Van descriptive naar prescriptive analytics in category management

Waarom retailers sneller bewegen richting AI gedreven category management

Retailers investeren fors in predictive en prescriptive analytics. Ze combineren shopperdata, kassadata, prijsinformatie en winkeldata om sneller en beter categoriebeslissingen te nemen dan ooit tevoren.

Waar leveranciers vaak nog werken met wekelijkse exports en handmatige analyses, draaien retailers steeds vaker modellen die:

• promotie-impact voorspellen
• prijselasticiteit berekenen per SKU
• assortimentsaanbevelingen doen per winkelcluster
• voorraadproblemen voorspellen
• realtime categorie-aanbevelingen genereren

Dat verschil in analytische volwassenheid wordt snel een strategisch probleem. Want hoe relevanter de inzichten van de retailer worden, hoe kleiner de rol van leveranciers die alleen historische rapportages aanleveren.

‍

Wat is het analytics maturity model?

Het analytics maturity model beschrijft hoe organisaties groeien in analytische volwassenheid. Het model bestaat uit vier fases: descriptive analytics, diagnostic analytics, predictive analytics en prescriptive analytics.

Elke fase beantwoordt een andere vraag:

• Wat is er gebeurd?
• Waarom gebeurde het?
• Wat gaat er gebeuren?
• Welke actie levert nu het meeste resultaat op?

Hoe hoger een organisatie in het model opereert, hoe groter het concurrentievoordeel. In category management bepaalt dit steeds vaker welke leveranciers als strategisch partner worden gezien. Maar ook welke alleen nog rapportages aanleveren.

‍

De vier analysefasen: een model dat elke category manager moet kennen

Het analytisch volwassenheidsmodel van Gartner beschrijft vier fasen die organisaties doorlopen naarmate hun datacapabiliteit zich ontwikkelt. Elke fase beantwoordt een andere vraag en levert een andere mate van waarde op. De moeilijkheidsgraad neemt toe met elke fase, maar het concurrentievoordeel ook.

Fase 1: Descriptive analytics — wat is er gebeurd?

Descriptive analytics kijkt achteruit. Het vertelt je wat je omzet was vorige week, welke producten het beste verkochten vorige maand en hoe een promotie presteerde ten opzichte van de vorige. Dit is het fundament. Zonder betrouwbare beschrijvende analyse kun je geen hogere fase bereiken.

De meeste category teams bij leveranciers opereren hier. Ze exporteren data uit SIS of 7EVEN, combineren die met Nielsen of Circana, corrigeren handmatig fouten en bouwen een rapport dat beschrijft wat er is gebeurd. Dat kost gemiddeld 60% van de beschikbare tijd. Wat overblijft is te weinig voor de volgende stap.

Fase 2: Diagnostic analytics — waarom is het gebeurd?

Diagnostic analytics gaat een stap verder. Het stelt niet alleen vast wat er is gebeurd, maar verklaart ook waarom. Waarom daalde de rotatiesnelheid van dit SKU in week 12? Lag dat aan de prijsverhoging, aan een actie van een concurrent, of aan een uitlijningsprobleem in het schap?

Dit is waardevolle analyse. Het geeft leveranciers de onderbouwing om in een retailergesprek te verklaren wat er speelde en wat het betekende voor de categorie. Maar het kijkt nog steeds achteruit. De beslissing die genomen had moeten worden in week 12 is al niet meer te nemen.

Fase 3: Predictive analytics — wat gaat er gebeuren?

Predictive analytics kijkt vooruit. Het gebruikt historische data en patronen om te voorspellen wat er gaat gebeuren. Wat is de verwachte impact van deze promotie op de category omzet? Welke winkels lopen het grootste risico op een tekort als de leveringscyclus uitloopt? Wat is de prijselasticiteit van dit SKU bij een verhoging van 5%?

Dit is de fase waar de meeste retailers al in opereren, en waar de meeste leveranciers nog niet zijn. Retailers gebruiken shopperdata, mandinformatie en winkelspecifieke patronen om voorspellingen te maken die specifiek genoeg zijn om op te handelen. Leveranciers die alleen descriptieve en diagnostische analyse kunnen bieden, voegen in dit gesprek steeds minder toe.

Fase 4: Prescriptive analytics — welke actie levert nu het meeste op?

Prescriptive analytics is de hoogste fase. Het beantwoordt niet alleen de vraag wat er gaat gebeuren, maar ook welke concrete actie nu het grootste verschil maakt. Niet een algemene aanbeveling, maar een specifieke instructie: voeg SKU X toe aan het assortiment van winkelcluster Y, want de rotatiesnelheid in vergelijkbare clusters is 40% hoger dan het categorie gemiddelde. Of: verlaag de promotie frequentie van SKU Z in regio W, want de prijselasticiteit toont aan dat de marge-erosie niet wordt gecompenseerd door volumegroei.

Prescriptive analytics combineert de kracht van machines met de kennis en ervaring van de category manager. De machine herkent patronen die een mens niet kan zien in datasets van deze omvang. De category manager beoordeelt de aanbeveling, past de context toe die niet in de data zit, en beslist of en hoe de actie wordt uitgevoerd. Samen komen ze tot beslissingen die noch de machine noch de mens alleen zou nemen.

‍

Waar staan de meeste FMCG leveranciers nu?

Het eerlijke antwoord is: overwegend in fase 1, met uitstapjes naar fase 2. De structurele oorzaak is niet een gebrek aan ambitie of talent, maar een gebrek aan tijd en de juiste database.

Als 60% van de beschikbare tijd opgaat aan het bij elkaar brengen, opschonen en harmoniseren van data, is er structureel te weinig capaciteit om de stap naar predictive analyse te maken. De data die nodig is voor goede voorspellingsmodellen, een volledige en consistente data historie per SKU per retailer, is in de meeste organisaties niet beschikbaar in de vorm die AI-modellen nodig hebben.

Daar komt nog iets bij. 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 fase 3 en 4 kunnen opereren, terwijl leveranciers nog in fase 1 en 2 zitten, wordt het gat niet alleen technisch maar ook strategisch. Lees meer over deze dynamiek in ons artikel over de data kloof tussen leverancier en retailer.

‍

Waarom predictive en prescriptive analytics nu cruciaal zijn

In 2017 publiceerde McKinsey een whitepaper over prescriptive analytics in retail. De boodschap was helder: retailers die de stap maken naar prescriptive analytics kunnen same-store omzet met 2 tot 5% verhogen. Het was een vooruitblik op wat mogelijk zou worden.

Die toekomst is nu. Retailers investeren actief in AI-tools die prescriptive analytics mogelijk maken op schaal. Ze kunnen assortimenten optimaliseren per winkelcluster, promoties doorrekenen op elasticiteit per SKU en voorraden afstemmen op winkel specifieke vraagpatronen. Ze doen dit sneller dan een leverancier een rapportage kan samenstellen.

Voor leveranciers betekent dit een fundamentele keuze. Blijf je in fase 1 en 2 opereren, dan lever je informatie die de retailer al heeft of zelf sneller kan genereren. Of je maakt de stap naar fase 3 en 4, waarmee je als leverancier iets toevoegt wat de retailer niet zelf heeft: cross-retailer perspectief, productkennis en marktinzichten gecombineerd met predictive en prescriptive analyse.

Dat is de bijdrage die een strategisch partner levert. En dat is wat Joint Category Development in de praktijk vraagt.

‍

Hoe kom je een fase verder?

Van fase 1 naar fase 2: zorg eerst voor een betrouwbare database

De stap van descriptive naar diagnostic analyse vraagt om een database die consistent en volledig genoeg is om causale verbanden te leggen. Dat betekent alle retail bronnen geharmoniseerd naar één productmodel, EAN-wissels automatisch verwerkt zodat trendlijnen intact blijven, en data die actueel genoeg is om snel te kunnen verklaren wat er speelt. Data harmonisatie is de eerste stap.

Van fase 2 naar fase 3: bouw data historie op en gebruik AI voor forecasting

Predictive analyse vereist een betrouwbare en volledige historische dataset. AI-modellen leren van het verleden om het heden te begrijpen en de toekomst te voorspellen. Dat vraagt om data die niet alleen actueel is, maar ook historisch consistent. Elke onderbreking in de data historie, door een EAN wissel die niet correct is verwerkt of een restatement die handmatig is ingevoerd, verzwakt het voorspellingsmodel.

Met een goede database kunnen AI modellen prijselasticiteit per SKU berekenen, promotie-impact vooraf inschatten en distributie kloven in kaart brengen. Dit is de fase waar Captain de meeste waarde toevoegt: het platform automatiseert de database zodat de capaciteit vrijkomt voor de analyse zelf.

Van fase 3 naar fase 4: combineer AI aanbevelingen met domeinkennis

Prescriptive analyse is niet volledig geautomatiseerd. Het is de combinatie van wat AI kan berekenen en wat een category manager weet uit ervaring en context. De AI herkent het patroon. De category manager beoordeelt of de aanbeveling past bij de retailstrategie, de seizoens context en de commerciële relatie.

Er blijft altijd behoefte aan menselijke controle, een human in the loop. Datakwaliteit blijft het allerbelangrijkst. Het datafundament moet goed zijn, want een AI model dat werkt op incomplete of incorrecte data produceert aanbevelingen die niet kloppen. De waarde van prescriptive analytics staat of valt met de kwaliteit van de onderliggende data.

‍

Hoe Captain helpt de stap te maken

Captain is gebouwd om leveranciers de analytische capaciteit te geven die nodig is om relevant te blijven in een wereld waar retailers fase 3 en 4 al opereren.

Het platform harmoniseert automatisch alle retail bronnen naar één consistent productmodel. EAN wissels worden automatisch verwerkt. Restatements worden doorgevoerd zonder handmatig ingrijpen. De database is altijd actueel en volledig genoeg voor de AI modellen die predictive en prescriptive analyse mogelijk maken.

De promo simulator rekent promotie impact door op basis van prijselasticiteit per SKU, voordat de promotie is afgesproken. De assortimentsoptimalisatie identificeert per winkelcluster welke SKUs toegevoegd of verwijderd moeten worden om de categorie omzet en -marge te verbeteren. De AI assistent beantwoordt vragen in gewone taal op basis van alle data die in het platform samenkomt.

Bij Johma leidde prescriptive promotieanalyse tot een promo planning die 1 op 1 werd overgenomen door Hoogvliet, Vomar en Plus. Bij MAAZ Cheese resulteerde assortimentsoptimalisatie op basis van POS data in 9,4% margeverbetering. Bij Elho groeide het aantal onderbouwde categorieplannen van 10 naar 25+. Dat zijn de resultaten van leveranciers die de stap naar fase 3 en 4 hebben gemaakt. Lees hier meer over de Elho case.

‍

Klaar om een fase verder te komen?

Vraag een strategisch gesprek aan waarin we meteen praktische tips kunnen geven over hoe jouw team de stap maakt van descriptive naar predictive en prescriptive analyse.