Vraagvoorspelling (demand forecasting) is het gebruik van historische verkoopgegevens, seizoensinvloeden en marktsignalen om te voorspellen hoeveel van een product klanten op een bepaald moment in de toekomst willen hebben. In e-commerce werkt die voorspelling direct door in voorraad- en advertentiebeslissingen — hoeveel voorraad je aanhoudt, wanneer je biedingen verhoogt of verlaagt, en wanneer een seizoensproduct stevig gepusht moet worden of juist helemaal uit campagnes moet verdwijnen. Goed uitgevoerd vervangt het giswerk over toekomstige vraag door een datagedreven plan waar een retailer vooraf op kan handelen, in plaats van te reageren als de cijfers al zijn verschoven.
Waarom vraagvoorspelling belangrijk is voor voorraad- en advertentieplanning
Te veel voorraad bestellen legt geld vast in voorraad die later misschien met korting moet worden verkocht, terwijl te weinig bestellen betekent dat je precies op het moment van piekvraag verkopen misloopt — beide uitkomsten zijn terug te voeren op een voorspelling die er niet was of niet werd vertrouwd. Aan de advertentiekant missen campagnes die starten nadat de vraag al is gepiekt het waardevolste deel van het verkoopvenster. Dat ligt dicht bij het probleem uit hoe Civil de ROAS met 36% verhoogde door alle campagnecreatives op tijd klaar te hebben voor de campagne: seizoensvraag vroeg genoeg voorspellen zodat creatives en campagnes klaarstonden voordat het venster openging, en niet erna. Feeds die voorspelde vraag meenemen, kunnen ook automatisch biedingen en budgetverdeling sturen, door uitgaven vóór een voorspelde piek naar voren te halen in plaats van halverwege het seizoen een inhaalslag te maken.
Hoe vraagvoorspelling werkt
Voorspellingsmodellen combineren doorgaans de eigen historische verkooptrend van een product met bredere seizoenspatronen en externe marktanalyse — verschuivingen in vraag op categorieniveau, activiteit van concurrenten of macrotrends die de historie van één SKU op zichzelf niet zou laten zien. De uitkomst komt meestal op twee plekken terecht: in voorraadbeheersystemen, die er bestelpunten en veiligheidsvoorraden mee bepalen ruim vóór een voorspelde vraagcurve, en in engines voor dynamische prijsstelling, die de prijs stapsgewijs kunnen aanpassen naarmate de werkelijke verkoop voor of achter loopt op de voorspelling. Feedteams zetten de voorspelling zelf vaak als custom label of attribuut op het product, zodat campagneregels direct op een vraagniveau kunnen reageren in plaats van dat iemand handmatig moet aangeven welke producten binnenkort seizoensrelevant worden.
Voorbeeld: vraagvoorspelling in een productfeed
<item>
<g:id>SKU-25671</g:id>
<title>Kids Rain Boots - Yellow, Size 12</title>
<link>https://example-shop.com/products/kids-rain-boots-yellow-12</link>
<g:price>32.00 USD</g:price>
<g:availability>in stock</g:availability>
<g:custom_label_0>forecast_demand_high_spring</g:custom_label_0>
<g:sale_price>27.00 USD</g:sale_price>
<g:sale_price_effective_date>2026-03-01T00:00/2026-04-15T23:59</g:sale_price_effective_date>
</item>De waarde van custom_label_0 markeert dit artikel als product waarvoor richting het voorjaar een hoge vraag wordt voorspeld, terwijl de geplande sale_price_effective_date laat zien dat het pricingteam een actie al heeft afgestemd op dat voorspelde venster, in plaats van te wachten tot verkoopgegevens het bevestigden.
Gerelateerde begrippen
Vraagvoorspelling levert alleen waarde op als het aansluit op de uitvoering: voorraadbeheer gebruikt de voorspelling om voorraadniveaus vooraf vast te stellen, en dynamische prijsstelling gebruikt die om de prijs aan te passen naarmate de werkelijke vraag zich verhoudt tot de voorspelling. De voorspellingen zelf zijn zelden gebaseerd op de verkoophistorie van één product alleen — ze zijn meestal verankerd in een bredere marktanalyse die rekening houdt met categorietrends en externe factoren die de gegevens van één SKU niet zouden vastleggen.
