekenen, een bandbreedte rond de verwachte vraag geven en een besteladvies voorstellen. De beslissing niet. Een model weet niets van een nieuwe klant, een net afgesproken actie of een leverancier die sluit. De planner beoordeelt de uitzonderingen, beslist en tekent.
- Heeft u een nieuw ERP-systeem nodig voor AI-voorraadbeheer?
- Nee. Begin met een afgebakende pilot naast het bestaande ERP: één productgroep, een model dat wekelijks een besteladvies maakt, en dat advies naast dat van de planner. Sommige ERP-pakketten hebben zelf een voorspelfunctie; Microsoft documenteert er bijvoorbeeld een voor Business Central die op de verkoophistorie draait. Pas na de pilot beslist u over software.
- Welke data heeft u nodig voor voorraadoptimalisatie met AI?
- Verkoophistorie per artikel met gemarkeerde nee-verkopen, acties en eenmalige orders; een kloppende artikelstam met gekoppelde vervangende nummers; werkelijke levertijden per leverancier; bestelafspraken zoals minimale bestelhoeveelheid en bestelveelvoud; en in food partij, houdbaarheid en derving per reden. Elke datastroom heeft een eigenaar met naam nodig.
- Hoe bepaalt AI de veiligheidsvoorraad?
- Uit de onzekerheid rond de voorspelling en de levertijd. Hoe breder de bandbreedte en hoe langer of onbetrouwbaarder de levertijd, hoe meer buffer nodig is. Meer zekerheid kost steeds meer marge: in de standaardtabel van Hyndman en Athanasopoulos ligt een interval van 95 procent op 1,96 standaardafwijkingen en een interval van 99 procent op 2,58. In food begrenst de houdbaarheid de buffer.
- Hoe meet u of AI-voorraadbeheer werkt?
- Tegen een nulmeting die u vóór de pilot vastlegt. Meet de voorspelfout op weken die het model niet heeft gezien, kijk of de voorspelling systematisch te hoog of te laag zit, en volg nee-verkopen, gemiddelde voorraadwaarde, in food derving per reden, en hoe vaak de planner afwijkt van het advies. Wees voorzichtig met procentuele fouten bij traagdraaiers met weken zonder verkoop.
- Werkt AI ook voor traagdraaiers en nieuwe artikelen?
- Minder goed. Bij reeksen met kleine aantallen en veel weken zonder verkoop zijn de gangbare voorspelmethoden niet geschikt, en de veelgebruikte methode van Croston staat bekend als vertekend. Begin daar met een eenvoudige vaste bestelregel en laat een model eerst bewijzen dat het beter is. Bij nieuwe artikelen zonder historie wijst de planner een vergelijkbaar referentieartikel aan en legt dat oordeel vast.
Dit artikel is informatief en geen juridisch advies. Genoemde marktprijzen en regelingen zijn indicaties per publicatiedatum; controleer actuele voorwaarden bij de officiële bronnen.
Verder lezen
- GroothandelVraagvoorspelling met AI vóór de decemberpiek: wat u nu al kunt voorbereidenDe decemberpiek wordt in september voorbereid: welke data nu op orde moet, wat AI-vraagvoorspelling wél verbetert, en waarom november te laat is.
- LogistiekAI voor groothandel en logistiek: waar begint u? Een stappenplan in zes stappenStarten met AI in groothandel of logistiek: zes stappen per proces, van datacheck en nulmeting tot autonomieniveau en een eerste test van 30 dagen.
- Food manufacturingAI in de voedingsindustrie: waar begint een producent? Kwaliteit, etikettering, planning en dervingWaar begint een voedingsproducent met AI? Per proces: etiket- en kwaliteitscontrole, planning, onderhoud, derving en HACCP, met kosten en grenzen.
