Vraagvoorspelling is de praktijk waarbij historische verkoopgegevens, seizoensinvloeden en marktsignalen worden gebruikt om te voorspellen hoeveel van een product klanten op een bepaald moment in de toekomst zullen willen. In e-commerce is die voorspelling direct van invloed op voorraad- en advertentiebeslissingen: hoeveel voorraad aan te houden, wanneer biedingen te verhogen of te verlagen, en wanneer een seizoensproduct extra onder de aandacht moet worden gebracht of juist helemaal uit de campagnes moet worden gehaald. Goed uitgevoerd, vervangt het giswerk over de toekomstige vraag door een op data gebaseerd plan waar een retailer van tevoren op kan reageren, in plaats van pas achteraf te reageren.

Waarom vraagvoorspelling belangrijk is voor voorraad- en advertentieplanning.

Te veel voorraad bestellen betekent dat er geld vastzit in inventaris die later mogelijk met korting verkocht moet worden, terwijl te weinig bestellen betekent dat er juist op het moment dat de vraag piekt, verkopen worden misgelopen. Beide uitkomsten zijn terug te voeren op een prognose die ontbrak of niet betrouwbaar was. Aan de advertentiekant missen campagnes die pas van start gaan nadat de vraag al is gestegen, het meest waardevolle deel van de verkoopperiode. Dit sluit aan bij het probleem dat Civil aanpakte door de ROAS met 36% te verhogen door alle campagne-uitingen tijdig te ontwikkelen : de seizoensgebonden vraag vroegtijdig voorspellen, zodat de uitingen en campagnes klaar waren vóór de start van de verkoopperiode, en niet erna. Feeds die rekening houden met de verwachte vraag kunnen ook automatisch de biedingen en budgetten optimaliseren, waardoor uitgaven worden verhoogd vóór een verwachte piek in de vraag, in plaats van halverwege het seizoen te moeten bijbetalen.

Hoe werkt vraagvoorspelling?

Voorspellingsmodellen combineren doorgaans de historische verkooptrend van een product met bredere seizoenspatronen en externe marktanalyses – verschuivingen in de vraag op categorieniveau, concurrentieactiviteiten of macrotrends die de geschiedenis van een individuele SKU op zichzelf niet zou onthullen. De output komt meestal op twee plaatsen terecht: voorraadbeheersystemen, die de informatie gebruiken om bestelpunten en veiligheidsvoorraden ruim voor de voorspelde vraagcurve in te stellen, en dynamische prijsmodellen, die de prijs stapsgewijs kunnen aanpassen naarmate de werkelijke verkoop voor- of achterloopt op de voorspelling. Feedteams tonen de voorspelling vaak zelf als een aangepast label of attribuut op het product, zodat campagneregels direct kunnen reageren op een vraagniveau in plaats van dat iemand handmatig moet aangeven welke producten seizoensgebonden relevant 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 custom_label_0 De waarde van dit artikel geeft aan dat er naar verwachting veel vraag naar zal zijn in de aanloop naar de lente, terwijl de geplande sale_price_effective_date Dit laat zien dat het prijsteam de promotie al zo had gepland dat deze samenviel met de voorspelde periode, in plaats van te wachten tot de verkoopcijfers dit bevestigden.

Verwante concepten

Vraagvoorspellingen leveren pas waarde op als ze gekoppeld zijn aan de uitvoering: voorraadbeheer gebruikt de voorspelling om de voorraadniveaus vast te stellen voordat de behoefte zich voordoet, en dynamische prijsstelling gebruikt de voorspelling om de prijs aan te passen naarmate de werkelijke vraag zich verhoudt tot de voorspelling. De voorspellingen zelf zijn zelden gebaseerd op de verkoopgeschiedenis van één enkel product; ze zijn meestal gebaseerd op een bredere marktanalyse die rekening houdt met categorietrends en externe factoren die niet in de gegevens van een enkel product te vinden zijn.