De ‘nieuwe Max Verstappen’ ontdekken door de inzet van data en slimme algoritmes.
Van Amersfoort Racing
Prediqt
Verkoop voorspellen en winkelbestellingen ondersteunen met data.
Stem bestellingen af op de verwachte vraag per product en locatie.
Vertrouwd door toonaangevende organisaties
Waarom we dit bouwden,
Winkelbestellingen worden vaak samengesteld op basis van ervaring, historische kennis en vaste bestellijsten. Winkelmanagers moeten per product inschatten hoeveel voorraad nodig is, terwijl de vraag per locatie en periode kan verschillen.
Een te lage bestelling leidt tot lege schappen en gemiste verkoop. Bij een te hoge bestelling ontstaat overvoorraad. Voor versproducten kan dat bovendien leiden tot extra voedselverspilling.
Prediqt gebruikt historische verkoopdata om de toekomstige vraag te voorspellen. Op basis daarvan genereert de toepassing een besteladvies dat binnen het bestaande proces kan worden gebruikt.
Wat je kunt verwachten,
Een vraagvoorspelling per product en locatie
De tool analyseert beschikbare verkoopdata om de verwachte vraag voor een komende periode te bepalen. Daarbij kan rekening worden gehouden met verschillen tussen winkels, producten en verkoopmomenten.
Welke factoren in de voorspelling worden meegenomen, hangt af van de beschikbare data en het vraagstuk.
Van voorspelling naar besteladvies
Een voorspelling wordt vertaald naar een concreet advies voor de volgende bestelling. Daarbij moet niet alleen naar de verwachte verkoop worden gekeken, maar ook naar de huidige voorraad en de geldende bestelvoorwaarden.
Het besteladvies kan bijvoorbeeld rekening houden met:
- Historische verkoop
- Beschikbare winkelvoorraad
- Verwachte vraag
- Levertijden en bestelmomenten
- Afgesproken voorraadgrenzen
Aansluiten op het bestaande bestelproces
Het advies kan beschikbaar worden gemaakt binnen de werkwijze en systemen die medewerkers al gebruiken. Winkelmanagers kunnen het voorstel beoordelen en waar nodig aanpassen voordat een bestelling wordt verwerkt.
Onze aanpak,
-
Beginnen met een afgebakende productgroep
We onderzoeken eerst hoe bestellingen nu worden samengesteld en welke gegevens daarvoor beschikbaar zijn. Vervolgens selecteren we een herkenbare productgroep en een beperkt aantal winkels voor de eerste toepassing.
Zo kunnen we de voorspellingen gericht vergelijken met de bestaande werkwijze. -
Een voorspellingsmodel ontwikkelen en testen
We ontwikkelen een model op basis van de beschikbare verkoopdata en toetsen dit met historische gegevens. Daarbij kijken we waar patronen voldoende voorspelbaar zijn en waar aanvullende informatie nodig is.
Ook beoordelen we samen met medewerkers of het bijbehorende besteladvies bruikbaar is in de dagelijkse praktijk. -
Integreren en gecontroleerd uitbreiden
Na validatie sluiten we de toepassing aan op het bestaande bestelproces. We monitoren het verschil tussen de voorspelde en werkelijke vraag en passen het model aan wanneer dat nodig is.
Daarna kan de oplossing worden uitgebreid met andere productgroepen, winkels of relevante databronnen.
Geen bestelling op de automatische piloot, maar een onderbouwd advies dat winkelmanagers helpt vraag en voorraad beter op elkaar af te stemmen.
Zo ondersteunt de tool winkelmanagers bij hun dagelijkse keuzes, zonder hun kennis van de lokale situatie buiten beschouwing te laten.
Wat we eerder bouwden,
Drie projecten uit ons werk met data en AI.
Verder lezen
Blogs en verdieping van ons team.
24 aug 2026
Drie lessen uit onze AI-projecten
Wat we leerden van tientallen AI-projecten: begin bij de beslissing, behandel datakwaliteit als organisatievraag en regel het beheer vooraf.
18 aug 2026
Van pilot naar productie: waarom de meeste AI-projecten stranden
De meeste AI-projecten stranden niet op de techniek, maar op data, team en proces. Lees wat er nodig is om van pilot naar productie te komen.
25 jun 2026
Responsible AI van principes tot praktijk
Artificial Intelligence ontwikkelt zich razendsnel. Vrijwel elke week verschijnen er nieuwe modellen en steeds meer organisaties experimenteren met AI.
Neem contact op
Stef Stoelwinder
Business DevelopmentE-mail info@datasciencelab.nl
Telefoon +31 (0)20 3636 724
Veelgestelde vragen,
Historische verkoopgegevens per product en locatie vormen de basis. Afhankelijk van het vraagstuk kunnen ook voorraadstanden, levertijden, acties en andere relevante factoren worden gebruikt. Eerst onderzoeken we welke data beschikbaar is en voldoende betrouwbaar kan worden verwerkt.
Volgens de beoogde oplossing kan het besteladvies worden geïntegreerd in bestaande systemen. Hoe dit technisch wordt ingericht en of een medewerker eerst goedkeuring geeft, hangt af van het huidige bestelproces. De beschikbare integraties en mate van automatisering moeten nog worden bevestigd.
Een winkelmanager kan lokale informatie hebben die nog niet in het model staat. Daarom moet duidelijk zijn hoe medewerkers een advies kunnen beoordelen en aanpassen. De precieze mogelijkheden voor handmatige wijzigingen moeten nog worden vastgesteld.
De toekomstige vraag kan veranderen door acties, seizoenen, lokale omstandigheden of wijzigingen in het assortiment. Historische data blijft belangrijk, maar moet in de juiste context worden gebruikt. Welke aanvullende factoren nodig zijn, verschilt per productgroep en organisatie.
We vergelijken voorspellingen structureel met de werkelijke verkoop. Daardoor wordt zichtbaar wanneer het vraagpatroon verandert of het model minder goed presteert. Monitoring en periodieke aanpassing zijn nodig om de toepassing te laten aansluiten op nieuwe gegevens en veranderende omstandigheden.