
Aanpak · 22 november 2026 · Martijn van Grieken
Een uitverkochte dag verbergt hoeveel klanten er nog kwamen. Waarom het gemiddelde van de verkoop de vraag onderschat, en wat je met weinig historie weet.

Een supermarkt die dagvers brood bestelt, ziet aan het eind van de dag hoeveel er is verkocht. Op een dag dat het schap om vier uur leeg was, ziet ze niet hoeveel klanten daarna nog kwamen. De verkoop van die dag is een ondergrens van de vraag. Wie op de verkoopcijfers voorspelt, rekent dus met een te laag getal, en dat valt in de cijfers zelf niet op.
Op deze pagina staat hoe wij vraag voorspellen als een deel van de vraag onzichtbaar is.
| Dag | Besteld | Verkocht | Vraag |
|---|---|---|---|
| Maandag | 20 | 15 | 15 |
| Dinsdag | 20 | 20 (uitverkocht) | 23 |
| Woensdag | 20 | 17 | 17 |
| Donderdag | 20 | 20 (uitverkocht) | 26 |
| Vrijdag | 20 | 20 (uitverkocht) | 24 |
| Zaterdag | 20 | 20 (uitverkocht) | 28 |
| Zondag | 20 | 13 | 13 |
| Gemiddeld per dag | 20 | 17,9 | 20,9 |
Illustratief rekenvoorbeeld. In werkelijkheid ken je de laatste kolom niet.
Op vier van de zeven dagen was het product uitverkocht. Het gemiddelde van de verkoop is 17,9 per dag, de werkelijke vraag 20,9. Wie de bestelling afstemt op de verkoop, gaat minder bestellen dan nu. Dan raakt het schap vaker leeg, valt de verkoop verder terug, en lijkt de vraag de week erna nog lager.
Een uitverkochte dag levert wel informatie op. Je weet dat de vraag minstens zo groot was als wat je had liggen. Een model dat vraag, verkoop en bestelhoeveelheid aan elkaar koppelt, gebruikt die informatie in plaats van haar weg te gooien.
Per product per winkel is er vaak weinig bruikbare historie. Op een paar weken gegevens kun je de vraag op zaterdag niet tot op één brood schatten. Een uitspraak als ‘waarschijnlijk tussen 22 en 32’ klopt beter dan ‘27’, en je kunt er meer mee.
De bandbreedte maakt de bestelbeslissing namelijk zichtbaar. Kost een gemist brood je meer dan een weggegooid brood, dan bestel je in het bovenste deel van de bandbreedte. Is weggooien duurder, dan bestel je lager. Dat is een keuze van de winkel. Het model laat zien wat die keuze kost.
Het principe geldt overal waar je alleen ziet wat er geleverd is. Een mogelijke toepassing in de zorg: raakt een afdeling door een verbruiksartikel heen, dan leent ze bij een andere afdeling of gebruikt ze een alternatief. De verbruiksregistratie laat dan minder zien dan er nodig was. In de industrie kan hetzelfde spelen bij reserveonderdelen: is een onderdeel niet op voorraad, dan bestelt de klant soms elders en verschijnt de vraag nergens. Wij hebben deze aanpak nog niet in de zorg of de industrie toegepast. Hoe we een planningsvraag in de zorg aanpakken, lees je in Slimmer roosteren in de zorg.
We beschrijven in een model hoe vraag, verkoop en bestelinstellingen met elkaar samenhangen, en schatten de vraag met bayesiaanse statistiek. Die rekent expliciet met onzekerheid en geeft daarom een bandbreedte. Daarna toetsen we de voorspellingen aan wat je wel waarneemt: derving, nee-verkoop en marge. Ons werk in de industrie staat bij industrie en maritiem.
Voor een retailer onderzochten we zo de bestelinstellingen voor dagverse producten. Op één versproduct in tien supermarkten berekenden we dat betere instellingen de winst daar met 4 tot 7 procent hadden kunnen verhogen. Dat is een berekening, geen gemeten winststijging. Lees de retailcase.
Neem één product of één voorraad mee waarvan je vermoedt dat de cijfers de vraag onderschatten. Dat eerste gesprek is vrijblijvend en we streven ernaar binnen één werkdag te reageren.
Auteur: Martijn van Grieken, oprichter van Twentynext. Zo maken we dit. AI schreef de eerste versie, en Martijn heeft dit artikel gelezen en goedgekeurd voordat het live ging. Twentynext is verantwoordelijk voor de inhoud, maar kan juistheid en volledigheid niet garanderen. Zie onze disclaimer.

Blogs · AI · 21 september 2026
Copilot ziet wat de gebruiker mag zien. Waarom een uitrol op eigen data bij rechten begint, waar je een partij op beoordeelt en hoe Twentynext het aanpakt.
Lees het artikel →

Aanpak · 22 november 2026
Fraude die nooit is ontdekt, staat niet in je voorbeelden. Hoe een model leert wat normaal is, afwijkingen rangschikt en elk signaal uitlegt.
Lees het artikel →

Cases · 3 januari 2025
Lees het artikel →
Wij gebruiken Google Tag Manager om bezoek te meten en Leadinfo om te herkennen welk bedrijf onze site bezoekt. Beide laden alleen als je daarmee instemt. Kies je voor alleen noodzakelijk, dan werkt de site gewoon en meten wij niets. Cookieverklaring · Privacyverklaring