Bij een bakkerijketen met enkele tientallen verkooppunten leidde de samenwerking met MAWEB tot een daling van de retouren met 58% (tegen boekwaarde) en tegelijkertijd een omzetstijging van 10%. Die combinatie is belangrijk, want in deze branche is de eenvoudigste manier om retouren te beperken simpelweg minder produceren en leveren — wat meestal eindigt in lege schappen en dalende verkoop. Hier bleef de omzet niet alleen op peil, maar groeide zelfs, wat laat zien dat het model de werkelijke vraag raakte en niet louter de leveringen afknelde.

Naast de daling van de retouren noemt de klant een tweede opbrengst van het traject: de verkoopgegevens zijn op orde gebracht. Cijfers uit de afzonderlijke verkooppunten, eerder versnipperd en inconsistent, werden geüniformeerd en vormen nu de basis voor het aansturen van de hele keten — niet alleen voor de prognoses.

De klant

Een bakkerijketen met enkele tientallen verkooppunten. Vóór de implementatie berustte de planning van productie en levering op de ervaring van de medewerkers per vestiging, wat op die schaal tot verschillen tussen locaties leidde en centraal voorraadbeheer bemoeilijkte.

Dienstenpakket

Vraagvoorspelling — een AI-model dat de verkoop per verkooppunt en per product voorspelt en beslissingen over productie- en leveringsvolumes ondersteunt.

Doelstellingen

• Retouren en verliezen door overproductie verlagen, zonder de beschikbaarheid van producten in de winkels te verminderen.
• De omzet behouden of verhogen — de daling van de retouren mocht niet ten koste van de verkoop gaan.
• De verkoopgegevens van alle verkooppunten uniformeren en ordenen als basis voor beter beheer van de keten.

Meetmethode: een vergelijking van de retouren tegen boekwaarde en van de omzet, vóór en na ingebruikname van het voorspellingsmodel.

Uitvoering

MAWEB verzamelde en ordende de historische verkoopgegevens van de klant per verkooppunt — verkoop, leveringen, retouren en externe factoren die de vraag beïnvloeden (onder meer kalender, weekdagen en feestdagen). Op die basis is een voorspellingsmodel gebouwd dat de verkoop afzonderlijk per vestiging en product voorspelt en dagelijkse aanbevelingen genereert voor productie- en leveringsvolumes.

Een kernonderdeel van het model waren de waarborgen die het risico beperken dat het optimaliseren van retouren de beschikbaarheid en de omzet zou aantasten — het model knijpt leveringen niet mechanisch af, maar stemt ze af op de verwachte vraag op die specifieke locatie.

Bij de implementatie zijn de gegevens uit de afzonderlijke verkooppunten, die eerder per vestiging verschillend werden bijgehouden, omgezet naar één gemeenschappelijk formaat. Los van de prognoses zelf gaf dat de klant een samenhangend beeld van de verkoop in de hele keten, dat ook voor de dagelijkse aansturing wordt gebruikt.

Resultaat

• Retouren met 58% verlaagd (tegen boekwaarde, ten opzichte van de periode vóór implementatie).
• Omzet 10% hoger in dezelfde periode — de daling van de retouren ging niet ten koste van de verkoop.
• Verkoopgegevens van de hele keten geordend — door de klant genoemd als extra opbrengst van de samenwerking, breder dan de voorspelling zelf en ondersteunend voor beter beheer van het bedrijf.