Slimmer inkopen met AI: voorraadprognoses voor het MKB zonder duur WMS

Je magazijn vertelt twee verhalen tegelijk, en allebei kosten ze geld. In het ene schap ligt voorraad die je een halfjaar geleden te ruim hebt ingekocht en die nu langzaam stof vangt. In het andere staat je bestseller al twee weken op nul, terwijl klanten doorklikken naar de concurrent. De meeste ondernemers proberen die twee met onderbuikgevoel en een handmatige bestellijst in balans te houden, en lopen zo structureel achter de feiten aan.

Deze gids is voor de ondernemer of het inkoopteam met fysieke voorraad, een webshop, een groothandel, een retailer of een producent, die op Exact Online of een vergelijkbaar pakket draait en slimmer wil inkopen zonder meteen een duur warehouse management system (WMS) of zware supply-chainsoftware aan te schaffen. De echte logistieke marge zit niet in de kilometers die je rijdt, maar in het werkkapitaal dat vastligt in voorraad, en juist daar laat het MKB geld liggen. Met de data die al in je systeem zit en een laag AI eromheen bouw je een wekelijkse inkoopprognose die je vertelt wat je wanneer en hoeveel moet bijbestellen.

Wat een AI-voorraadprognose wel en niet is

Eerst de rolverdeling scherp, want hier gaat het vaak mis. AI is uitstekend in het herkennen van patronen: het ziet welke artikelen samen pieken, welke een seizoenscurve volgen, en welke verkoop een eenmalige uitschieter was in plaats van echte vraag. Wat AI niet hoort te doen, is je bestelaantallen optellen. De rekenkern van een voorraadprognose, het bestelpunt, de veiligheidsvoorraad en de bestelhoeveelheid, is gewone rekenkunde die deterministisch in een spreadsheet of een paar regels code thuishoort, niet iets dat een taalmodel mag inschatten.

Die scheiding is precies dezelfde discipline die je gebruikt als je met een boekhoudexport en AI je cashflow 90 dagen vooruit voorspelt: het model categoriseert en redeneert, de spreadsheet rekent. Laat je het model zelf getallen produceren, dan krijg je een advies dat overtuigend klinkt maar zomaar tientallen procenten naast de waarheid kan zitten, en in voorraad vertaalt zich dat direct in dood kapitaal of in een lege schap.

Wat je nodig hebt

• Verkoophistorie per artikel (SKU), liefst twaalf tot vierentwintig maanden, zodat een seizoenspatroon zichtbaar wordt en niet in de ruis verdwijnt.
• Je actuele voorraad per artikel en per locatie, plus de levertijd (lead time) per leverancier, inclusief hoe sterk die levertijd in de praktijk varieert.
• Toegang tot je systeem: Exact Online via de API of een CSV-export, en je webshop (Shopify of WooCommerce) als daar een deel van je verkoop loopt.
• Een plek voor de cijfers: Google Sheets als lichte database en rekenmachine is genoeg om mee te beginnen.
• Een AI-model met API-toegang voor de classificatie- en patroonstap (bijvoorbeeld Claude of GPT).
• Optioneel een automatiseringstool zoals n8n om de wekelijkse run zonder handwerk te draaien.
• In het begin een uur per week om het advies te toetsen aan je eigen kennis van de markt.

Zo bouw je de inkoopprognose, stap voor stap

In vijf stappen bouw je een AI-voorraadprognose: je haalt verkoophistorie en voorraad uit Exact Online of je webshop, berekent per artikel het bestelpunt en de veiligheidsvoorraad, laat AI seizoen en uitschieters herkennen, zet dynamische min/max-drempels met een inkoopadvies, en automatiseert de wekelijkse run met een ijking. Doorloop de stappen in deze volgorde.

Stap 1: Haal verkoophistorie en voorraad uit je systeem

Begin bij de bron. Werk je in Exact Online, dan staat je actuele voorraad klaar via de REST-API: het StockPosition-endpoint in de logistics-API geeft je de actuele voorraadpositie per artikel, ItemWarehouses doet dat per magazijn, en je uitgaande GoodsDeliveries vormen samen je vraaghistorie. Voor een lange historie gebruik je de sync-endpoints, die tot duizend records per pagina teruggeven, zodat je niet eindeloos hoeft door te lussen. Authenticatie gaat via OAuth2, en je beperkt de rechten tot wat je echt nodig hebt.

Loopt een deel van je verkoop via een webshop, haal die orderregels dan op uit Shopify of WooCommerce en voeg ze samen met je Exact-data tot een verkoophistorie per SKU. Staan je inkoopfacturen en levertijden nog niet netjes in je systeem, dan loont het om eerst je inkomende facturen automatisch in te lezen en te boeken met OCR, zodat leveranciers, prijzen en doorlooptijden compleet zijn voordat je ze gaat voorspellen.

Stap 2: Bereken bestelpunt en veiligheidsvoorraad

Dit is de deterministische kern, en die reken je gewoon uit. Begin per artikel met de gemiddelde dagvraag: totaal verkocht gedeeld door het aantal dagen in je periode. Daarna bepaal je twee getallen. Het bestelpunt is de gemiddelde dagvraag maal de levertijd in dagen, plus je veiligheidsvoorraad; zodra je voorraad daaronder zakt, plaats je een order. De veiligheidsvoorraad zelf bereken je in de eenvoudige vorm als (maximale dagvraag maal maximale levertijd) min (gemiddelde dagvraag maal gemiddelde levertijd): de buffer die je dekt als vraag en levertijd tegelijk tegenzitten.

Heb je artikelen met sterk wisselende vraag, dan kun je later overstappen op een veiligheidsvoorraad op basis van een gewenst servicelevel (een z-waarde maal de standaardafwijking van de vraag), maar begin niet te ingewikkeld. Het belangrijkste principe: één veiligheidsvoorraad voor je hele assortiment is altijd fout, omdat een snelle A-loper een heel ander risicoprofiel heeft dan een trage C-artikel.

Stap 3: Laat AI seizoen en uitschieters herkennen

Nu komt de AI-laag. Geef het model de verkoophistorie per artikel en een heldere opdracht. Laat het elke SKU classificeren op omzetaandeel (de klassieke ABC-indeling) en op voorspelbaarheid (XYZ: stabiel, wisselend of grillig). Laat het seizoenspatronen benoemen, een tuinartikel dat in het voorjaar piekt, een cadeauproduct dat in december verviervoudigt, en eenmalige uitschieters markeren: die ene grote projectorder of de week dat je uitverkocht was en de echte vraag dus onderschat. Vraag het model per artikel een seizoensfactor per maand of week voor te stellen.

Cruciaal: het model beschrijft en labelt, jij past de factor toe in je formules. Voor het routinematige classificeren volstaat een snel, goedkoop model prima; voor de redenering over rare patronen pak je een sterker model. Zo gebruik je AI voor wat het goed kan, patronen zien en uitleggen, en houd je de aantallen controleerbaar. Een betere prognose betekent twee dingen tegelijk minder: minder nee-verkoop op je toppers en minder dode voorraad op je staartartikelen.

Stap 4: Zet dynamische min/max-drempels en een inkoopadvies

Met je bestelpunt en de seizoensfactor uit de vorige stap zet je per artikel een dynamische min- en max-drempel. De min is je bestelpunt; de max is de min plus je bestelhoeveelheid, en die hoeveelheid bepaal je op de minimale afnamehoeveelheid van je leverancier, je verpakkingseenheid of een economische bestelhoeveelheid. Het verschil met een statisch systeem is dat de seizoensfactor de drempels automatisch laat meebewegen: in de aanloop naar je piek schuiven ze omhoog, in het laagseizoen omlaag, zonder dat je iets met de hand verzet.

De uitkomst is geen abstract dashboard maar een concrete lijst: bestel zoveel stuks van artikel X bij leverancier Y, uiterlijk op datum Z. Zet daar meteen een tweede signaal naast voor de andere kant van het magazijn: artikelen zonder verkoop in bijvoorbeeld negentig dagen, die je beter afprijst of uitfaseert dan opnieuw inkoopt.

Stap 5: Automatiseer de wekelijkse run en ijk tegen de werkelijkheid

Een prognose die je met de hand bijwerkt, werk je na drie weken niet meer bij. Automatiseer het daarom: met een no-code automatisering in n8n laat je elke maandagochtend een flow lopen die de verse voorraad en verkoop uit Exact en je webshop haalt, ze langs het AI-model stuurt voor de classificatie, de drempels herberekent en het besteladvies in je sheet of in een bericht naar je inkoper zet.

Bouw er meteen een ijking in. Vergelijk wekelijks je voorspelde vraag met wat er werkelijk verkocht is en houd de afwijking per artikel bij. Zie je dat je structureel te hoog of te laag zit, dan corrigeer je de aannames. Diezelfde vergelijking maakt twee harde kosten zichtbaar die anders verborgen blijven: het aantal momenten dat je nee moest verkopen, en het kapitaal dat onnodig in de schappen ligt. Dat is de motor die een rollende prognose elke week een beetje slimmer maakt.

Valkuilen

• AI de aantallen laten verzinnen. De grootste fout is een taalmodel laten optellen. Rekenen doet je spreadsheet, het model herkent patronen en legt uit.
• Eén veiligheidsvoorraad voor alles. Een snelle A-loper en een trage C-artikel verdienen een totaal verschillende buffer. Differentieer op basis van je ABC- en XYZ-indeling.
• Levertijd als vast getal nemen. Leveranciers leveren niet elke keer even snel. Reken met de variatie in levertijd, anders is je buffer te krap precies wanneer het misgaat.
• Seizoen en promoties als normale vraag tellen. Een uitverkochte week onderschat je vraag, een eenmalige projectorder overschat hem. Markeer ze, anders vergiftigen ze je gemiddelde.
• Werken met vervuilde data. Dubbele SKU's, een verkeerde voorraadtelling of ontbrekende levertijden maken elke prognose waardeloos. Het loont om eerst je data op orde en AI-klaar te maken.
• Nooit ijken. Een prognose die je niet wekelijks tegen de realiteit legt, verliest binnen een maand zijn waarde.

Kant-en-klaar vs. maatwerk

Er bestaan goede kant-en-klare voorraadtools, en voor een deel van de lezers zijn die de snelste route. Het belangrijkste om vooraf te weten: net als bij cashflowsoftware koppelen de meeste van deze tools wel vlot met Shopify, WooCommerce en internationale boekhoudpakketten, maar niet standaard met de Nederlandse pakketten Exact Online en Moneybird. Dat verschil bepaalt vaak of je in een paar klikken klaar bent of een eigen koppeling nodig hebt.

Aan de onderkant is het aanbod concreet: Inventory Planner by Sage start op het Essentials-plan rond 120 dollar per maand voor een webshop met één magazijn, daarboven werkt het op offerte. Wil je een tool die specifiek voor het MKB is gebouwd en met je ERP praat, dan kom je uit bij gespecialiseerde demand-planningtools als Netstock, Flowlity en GMDH Streamline, die vrijwel allemaal op offerte werken en waarvan de prijs meebeweegt met je omzet en je aantal artikelen.

De afweging is dus niet goedkoop versus duur, maar passend versus algemeen. Draai je een webshop op Shopify of WooCommerce en wil je geen onderhoud, dan is een standaardtool logisch. Draai je op Exact Online, ken je je eigen seizoenspieken en leveranciers, en wil je de logica precies op jouw assortiment afstemmen, dan wint zelf bouwen het op fit en op prijs, mits je de tijd voor onderhoud eerlijk meerekent.

Tot slot

Een voorraadprognose voorspelt de toekomst niet. Ze maakt zichtbaar wat je verkoopdata allang weet maar wat je nog niet hebt uitgerekend: welke artikelen straks op zijn, welke te lang blijven liggen, en hoeveel je werkelijk nog moet inkopen. De winst zit niet in een perfect getal, maar in het verschil tussen reageren als de schap leeg is en een week eerder al weten dat je moet bestellen. Begin klein, met je twintig drukste artikelen en de export van deze week, laat AI de patronen aanwijzen en je spreadsheet het rekenwerk doen, en laat de prognose elke week iets scherper worden door hem tegen de werkelijkheid te leggen. Voorraad die meebeweegt met je eigen verkoop is meer waard dan welke dure kast vol software ook die jouw artikelen niet kent.