In dit artikel leggen we uit hoe merchandisers die verantwoordelijk zijn voor prijsstelling hun werk effectiever kunnen doen door gebruik te maken van AI-technologie. We gebruiken hier markdown (afprijzing) als voorbeeld omdat dit voor veel retailers heel relevant en herkenbaar is.
Dit artikel is voorbereid door de retail-experts van ADC Data & AI Consulting, op basis van hun praktijkervaring.
Merchandising met AI-prijsbepaling: het opschonen van historische verkoopaantallen, testen van prijsscenario’s, en de prijzen kiezen die winst en sell-through-doelen halen. 450% ROI in het eerste jaar. Mensen houden de controle.
Retail merchandising: wat verbeterd kan worden
Het bepalen van kortingen is cruciaal voor het managen van voorraad en het behouden van cashflow. Toch worstelen de meeste merchandisingteams met dezelfde fundamentele problemen:
Probleem №1: Verkoopgeschiedenis wordt niet behandeld als een richtlijn maar als een vaste regel
Teams gebruiken historische data om hun beslissingen te bepalen. Maar het is mogelijk om verder te gaan door te identificeren welke aspecten van deze geschiedenis gebruikt moeten worden om een beeld te tekenen van de toekomst en welke niet. Zo blijven de markdown-beslissingen consistent terwijl omstandigheden veranderen.
Probleem №2: De impact van markdowns worden gemeten met een enkele KPI in plaats van een combinatie van uitkomsten
De sell-through is belangrijk, maar is slechts één meetpunt. Om te zien of een prijsstrategie echt heeft gewerkt, is het beter om meerdere resultaten te combineren: marge, omzet, resterende voorraad en margeherstel. Dit houdt teams gefocust op meerdere doelen, niet alleen op een percentage.
Probleem №3: Kortingen worden toegepast op hele productgroepen om berekeningen te vereenvoudigen
Het toepassen van dezelfde korting op een hele groep is efficiënt. Echter, kan het analyseren van signalen op artikelniveau leiden tot het vinden van betere prijsniveaus. Dit voorkomt bijvoorbeeld onnodig hoge kortingen op goed verkopende artikelen.
Probleem №4: Er heerst een angst in de sector dat de implementatie van AI-tools betekent dat merchandisers niet meer nodig zullen zijn
Dit misverstand weerhoudt veel bedrijven ervan om nuttige technologie te adopteren.
Laten we kijken naar hoe elk van deze problemen kan worden opgelost en waarom de merchandiser essentieel blijft in dit proces.
Oplossing probleem №1: historische data opschonen om daadwerkelijke vraag te onthullen
Dit is wat er werkelijk gebeurt in moderne merchandisingafdelingen: prijsbeslissingen worden genomen op basis van “vervuilde” data. Historische data worden verstoord door o.a. prijsacties en marketingcampagnes (bijv. “2+1”-aanbiedingen of Black Friday). Een deel hiervan kan worden gecorrigeerd met de kennis en ervaring van de merchandisers.
Maar er zijn ook factoren die de vraag beïnvloeden die minder makkelijk zijn te interpreteren — denk aan inflatie of COVID-achtige schokken. Ook wordt er geen onderscheid gemaakt tussen de vraag en verkoop van een product. Wanneer een product niet op voorraad is, registreert het systeem nul verkopen en gaat ervan uit dat er geen vraag was. Maar we weten dat dit niet waar is: klanten wilden kopen, maar konden dat niet.
Dit is waar moderne AI-tools het verschil kunnen maken. In plaats van te werken met deze ingewikkelde patronen uit de geschiedenis, kunnen ze enorme datasets opschonen: promotie-effecten verwijderen, corrigeren voor macro-veranderingen en rekening houden met voorraden.
Het resultaat? Een geschiedenis die echte vraagpatronen onthult.
Oplossing probleem №2: markdowns afstemmen op echte bedrijfsdoelen
Nu we schone data hebben, moeten we die koppelen aan wat er echt toe doet: bedrijfsdoelen .
Neem een scenario waar management het merchandisingteam de volgende doelen geeft:
"We willen één miljoen euro verdienen met deze campagne. We kunnen vier kortingsniveaus gebruiken, maar we accepteren geen negatieve marges."
Deze doelen vormen dan de leidraad voor het selecteren van de kortingen, maar daar stopt het niet. Andere beperkingen maken het nog complexer. Misschien moet minstens 10% van de producten op elk kortingsniveau staan om de prijsarchitectuur te behouden. Misschien mogen bepaalde categorieën niet onder specifieke marges zakken om de branding te beschermen. Elk bedrijf heeft unieke eisen die afhankelijk zijn van de verschillende doelen: voorraad opruimen, winst maximaliseren of het merk herpositioneren.
Dit is waar de rol van de moderne merchandiser verandert. In plaats van handmatig berekeningen te maken, verzamelt de merchandiser bedrijfsvereisten en beperkingen en stopt ze in de AI-tool. De merchandiser wordt de vertaler tussen bedrijfsstrategie en technologische capaciteit.
Oplossing probleem №3: gepersonaliseerde prijsstelling via intelligente optimalisatie
Met schone data en duidelijke doelen kunnen we naar de optimalisatiefase — en dit is waar de magie gebeurt.
De AI-tool past niet langer dezelfde kortingen toe op alle producten in een categorie. In plaats daarvan berekent hij scenario’s op elk gewild niveau: land, winkel en/of artikel.
Wat gebeurt er als we dit artikel met 0% korting aanbieden? Wat bij 10%, 20% of 30%? Het algoritme doorloopt duizenden combinaties en controleert steeds of de bedrijfsregels die de merchandiser heeft ingevoerd worden nageleefd.
Het systeem houdt rekening met: Bereiken we onze omzetdoelstelling? Respecteren we onze margebeperkingen? Is de korting eerlijk verdeeld over categorieën?
Binnen enkele seconden hebben we geoptimaliseerde prijsaanbevelingen die anders weken aan handmatige berekeningen zouden hebben gekost — en met veel meer precisie.
Oplossing probleem №4: AI is een partner voor merchandisers, geen vervanging
Dit brengt ons bij het grootste misverstand in de sector. Velen denken dat AI de merchandisers overbodig maakt. Het tegendeel is waar.
Ja, de AI genereert kortingsaanbevelingen en de corresponderende optimalisatie resultaten. Ja, de technologie doet het zware rekenwerk — snel, consistent en transparant. Maar dit kan technologie niet: context begrijpen, strategische afwegingen maken en zakelijk inzicht toepassen.
De AI-engine wijst de weg naar het doel, maar mensen maken de reis af. Merchandisers beslissen waar ze kortingen moeten verhogen om voorraad sneller te verkopen voor een nieuwe collectie, of waar ze iets terughoudender moeten zijn wanneer een categorie nog winstgevend is. Ze begrijpen dat soms een lagere marge op één product de prijsintegriteit van een heel assortiment beschermt.
In onze praktijkervaring geeft een acceptie van 60–70% van de AI-aanbevelingen aan dat het algoritme het bedrijf goed begrijpt. We hebben zelfs acceptatieniveaus zo hoog als 86% gezien. Maar die overige 14–40%? Daar zit de menselijke expertise die geen enkel algoritme kan vervangen.
AI + merchandising: hoe het in de praktijk werkt, in cijfers
Hierboven hebben we laten zien waar AI hulp kan bieden aan merchandising. Samen met een internationaal sportmerk implementeerde ADC Consulting de beschreven technologieën — en dit waren de resultaten (zie ook: volledige case study):
- 450% ROI in het eerste jaar
- +2 procentpunten marge
- +8% stijging in verkoop
- −10% reductie in gemiddelde kortingsdiepte
Bovenstaande samenwerking begon met een proof of concept — slechts één maand en één productcategorie. Dit stelde ADC Data & AI Consulting in staat om prijselasticiteit te meten, impact te laten zien en vertrouwen op te bouwen. Toen ADC hun waarde had bewezen, werd er opgeschaald: meer categorieën, geautomatiseerde workflows en geavanceerde dashboards.
ADC kan ook de impact via gecontroleerde experimenten valideren — denk aan enorm geavanceerde A/B-tests en is daarom ook comfortabel met resultaatgerichte contracten.
De uiteindelijke oplossing bestaat uit:
- De fundering: Glass-box architecture
ADC implementeert volledig binnen je IT-omgeving. De data, code en tools zijn en blijven van jou — volledig IP-eigendom, ontwikkelcontrole, geen vendor lock-in. Een transparant proces dat je kunt begrijpen en waarvan je de uitkomsten kunt aansturen. - De motor: Causale modellen en optimalisatie
In de kern bouwt ADC Consulting causale modellen voor elasticiteit en vraagvoorspelling. Ze creëren prijselasticiteit-curves voor elk artikel. Deze curves vormen vervolgens de basis voor de markdown-optimalisatie. Dit proces bepaalt de beste kortingen binnen de gestelde bedrijfsdoelen en -regels. - De interface: Duidelijke, uitvoerbare inzichten
Resultaten verschijnen in een intuïtief dashboard, met aggregaties per artikel, per land of andere gewenste niveaus. Je team ziet direct welke korting welke impact heeft, waardoor inzichten direct omgezet kunnen worden in actie.
Je bent uitgenodigd om de Pricing Game te spelen met ADC
Een hands-on simulator waarin je zelf de afwegingen kan ervaren die komen met het ontwerpen van een promotiecampagne.
Meedoen aan de game? Registreer jezelf.
Meer weten?
Neem contact op met Gertjan de Lange (ADC Retail Lead)
Reacties 0