Agentic AI in category management: hoe MAAZ Cheese 4% categorie groei realiseerde

Wat is agentic AI in category management?

Agentic AI in category management is een AI-agent die zelfstandig analyses uitvoert, patronen herkent in retaildata en concrete aanbevelingen doet over assortiment, promotie en categorie positionering, zonder dat een category manager elk stap handmatig hoeft te sturen.

Het verschil met gewone AI tools zoals ChatGPT of Microsoft Copilot is fundamenteel. Een generieke AI assistent geeft antwoorden op vragen die je stelt. Een agentic AI agent blijft actief: hij monitort continu de categorie prestaties, signaleert afwijkingen en komt proactief met adviezen. Agentic AI doet nu in minuten wat hiervoor uren of dagen aan tijd kostte.

Maar agentic AI werkt alleen goed als de onderliggende data klopt. Een AI agent trekt de verkeerde conclusies als de data niet klopt. Dat is precies waarom het datafundament de eerste en meest cruciale laag is. Lees meer over hoe dat fundament werkt in ons artikel over data harmonisatie.

‍

Waarom de verhouding tussen leverancier en retailer verschuift

Retailers investeren steeds meer in AI en bouwen zo een groter kennisvoordeel op waarop zij beslissingen nemen. Voor leveranciers is dat gat voelbaar. Een leverancier hoorde van zijn retailklant dat zijn productinnovaties van het afgelopen jaar weer uit het schap waren verdwenen, omdat het AI-model van de retailer dat had geadviseerd. De leverancier had dit niet zien aankomen omdat hij niet dezelfde data had als de retailer.

Dat is de kern van het probleem. Retailers bezitten circa 60% van de relevante data in de waardeketen. Leveranciers bezitten ongeveer 20%. Als retailers die 60% combineren met krachtige AI-tools en beslissingen nemen op basis van die data, terwijl leveranciers nog werken met handmatig samengestelde Excel bestanden, wordt het gat niet alleen technisch maar ook strategisch.

De leverancier die dat gat niet dicht, verliest relevantie aan tafel. De leverancier die het wel dicht, wordt een strategisch partner die de retailer iets biedt wat hij zelf niet heeft: cross-retailer perspectief en productkennis gecombineerd met data. Lees meer over deze dynamiek in ons artikel over de data kloof tussen leverancier en retailer.

‍

De MAAZ Cheese case: van vacature voor category manager naar agentic AI

MAAZ Cheese is een snelgroeiende leverancier van specialiteits kazen aan retail. De uitdaging was herkenbaar: retailers gaven feedback dat er een verbeteringsslag mogelijk was in de samenwerking op het vlak van product, merk en categorie, maar MAAZ had niet de capaciteit in huis om diepgaande analyses te maken en de beschikbare data om te zetten in concrete plannen en adviezen. Er stond zelfs een vacature online voor een category manager.

In plaats van die vacature in te vullen, besloot MAAZ samen met Captain te werken aan een AI gedreven oplossing. Niet om het werk over te nemen, maar om het probleem anders op te lossen: met een platform dat de ervaring van een category manager combineert met de schaalvoordelen van AI.

‍

Eén gedeelde data waarheid als fundament

Het eerste dat Captain voor MAAZ opbouwde was een single source of truth: een database waar alle relevante databronnen samenkomen. POS data van retailklanten, syndicated data, promo informatie, ex factory cijfers en openbare bronnen, allemaal gekoppeld en gecategoriseerd in lijn met hoe MAAZ en de retailer naar producten, merken en de categorie kijken.

Die gedeelde data waarheid is het fundament. Zonder dat fundament geeft een AI-agent verzonnen antwoorden, omdat hij de context mist om de vraag correct te beantwoorden. Met dat fundament kan de agent precies dezelfde vraag stellen als een ervaren category manager en een onderbouwd antwoord geven op basis van werkelijke data.

‍

Winkelclustering op basis van shopperprofiel

Op basis van de geharmoniseerde data clusterden AI modellen de winkels op het shopperprofiel. In een studentenwijk in Leiden blijven de luxe kaasjes liggen. In Wassenaar zijn ze te snel uitverkocht. Die klantspecifieke inzichten waren eerder onzichtbaar omdat de data niet op winkelniveau beschikbaar was in een bruikbare vorm.

Met die winkelcluster informatie kon de agent per schap de te verwachten omzet en derving berekenen bij aanpassingen aan het assortiment. Retailer en leverancier bepaalden samen per winkel de optimale schapindeling richting groot onderhoud.

‍

Het resultaat: 4% meer omzet, 7% minder derving

De uitkomst was concreet en meetbaar. 4% categorie groei en 7% minder derving, gerealiseerd door samen te werken op één gedeelde data waarheid. Beide partijen wonnen: de retailer door betere categorie prestaties, de leverancier door een sterkere positie aan tafel en meer omzet.

Dat is wat agentic AI in category management in de praktijk betekent. Niet een tool die rapporten mooier maakt, maar een agent die actief meewerkt aan categorie beslissingen die voor beide partijen waarde creëren.

‍

Hoe agentic AI het werk van het commerciële team verandert

Het gebruik van agentic AI verandert het werk van het commerciële team geleidelijk maar fundamenteel. Eerst is er vertrouwen nodig. Gedrag verandert langzaam. Na verloop van tijd wordt Excel er bijna niet meer bijgepakt, ook niet voor de ad hoc en complexere vragen.

Inzichten halen uit de data wordt veel toegankelijker, ook voor collega's van marketing en sales. Een accountmanager die volgende week naar een retailer gaat voor een performance gesprek, kan zelf de relevante analyse opvragen zonder de category manager erbij te betrekken. De agent voert de analyse uit met de juiste methodiek, op de gedeelde data waarheid, en geeft een antwoord dat gebouwd is op werkelijke data.

Er blijft behoefte aan menselijke controle, een human in the loop. Datakwaliteit blijft het allerbelangrijkst. Het datafundament moet goed zijn, want een AI agent die werkt op incorrecte of onvolledige data produceert overtuigend klinkende maar onjuiste conclusies. De waarde zit in de combinatie: de snelheid en schaal van AI, gecombineerd met het oordeel en de context van de category manager.

‍

Van terugkijken naar vooruitkijken

De grootste verschuiving die agentic AI brengt is niet snelheid. Het is richting. Traditioneel category management kijkt achteruit: wat is er vorige maand verkocht, hoe presteerde de promotie, wat was de rotatie. Agentic AI kijkt vooruit: wat gaat er de komende weken gebeuren, welke winkels lopen risico op derving, welk assortiment moet worden aangepast voordat het schap groot onderhoud krijgt. Dat is de kern van de verschuiving van rapporteren naar voorspellen. Lees meer in ons artikel over prescriptive analytics in category management.

De agent blijft actief in het evalueren van aanpassingen aan het assortiment en is altijd beschikbaar om nieuwe aanpassingen of productintroducties direct door te rekenen en met adviezen te komen. In plaats van wachten op een kwartaalrapport, signaleert de agent in week twee dat een promotie onderpresteert en berekent hij de verwachte omzet bij aanpassing.

‍

Wat dit betekent voor FMCG leveranciers

De MAAZ Cheese case laat zien wat mogelijk is als leverancier en retailer samenwerken op één gedeelde data waarheid. Minder spanning in de samenwerking, meer transparantie en vertrouwen, en betere categorie prestaties voor beide partijen.

Dat vraagt wel om een andere manier van werken. De leverancier die wil profiteren van agentic AI in category management, begint bij het datafundament. Alle retail bronnen geharmoniseerd naar één consistent productmodel. EAN wissels automatisch verwerkt. Data actueel genoeg voor de agent om patronen te herkennen die voor een mens onzichtbaar zijn.

Pas als dat fundament op orde is, kan de agentic AI laag er effectief op werken. En pas dan wordt de belofte van meer groei en minder derving realiteit, niet als projectie maar als meetbaar resultaat.

‍

Klaar om te starten met agentic AI in category management?

Benieuwd hoe een vergelijkbare aanpak eruit ziet voor jouw categorie? Vraag een strategisch gesprek aan en ontdek hoe een geharmoniseerd datafundament de basis legt voor agentic AI in category management.