Wat is vraagplanning? De complete gids voor e-commerce en retail

In het kort

• Vraagplanning vertaalt een voorspelling van toekomstige klantvraag naar concrete beslissingen over voorraad, personeel en bestellingen bij leveranciers.
• Het staat één niveau boven vraagvoorspelling. Forecasting voorspelt het aantal, vraagplanning bepaalt wat je daarmee doet.
• Doe je het goed, dan voorkom je twee dure uitkomsten tegelijk: nee-verkopen die omzet kosten, en overtollige voorraad die geld vastzet.
• AI-gedreven tools nemen tegenwoordig de zware berekeningen over, zodat planners hun tijd besteden aan beoordelingen in plaats van spreadsheets.
  ‍

Wat is vraagplanning?

Vraagplanning is het proces waarbij je voorspelt hoeveel klanten van elk product willen, en die voorspelling vervolgens vertaalt naar beslissingen: hoeveel voorraad je aanhoudt, wanneer je bijbestelt, en hoeveel je bij elke leverancier vastlegt.

Voor een webwinkel betekent dat: verkoopgeschiedenis, seizoensinvloeden en levertijden van leveranciers lezen, en dan precies bepalen hoeveel eenheden van elke SKU je aanhoudt en wanneer de volgende bestelling de deur uit moet.

Goed gedaan is het onzichtbaar, producten zijn er gewoon als klanten ze willen; slecht gedaan zie je het terug als nee-verkopen bij je bestsellers of dode voorraad die je magazijn verstopt.

Vraagplanning is een terugkerende cyclus, voorspellen, plannen, uitvoeren, evalueren, bijsturen, geen eenmalige exercitie. Bedrijven die het continu aanpakken, houden servicegraad én voorraadkosten tegelijk onder controle.

‍

Waarom is vraagplanning belangrijk voor e-commerce en retail?

Vraagplanning zit precies tussen twee van de duurste fouten die een bedrijf kan maken: door je voorraad heen raken en te veel voorraad aanhouden.

Nee-verkopen kosten omzet en, na verloop van tijd, klanten die naar een concurrent gaan. Overtollige voorraad zet geld en magazijnruimte vast, en wordt uiteindelijk afgeprijsd of afgeschreven als dode voorraad.

NRG Fitness is een duidelijk voorbeeld van hoe dit er in de praktijk uitziet als het goed gaat. Door de vraagplanning en het aanvulproces aan te scherpen, verlaagde NRG Fitness de totale voorraad met 46% en verbeterde het de servicegraad met 30%.

De inzet is hoger in e-commerce dan in een enkele fysieke winkel, omdat één vraagplan meestal moet standhouden over elk kanaal waarop je verkoopt tegelijk, je eigen site, marketplaces, en soms groothandel, elk met een eigen vraagpatroon en een eigen risico om droog te vallen.

Benieuwd hoe effectief je eigen vraagplanning op dit moment is? Bereken je potentiële besparingen en zie hoeveel geld een strakker proces zou kunnen vrijmaken in je huidige voorraad.

‍

Wat zijn de kerncomponenten van vraagplanning?

Een werkend vraagplanningsproces rust op drie dingen: de mensen die erbij betrokken zijn, de data die het voedt, en de technologie die die data omzet in beslissingen. Zwakte in een van de drie ondermijnt de andere twee.

1. Samenwerking tussen teams

Vraagplanning raakt aan sales, inkoop, finance en operations, en elk team ziet een ander stukje van het plaatje. Sales weet van een promotie voordat die in de verkoopgeschiedenis zichtbaar wordt, terwijl finance weet hoeveel cash er daadwerkelijk beschikbaar is voor de volgende inkooporder.

Die kloof komt vaak voor, en het is duur om te negeren. In een McKinsey-onderzoek onder 54 senior executives zei slechts ongeveer één op de vier dat hun planningsproces de afwegingen tussen afdelingen effectief in balans bracht.

Bedrijven die dit wel goed doen, zien het rechtstreeks terug. McKinsey vond dat volwassen, geïntegreerde planners servicegraden van 5 tot 20 procentpunt hoger draaiden, met 40 tot 50% minder nee-verkopen.

Optiply's eigen Inventory Intelligence Index gaat hier nog een stap verder in. AI kan nu al meer dan 59% van het werk van een vraagplanner overnemen, wat tijd vrijmaakt voor precies de beoordelingen die een spreadsheet niet kan maken.

2. Datamanagement

Een vraagplan is maar zo goed als de data erachter. Dat betekent schone verkoopgeschiedenis, accurate voorraadniveaus in elk magazijn en op elk kanaal, en actuele levertijden van leveranciers.

Veel bedrijven ontdekken tijdens een vraagplanningsvernieuwing dat hun grootste probleem niet het voorspellingsmodel is, maar dat de voorraadniveaus in het systeem niet overeenkomen met het magazijn, of dat levertijden ooit zijn ingevoerd en nooit meer zijn bijgewerkt.

Je assortiment eerst sorteren met een ABC-analyse maakt dit makkelijker, omdat het laat zien welke SKU's de hoogste prioriteit verdienen en welke een ruimere foutmarge kunnen verdragen, gebaseerd op het belang van elk product voor je bedrijf. A-producten zijn je bestsellers en verdienen de meeste aandacht.

3. Technologie

Spreadsheets kunnen een vraagplan dragen voor een bedrijf met een paar honderd SKU's en één leverancier. Ze houden het niet meer vol ruim voordat een bedrijf de duizenden SKU's en meerdere leveranciers bereikt die de meeste groeiende e-commerce- en groothandelsbedrijven beheren.

Op die schaal groeit het rekenvolume boven wat één planner handmatig kan controleren, en dat is precies waar speciaal gebouwde vraagplannings- en software, inclusief AI-gedreven tools, de berekening overneemt.

‍

Hoe bouw je in drie stappen een vraagplanningsproces?

Met mensen, data en technologie op orde komt het bouwen van het proces zelf neer op drie herhaalbare stappen.

1. Verzamel en zuiver je data: breng verkoopgeschiedenis, actuele voorraadniveaus en levertijden van leveranciers samen vanuit elk kanaal en magazijn dat je runt. Deze stap is onopvallend, en het is waar de meeste vraagplanningsfouten beginnen.
2. Genereer de voorspelling en vertaal die naar een plan: zet de historische data om in een vraagvoorspelling per SKU, en vertaal die voorspelling vervolgens naar concrete cijfers: bestelpunten, bestelhoeveelheden en timing per leverancier.
3. Volg en stuur bij: geen enkele voorspelling overleeft de realiteit ongewijzigd. Volg de werkelijke verkoop tegen het plan, en stuur bij voor promoties, seizoensverschuivingen en vertragingen bij leveranciers zodra ze zich voordoen.
   ‍

Met welke veelvoorkomende uitdagingen krijgen e-commercebedrijven te maken bij vraagplanning?

Een paar obstakels komen steeds weer terug, hoe solide het onderliggende proces ook is.

• Onbetrouwbare data: voorraadtellingen die niet overeenkomen met het magazijn, verkoopgeschiedenis met gaten door eerdere systeemmigraties, of levertijden die nooit zijn bijgewerkt, ondermijnen een vraagplan allemaal stilletjes voordat het zelfs is opgebouwd.
• Marktvolatiliteit: vraag beweegt niet in een rechte lijn, en virale momenten, promoties van concurrenten of verschuivend consumentensentiment kunnen een voorspelling die op historische patronen is gebaseerd, van koers laten raken.
• Interne weerstand: een nieuw vraagplanningsproces vraagt mensen meestal om anders te gaan werken, of dat nu een inkoper is die meer op zijn eigen onderbuikgevoel vertrouwt dan op een systeemadvies, of een salesteam dat niet gewend is om promotieplannen te delen.

Komt dit bekend voor? Dan is het de moeite waard om te checken of het probleem echt de voorspelling is, of het proces eromheen. Dit zijn de signalen dat je vraagplanningsproces aan een opknapbeurt toe is, en wat je aan elk daarvan kunt doen.
‍

Wat zijn de best practices voor vraagplanning?

Een paar gewoontes maken het verschil tussen teams die een vraagplan betrouwbaar houden en teams die het laten verwateren.

• Evalueer volgens een schema, niet pas als er iets misgaat: herzie het plan regelmatig en werk het bij zodra nieuwe verkoopdata of marktverschuivingen binnenkomen, in plaats van pas nadat een nee-verkoop je dwingt.
• Maak resultaten zichtbaar: een gedeeld dashboard zorgt ervoor dat inkoop, sales en finance naar dezelfde cijfers kijken, en dat is wat vraagplanning tot een teamproces maakt in plaats van de spreadsheet van één persoon.
• Laat het model het patroonherkennen doen: machine learning en AI-tools pikken vraagpatronen op die met het blote oog lastig te zien zijn, en worden nauwkeuriger naarmate ze langer tegen je eigen verkoopgeschiedenis draaien.
  ‍

Hoe verbetert AI de nauwkeurigheid van vraagplanning?

AI verbetert vraagplanning door het rekenvolume te verwerken dat geen enkele menselijke planner realistisch handmatig kan controleren. Denk aan duizenden SKU's, elk met hun eigen seizoenspatroon, levertijd en leveranciersbeperkingen. AI herberekent continu in plaats van één keer per maand.

McKinsey-onderzoek naar AI-gedreven forecasting vond dat overstappen van handmatige methodes de voorspellingsfout met 20 tot 50% kan verlagen, en verlies aan omzet door nee-verkopen met tot wel 65% kan verminderen.

De andere verschuiving die AI brengt, is uitlegbaarheid. Een vraagplan dat alleen een getal uitspuugt, zonder onderbouwing, is lastig te vertrouwen en nog lastiger te corrigeren. De betere AI-gedreven tools laten zien waarom een advies is gegeven en laten een planner het één keer aanpassen, waarna die correctie de nieuwe basislijn wordt.

Tackle Group Europe is een nuttig voorbeeld van hoe dit er in de praktijk uitziet: na het automatiseren van de aanvulbeslissingen groeide het bedrijf 20% in omzet terwijl het 3% minder voorraad nodig had om die groei te ondersteunen.

Dit is ook waar vraagplanning direct raakt aan dagelijkse operaties zoals nee-verkopen voorkomen en aanvullen automatiseren. Een vraagplan is alleen nuttig als het ook daadwerkelijk tot een op tijd geplaatste inkooporder leidt.
‍

Handmatige versus AI-gedreven vraagplanning in één oogopslag

Vraagplanning KPI's: hoe meet je of je vraagplanning succesvol is?

Drie KPI's geven een snel en eerlijk beeld van hoe goed je vraagplanning presteert.

1. Voorspellingsnauwkeurigheid = 100% − (|Voorspelling − Werkelijke vraag| ÷ Werkelijke vraag × 100%)

Voorspellingsnauwkeurigheid laat zien hoe dicht je voorspelling in de buurt kwam van wat je daadwerkelijk hebt verkocht, uitgedrukt in een percentage. De meeste sectoren beschouwen 90% of hoger als gezond.

2. Omloopsnelheid van de voorraad = kostprijs van de verkochte goederen (COGS) ÷ gemiddelde voorraadwaarde

De omloopsnelheid van de voorraad, ook wel voorraadrotatie genoemd, laat zien hoe vaak je je volledige voorraad verkoopt binnen een bepaalde periode, meestal een jaar. Twee omlopen per jaar wijst meestal op overtollige voorraad die op de plank blijft liggen. Zes omlopen per jaar betekent meestal dat je je voorraad efficiënt beheert.

3. Ordervervullingsgraad = (afgehandelde orders ÷ totaal aantal orders) × 100%

Dit is het aandeel klantorders dat je volledig en op tijd kunt leveren vanuit voorraad. 95% of hoger wordt als sterk beschouwd. Alles wat daar significant onder ligt, is omzet die je kunt herleiden tot een voorraadprobleem.

Deze drie cijfers op een dashboard in de gaten houden, in plaats van ze elke maand met de hand opnieuw te berekenen, is wat een team in staat stelt een terugval in voorspellingsnauwkeurigheid op te merken voordat die tot een nee-verkoop leidt. Een KPI die maandenlang laag blijft, wijst meestal op een probleem met de invoerdata, niet met het model. Denk aan gaten in je verkoopgeschiedenis, of marktsignalen die de voorspelling nooit heeft opgepikt.
‍

Vraagplanning trends: wat kun je de komende tijd verwachten?

Voor e-commerce, dat opereert in een markt die wekelijks verschuift, bepalen vier trends waar vraagplanning vanaf hier naartoe gaat.

• Realtime data-integratie

Webwinkels zitten al op meerdere datastromen: websiteverkeer, social signals, weer, concurrentenprijzen. API-koppelingen die dit rechtstreeks in een vraagplanningssysteem voeden, laten een bedrijf binnen dezelfde dag reageren op een flash sale of een plotselinge piek, in plaats van pas na het volgende wekelijkse rapport, zonder te hoeven overstocken om de onzekerheid af te dekken.

• AI en machine learning

Steeds meer vraagplanningssoftware gebruikt AI en machine learning om planning en forecasting te verbeteren. Deze modellen blijven leren van nieuwe verkoopdata, waardoor de nauwkeurigheid zich opstapelt in plaats van elke planningscyclus opnieuw te beginnen.

De volgende stap na een advies is een agent die ernaar handelt. Optiply's Supply Chain Agent, bijvoorbeeld, gaat verder dan het signaleren van een uitzondering of het voorstellen van een bestelhoeveelheid. Hij plaatst de bestelling, volgt de leverancier, en verwerkt de factuur zodra die binnenkomt, met een mens die alles wat gevoelig ligt onderweg goedkeurt.

• Flexibele planningsmethodieken

Vaste planningscycli, maandelijks of per kwartaal, worden eerder uitzondering dan regel. Tools die gebouwd zijn voor continu herplannen, zetten een onverwachte piek in één SKU automatisch om in een bijgewerkt bestelvoorstel, in plaats van te wachten op de volgende geplande evaluatie.

1. Duurzaamheid

Kopers laten de ecologische voetafdruk van een retailer steeds vaker meewegen in waar ze winkelen, en dat begint ook vraagplanning te vormen. Software die optimaliseert welk magazijn welke voorraad aanhoudt, kan onnodige transportbewegingen verminderen, wat tegelijk kosten en uitstoot verlaagt.

Geen van deze zijn optionele extra's die aan een bestaand proces zijn vastgeplakt: elk ervan verandert hoe snel een bedrijf kan reageren als de vraag verschuift, en dat is steeds vaker het verschil tussen een klant behouden en een klant verliezen aan een concurrent die eerder reageerde.
‍

Zie hoe agentic vraagplanning eruitziet voor jouw eigen data

Vraagplanning staat centraal in een moderne e-commerce supply chain: het verbetert de omloopsnelheid van je voorraad, verlaagt overtollige voorraad, en verhoogt je servicegraad, allemaal tegelijk. Krijg de voorspelling goed, en het plan eromheen volgt vanzelf: betere cashflow, lagere opslagkosten, en meer ruimte om te bewegen als de markt verschuift.

Technologie doet hier het zware werk. Voorspellende analyses, ERP-systemen en AI-gedreven software, tools zoals Optiply erbij inbegrepen, zetten ruwe verkoop- en voorraaddata om in een inkoopbeslissing waar een team dezelfde dag naar kan handelen, niet pas aan het einde van de maand. Diezelfde zichtbaarheid maakt ook samenwerking tussen afdelingen makkelijker: inkoop, sales en finance werken vanuit één gedeeld cijfer in plaats van drie verschillende spreadsheets.

Lezen over agentic vraagplanning is één ding. Je eigen SKU's, leveranciers en levertijden erdoorheen laten lopen is iets anders. Vraagplanning en replenishment uit handen geven aan een supply chain agent is een serieuze beslissing, dus we helpen je om je eigen data aan te sluiten en een concrete business case te bouwen, met de voorspelling, het automatiseringspercentage, en de voorraadimpact specifiek voor jouw assortiment.

Boek een demo van 15 minuten om de business case op je eigen data te zien.

‍

Veelgestelde vragen over vraagplanning 

Is vraagplanning hetzelfde als voorraadbeheer?

Nee. Voorraadbeheer volgt en beheert de voorraad die je al hebt; vraagplanning bepaalt hoeveel voorraad je in de eerste plaats nodig hebt. De twee werken samen, maar vraagplanning vindt eerder in het proces plaats.

Wie is binnen een bedrijf verantwoordelijk voor vraagplanning?

In de praktijk is het meestal gedeeld: inkoop of supply chain is eigenaar van het proces, maar sales en finance voeden het beide en worden er allebei door beïnvloed. Bedrijven die het behandelen als de spreadsheet van één persoon, hebben meestal de grootste datagaten.

Hoeveel kost vraagplanningssoftware?

Prijzen schalen meestal mee met het aantal SKU's en de complexiteit van leveranciers, in plaats van een vaste prijs, omdat de rekenlast met beide meegroeit. De meeste aanbieders stemmen een offerte af op je werkelijke assortiment in plaats van op een gepubliceerde prijslijst.

Is vraagplanning alleen voor grote bedrijven, of werkt het ook voor kleinere e-commercebedrijven?

Nee, vraagplanning schaalt net zo goed naar beneden als naar boven. Een kleiner e-commercebedrijf kan het prima op een spreadsheet draaien voor een paar honderd SKU's en één leverancier. De werklast en foutmarge beginnen pas op te lopen zodra het aantal SKU's en de complexiteit van leveranciers daarboven uitgroeien.

Hoe lang duurt het voordat je resultaat ziet na het verbeteren van een vraagplanningsproces?

De meeste bedrijven zien binnen één tot twee volledige verkoopcycli een meetbare verschuiving in nee-verkopen en overtollige voorraad, omdat dat de tijd is die het nieuwe proces nodig heeft om een compleet seizoenspatroon te doorlopen.

Welke tools worden gebruikt voor vraagplanning?

Tools variëren van spreadsheets, werkbaar voor kleinere assortimenten, tot speciale vraagplannings- en aanvulsoftware die forecasting en het genereren van inkooporders automatiseert over duizenden SKU's.