Demand planning: proces, tools vergeleken en wanneer AI loont (2026)

Kernpunten: Demand planning is het proces dat vraagvoorspelling omzet in concrete inkoop- en voorraadbeslissingen. De toolkeuze loopt van Excel (prima start) via standaard planningssoftware tot AI-forecasts op de eigen data. Het verschil zit zelden in de wiskunde en bijna altijd in de data: wie promo's, seizoen en kanalen niet in de voorspelling stopt, krijgt gemiddelden terug. Meet elke tool langs één lat: verslaat hij aantoonbaar de naïeve voorspelling op de eigen historie?

Wat demand planning wel en niet is

Demand planning wordt vaak verward met forecasting, maar het is breder:

1. Vraagvoorspelling (forecast): hoeveel gaat er per SKU, per week, per kanaal verkocht worden?
2. Vertaling naar beslissingen: wat betekent dat voor inkooporders, bestelmomenten, voorraadniveaus en werkkapitaal?
3. Afstemming: sales weet van de actie in week 42, inkoop weet dat de levertijd uit Azië oploopt; het plan verwerkt beide.

De meeste bedrijven hebben stap 2 half geregeld (bestelpunten, zie ons artikel over voorraadbeheersoftware) en stap 1 en 3 niet of nauwelijks. Het gevolg is planning op het verleden: de inkooporder van volgende maand is gebaseerd op het gemiddelde van de vorige drie.

Het proces in vier stappen

Stap 1: dataverzameling. Verzamel de verkoophistorie per SKU per week, over álle kanalen en minimaal twee jaar (voor seizoenspatronen), plus de context: promo-kalender, prijswijzigingen, stockouts (een week zonder verkoop omdat het product op was, is géén week zonder vraag).

Stap 2: basisvoorspelling. Begin met een naïeve basislijn en een simpel seizoensmodel. Dit klinkt te makkelijk, maar het is de meetlat waar elke duurdere oplossing zich tegen moet bewijzen. Leveranciers die deze vergelijking niet willen laten zien, hebben daar meestal een reden voor. Hoe wij die lat definiëren, staat in forecast accuracy: zo meet u of een voorspelling echt goed is.

Stap 3: verrijking. Hier ontstaat het echte verschil: seizoen per productgroep, promo-uplift (wat doet 1+1 gratis werkelijk met de vraag?), kanaalsplitsing (NL vs DE, eigen site vs marketplace), trend en levenscyclus (nieuwe producten, uitlopers).

Stap 4: vertaling naar inkoop. De forecast wordt pas geld waard in de inkooporder: bestelmomenten per leverancier, minimale ordergroottes, dekking in weken, werkkapitaalbudget. Een planning die hier stopt bij "verwachte vraag: 340 stuks" is een rapport, geen plan.

Tools vergeleken: van Excel tot AI

De eerlijke samenvatting: gespecialiseerde pakketten zijn sterk voor wie in het standaardprofiel past (stabiel assortiment, één dominant kanaal, beperkte promodruk). Hoe meer de werkelijkheid afwijkt (marketplaces naast de eigen site, promogedreven verkoop, importlevertijden, een hard seizoen), hoe groter het voordeel van een model dat op úw data is getraind in plaats van op het gemiddelde van duizend klanten.

Wanneer AI-forecasting loont

Machine-learning-forecasts zijn geen doel op zich; in onze demand-forecasting-benchmark voor FMCG beschreven we al dat simpele modellen soms winnen. AI loont aantoonbaar wanneer:

• promo's een groot deel van de omzet sturen (uplift-effecten per actietype zijn precies wat klassieke methodes missen);
• het assortiment groot en divers is (500+ SKU's, van hardlopers tot slow movers): één methode past nooit op alles, dus een model kiest per SKU;
• meerdere kanalen en landen elk hun eigen patroon hebben;
• de inkoopbeslissing zwaar weegt (lange levertijden en grote orders maken elke procent forecastfout duur).

Een voorbeeld uit de praktijk: voor een bouwgroothandel bouwden we een vraagvoorspelling per artikelgroep die de seizoens- en projectdynamiek meenam, met als resultaat een inkoopplanning die niet meer op onderbuik draaide. Bij een e-commerceklant in slaapcomfort draait inmiddels een wekelijkse forecast per SKU met aparte promoweken, direct gekoppeld aan het inkoopadvies.

Zo begint het (zonder groot project)

1. Meet de huidige forecastfout. Vergelijk drie maanden "wat we dachten" met "wat het werd", per productgroep. Is er geen formele forecast, dan is de impliciete voorspelling het gemiddelde van de laatste weken; meet die.
2. Bepaal de prijs van die fout. Nee-verkoop × marge + overstock × rentekosten, of laat onze gratis rekentool het in tien seconden voorrekenen. Dit bedrag bepaalt welke tool-laag rationeel is.
3. Test op eigen data vóór de keuze valt. Elke serieuze aanbieder (wij ook) moet bereid zijn een benchmark op de historie te draaien: forecast vs naïeve basislijn, zwart op wit. Wij doen dit als kort, afgebakend traject: een forecast-benchmark op een dataset onder NDA, met resultaat binnen enkele weken.

Benieuwd wat er in de verkoopdata zit? Plan een kennismaking: een eerste datascan laat meestal binnen een week zien waar de fout nu zit en wat die kost.

Veelgestelde vragen

Wat is het verschil tussen demand planning en forecasting?

Forecasting is de rekenkundige voorspelling van de vraag. Demand planning is het bredere proces daaromheen: de forecast vertalen naar inkooporders, voorraadniveaus en capaciteit, inclusief afstemming met sales en inkoop.

Welke tools worden gebruikt voor demand planning?

Van licht naar zwaar: Excel, voorraadbeheerpakketten met besteladvies, gespecialiseerde demand-planningsoftware (Slimstock, Optiply, RELEX) en AI-forecasts op maat, getraind op eigen data. De juiste keuze hangt af van assortimentsomvang, kanalen en hoe afwijkend het vraagpatroon is.

Hoe nauwkeurig moet een vraagvoorspelling zijn?

Meet de nauwkeurigheid altijd tegen een naïeve basislijn (bijvoorbeeld: volgende week = vorige week). Een goede forecast verslaat die basislijn aantoonbaar per productgroep; op week/SKU-niveau is 20-40% minder fout dan de basislijn een realistische lat.