Vraagvoorspelling met AI vóór de decemberpiek: wat u nu al kunt voorbereiden

Waarom dit werk in september thuishoort en niet in november

Het CBS publiceert de omzetontwikkeling van de detailhandel maandelijks, en die reeks toont het seizoenspatroon van de sector als geheel. Hoe uw eigen piek eruitziet, staat alleen in uw eigen orderhistorie, en die kunt u nu nog opschonen. De bestelling die de decemberafzet moet dekken ligt er voor een deel van uw assortiment in november al, en bij import over zee eerder. Bovendien verdient een voorspelmodel zijn plek niet met een demo, maar met weken waarin het advies naast dat van de planner ligt en beide achteraf tegen de werkelijke afzet worden gehouden. Die vergelijking heeft rustige weken nodig: oktober is daarvoor geschikt, december niet.

Daar komt de aard van een piek bij. U beleeft er één per jaar, dus elk model heeft er maar een handvol gezien, terwijl het van gewone weken honderden voorbeelden kent. Een piekvoorspelling is per definitie onzekerder: geen tekortkoming van de software, maar een eigenschap van het probleem. Stuur er dus minder op één getal en meer op een bandbreedte, en op de vraag wat een fout naar boven en naar beneden kost.

Welke data nu op orde moet zijn

De algemene datacheck voor voorraad-AI staat in ons stappenplan voor AI-voorraadbeheer. Hieronder staat wat een seizoenspiek daar bovenop vraagt, in volgorde van wat het meeste verschil maakt:

• Meerdere jaren verkoophistorie per artikel. Met één piek in de data kan geen enkel model een structureel seizoenspatroon van toeval onderscheiden.
• Nee-verkopen en uitverkochte periodes gemarkeerd. Wat u vorig jaar vlak vóór Sinterklaas verkocht, is niet wat uw klanten vroegen maar wat u nog op voorraad had; zonder die markering herhaalt een model de tekorten.
• Acties, promoties en eenmalige grote orders gelabeld met datum en soort, zodat een uitschieter herkenbaar is als actie en niet als structurele vraag.
• Kalenderkenmerken naast de datum: weekdag, feestdag, actieweek en sluitingsdag. Een model dat alleen een weeknummer ziet, legt de kalender van dit jaar niet op die van vorig jaar.
• Gewijzigde artikelnummers gekoppeld aan hun voorganger, want een nieuw nummer begint zonder historie, juist in het assortimentsdeel dat rond de feestdagen het vaakst wisselt.
• Werkelijke levertijden per leverancier, inclusief de afwijking in het vierde kwartaal. Een voorspelling wordt pas een besteladvies als u weet hoever u vooruit moet kijken.

De kalender van 2026 ligt anders dan die van 2025

Een deel van het werk is geen datavraagstuk maar een kalendervraagstuk. Sinterklaas valt in 2026 op zaterdag 5 december, waar dat in 2025 een vrijdag was. Eerste en tweede kerstdag vallen op vrijdag 25 en zaterdag 26 december, en Black Friday op 27 november. Dat verschuift de laatste besteldagen, de laatste bezorgdagen en de dagen waarop uw klanten gesloten zijn.

Let daarnaast op de weektelling. ISO-weeknummers dekken vrijwel ieder jaar iets andere dagen dan het jaar ervoor, en dit jaar komt daar iets bij: 2026 telt 53 weken, waarbij week 53 doorloopt tot en met zondag 3 januari 2027 en in 2025 geen tegenhanger heeft. Voor rapportages is dat vervelend; voor een voorspelmodel dat op weeknummers is gebouwd, is het een fout die zich pas in december laat zien. Leg daarom vast wat de planner weet, zoals een klant die tussen kerst en oud en nieuw niet ontvangt of een leverancier die de laatste week sluit, als kalendergegeven in plaats van als handmatige correctie achteraf.

Wat AI verbetert aan een seizoenspiek

De winst zit zelden in een slimmer inzicht over één artikel, maar in schaal en consistentie. Geen planner rekent duizenden artikelen elke week op dezelfde manier door, en juist voor een piek is dat het verschil tussen overal een beetje kijken en gericht kijken bij de artikelen die ertoe doen.

• Het seizoenspatroon van artikelen met voldoende historie doortrekken, inclusief weekdag- en feestdageffecten.
• Trend, seizoen en weekdageffect uit elkaar halen en wekelijks herberekenen zodra er nieuwe verkoopcijfers binnenkomen.
• Een bandbreedte geven in plaats van één getal, zodat u kunt sturen op de gewenste leverbetrouwbaarheid.
• Uitzonderingen aanwijzen: artikelen die dit jaar afwijken van hun eigen historie, ruim voordat de piek begint.
• Verwachte afzet vertalen naar orderregels en colli, waar uw personeels- en transportplanning op draait.

Wat het model per definitie niet weet

Alles wat niet in de historie staat, staat niet in de voorspelling: een klant die dit jaar is binnengehaald of juist is weggevallen, een actie die uw inkoper vorige week heeft afgesproken, een leverancier die de kerstweek sluit, een nieuw artikel zonder verkoophistorie. Voor dat laatste is de gebruikelijke werkwijze nog steeds de beste: de planner wijst een vergelijkbaar artikel aan als referentie en legt dat oordeel vast.

In food weegt bovendien de richting van een fout zwaarder dan de omvang ervan. Te veel ingekocht van een vers product betekent derving, te weinig van een houdbaar product een nee-verkoop die u later deels nog goedmaakt. Leg per productgroep vast wat een fout naar boven en naar beneden werkelijk kost en laat het besteladvies daarop aansluiten in plaats van op het middelste scenario. Dat sluit aan op de bredere inzet van AI rond kwaliteit en derving in food manufacturing, en stroomafwaarts op het magazijn en de e-fulfilment, waar inleen en overwerk in de piek de kosten bepalen.

Een realistisch schema voor de weken die u nog heeft

Wat haalbaar is, hangt af van waar u nu staat. Een werkbare volgorde ziet er zo uit:

• September: kies één afgebakende productgroep met een duidelijke decemberpiek. Schoon de historie, markeer de nee-verkopen en acties van vorig jaar en leg vast hoe goed uw voorspelling vorig jaar was, per week en per artikel.
• Oktober: laat een voorspelling wekelijks naast het advies van de planner draaien en bespreek elke week de vijf grootste verschillen. Daar leert u meer van dan van een gemiddeld nauwkeurigheidspercentage.
• Begin november: bevriezen. Nieuwe software live zetten vlak voor de drukste weken verdient zich niet terug.
• December: registreer nee-verkopen en handmatige aanpassingen op het advies, met de reden erbij. Dat is de data waarmee u volgend jaar begint.
• Januari: evalueer welke afwijkingen te voorspellen waren en welke niet. Alleen de eerste categorie is een verbeterpunt.

De planner beslist en tekent, juist in de piek

Bij AIBA hanteren we als uitgangspunt dat de mens beslist en tekent. Bij vraagvoorspelling is dat geen formaliteit, want de piek is precies het moment waarop mensen van het advies afwijken: er is haast en één misser is meteen zichtbaar. Leg die afwijkingen vast, met de reden erbij. Niet om planners te controleren, maar omdat de overrides van december de beste leerdata van het jaar zijn: ze laten zien waar het model structureel iets mist en waar een planner op gevoel corrigeerde terwijl het model gelijk had.

Sinds 2 februari 2025 verplicht artikel 4 van de EU AI Act (Verordening (EU) 2024/1689) organisaties om medewerkers die met AI-systemen werken voldoende AI-geletterdheid bij te brengen. Voor planners betekent dat: begrijpen waarop een voorspelling is gebaseerd, weten wanneer een model buiten zijn comfortzone werkt zoals bij nieuwe artikelen of een verschoven kalender, en kunnen uitleggen waarom zij een advies hebben overgenomen of aangepast.

Begin daarom bij de nulmeting en niet bij de software: neem de decemberweken van vorig jaar erbij en beantwoord drie vragen. Waar zat u er het verst naast, wat kostte die afwijking, en was zij op dat moment te voorspellen geweest? Onze gratis Praktijk Scan helpt die eerste productgroep te kiezen.