# Voorraadvoorspelling: 5 methoden om de vraag te voorspellen

> Ontdek 5 beproefde methoden voor voorraadvoorspelling, hoe elk werkt en wanneer je het inzet. Vergelijk de aanpakken en kies de juiste voor jouw bedrijf.

Source: https://www.electe.net/nl/post/inventory-forecasting-methods

Site guide: https://www.electe.net/nl/llms.txt

Bestel je te veel, dan verbrand je cash. Bestel je te weinig, dan verlies je de verkoop aan wie wel voorraad in de schappen heeft. Elk bedrijf met voorraad zit tussen die twee fouten in, en het verschil komt neer op één beslissing: welke methode voor voorraadvoorspelling achter je inkooporders zit.

Vraag een zaal vol ondernemers welke methode ze gebruiken en je krijgt productnamen terug. Een spreadsheet. Een ERP-module. Een add-on die iemand bij finance heeft gekocht. Niemand noemt de rekenmethode. Dat is de kloof die het dichten waard is. Een forecasting-tool is slechts het middel waarmee een methode wordt geleverd, en de methode bepaalt of je veiligheidsvoorraad is afgestemd op de werkelijkheid of op wishful thinking.

Hier zijn vijf methoden voor voorraadvoorspelling, opgezet als een beslisladder in plaats van concurrerende kampen. Elke methode is een basislijn die de volgende moet verslaan. Per methode lees je wat je ervoor nodig hebt, waar hij tekortschiet en onder welke omstandigheden hij zijn plek verdient.

## 1. Voortschrijdend gemiddelde

Het voortschrijdend gemiddelde is een veelgebruikt startpunt, en dat is terecht. Je kiest een venster (3, 6 of 12 perioden), neemt het gemiddelde van de werkelijke vraag daarin en gebruikt dat als voorspelling voor de volgende periode. Sluit een nieuwe periode af, dan schuift het venster op en werkt het getal zichzelf bij.

Een [supply-chainstudie van de University of Arkansas](https://scholarworks.uark.edu/cgi/viewcontent.cgi?article=1003&context=scmtwscp) beschrijft tijdreeksvoorspelling als de basis van de meeste aanvulsystemen, met als doel trend en seizoenspatroon onder de ruis van de verkoop te vinden. Het voortschrijdend gemiddelde doet de eenvoudigste versie van die taak: het filtert eenmalige pieken weg zonder dat je een model nodig hebt.

### Eenvoudige versus gewogen vensters

Eenvoudige voortschrijdende gemiddelden geven elke periode hetzelfde gewicht. Gewogen voortschrijdende gemiddelden geven recente perioden meer invloed, wat telt wanneer de vraag stijgt of daalt in plaats van vlak blijft. Kies voor gewogen wanneer vorige maand meer zegt over volgende maand dan vorig kwartaal.

Stel dat een webwinkel in kantoorartikelen de laatste drie maanden notitieboekverkoop middelt om bestelpunten voor een stabiele productlijn vast te stellen, terwijl een bakkerij elke maandag vier weken broodverkoop middelt om de meelbestelling te bepalen. Dezelfde methode, andere vensters, en beide zijn eenvoudig uit te leggen aan een inkoper.

> Test drie vensterlengtes op je data van de afgelopen twaalf maanden voordat je er één kiest. Het winnende venster is meestal korter dan je gevoel zegt.

- **Vergelijk met naïef:** als de verkoop van vorige periode net zo goed voorspelt als jouw gemiddelde, rechtvaardigt het gemiddelde zijn complexiteit niet.
- **Combineer met veiligheidsvoorraad:** smoothing haalt de piek uit de voorspelling, niet uit de vraag.
- **Scheid productfamilies:** een notitieboek en een seizoensplanner horen niet hetzelfde venster te delen.

Gebruik dit wanneer je artikelen gestaag verkopen, je minstens zes schone perioden aan historie hebt en een basislijn nodig hebt die elke stakeholder kan volgen. Het is ook het getal dat elke latere methode moet verslaan. Een [30-daagse voorraadpilot voor retailers](https://www.electe.net/post/inventory-optimization-for-retail) laat zien hoe snel zo'n basislijn onthult welke SKU's meer nodig hebben dan een gemiddelde.

## 2. Exponentiële smoothing (Holt-Winters-methode)

Exponentiële smoothing behoudt de gewoonte van middelen, maar behandelt oude en nieuwe data niet langer gelijk. Elke waarneming krijgt exponentieel minder gewicht naarmate ze ouder wordt, zodat de voorspelling meebuigt met wat nu gebeurt zonder te overreageren op één vreemde week.

Holt-Winters voegt twee componenten toe: een trendterm en een seizoensterm, additief of multiplicatief toegepast, afhankelijk van of seizoensschommelingen meegroeien met het volume. Daarom brengen seizoensgebonden retailassortimenten het grootste deel van hun bestaan hier door.

### Waarom de nauwkeurigheid zwaarder weegt

Recente data zwaarder wegen levert reactiesnelheid op, en die kost iets. Een [studie naar groothandel en voorraadbeheeronderzoek](https://www.sciencedirect.com/science/article/abs/pii/S0925527310001805) meldt een bevinding van Syntetos en collega's dat **1% minder voorspelnauwkeurigheid** kan overeenkomen met een **stijging van 10-15% in voorraadkosten** bij gelijkblijvende servicegraden. Parameters die te traag staan, laten je met te veel voorraad zitten bij een verschuiving in de vraag; te snel, en je jaagt ruis na tot een bullwhip-effect.

Drie gewoonten houden het model eerlijk:

- **Minimaal twee jaar:** voer minstens twee volledige seizoenscycli in, anders gist de seizoenscomponent maar wat.
- **Controleer de optimizer:** laat de software de smoothingconstanten berekenen en bevestig dan dat het seizoenspatroon past bij het jaar dat je hebt gehad.
- **Markeer promoties als events:** een campagne van drie weken vervormt de basislijn maandenlang als je die in de historie laat doorsijpelen.

Gebruik dit wanneer de vraag een terugkerend seizoenspatroon heeft en je twee schone cycli kunt aanleveren. Lees voor hoe smoothingmodellen in de praktijk worden uitgevoerd en vergeleken [voorspel wanbetaling met smoothingmodellen](https://www.electe.net/post/exponential-smoothing).

## 3. ARIMA- en SARIMA-tijdreeksmodellen

Smoothing behandelt historie als een gewogen gemiddelde. ARIMA stelt dezelfde data een lastigere vraag: hangt de vraag van vandaag af van die van gisteren, van dezelfde week vorig jaar en van de fouten die het model eerder maakte? De geïntegreerde stap differentieert de reeks totdat de trend stabiel is, en SARIMA voegt seizoenstermen toe voor wekelijkse en jaarlijkse cycli. Waar Holt-Winters je een gladdere lijn geeft, geeft ARIMA je een model van het vraagproces zelf.

Het interval rond de voorspelling is de output die loont.

### Bandbreedtes winnen van losse getallen

Een [studie naar optimalisatie van bevoorrading](https://www.tandfonline.com/doi/full/10.1080/00207543.2025.2527957) modelleert de vraag per SKU, doorlooptijden van retouren en doorlooptijden van bevoorrading als stochastische variabelen, werkt met kwantielvoorspellingen in plaats van één schatting en stelt een Ratio of Forecast Uncertainty voor om te volgen hoe onzekerheid zich tussen de schakels van de toeleveringsketen voortplant. Dat onderscheid telt bij de inkooporder. Een voorspelling van 1.000 stuks betekent iets anders als de aannemelijke bandbreedte van 850 tot 1.150 loopt dan wanneer die van 500 tot 1.700 loopt.

Twee inkopers kunnen dezelfde voorspelling lezen en tegengestelde beslissingen nemen. Een regionale supermarktketen modelleert de wekelijkse vraag naar zuivel met zowel wekelijkse als jaarlijkse seizoenspatronen, zodat de feestdagenpiek in de bestelling zit en niet pas erna zichtbaar wordt. Een elektronicadistributeur stelt de veiligheidsvoorraad voor componenten in op het 90e percentiel van het interval, bepaald door een servicedoel in plaats van een vaste dekking van twee weken. Dezelfde techniek, een andere beleidsvraag.

Goed toepassen vraagt discipline:

- **Test op stationariteit** met een grafiek en een formele toets, en differentieer alleen zo ver als nodig. Te veel differentiëren voegt ruis toe die het model vervolgens moet verklaren.
- **Houd de meest recente drie maanden achter** en beoordeel het model daarop voordat je het vertrouwt.
- **Vertaal intervallen naar beleid:** kies het percentiel dat past bij je marge, kaspositie en serviceverplichting.
- **Automatiseer de modelselectie** bij grote assortimenten. Handmatig orders afstellen houdt geen stand bij 400 SKU's.

De keerzijde is de inspanning. ARIMA vraagt om stationaire data, zorgvuldige keuze van de orde en voldoende historie om de seizoenstermen te schatten, en kijkt nog steeds alleen naar het eigen verleden van de reeks. Daarmee is het de lat die causale methoden moeten halen: een factor als prijs of promotie verdient pas een plek in het model als die beter voorspelt dan de eigen historie van de vraag.

Gebruik dit als je reeks autocorrelatie bevat die smoothing mist en je een eerlijke bandbreedte nodig hebt om de veiligheidsvoorraad op een servicedoel af te stemmen.

## 4. Causale regressievoorspelling

Alle methoden tot nu toe lezen de vraag af uit de eigen historie. Causale regressie stelt een andere vraag: wat beweegt de vraag, en met hoeveel? Je voert factoren in die je team al bijhoudt, zoals prijs, kortingsdiepte, promoties, feestdagen, weer en activiteit van concurrenten, en het model schat het effect van elk.

Het resultaat is een coëfficiënt waarover je kunt discussiëren, en dat is juist de bedoeling. Een korting verhoogt de voorspelling niet zomaar, maar met een vastgesteld bedrag, en dat bedrag heeft je inkooporder nodig.

### Bouw de promotiekalender in het model in

Stel dat een retailer in huishoudartikelen wil weten hoe 20 procent korting plus een e-mailcampagne in het weekend de verkoop van keukenapparaten beïnvloedt. Regressie schat het gecombineerde effect, zodat de inkoper bestelt op basis van een geplande actie in plaats van het maandgemiddelde van vorig jaar. Een drankendistributeur die de voorspelde temperatuur meeneemt, kan voorraad aanleggen vóór een hittegolf in plaats van erop te reageren.

> **Praktische regel:** test één factor tegelijk op een holdout-periode. Een factor die de nauwkeurigheid niet verbetert op data die het model niet kent, is een verhaal en geen signaal.

- **Begin met wat je registreert:** promotievlaggen, prijswijzigingen en feestdagenkalenders. Veel teams hebben meer bruikbare factoren dan ze denken.
- **Ververs coëfficiënten:** de reactie van klanten verschuift na een prijswijziging of een nieuwe toetreder, en verouderde coëfficiënten kunnen tot overvoorraad leiden.
- **Scheid gepland van ongepland:** campagnes gaan erin als input; een viraal bericht of herstel na een voorraadtekort gaat erin als gebeurtenisvlag.

Gebruik dit als promoties en prijsstelling een groot deel van je volume bepalen en je voorraad voor een campagne wilt dimensioneren voordat die loopt, niet erna.

## 5. Voorspelling van de vraag met machine learning

Machine learning verandert de modelleringseenheid. In plaats van één model per product te fitten, train je één model over duizenden SKU-winkelcombinaties en laat je het gedeelde patronen leren: welke artikelen reageren op weer, welke op salarisdagen, welke op een promotie twee weken eerder.

Gradient boosting werkt goed op tabelvormige verkoopdata. Neurale netwerken bewijzen hun waarde wanneer het assortiment enorm is en de signalen op manieren op elkaar inwerken die je niet met de hand kunt specificeren.

### Waar het nauwkeurigheidsargument ingewikkelder wordt

Een [studie naar 7.500 vraagreeksen en 13 voorspelmethoden](https://www.ajol.info/index.php/jriie/article/download/340188/319463/763962) constateerde dat de waarde van voorspelnauwkeurigheid afhangt van productkenmerken, voorraadbeleid, kosten van voorraadhouding, kosten van gemiste verkoop, beoordelingsintervallen en doorlooptijden. Hetzelfde onderzoek merkt op dat farmaceutische mkb-bedrijven vaak vertrouwen op oordeelsgebonden voorspellingen, ook bij aanzienlijke intermitterende bestellingen, met onnauwkeurige historische data, beperkt gespecialiseerd personeel en geringe technologie-adoptie als belemmeringen.

De consequentie is onprettig voor wie een ranglijst najaagt. Een model dat wint op foutmaten kan verliezen op kosten wanneer voorraadkosten laag zijn en voorraadtekorten duur. En een methode die sterk lijkt bij intermitterende artikelen scoort mogelijk alleen goed omdat de meeste perioden geen vraag bevatten.

- **Versla de basislijn:** een voortschrijdend gemiddelde of Holt-Winters is je controlegroep. Als machine learning die niet verslaat op holdout-data, neem het dan niet in productie.
- **Valideer op tijd, niet willekeurig:** train op oudere perioden, test op nieuwere.
- **Beoordeel per segment:** de fout bij je top 50 SKU's telt zwaarder dan de fout in de lange staart.
- **Behandel intermittentie apart:** artikelen met veel nulwaarden vragen eigen evaluatieregels.

ELECTE, een AI-gestuurd data-analyseplatform voor het mkb, draait zes voorspelmethoden op je data, vergelijkt ze onderling en kiest de nauwkeurigste, wat de handmatige vergelijking vervangt. Voor assortimenten met veel promoties, zie [rekening houden met vraagpieken bij flash sales](https://www.electe.net/post/ecommerce-demand-forecasting).

Gebruik dit als je uitgebreide, gedetailleerde historie hebt over veel producten en bewijs dat het je basislijn verslaat op kosten en service, niet alleen op papier.

## 5 voorraadvoorspelmethoden in één overzicht

MethodeHet meest geschikt voorBenodigde dataVerwerkt seizoenspatronenMoeilijkheidsgraadVoorspellen met voortschrijdend gemiddeldeStabiele vraag en eenvoudige basislijnenEen kleine hoeveelheid recente verkoopgeschiedenisNeeEenvoudigExponentiële afvlakking (Holt-Winters-methode)Vraag met trends en seizoenspatronenVerkoopdata van minstens twee seizoenscycliJaGemiddeldARIMA- en SARIMA-tijdreeksmodellenAutogecorreleerde vraag met tijdsafhankelijke patronenLange, schone historische tijdreeksenJa, met SARIMAGeavanceerdCausale regressievoorspellingHet voorspellen van de effecten van promoties, prijzen en andere drijfverenVerkoopgeschiedenis en betrouwbare data over de drijfverenMogelijk, met seizoensvariabelenGemiddeldVraagvoorspelling met machine learningGrote assortimenten met complexe vraagfactorenUitgebreide, schone verkoopgeschiedenis en relevante invoerdataJa, met kalender- of seizoenskenmerkenGeavanceerd

## Belangrijkste inzichten: kies de methode die je data kunnen dragen

Zie elke trede als de basislijn die de volgende moet verslaan. Een voortschrijdend gemiddelde is goedkoop en transparant, dus het bepaalt het getal dat elk later model moet verbeteren. Voeg Holt-Winters toe wanneer hetzelfde seizoenspatroon steeds terugkeert; gebruik ARIMA of SARIMA wanneer je een onderbouwd interval nodig hebt voor servicegraden; stap over op causale regressie wanneer promoties en prijswijzigingen het volume bepalen; zet machine learning pas in nadat het wint op een holdout-set.

Doorloop die ladder elke cyclus op dezelfde manier:

- Controleer de verkoopgeschiedenis: tel de schone perioden en de SKU's met lange reeksen nullen.
- Kies de eenvoudigste methode die bij het vraagpatroon past.
- Valideer op de meest recente drie maanden, zonder willekeurige splitsing.
- Automatiseer de vergelijking, zodat de winnende basislijn meebeweegt met veranderende omstandigheden.

[ELECTE](https://www.electe.net) koppelt boekhoud-, bank- en spreadsheetbronnen, houdt ze actueel, draait zes voorspelmethoden op de actuele cijfers, vergelijkt de resultaten met elkaar en kiest de meest nauwkeurige. Je krijgt vraag-, cash- en loonvoorspellingen met dashboards die je met één klik exporteert of deelt. Ga naar ELECTE en zie binnen enkele minuten de voorspelling voor je eigen verkoopgeschiedenis.
