AI voor voorraadvoorspelling — hoe tools als Optiply werken

AI voor voorraadvoorspelling — hoe tools als Optiply werken

Gemiddeld 8% van de webshopomzet verdwijnt door stockouts. Niet door te weinig bezoekers, niet door slechte conversie — gewoon omdat het product er niet is. Tegelijkertijd vreet overstock cash: reken op 20-30% aan kapitaalkosten per jaar voor voorraad die stil ligt in een magazijn. AI-voorraadvoorspelling lost beide problemen aan de basis op.

Hoe werkt dat in de praktijk, en wanneer loont zo'n tool echt? Dat leggen we uit aan de hand van tools zoals Optiply — en we benoemen ook wanneer het géén goede keuze is.

Wat doet AI-voorraadvoorspelling anders dan een spreadsheet?

Een spreadsheet kijkt achteruit. Je pakt de omzet van de afgelopen 12 maanden, deelt door 52, en hebt een weekvraag. Dat werkt redelijk als je een stabiele, seizoenloze productlijn hebt met betrouwbare leveranciers. In de praktijk is dat zelden zo.

AI-modellen — zoals die in Optiply, Inventory Planner of Linnworks — kijken vooruit op basis van meerdere signalen tegelijk:

• Historische verkoopdata (inclusief stockout-periodes, die anders je vraag onderschatten)
• Seizoenspatronen en trendherkenning
• Aankomende promoties of campagnes
• Leveranciersperformance en leadtime-variatie
• Externe data zoals Google Trends of weersdata (in de meer geavanceerde varianten)

Het verschil zit niet in de magie van "AI", maar in het volume en de consistentie waarmee die berekeningen worden gemaakt. Een planner kan dit voor 50 SKU's bijhouden. Een algoritme doet het voor 50.000 SKU's tegelijk, elke dag opnieuw.

Demand forecasting: de kern van het systeem

Demand forecasting is het schatten van toekomstige vraag per product, per periode. Optiply gebruikt hiervoor een combinatie van exponential smoothing en machine learning op historische orders.

Wat telt mee in een goed forecastmodel?

Dat laatste punt is onderschat. Als een leverancier een leadtime van 14 dagen heeft maar met een standaardafwijking van 5 dagen, dan moet je bestelmoment en veiligheidsvoorraad daar rekening mee houden. Een vaste leadtime in je spreadsheet geeft je een vals gevoel van zekerheid.

Veiligheidsvoorraad: niet te weinig, niet te veel

Veiligheidsvoorraad is de buffer tussen je reorder point en een stockout. Te weinig betekent nee-verkopen. Te veel betekent dood kapitaal.

De klassieke formule:

Veiligheidsvoorraad = Z × σ_leadtime × √(gemiddelde leadtime)

Waarbij Z de service level factor is (bijv. 1.65 voor 95% serviceniveau) en σ_leadtime de standaardafwijking van de vraag tijdens de leadtime.

In de praktijk rekent Optiply dit per SKU per leverancier door. Je stelt je gewenste serviceniveau in — zeg 95% of 98% — en het systeem berekent automatisch de buffer die daarvoor nodig is. De uitkomst verschilt sterk per product:

• Fast movers met stabiele vraag: lage veiligheidsvoorraad nodig
• Producten met hoge vraagvariatie of lange leadtimes: tot 4-6 weken buffer
• Langzame movers met hoge marges: strategische keuze, geen rekenkundige

Wij zien bij klanten dat de veiligheidsvoorraden bij handmatige planning systematisch te hoog zijn voor A-artikelen en te laag voor de staart van het assortiment. AI keert dat om.

Leveranciers-leadtimes en inkoopautomatisering

Optiply koppelt direct aan je leveranciersbestand. Per leverancier sla je op:

• Gemiddelde leadtime en variatie
• Minimale orderwaarde of orderdrempel
• Bestelfrequentie (dagelijks, wekelijks, per inkoopmoment)
• Eventuele vaste besteldagen

Op basis hiervan genereert het systeem inkoopadvies. Niet één generieke aanbeveling, maar een inkoopregel per leverancier op het moment dat de voorraad het reorder point bereikt. Je buyer hoeft dan alleen nog te beoordelen en te accorderen — of je zet het op volledig automatisch voor leveranciers die je vertrouwt.

In de praktijk betekent dit: een inkoopteam dat vroeger 4 uur per dag bezig was met ordervoorbereiding, is dat nu 45 minuten. De rest van de tijd gaat naar uitzonderingen, nieuwe leveranciers en assortimentsstrategie. Dat is waarde.

Koppeling met ERP en webshop

Optiply integreert via API met de meest gebruikte platforms. De koppeling haalt real-time voorraadstanden, orderhistorie en inkooporders op. Voor Magento 2 en Shopify Plus zijn er native connectors.

Bij Magento-shops loopt de koppeling doorgaans via de Magento REST API of GraphQL endpoint. Optiply haalt voorraadbewegingen op via GET /V1/stockItems en stuurt inkooporders terug naar je ERP of dirct naar Magento als Purchase Order.

Een vereenvoudigd voorbeeld van hoe je een Magento 2 voorraadstand opvraagt via de API:

// Laravel service — voorraadstand ophalen via Magento 2 REST API
$response = Http::withToken($this->accessToken)
    ->get("{$this->baseUrl}/rest/V1/stockItems/{$sku}");

if ($response->successful()) {
    $qty = $response->json('qty');
    $inStock = $response->json('is_in_stock');
    // Stuur door naar Optiply webhook of sla op in eigen DB
}

Voor grotere catalogi combineer je dit met de Magento bulk endpoint (/rest/V1/products?searchCriteria) om batchgewijs te synchroniseren. Zorg dat je de API niet te agressief bevraagt — Magento heeft standaard rate limits van ~300 requests per minuut.

Bij Shopify gebruik je de Inventory API (/admin/api/2024-01/inventory_levels.json). Shopify Plus-merchants kunnen ook webhooks inzetten voor real-time signalen bij voorraadwijzigingen, wat latency verlaagt ten opzichte van polling.

Voor klanten met een Laravel backend bouwen wij soms een eigen integratiemiddleware. Die haalt data op uit meerdere bronnen (ERP, WMS, webshop), normaliseert het, en stuurt het via de Optiply API door. Voordeel: je hebt volledige controle over de dataflow en kunt business rules toepassen voordat data het forecastsysteem ingaat.

ROI: minder nee-verkopen, minder dood kapitaal

De businesscase voor AI-voorraadvoorspelling hangt af van drie variabelen:

1. Omzetderving door stockouts — hoeveel procent van je omzet verlies je vandaag?
2. Kapitaalkosten van overstock — wat kost het je om te veel voorraad aan te houden?
3. Tijdsbesparing inkoop — hoeveel uur gaat er nu naar handmatig inkoopwerk?

Een realistisch voorbeeld voor een webshop met 3M omzet:

De getallen zijn indicatief — ze variëren sterk per assortiment, marges en leverancierslandschap. Maar de richting klopt: een webshop met brede productlijn en wisselende leveranciers heeft de meeste winst te halen.

Reken op een terugverdientijd van 6-18 maanden bij een serieuze implementatie. De kosten van tools als Optiply liggen doorgaans tussen €300 en €1.500 per maand, afhankelijk van het aantal SKU's en integraties.

Wanneer is AI-voorraadvoorspelling NIET de juiste keuze?

Eerlijkheid: niet elke webshop heeft dit nodig.

Implementatieaanpak in de praktijk

Een goede implementatie verloopt in fasen:

1. Data-audit — zijn voorraadbewegingen betrouwbaar geboekt? Zijn stockouts geregistreerd?
2. Integratiekoppeling — API-verbinding met webshop en/of ERP opzetten en testen
3. Baseline instellen — serviceniveaus, leadtimes en leveranciersparameters invoeren
4. Schaduwdraaien — 4-8 weken het systeem laten adviseren terwijl je zelf controleert
5. Overgang — inkoopadvies overnemen, uitzonderingen afhandelen, bijsturen

Stap 4 wordt vaak overgeslagen. Doe dat niet. Het schaduwdraaien geeft je het vertrouwen om de tool daadwerkelijk te laten sturen, en het legt afwijkingen bloot die je bij directe go-live pas achteraf zou ontdekken.

Veelgemaakte fouten bij de start

Veelgestelde vragen

Beide tools zijn gericht op e-commerce voorraadplanning, maar er zijn nuances. Inventory Planner is populairder bij kleinere Shopify-merchants en heeft een laagdrempeliger instapmodel. Optiply is sterker op de inkoopautomatisering en multi-leverancier logica, en integreert breder met ERP-systemen. Voor grotere operaties met meerdere leveranciers en complexe inkoopstromen scoort Optiply doorgaans beter. Welke past hangt af van je operatie — laat je daar niet op blind staren op marketingmateriaal, maar test.

Minimaal 12 maanden, liefst 24. Minder dan dat en het systeem kan geen betrouwbare seizoenspatronen detecteren. Bij een recente replatform of datamigratie: exporteer historische orderdata uit je oude systeem en importeer die als basis. Dat is bij nagenoeg alle tools mogelijk.

Optiply biedt een REST API waarmee je custom integraties kunt bouwen. Voor maatwerk ERP- of WMS-omgevingen bouwen wij de integratiemiddleware in Laravel. Dat geeft je controle over datatransformatie, foutafhandeling en synchronisatiefrequentie. Neem contact op als je wilt weten wat dit voor jouw stack betekent.

Dan is dat juist een argument vóór AI-voorraadvoorspelling, niet ertegen. Het systeem rekent met leadtime-variatie als expliciete parameter. Hoe groter de variatie, hoe hoger de berekende veiligheidsvoorraad. Zo maak je de onzekerheid van je leverancier inzichtelijk en beheerbaar in plaats van dat je er ad hoc op reageert.