Waarom Excel niet werkt voor categorie management (en wat wel)

Waarom is Excel niet geschikt voor categorie management?

Excel is niet geschikt voor category management omdat het geen context opslaat, geen centrale databron vormt, geen betrouwbare historie biedt en niet schaalbaar is voor AI-gedreven analyses.

‍

Waarom het fundament ertoe doet

AI gedreven categorie management werkt alleen goed als de data eronder klopt. Een AI model dat werkt op gefragmenteerde, verouderde of slecht gestructureerde data, produceert gefragmenteerde, verouderde en slecht onderbouwde uitkomsten. Dat klinkt logisch, maar de implicatie wordt onderschat: Excel is precies het soort fundament dat die problemen veroorzaakt.

De vijf redenen hieronder komen rechtstreeks uit de praktijk van category teams bij FMCG leveranciers. Ze zijn niet theoretisch. Ze zijn de reden waarom teams die vandaag nog op Excel bouwen, morgen achterlopen op retailers die dat niet meer doen.

‍

5 redenen waarom Excel niet werkt voor category management

Excel kan onvoldoende context meenemen

Een AI-model heeft context nodig om goede aanbevelingen te doen. Niet alleen de ruwe verkoopdata, maar ook de achtergrond bij die data: was er een promotie? Was er een EAN-wissel? Heeft de retailer zijn categorisering aangepast? Is dit een seizoenseffect of een structurele trend?

In Excel is die context niet opgeslagen. Een getal is een getal. De betekenis erachter zit in het hoofd van de persoon die het bestand heeft gemaakt, in een apart notitie document, of nergens. Dat betekent dat elk AI model dat op Excel data draait, beslissingen neemt zonder de context die die beslissingen betrouwbaar maakt.

Een goed dataplatform slaat context op als onderdeel van de data zelf. Elke EAN wissel wordt automatisch vastgelegd en gekoppeld aan de historische reeks. Elke restatement van een retailer wordt verwerkt zonder handmatig in te grijpen. Die context is wat AI nodig heeft om van data naar betrouwbare inzichten te gaan.

Geen ‘single source of truth’ in Excel

In de meeste FMCG-organisaties circuleren meerdere versies van dezelfde data. De sales afdeling werkt met een export uit SIS. De trade marketeer heeft een aparte sheet met data uit 7EVEN. De marketingmanager gebruikt een Nielsen-rapport uit vorige maand. En niemand weet precies welke versie de meest actuele is. Dit is het tegenovergestelde van data harmonisatie.

Excel maakt dat probleem groter naarmate de organisatie groeit. Elk bestand is een eiland. Aanpassingen in één sheet propageren niet automatisch naar andere sheets. Twee collega's kunnen met dezelfde basisdata tot verschillende conclusies komen, simpelweg omdat ze een andere versie van hetzelfde bestand gebruiken.

AI heeft één waarheid nodig. Een consistente, geharmoniseerde database waaruit iedereen trekt en die altijd actueel is. Excel kan die rol structureel niet vervullen, omdat het geen gedeelde, levende databron is maar een verzameling statische bestanden.

Excel breekt historische data en trends

Voor AI gedreven analyses, of het nu gaat om prijselasticiteit per SKU, promotie-effectiviteit of assortimentsoptimalisatie, is een betrouwbare en volledige historische dataset essentieel. Het model leert van het verleden om het heden te begrijpen en de toekomst te voorspellen.

Excel is daarvoor niet gebouwd. De hoeveelheid data die in een spreadsheet past, is beperkt. Bij grote datasets vertraagt Excel, raken formules in de war en worden fouten moeilijk te traceren. Maar het fundamentele probleem is structureel: Excel bewaart geen automatische versiehistorie van de data zelf. Als een waarde wordt overschreden, is de oude waarde weg.

Bovendien breken EAN wissels de historische reeks in een Excel omgeving direct. Een nieuwe verpakking krijgt een nieuw EAN nummer. In Excel moet iemand handmatig die koppeling leggen tussen oud en nieuw. Tot die koppeling er is, ziet de data eruit als een daling gevolgd door een nieuwe lijn zonder geschiedenis. Dat is precies de data die een AI-model op het verkeerde been zet.

Excel koppelt slecht met retail databronnen

Categorie management vereist data uit meerdere bronnen. Verkoopdata uit SIS of 7EVEN, marktdata uit Nielsen of Circana, prijsdata uit IPV of Superscanner, interne ex-factory data. Al die bronnen hebben hun eigen format, hun eigen categorisering en hun eigen manier van omgaan met product hiërarchieën.

In een Excel-omgeving betekent dat: handmatig exporteren, handmatig samenvoegen, handmatig mappen. Telkens opnieuw, elke week, voor elke rapportageperiode. Uit onze ervaring met meer dan 15 category teams kost dat proces gemiddeld 60% van de beschikbare tijd. Tijd die niet naar analyse gaat, niet naar strategie en niet naar de voorbereiding van het retailer gesprek.

Een AI model dat op die handmatig samengestelde data draait, heeft bovendien geen garantie dat de koppelingen consistent zijn. Een fout in de mapping trekt door alle analyses heen. En omdat de mapping elke keer opnieuw handmatig wordt gemaakt, is de kans op inconsistentie groot.

Analyse in category management verschuift naar AI

Dit is het meest fundamentele bezwaar. Veel category teams gebruiken Excel niet alleen als databron maar ook als analysetool. Draaitabellen, formules, grafieken. Het is vertrouwd en flexibel.

Maar dat analyse werk verdwijnt naar AI. Niet morgen misschien, maar op korte termijn wel. AI-modellen kunnen patronen herkennen in datasets die voor een mens niet te overzien zijn. Ze kunnen scenario's doorrekenen in minuten die in Excel uren kosten. Ze kunnen promotie-impact modelleren, prijselasticiteit berekenen en assortiment aanbevelingen genereren op basis van data uit tientallen bronnen tegelijk.

De trade marketeer die dat begrijpt, stelt zichzelf een andere vraag dan "hoe maak ik dit overzicht in Excel?" De vraag wordt: "welke context en welk oordeel voeg ik toe aan wat AI voor mij uitrekent?" Dat is een fundamenteel andere rol. En die rol vereist een fundamenteel ander fundament dan Excel.

Er blijft behoefte aan menselijke controle, een human in the loop. Data kwaliteit blijft het allerbelangrijkst. Het data fundament moet goed zijn. Want als de input niet klopt, klopt de output van het AI-model ook niet. Maar die controle vraagt om een platform dat transparant maakt waar data vandaan komt en waar fouten zitten. Niet om een spreadsheet die dat verbergt.

‍

Wat wel werkt

De vijf redenen hierboven zijn niet op te lossen door Excel beter te gebruiken. Ze zijn structureel. Ze vragen om een andere aanpak: een centraal dataplatform dat automatisch harmoniseert, context opslaat, EAN wissels verwerkt en als één waarheid fungeert voor iedereen in de organisatie die met category data werkt.

Dat is het fundament waarop AI goed kan werken. En het is het fundament waarop de trade marketeer van morgen zijn rol kan invullen: niet als databeheerder die spreadsheets samenstelt, maar als strategisch partner die op basis van betrouwbare inzichten de categorie laat groeien. Lees meer over hoe AI in category management die rol verandert.

‍

Van Excel naar een sterk data fundament

Vraag een strategisch gesprek aan waarin we meteen praktische tips kunnen geven over hoe jouw team de stap zet van Excel naar een database die klaar is voor AI-gedreven category management.

‍