{"id":1408237,"date":"2026-11-10T15:17:13","date_gmt":"2026-11-10T15:17:13","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&p=1408237"},"modified":"2026-11-10T15:17:13","modified_gmt":"2026-11-10T15:17:13","slug":"van-dashboard-tot-besluitvorming-commerciele-teams-hebben-geen-behoefte-aan-nog-een-rapport","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/nl\/blog\/from-dashboard-to-decision-commercial-teams-dont-need-another-report\/","title":{"rendered":"Van dashboard tot besluit: commerci\u00eble teams hebben geen behoefte aan nog een rapport"},"content":{"rendered":"

Toen ik me aansloot bij een project voor gezamenlijk voorraadbeheer bij een multinationaal bedrijf in consumentengoederen, had het klantenserviceteam geen inzicht in de voorraad van zijn wederverkopers. Het bestaande dashboard gaf alleen weer waar er in het verleden voorraadtekorten waren opgetreden. Voorraadtekorten en overtollige voorraad kwamen pas aan het licht wanneer een bestelling al te laat was of het product zich al had opgestapeld \u2013 te laat om nog te kunnen reageren.<\/p>\n

Mijn stelling: een dashboard geeft een beeld van het verleden, en het commerci\u00eble voordeel vloeit voort uit modellen die het probleem voorspellen en tijdig maatregelen aanbevelen, zodat deze kunnen worden uitgevoerd.<\/strong><\/p>\n

Het probleem reikte verder dan alleen een gebrek aan zichtbaarheid.<\/strong> Het verkoopteam moest voor elke wederverkoper en elk SKU twee vragen beantwoorden: heeft deze wederverkoper meer producten nodig? Zo ja, hoeveel kan ik dan verzenden? Voor de eerste vraag is het noodzakelijk te weten hoeveel voorraad de wederverkoper nog heeft en hoeveel hij zal verkopen. De tweede vraag hangt af van interne beperkingen: quota, voorraad in elke verzendlocatie, palletisering en het productieplan. Het is onhaalbaar om dit alles elke dag handmatig met elkaar te vergelijken, voor elke wederverkoper en elk artikel.<\/p>\n

Wat wij hebben gerealiseerd.<\/strong> Wij hebben data over sell-in, sell-out en de voorraad bij wederverkopers ge\u00efntegreerd en een machine learning-model getraind dat de verkoopcijfers voor de komende 30 dagen voorspelt. Op basis van die prognose hebben wij de verwachte datum van voorraaduitputting voor elke SKU berekend. Vervolgens hebben wij die datum afgestemd op de volgende beperkingen: beschikbare quota en voorraad, palletisering, transportdoorlooptijd en bestellingen die al onderweg zijn, zodat waarschuwingen niet achterhaald raken. Het resultaat is een aanbevolen bestelling voor elke wederverkoper en SKU, binnen de grenzen van wat haalbaar is om te verzenden, samen met de uiterste termijn om deze tijdig te plaatsen. Wanneer een bestelling niet haalbaar is, geeft de tool aan welke beperking dit verhindert, zodat het commerci\u00eble team het gesprek al met kennis van zaken kan aangaan.<\/p>\n

Power BI is er nog steeds, maar in een andere rol. Het is niet langer de analysetool. Het is de interface naar de achterliggende intelligentie, die de prognoses, risicowaarschuwingen en aanbevelingen voor vroegtijdige maatregelen weergeeft.<\/p>\n

Het resultaat.<\/strong> Wij hebben de winst gemeten aan de hand van de incrementele bruto-omzet die voortvloeit uit het voorkomen van voorraadtekorten: wanneer een voorspeld voorraadtekort aan de wederverkoper wordt gemeld en de bestelling tijdig wordt geplaatst, schatten wij het volume dat anders verloren zou zijn gegaan en de bijbehorende verkoopwaarde. In het jaar volgend op de implementatie bedroeg de geschatte incrementele omzet 5,09 miljoen Braziliaanse real.<\/p>\n

Wat was het moeilijkst?<\/strong> Een van de grootste uitdagingen was niet het model, maar de data. De voorraad- en verkoopgegevens zijn afhankelijk van de wederverkopers, en deze moesten met de vereiste frequentie en in het vereiste formaat worden aangeleverd. De frequentie is contractueel vastgelegd, maar om hieraan te voldoen was opvolging nodig: samen met het businessteam hebben wij een proces opgezet om die gegevens op te vragen. We kwamen er ook achter dat quota en voorraad in de loop van de dag veranderen, waardoor het analyseren van bestellingen het beste 's ochtends vroeg kan plaatsvinden. Na drie maanden van verfijning van het proces hebben we met elke wederverkoper een wekelijkse routine vastgesteld, waarbij de tool als leidraad fungeert.<\/p>\n

Waar generatieve AI een aanvulling vormt.<\/strong> De huidige oplossing functioneert goed en is niet afhankelijk van generatieve AI, maar uitsluitend van traditionele AI-modellen zoals machine learning en optimalisatiealgoritmen. Maar vandaag zouden wij de interpretatie- en interactielaag kunnen versterken: inzichten naar voren brengen over problemen die zich hebben voorgedaan, de prioriteiten van de dag in natuurlijke taal samenvatten, aanbevelingen uitbreiden naar de kanalen die commerci\u00eble teams het meest gebruiken, uitleggen welke beperking een bestelling blokkeert en het bericht aan de wederverkoper opstellen. Het betreft een verbetering van de gebruiksvriendelijkheid en van de ondersteuning bij het interpreteren van en handelen naar aanleiding van inzichten, voortbouwend op een oplossing die reeds bewezen resultaten oplevert.<\/p>\n

Kort samengevat:<\/p>\n

\"\"<\/p>\n

Hoe u dit in de praktijk kunt brengen:<\/strong> Geef een overzicht van de belangrijkste terugkerende beslissingen binnen uw commerci\u00eble afdeling die momenteel afhankelijk zijn van het raadplegen van een dashboard (voorraadaanvulling, kredietverlening, assetallocatie, promoties). Kies de beslissing met een duidelijk aangewezen verantwoordelijke, regelmatige data en een verlies dat in geld kan worden uitgedrukt. Nu u een duidelijk omschreven probleem hebt dat kan worden opgelost, kunnen we samen werken aan een model dat op die beslissing anticipeert of deze optimaliseert, in plaats van er nog een dashboard bovenop te bouwen.<\/p>\n<\/div><\/div><\/div><\/div><\/div>","protected":false},"excerpt":{"rendered":"

Het verkoopteam moest voor elke wederverkoper en elk SKU twee vragen beantwoorden: heeft deze wederverkoper meer producten nodig? Zo ja, hoeveel kan ik dan verzenden? Voor de eerste vraag is het noodzakelijk te weten hoeveel voorraad de wederverkoper nog heeft en hoeveel hij zal verkopen. De tweede vraag hangt af van interne beperkingen: quota, voorraad in elke verzendlocatie, palletisering en het productieplan. Het is onhaalbaar om dit alles elke dag handmatig met elkaar te vergelijken, voor elke wederverkoper en elk artikel.<\/p>","protected":false},"featured_media":1408238,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[22035],"blog-language":[2991],"class_list":["post-1408237","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-data-ai-consulting","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog\/1408237","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media\/1408238"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media?parent=1408237"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-category?post=1408237"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-language?post=1408237"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}