Klantbeschrijving
Een landelijke retailformule met meer dan 300 winkels, actief in FMCG. De supply chain is complex, met dagelijks wisselende vraag en grote afhankelijkheid van lokale omstandigheden per vestiging.
Uitdaging
Winkels kampten met structurele tekorten bij populaire producten én met derving van trager verkopende artikelen. Voorraad werd centraal gepland op basis van gemiddelden, waardoor lokale verschillen onvoldoende werden benut.
Oplossing
Er werd een oplossing ontwikkeld die een AI-gestuurd voorspellingsmodel dat per winkel en per productgroep de verwachte vraag inschat. Hiermee kon het voorraadbeheer afgestemd worden op lokale omstandigheden, zoals weer, koopgedrag en promoties.
Aanpak
- Verzamelen van winkeldata
Verkoopcijfers, kassadata, weersinformatie, promotiekalenders en seizoensinvloeden per winkel werden gebundeld in één datamodel. - Voorspellingsmodel ontwikkelen
Per productgroep werd een machine learning-model getraind op winkelgedrag, met bijsturing op basis van afwijkingen en externe invloeden. - Integratie met bestelsysteem
Het model werd gekoppeld aan het bestaande bestelsysteem, zodat managers suggesties ontvingen op basis van verwachte verkoop. - Monitoring en optimalisatie
Effecten op beschikbaarheid, omzet en derving werden continu gemonitord. Het model leerde van afwijkingen en klantfeedback.
Resultaten
- 20% minder derving op versproducten en slow movers
- 13% hogere beschikbaarheid van hardlopers in de winkels
- Minder handmatig werk voor filiaalmanagers
- Hogere klanttevredenheid door betere schapbeschikbaarheid
Learnings
Met voorspellende AI kreeg de retailformule grip op de fine-tuning van haar voorraadbeleid. Het resultaat: betere marges, minder verspilling en winkels die lokaal slimmer inspelen op klantgedrag.
.svg){kind=icon}
