Vraagvoorspelling met AI: hoe werkt het en wat levert het op?

Met vraagvoorspelling via AI weet je beter wat je volgende week, volgende maand en volgend kwartaal verkoopt, per artikel, per klant of per vestiging. Dat levert een rustigere planning op, minder overtollige voorraad en minder nee-verkopen. In dit artikel leggen we uit hoe vraagvoorspelling met AI werkt. We rekenen een concreet voorbeeld door en laten zien wanneer het past bij je organisatie en wanneer niet.

Wat is vraagvoorspelling met AI?

Vraagvoorspelling met AI is het gebruik van machine learning om de toekomstige vraag naar producten of diensten te schatten. Het model leert van je verkoophistorie en van factoren zoals seizoenen, promoties, prijzen en feestdagen. Het resultaat is een voorspelling per artikel en periode, met een bandbreedte. Daarmee kun je voorraad en capaciteit beter afstemmen.

Het verschil met een klassieke forecast zit niet in magie. Het zit in schaal en detail. Een planner kan een paar invloeden tegelijk overzien, een model honderden, voor duizenden artikelen tegelijk.

Hoe werkt het: van verkoophistorie naar voorspelling

Vraagvoorspelling met AI volgt een vast patroon. Elke stap is nodig: sla je er één over, dan krijg je een voorspelling waar niemand op durft te vertrouwen.

Dit zijn de stappen die we in de praktijk doorlopen:

1. Data verzamelen. Verkoophistorie uit het ERP, aangevuld met promotiekalenders, prijswijzigingen, feestdagen en waar relevant externe data zoals het weer.
2. Data opschonen. Uitverkochte periodes, eenmalige grote orders en artikelwissels herkennen. Een periode zonder verkoop door een lege voorraad zegt namelijk niets over de echte vraag.
3. Model trainen. Het model zoekt patronen: welke artikelen zijn seizoensgevoelig, welke reageren op acties, welke bewegen samen.
4. Backtesten. Je laat het model een periode voorspellen die het nog niet heeft gezien, en vergelijkt de uitkomst met wat er echt is gebeurd. Zo weet je vooraf hoe betrouwbaar het is.
5. Integreren in de planning. De voorspelling komt terecht waar beslissingen vallen: in het bestelvoorstel, de productieplanning of de personeelsroosters.
6. Monitoren en bijtrainen. Markten veranderen. Een model dat niet wordt bijgehouden, wordt langzaam slechter.

Deze opbouw past in een breder patroon van data, patroonherkenning, voorspelling en actie. Wie wil zien hoe vraagvoorspelling zich verhoudt tot andere vormen van AI-automatisering van bedrijfsprocessen, vindt daar het totaaloverzicht.

Traditionele forecast vs. vraagvoorspelling met AI

Veel organisaties werken met spreadsheets en voortschrijdende gemiddelden. Dat werkt prima zolang de vraag stabiel is. Bij grilligere vraag gaat het schuren.

De planner verdwijnt niet. Zijn rol verschuift: van rekenen naar beoordelen en bijsturen op uitzonderingen.

Een concreet voorbeeld: technische groothandel

Een rekenvoorbeeld maakt duidelijk waar de opbrengst vandaan komt. Alle getallen hieronder zijn aannames ter illustratie. Het zijn geen benchmarks.

Stel dat een technische groothandel 2.000 actieve artikelen heeft en een gemiddelde voorraadwaarde van €1.500.000. De voorraadkosten (opslag, vermogenskosten, veroudering) schatten we op 20% per jaar, dus €300.000. Twee planners besteden elk 8 uur per week aan het handmatig bijstellen van bestelvoorstellen.

Na invoering van een voorspellend model nemen we het volgende aan:

• Lagere veiligheidsvoorraad: de gemiddelde voorraad daalt 10%, oftewel €150.000. Dat bespaart €30.000 per jaar aan voorraadkosten en maakt eenmalig €150.000 aan werkkapitaal vrij.
• Tijdwinst in planning: het handmatige werk halveert. Dat is 8 uur per week, 46 weken per jaar, tegen €55 per uur: €20.240 per jaar.
• Kosten: €40.000 eenmalig voor ontwikkeling en integratie, €10.000 per jaar voor beheer en bijtrainen.

De jaarlijkse netto opbrengst komt dan uit op €50.240 min €10.000, dus €40.240. De investering is in dit scenario na ongeveer een jaar terugverdiend, het vrijgekomen werkkapitaal niet meegerekend. Minder nee-verkopen en tevredenere klanten hebben we bewust buiten de som gelaten. Die zijn lastiger te kwantificeren, maar wel echt.

Wil je deze som voor je eigen situatie maken? Onze rekentool en het template voor de ROI van AI-automatisering helpen je om alle kosten en baten mee te nemen.

Is vraagvoorspelling geschikt voor jouw organisatie?

Niet elke organisatie heeft baat bij een voorspellend model. Wij hanteren twee indicatieve drempels: minimaal 1–2 jaar verkoophistorie en structurele vraagschommelingen die voorraad of planning raken.

Deze beslisboom helpt je bij een eerste inschatting:

• Heb je minimaal 1–2 jaar verkoophistorie op artikelniveau?
  • Nee: begin met het structureel vastleggen van verkoopdata. Een model komt later.
  • Ja: ga door.
    • Schommelt de vraag structureel, en raakt dat voorraad of planning?
      • Nee: een eenvoudige forecast in je ERP volstaat waarschijnlijk.
      • Ja: ga door.
        • Is er iemand die met de voorspelling gaat werken en beslissingen neemt?
          • Nee: regel eerst eigenaarschap in het proces.
          • Ja: vraagvoorspelling met AI is een serieuze kandidaat. Start met een pilot op één productgroep.

Wil je dit breder toetsen, inclusief datakwaliteit en technische haalbaarheid? Gebruik dan de checklist om te bepalen of een proces geschikt is voor AI.

Veelgemaakte fouten en hoe je ze voorkomt

De techniek is zelden het probleem. Waar het misgaat, gaat het meestal mis rond het model: in de data, het proces of de mensen.

Sturen op nauwkeurigheid in plaats van op beslissingen

Een model dat 2% nauwkeuriger is, levert niets op als het bestelvoorstel niet verandert. Wij stellen daarom altijd eerst de vraag: welke beslissing moet beter worden? Pas daarna kiezen we de techniek. Dat is ook waarom we geen vaste leverancier of pakket aanbevelen.

Planners buiten het project houden

In de praktijk merken we dat planners een voorspelling negeren die ze niet begrijpen. Betrek ze vanaf de backtest. Laat zien waar het model goed scoort en waar niet. Vertrouwen komt van inzicht.

Vervuilde historie gebruiken

Uitverkochte weken, eenmalige projectorders en vervangen artikelnummers vertekenen het beeld. Wie dit niet opschoont, leert het model de verkeerde les.

Het model na livegang vergeten

Een voorspelling die vandaag klopt, hoeft dat over een jaar niet meer te doen. Leg vast wie de prestaties bewaakt en wanneer er wordt bijgetraind. AI die blijft werken, vraagt om verankering in de organisatie.

Wil je eerst ervaren hoe AI planning en procesbeheersing ondersteunt? In het Oakleaf AI-lab probeer je zonder account toepassingen uit rond onder meer beter plannen en het eerder signaleren van fouten, op basis van realistische gegevens.

Veelgestelde vragen

Kan AI de toekomst voorspellen?

Niet met zekerheid. Een AI-model berekent op basis van patronen uit het verleden wat het meest waarschijnlijk is, en geeft daar een bandbreedte bij. Onvoorspelbare gebeurtenissen, zoals een plotselinge marktschok, vangt geen model volledig op.

Hoeveel data heb ik nodig voor vraagvoorspelling met AI?

Wij hanteren minimaal 1–2 jaar verkoophistorie als ondergrens. Zo ziet het model ten minste één volledige seizoenscyclus. Belangrijker dan de hoeveelheid is de kwaliteit: consistente artikelnummers en het onderscheid tussen echte vraag en uitverkochte periodes.

Standaardpakket of maatwerkmodel?

Dat hangt af van je data, je assortiment en je bestaande systemen. Een standaardpakket kan volstaan bij een overzichtelijk assortiment. Bij specifieke invloeden of complexe ketens levert maatwerk vaak meer op. Wij kiezen de techniek per klantcase.

Komt de ontwikkeling in aanmerking voor WBSO?

Soms wel, maar niet automatisch. Volgens Klaren Subsidieadvies geeft de RVO in de Handleiding 2026 een voorbeeld: een bedrijf dat TensorFlow gebruikt om een model te trainen. Omdat er geen eigen programmatuurontwikkeling plaatsvindt, is dat geen technisch nieuwe programmatuur. Daarnaast meldt Computable dat samen met bedrijven, experts en de RVO een traject is gestart om de knelpunten bij WBSO-aanvragen voor AI-projecten in kaart te brengen, met als doel een nieuwe afbakening.

Hoe begin ik het beste?

Kies één productgroep met merkbare schommelingen en voldoende historie. Draai een backtest en beoordeel samen met de planners of de voorspelling betere beslissingen oplevert. Pas daarna schaal je op.

Samenvatting

Vraagvoorspelling met AI vertaalt je verkoophistorie naar een voorspelling per artikel en periode. Het vermindert verspilling en maakt planning voorspelbaarder. De opbrengst zit in lagere voorraden, minder handwerk en betere leverbetrouwbaarheid. Voorwaarden zijn voldoende historie, echte vraagschommelingen en mensen die met de uitkomst werken.

Begin klein en reken het door. Zorg daarna dat het model blijft werken, ook na de livegang.