AI voor voorraadbeheer in de groothandel: beter bestellen met de data uit je ERP

AI voor voorraadbeheer in de groothandel betekent in de praktijk drie dingen: per artikel voorspellen wat je de komende weken verkoopt, daaruit een veiligheidsvoorraad en een bestelpunt berekenen, en de inkoper elke dag een bestelvoorstel geven dat hij beoordeelt. De data die je daarvoor nodig hebt, staat bijna altijd al in je ERP. Je hoeft dus geen nieuw systeem te kopen om te beginnen. De winst zit in minder geld op de plank, minder vaak nee verkopen en minder artikelen die stil liggen tot ze afgeschreven moeten worden. De inkoper blijft beslissen.

Dit stuk gaat dieper in op voorraad. In ons bredere stuk over AI in de groothandel staat waarom voorraad meestal de eerste plek is waar het geld zit, naast inkoopprijzen en marge. Hier lees je hoe een bestelvoorstel rekent, welke artikelen lastig zijn, welke data je nodig hebt, wat de inkoper blijft doen, hoe je invoert zonder risico en hoe je meet of het iets oplevert. Met een rekenvoorbeeld dat je met je eigen cijfers kunt overdoen.

Waarom voorraad de plek is om te beginnen

Volgens het CBS (tabel 81589NED) telt Nederland in het derde kwartaal van 2026 65.885 groothandels. Daarvan hebben er 1.575 vijftig of meer werkzame personen: 1.385 met 50 tot 250 en 190 met 250 of meer. Dat is de groep voor wie dit stuk geschreven is. Groot genoeg voor een inkoopafdeling met een paar inkopers en een ERP met jaren aan transacties. Te klein voor een eigen data-afdeling.

Het CBS meet ook hoe bedrijven AI gebruiken (tabel 86119NED, over 2025). In de handel als geheel, waar de groothandel onder valt, gebruikt 47 procent van de bedrijven met 50 tot 250 werkzame personen een vorm van AI. Dat klinkt als veel. Kijk je naar wat ze ermee doen, dan zie je iets anders. 24 procent gebruikt AI voor marketing of verkoop. 13 procent gebruikt machine learning voor data-analyse. 5 procent gebruikt AI voor logistiek. Over alle sectoren samen zet van de bedrijven die AI gebruiken 4 procent het in voor logistiek, meldde het CBS in december 2025. Het meeste AI-gebruik zit dus in tekst en communicatie, en veel minder in de getallen waar het bedrijf op draait. Let op: dit is de hele handel, dus ook detailhandel en autohandel. Een aparte uitsplitsing voor alleen de groothandel heeft het CBS niet.

Voor voorraad is dat juist een kans. Een bestelvoorspelling is statistiek op je eigen verkoopgeschiedenis, en die heb je al. De uitkomst is ook goed te controleren: binnen een paar weken weet je of de voorspelling klopte, want de werkelijke verkoop laat het zien.

Wat een bestelvoorstel eigenlijk berekent

Veel inkopers bestellen nu met een minimum en een maximum per artikel in het ERP. Die getallen zijn ooit ingesteld en zelden bijgewerkt. Een bestelvoorstel op basis van AI doet in de kern hetzelfde, maar rekent de getallen elke week opnieuw uit op basis van wat er werkelijk gebeurt. Daarvoor heeft het drie bouwstenen nodig.

De verwachte vraag per artikel. Hoeveel verkoop je de komende weken, rekening houdend met trend, seizoen en bijzondere orders. Hier zit het AI-deel. Een model kijkt naar jaren verkoophistorie en leert per artikel welk patroon er speelt.

De veiligheidsvoorraad. De extra voorraad die je aanhoudt omdat de vraag en de levertijd nooit precies uitkomen. Hoe onvoorspelbaarder het artikel, hoe groter die buffer.

Het bestelpunt. Het moment waarop je bestelt: de verwachte vraag tijdens de levertijd plus de veiligheidsvoorraad. Zakt de voorraad, inclusief wat al besteld is en onderweg, onder dat punt, dan komt het artikel in het voorstel.

Een voorbeeld met één artikel, zodat je ziet hoe het rekent. Stel: een artikel verkoopt gemiddeld 40 stuks per week. De vraag schommelt, met een standaardafwijking van 12 stuks per week. De leverancier levert in 2 weken. Over die 2 weken verwacht je 80 stuks te verkopen. De schommeling over die periode is 12 maal de wortel van 2, dat is ongeveer 17 stuks. Wil je in 95 procent van de levertijden niet misgrijpen, dan vermenigvuldig je met 1,65. De veiligheidsvoorraad is dan 1,65 maal 17, afgerond 28 stuks. Het bestelpunt is 80 plus 28, dus 108 stuks.

Dat is geen nieuwe wiskunde. Het verschil met nu is dat het systeem dit voor elk artikel elke week opnieuw doet, met de actuele vraag en de actuele levertijd. Een inkoper met 6.000 artikelen kan dat met de hand niet bijhouden. Daarom staan de minima in het ERP vaak nog op wat iemand drie jaar geleden heeft ingevuld.

Een inkoper aan het werk tussen de stellingen. Het bestelvoorstel doet het rekenwerk, hij beslist wat er de deur uit gaat.

Vijf soorten artikelen die het lastig maken

Een voorspelling werkt goed op artikelen die regelmatig en in redelijke aantallen verkopen. Een groothandel heeft daarnaast altijd artikelen die zich anders gedragen. Een goed voorstel behandelt die anders, en de inkoper moet weten welke dat zijn.

Seizoensartikelen. Tuinartikelen in het voorjaar, verwarming in de herfst, feestartikelen in december. Een model heeft minimaal twee volledige jaren data nodig om een seizoen te herkennen. Met één jaar leert het vooral wat er dat ene jaar toevallig gebeurde.

Langzame lopers. Artikelen die een paar keer per jaar verkopen, vaak in wisselende aantallen. Hier faalt een gewone voorspelling, want het gemiddelde zegt weinig. Voor deze artikelen is de vraag eerder of je ze op voorraad wilt hebben, of op bestelling levert. Dat is een keuze van de inkoop en de verkoop samen.

Incourante voorraad. Artikelen die al maanden niet verkocht zijn en waarschijnlijk niet meer verkopen. Een systeem kan ze vroeg signaleren: geen verkoop in zes maanden, terwijl er nog voorraad ligt. Wat je ermee doet, retour naar de leverancier, afprijzen of aanbieden aan een vaste klant, is mensenwerk.

Wisselende levertijden. Een leverancier die soms in een week levert en soms in vier, kost je extra voorraad. Neem hetzelfde artikel als hierboven, maar nu met een levertijd die gemiddeld 2 weken is en een halve week schommelt. De schommeling in de vraag tijdens de levertijd stijgt dan van 17 naar ongeveer 26 stuks. De veiligheidsvoorraad wordt 1,65 maal 26, afgerond 43 stuks. Het bestelpunt stijgt naar 123. Die ene onbetrouwbare leverancier kost je op dit ene artikel 15 stuks extra voorraad. Over honderden artikelen van dezelfde leverancier is dat een gesprek waard.

Acties en projectorders. Een actie bij een klant of een grote order voor een project laat een piek zien die niet terugkomt. Als het model die piek als gewone vraag ziet, bestelt het daarna te veel. Daarom moet in de data staan welke verkoop bij een actie of project hoorde.

Welke data je nodig hebt

Bijna elke groothandel van deze omvang heeft deze gegevens al. Ze staan alleen niet altijd netjes bij elkaar, en niet elk veld betekent wat de naam doet vermoeden.

Twee regels verdienen extra aandacht. De eerste is de vraag die je niet kon leveren. Je verkoophistorie laat zien wat je verkocht, niet wat klanten wilden. Was een artikel drie weken uitverkocht, dan lijkt de vraag in die weken nul. Een model dat daarvan leert, bestelt de volgende keer te weinig. De tweede is de werkelijke levertijd. Veel ERP's kennen de levertijd die de leverancier belooft, maar niet die hij haalt. De datum van ontvangst staat er wel in. Het verschil tussen die twee is precies wat je nodig hebt.

Je hoeft hiervoor geen nieuw ERP te kopen. Wat je wel moet doen, is per veld opschrijven wat het betekent en welke bron wint als twee bronnen elkaar tegenspreken. Hoe je dat aanpakt zonder migratieproject, staat in je data op orde krijgen voor AI.

Een rekenvoorbeeld om je eigen cijfers in te vullen

Dit voorbeeld is bedacht en dient als rekenmethode. Vervang elk getal door dat van je eigen bedrijf.

Stel: een groothandel met 120 medewerkers. De voorraad heeft gemiddeld een waarde van 3.000.000 euro, tegen kostprijs. De kostprijs van de verkochte goederen is 15.000.000 euro per jaar. De omloopsnelheid is dan 15.000.000 gedeeld door 3.000.000, dat is 5 keer per jaar. Een artikel ligt gemiddeld 365 gedeeld door 5 is 73 dagen op de plank.

Voorraadkosten. Voorraad kost geld, ook als hij stil ligt: rente of gemiste rente op het kapitaal, ruimte, verzekering, en artikelen die verouderen. Stel dat die kosten samen 20 procent van de voorraadwaarde per jaar zijn. Dat is 600.000 euro per jaar. Gebruik hier je eigen percentage, want dat verschilt sterk per bedrijf en per product.

Tien procent minder voorraad. Stel dat een beter bestelvoorstel de voorraad met 10 procent verlaagt, bij dezelfde levering aan klanten. Dan komt eenmalig 300.000 euro aan werkkapitaal vrij. De voorraadkosten dalen met 60.000 euro per jaar. De omloopsnelheid gaat naar 15.000.000 gedeeld door 2.700.000, dat is ongeveer 5,6. Een artikel ligt dan gemiddeld 66 dagen in plaats van 73.

Minder nee verkopen. Stel dat de groothandel 120.000 orderregels per jaar levert en dat 95 procent daarvan direct uit voorraad kan. Dan zijn 6.000 regels niet of niet op tijd leverbaar. Gaat dat naar 96 procent, dan zijn het er 4.800, dus 1.200 minder. Bij een gemiddelde regelwaarde van 250 euro is dat 300.000 euro omzet. Niet al die omzet was verloren, want een deel van de klanten wacht gewoon. Reken daarom alleen met het deel dat echt naar een concurrent ging. Is dat de helft, en is de brutomarge 25 procent, dan gaat het om 150.000 euro omzet en 37.500 euro marge.

Inkoopuren. Stel dat drie inkopers elk anderhalf uur per dag kwijt zijn aan het nakijken van standaardbestellingen, en dat het voorstel daar een uur per persoon van afhaalt. Over 220 werkdagen is dat 3 maal 1 maal 220 is 660 uur per jaar. Die uren gaan niet van de loonlijst af. Ze gaan naar leveranciers, uitzonderingen en betere afspraken.

Tien procent minder voorraad is een aanname. Bij een groothandel waar de minima jaren niet zijn bijgewerkt, kan het meer zijn. Bij een groothandel die al strak stuurt, kan het minder zijn. Je weet het pas na de schaduwperiode die hieronder staat. Hoe je zo'n berekening opzet voor je directie, staat in AI-ROI berekenen met je eigen cijfers.

Wat de inkoper blijft doen

Een inkoper doet veel meer dan bestellen. Het bestelvoorstel neemt het rekenwerk over. De rest blijft bij de inkoper, en daar komt meer tijd voor vrij.

Twee dingen maken het verschil. De eerste: de inkoper moet het voorstel kunnen overrulen, en die aanpassing moet zichtbaar blijven, met een korte reden. Die redenen zijn waardevol. Ze laten zien wat het systeem niet weet, en ze maken kennis leesbaar die nu alleen in het hoofd van een ervaren inkoper zit. Wat er gebeurt als die inkoper met pensioen gaat, is een risico dat veel bedrijven onderschatten.

De tweede: de tijd die vrijkomt, blijft bij de inkoper. Als die tijd meteen opgaat aan meer artikelen per inkoper, wordt goed meewerken bestraft. Een inkoper die tijd krijgt voor leveranciers en uitzonderingen, wordt beter in zijn vak. Daar is het voor bedoeld. Waarom het zo uitmaakt om je eigen mensen hierbij vanaf het begin te betrekken, staat in meer halen uit mensen die je al hebt.

Lege stellingplaatsen in een magazijn. Tien procent minder voorraad bij dezelfde levering is werkkapitaal dat weer vrij is.

Een invoering die je kunt terugdraaien

Begin met één artikelgroep, niet met het hele assortiment. Kies een groep met veel artikelen en een duidelijk patroon, waarvan de inkoop zegt dat hij voorspelbaarder zou moeten zijn dan hij nu is. Elke stap hieronder is omkeerbaar: werkt het niet, dan bestel je gewoon zoals je nu bestelt.

Stap één: meedraaien in de schaduw. Twee tot drie maanden lang maakt het systeem elke week een bestelvoorstel, en de inkoper bestelt zoals altijd. Niemand gebruikt het voorstel. Aan het eind van elke week leg je beide naast elkaar. Wat had het systeem besteld, wat bestelde de inkoper, en wat werd er daarna werkelijk verkocht? Dat is de eerlijkste test die er is, en het kost bijna niets.

Stap twee: voorstel als startpunt. De inkoper begint met het voorstel in plaats van een lege lijst, en past aan wat niet klopt. Elke aanpassing krijgt een reden in een paar woorden: actie bij klant, leverancier stopt met artikel, project in voorbereiding. Je meet hoeveel van het voorstel ongewijzigd blijft.

Stap drie: uitbreiden. Pas als de eerste groep een paar maanden goed loopt, ook door een drukke periode heen, neem je de volgende groep erbij. Standaardartikelen met een stabiele vraag kunnen op den duur zonder tussenkomst worden besteld, binnen grenzen die de inkoper vaststelt. Seizoensartikelen, langzame lopers en grote bedragen blijven een voorstel dat een mens goedkeurt. Dat is het principe van human on the loop.

Spreek vooraf af wanneer je stopt. Bijvoorbeeld: als na drie maanden schaduw het voorstel niet beter scoort dan de inkoper op voorraad en levering samen, ga je niet door naar stap twee. Dan zoek je eerst uit waarom. Meestal zit het probleem in de data.

Hoe je meet of het iets oplevert

Begin met meten voordat je iets verandert. Drie maanden nulmeting op de gekozen artikelgroep is genoeg om de gewone schommelingen te zien. Meet daarna dezelfde punten op dezelfde manier.

Kijk naar al deze punten tegelijk. Lagere voorraad met een lagere servicegraad betekent dat je de kosten naar je klant hebt verschoven. Een hogere servicegraad met hogere voorraad is geen verbetering, dat kon je ook zonder model. Het doel is minder voorraad bij gelijke of betere levering.

Waar het in de praktijk misgaat

Het model leert van uitverkochte weken. Als de verkoophistorie nul laat zien terwijl het artikel uitverkocht was, voorspelt het model te weinig. Markeer die periodes.

De aanpassingen verdwijnen. Een inkoper die ziet dat zijn correcties volgende week weer nodig zijn, stopt met corrigeren. Dan mist het systeem precies de kennis die het beter had moeten maken.

Te snel het hele assortiment. Een paar goede maanden in één groep zeggen weinig over een andere groep met een ander patroon. Breid stap voor stap uit.

Niemand binnen het bedrijf begrijpt het voorstel. Een externe partij kan het bouwen. Als die partij vertrekt en niemand kan uitleggen waarom het systeem 200 stuks voorstelt, sta je stil op het moment dat het ertoe doet. Zorg dat een eigen inkoper of controller weet hoe het rekent.

Waar je begint

Welk pakket of welke aanpak je kiest, komt later. Eerst wil je weten waar je organisatie nu staat: of je data aansluit, of er mensen zijn die dit kunnen dragen, en of voorraad echt de eerste stap is. De AI-Foto is een gratis zelfscan. Tien minuten, twaalf vragen, en je ziet waar je organisatie staat.

Over deze pagina

Het aantal groothandels en de verdeling naar grootteklasse komen uit CBS-tabel 81589NED (bedrijven naar bedrijfstak en grootteklasse, groothandel SBI 462 tot en met 469, derde kwartaal 2026). De cijfers over AI-gebruik komen uit CBS-tabel 86119NED (ICT-gebruik bij bedrijven, 2025) en gaan over de hele handel (SBI G), niet alleen de groothandel. De landelijke cijfers over waarvoor bedrijven AI gebruiken staan in het CBS-nieuwsbericht van december 2025. De formule voor veiligheidsvoorraad is de gangbare vereenvoudiging die uitgaat van een normaal verdeelde vraag. Het rekenvoorbeeld is bedacht en bedoeld als rekenmethode, geen belofte. Dit is de stand van 5 oktober 2026.