AI-roadmap voor retail: van schone data naar AI-agents

Uw website zegt dat de marineblauwe trui in maat medium op voorraad is. De klant rijdt naar de winkel en het schap is leeg.

In dat gat lopen de meeste AI-plannen in retail vast. Daarom moet een AI-roadmap voor retail met data beginnen voordat hij in de buurt van een model komt.

Ik plan hem in vier fasen. Eerst één betrouwbaar beeld van product, voorraad en klant. Dan een beheerste laag die elk rapport en elke AI-tool dezelfde bedrijfstaal geeft.

Daarna komen agents die voorspellen, bijbestellen, prijzen bepalen en klanten bedienen. Als laatste wordt AI onderdeel van hoe merchandising, supply chain en winkels elke dag werken.

Retail maakt meer data aan dan bijna elke andere sector. Toch rapporteren winkels, e-commerce, het magazijn en finance vaak verschillende voorraden en verschillende verkopen voor dezelfde dag.

Dit plan werkt ongeacht uw ERP, kassasysteem, orderbeheer en e-commerceplatform. Voor twee retail- en FMCG-programma's die ik heb beschreven, leest u mijn casestudy over een retailmigratie in het Midden-Oosten en het herstel van de FMCG-rapportage.

Elke fase rekent erop dat de vorige in redelijke staat is.

Drie jaar, vier fasen

1. 01

   Nu: datafundament

   Product-, voorraad-, verkoop- en klantdata uit winkels en online in één beheerst platform.

2. 02

   Jaar 1: beheerste intelligentie

   Eén bedrijfstaal voor producten, locaties, voorraad en klanten, AI-governance en de eerste snelle successen.

3. 03

   Jaar 2: AI-agents opschalen

   Agents voor prognoses, bevoorrading, prijzen, winkeloperaties en klantenservice.

4. 04

   Jaar 3: AI op schaal ingebed

   AI in merchandising, supply chain en winkels, met leveranciers en partners gekoppeld.

Vóór enige AI hebt u één plek nodig waar al uw retaildata binnenkomt en klopt. Dat betekent systemen koppelen die los van elkaar zijn ontstaan: het ERP, de kassa's, e-commerce, orderbeheer, het magazijn, het loyaliteitsprogramma en het leveranciersportaal.

Dit zou ik in de eerste maanden inrichten:

1. Een modern dataplatform, vaak een lakehouse, één opslag voor ruwe en opgeschoonde data. Het neemt verkoop-, voorraad-, order-, retour- en loyaliteitsdata uit elk kanaal op, bijna realtime waar dat ertoe doet.
2. Eigenaren en kwaliteitsregels voor product-, locatie- en klantdata, plus een catalogus die laat zien waar elk cijfer vandaan komt. Kaartdata blijft buiten het platform en binnen uw PCI DSS-controles, de beveiligingsstandaard van de kaartindustrie.
3. Selfservicerapportage, zodat inkopers, planners en winkelmanagers dezelfde verkoop- en voorraadcijfers zien als finance.

De artikelstam is meestal het moeilijkste deel. Dat is het record van elk artikel dat u verkoopt, met maat, kleur, verpakking, leverancier en kenmerken.

Neem een modeketen met 40 winkels en een website. De website toont een jurk in “Navy” in de maten 8 tot 16. Het winkelsysteem heeft hem als “NVY” in S, M en L, onder een andere artikelcode uit een ander inkoopbestand.

Vraag een willekeurige AI-tool hoe die jurk verkoopt en hij ziet twee producten, die elk half zo goed lopen als het echte product. De oplossing is saai werk. Iemand koppelt de codes, spreekt één kleurenlijst en één maatschaal af, en maakt het inkoopteam vanaf dag één eigenaar van elk nieuw artikel.

Denk nu aan een supermarkt die water verkoopt als losse fles, als sixpack en als tray van 24. De kassa's tellen flessen, het magazijn telt trays en de website telt verpakkingen. Zolang die niet netjes omrekenen, klopt de voorraad voor hetzelfde product nooit, en elke bevoorradingstool die erop wordt gebouwd, bestelt de verkeerde hoeveelheid.

Hoe ziet klaar er dan uit? Als het hoofd winkels en het hoofd e-commerce de verkoop van gisteren voor dezelfde winkel opvragen, krijgen ze hetzelfde getal. Ik besteed hier graag drie maanden aan om een jaar discussie te vermijden over waarom de prognose niet klopt.

1. 01KassaElk winkelmandje en elke retour, per winkel
2. 02E-commerce en ordersOrders, kliks en leveringen
3. 03Magazijn en voorraadVoorraad per locatie en onderweg
4. 04LandingszoneRuwe kopieën met lineage
5. 05Eén artikelstamEén code, één kleur, één verpakkingsgrootte
6. 06RapportenVerkoop en voorraad die met finance kloppen

Eén beeld van product, voorraad en klant over elk kanaal

De kern van jaar één is een semantische laag. Dat is een gedeeld woordenboek. Het vertelt elk rapport en elke AI-tool wat product, winkel, voorraad, promotie en klant betekenen, en hoe ze berekend worden.

Een commercieel directeur vraagt naar “beschikbaarheid in de top 50 winkels”. Betekent beschikbaarheid in het schap, in het magazijn achter de winkel of in het systeem?

Zijn de top 50 gerangschikt op de verkoop van dit jaar of van vorig jaar? Als een copilot antwoordt met zijn eigen gok, krijgt u een stellig getal dat niemand kan verdedigen in het commerciële overleg op maandag. De semantische laag beslecht het één keer, en de copilot gebruikt daarna dezelfde regel als het eigen rapport van de commercieel directeur.

AI-governance begint in hetzelfde jaar. Personalisatie en prijsbepaling gebruiken klantdata, dus regels voor toestemming en gegevensbescherming bepalen de grenzen.

Ik zou één register van AI-use cases bijhouden. Elke use case krijgt een eigenaar, een risicoclassificatie, testresultaten en een notitie over waar een mens de output controleert.

Wees duidelijk over welke beslissingen klanten kunnen zien. Een productomschrijving is laag risico. Een prijs die iemand betaalt, of een aanbieding die de ene shopper krijgt en de andere niet, vraagt veel meer zorg.

Lever daarna snelle successen op. Ik vind deze goed omdat de data erachter meestal in redelijke staat is:

1. Productcontent: omschrijvingen, kenmerken en vertalingen opgesteld vanuit de artikelstam en gecontroleerd door een mens.
2. Winkelcopilots: winkelteams stellen in gewone taal vragen over voorraad, leveringen, promoties en procedures.
3. Samenvattingen voor klantenservice: contacthistorie en orderstatus samengebracht in één korte notitie voor de servicemedewerker.

Neem een elektronicaretailer die elke maand een paar honderd nieuwe artikelen toevoegt. Elk artikel heeft een omschrijving nodig, een specificatietabel en vaak een tweede taal. De copilot leest het specificatieblad van de leverancier, stelt de pagina op en signaleert gaten, zoals een laptop zonder vermelde accuduur.

Een merchandiser controleert elke bewering en beslist wat live gaat. Het blad van de leverancier blijft de enige bron van feiten, en die regel weegt zwaarder dan het model dat u kiest.

Denk nu aan een winkelmanager om 7 uur 's ochtends op een donderdag. Op maandag is een promotie op ontbijtgranen begonnen en het schap is bijna leeg. Ze vraagt de copilot wanneer haar volgende levering ontbijtgranen aankomt en hoeveel dozen erin zitten.

De copilot controleert het leveringsschema en de openstaande orders. Hij vertelt haar dat er morgen om 6 uur 12 dozen aankomen, en dat die bij het verkooptempo van deze week het weekend niet halen. Zij beslist of ze het regioteam belt of voorraad uit het magazijn achter de winkel haalt.

1. 01Winkelmanager vraagtWaarom zijn de ontbijtgranen op donderdag weer op?
2. 02Semantische laagRegels voor winkel, product, promotie en beschikbaarheid
3. 03Beheerste dataVerkoop, voorraad, leveringen en promoties
4. 04Copilot antwoordtMet de oorzaak en de bron van elk cijfer
5. 05Manager handeltPast de bestelling aan of meldt de promotie

Een antwoord dat de commercieel directeur zou geven

BedrijfswaardeHoogGemiddeldLaag

• Dynamische prijzen
• Personalisatie

• Vraagvoorspelling

• Winkelcopilots

• Productcontent
• Servicesamenvattingen

LaagGemiddeldHoogDatagereedheid

• Later
• Plannen
• Nu beginnen

Jaar twee gaat van copilots, die vragen beantwoorden, naar agents, die handelen binnen grenzen die u stelt. In retail betalen deze zich meestal het eerst terug:

1. Prognoses en bevoorrading. De agent voorspelt per winkel en per dag, stelt bestellingen voor en verplaatst voorraad tussen winkels voordat schappen leeg raken.
2. Prijzen en afprijzingen. Hij stelt afprijzingen voor langzame lopers voor en prijswijzigingen binnen de regels die het commerciële team stelt.
3. Winkeloperaties. Schapcamera's of RFID-tags (radiotags die worden geteld zonder elk artikel te scannen) signaleren gaten, en de agent maakt een taak aan voor het winkelteam.
4. Klantenservice. Hij handelt het volgen van orders, retouren en eenvoudige klachten af, en geeft complexe gevallen met de context klaar door aan een mens.

Zo werkt een bevoorradingsagent bij een supermarkt voor een warm weekend:

1. Op donderdagochtend leest hij de weersverwachting, de verkoop van vergelijkbare weekenden vorig jaar en de huidige voorraad in elke winkel.
2. Hij ziet dat een groep winkels zaterdag rond lunchtijd door het flessenwater en het ijs heen zal zijn.
3. Hij stelt extra bestellingen bij het distributiecentrum voor en een overboeking van voorraad uit twee winkels waar de verkoop traag is.
4. Bestellingen binnen de afgesproken limieten gaan direct door. Alles wat groter is, en elke overboeking tussen winkels, wacht op een planner.
5. De planner wijst één overboeking af omdat die winkel een lokale voetbalwedstrijd heeft, en keurt de rest goed.

Prijzen werken op dezelfde manier. Denk aan een modeketen aan het einde van de zomer met honderden langzaam lopende artikelen.

De agent kiest de artikelen die een afprijzing nodig hebben om vóór augustus uitverkocht te zijn. Hij stelt 20 of 30 procent korting voor, boven de bodemprijzen die het commerciële team heeft vastgesteld.

Hij laat het kernassortiment met rust en prijst nooit onder de kostprijs. De merchandiser houdt badkleding achter die in vakantieweekenden nog verkoopt, en keurt de rest goed.

Luxe vraagt om een lichtere aanpak. Iemand die vraagt naar de reparatie van een handtas die duizenden waard is, moet een mens te spreken krijgen. Daar haalt de agent het aankooprecord en de reparatiehistorie op en stelt een antwoord op, en een klantadviseur verstuurt het in eigen woorden.

Elke agent heeft een eigenaar in de business nodig. De commercieel directeur is eigenaar van de prijsagent, en het hoofd supply chain van de bevoorrading. IT beheert het platform, en de business is eigenaar van de beslissingen.

1. 01VoorspellenVraag per winkel en per dag, met weer en promoties
2. 02VergelijkenTegenover voorraad in de winkel en onderweg
3. 03VoorstellenBestellingen en overboekingen tussen winkels
4. 04GoedkeurenPlanner controleert alles boven de limiet
5. 05BestellenBestellingen naar leveranciers en het magazijn gestuurd
6. 06LerenWerkelijke verkoop stemt de volgende prognose af

Eén eigenaar uit de business per agent

In jaar drie zit AI in merchandising, supply chain, winkels en klantbinding. Inkopers, planners en winkelteams werken elke dag met agents, en de hele keten valt onder dezelfde governance.

Data delen met leveranciers verandert de economie.

Neem een elektronicaretailer die de wekelijkse doorverkoop en een prognose van 12 weken voor koptelefoons deelt met het merk dat ze maakt. De leverancier plant de productie op echte vraag. De retailer heeft een betere kans op voorraad vóór Black Friday en houdt in januari minder over.

Retail media volgt hetzelfde patroon. Een supermarkt laat een drankenmerk aanbiedingen in zijn app tonen aan shoppers die ermee hebben ingestemd die te ontvangen, via dezelfde beheerste klantlaag. Het merk ziet resultaten voor groepen shoppers, en individuele records blijven bij de supermarkt.

Is dit het jaar voor personalisatie op schaal in uw AI-roadmap voor retail? Ja, als de artikelstam en de toestemmingsregistratie overeind zijn gebleven in jaar één en twee.

1. Chief operating officerEigenaar van de agentportfolio en de resultaten
   AI-governanceRegister, testen en een noodstop
2. Commercieel en supply chain directeurenEigenaar van de agents in hun domein

• PrognoseagentEigendom van het hoofd planning
• PrijsagentEigendom van de commercieel directeur
• WinkeloperatieagentEigendom van het hoofd winkels
• ServiceagentEigendom van het hoofd klantenservice

1. 04AI-agents en copilotsAgents voor prognoses, bevoorrading, prijzen, winkels en service, met eigenaren uit de business
2. 03Beheerste intelligentielaagSemantisch model van producten, locaties, voorraad en klanten, plus het AI-register
3. 02DatafundamentLakehouse met verkoop-, voorraad-, order- en loyaliteitsdata, catalogus en lineage
4. 01RetailsystemenERP, kassa, e-commerce, orderbeheer, magazijn en loyaliteit

Sommige dingen gelden van de eerste tot de laatste maand:

1. Toestemming en privacy van klanten. Personalisatie werkt alleen als klanten erop vertrouwen. Gebruik data die ze hebben willen delen, en houd kaartdata binnen de PCI DSS-controles.
2. Een open opzet met meerdere platforms. Retailtechnologie verandert snel. Houd de vrijheid om van model, platform en partner te wisselen.
3. Governance die past bij het risico. Gebruik lichte controles voor content en copilots en sterkere voor prijzen en alles wat klanten zien.
4. Uw mensen getraind. Winkelteams en inkopers bepalen of de agents gebruikt worden. Train ze vroeg en luister naar ze.

Training wordt makkelijk onderschat. Een winkelmanager die in week één tien foute taken van een schapcamera krijgt, negeert taak elf.

De meest voorkomende fout is een personalisatie- of prijsengine kopen voordat de product- en voorraaddata die kan dragen. De engine raadt een tv aan die niet op voorraad is, of berekent een afprijzing op de kostprijs van vorig jaar. Vertrouwen is in weken weg en kost een jaar om terug te winnen, en daarom ben ik op mijn hoede voor elk plan dat met de engine begint.

De tweede fout is AI draaien als project van het hoofdkantoor. Winkels zien agents als extra werk, tenzij de taken die ze aanmaken kloppen. Doe een pilot in een handvol winkels met echte winkelmanagers, los op wat zij u vertellen, en rol pas daarna uit.

Stel dat een pilot voor gatdetectie een leeg chipsschap signaleert. De chips waren voor een promotie naar een kopstelling verhuisd.

Niemand had het planogram bijgewerkt, het plan van wat waar staat. Volgens zijn regels heeft de agent gelijk, en in de winkel zit hij ernaast. Alleen de winkelmanager zou dat zien.

Hoe het misgaatWat werkt

1. 01Hoe het misgaat: Eerst een prijs- of personalisatie-engine gekocht→Wat werkt: Eerst de artikelstam en voorraaddata op orde
2. 02Hoe het misgaat: Product- en voorraaddata die niemand vertrouwt→Wat werkt: Eén betrouwbaar beeld over winkels en online
3. 03Hoe het misgaat: Een hoofdkantoorproject waar winkels nooit om vroegen→Wat werkt: Pilots met echte winkelmanagers
4. 04Hoe het misgaat: Geen eigenaar voor de beslissingen van de agents→Wat werkt: Een eigenaar uit de business voor elke agent

Zoekt u uit waar uw eigen organisatie moet beginnen? Plan een gesprek en neem één echte vraag mee, bijvoorbeeld of uw artikelstam klaar is voor prognoses. We werken die samen uit.

Wat is een AI-roadmap voor retail?

Het is een gefaseerd plan om AI in een retailbedrijf in te zetten. Het begint met één betrouwbaar beeld van product, voorraad en klant. Daarna komen beheerste AI en agents, en het eindigt met AI die is ingebouwd in het dagelijkse retailwerk.

Waar moet een retailer beginnen met AI?

Begin met het samenbrengen van product-, voorraad- en verkoopdata uit elk kanaal in één beheerst platform, en breng de artikelstam op orde. Lever daarna snelle successen op, zoals productcontent, winkelcopilots en samenvattingen voor klantenservice.

Welke AI-use cases in retail betalen zich het eerst terug?

Productcontent en servicesamenvattingen zijn snel op te leveren. Vraagvoorspelling en bevoorrading leveren meestal de meeste waarde op zodra de data klaar is, met prijzen en afprijzingen vlak daarachter.

Hebben retailers een nieuw ERP nodig voordat ze AI gebruiken?

Nee. AI ligt via het datafundament bovenop uw huidige systemen. Wat telt, is dat product-, voorraad- en verkoopdata in winkels, online en bij finance hetzelfde is.

Hoe lang duurt een AI-roadmap voor retail?

Ik plan hem over drie jaar zodra het datafundament in gang is gezet. Jaar één bouwt de beheerste laag, jaar twee schaalt agents op en jaar drie bedt AI in. Snelle successen moeten in het eerste jaar waarde laten zien.