Waarom AI je promotie-ROI niet gaat redden

De evolutie van AI in TPM en RGM

Trade promotion management heeft drie duidelijke fasen van technologische volwassenheid doorlopen. Begrijpen waar we nu staan - en wat elke fase daadwerkelijk vereist - is essentieel om te begrijpen waarom AI-implementaties slagen of mislukken.

Elke fase is technisch capabeler dan de vorige. En toch staat het getal van 60% nog steeds. De reden is dat elke fase hetzelfde onderliggende probleem erft.

Wat AI-modellen in TPO daadwerkelijk nodig hebben

Een machine learning-model getraind om promotielift te voorspellen heeft een specifieke data-architectuur nodig om te functioneren. Dit is geen zachte vereiste - het is een harde technische beperking. De voorspellende nauwkeurigheid van het model is een directe functie van de kwaliteit en volledigheid van de trainingsdata.

SKU-niveau transactiegeschiedenis

Liftmodellen vereisen schone historische sell-out of sell-in data op SKU/retailer/week-niveau, typisch minimaal twee tot drie jaar geschiedenis om seizoenspatronen te vangen en promotiecycli te verdisconteren. Data moet consistent zijn in granulariteit - het mengen van kanaal- en accountniveaudata zonder normalisatie levert systematisch vertekende voorspellingen op. Ontbrekende weken, herberekende baselines of hergegroepeerde SKU's verslechteren de modelprestaties op manieren die lastig te detecteren zijn zonder zorgvuldige feature-validatie.

Conditierecords en promotionele mechanics

Het model moet begrijpen wat daadwerkelijk is uitgevoerd, niet wat gepland was. In de meeste SAP-omgevingen leven promotionele condities in VK11/VK12-conditierecords - maar de uitgevoerde korting wijkt vaak af van de geplande conditie door retroactieve aanpassingen, deelleveringen of handmatige overrides in klantfinanciën. Als het model getraind is op geplande in plaats van werkelijke condities, zijn de liftschattingen systematisch onjuist voor accounts met hoge deductions.

Masterdata-integriteit

Dit is de meest onderschatte technische afhankelijkheid. AI-modellen in RGM opereren typisch over producthiërarchieën: merk, sub-merk, formaat, SKU, EAN. Als de producthiërarchie inconsistent is - bijvoorbeeld een verpakkingswijziging behandeld als een nieuwe SKU zonder continuiteitsmapping, of EAN-codes die verschillen tussen interne systemen en retailerdata - kan het model historische prestaties niet correct toewijzen. Het behandelt een geherformuleerd product als een nieuwe introductie, waardoor twee jaar relevante trainingssignalen verloren gaan.

Hetzelfde geldt voor klanthiërarchieën. Een nationaal account dat halverwege het jaar wordt opgesplitst in regionale inkoopgroepen, zonder retroactieve aanpassing van historische data, creëert een structurele discontinuïteit in de trainingsset. Het model ziet een volume-instorting op nationaal accountniveau en een volumepiek op regionaal niveau - en kan dit niet onderscheiden van een daadwerkelijk promotie-effect.

"Masterdata is geen IT-aangelegenheid. Het is een modelnauwheidsvraagstuk. Elke inconsistentie in de product- of klanthiërarchie is een bron van bias in elke downstream AI-voorspelling."

De feature engineering-afhankelijkheid

Zelfs met schone onderliggende data vereisen TPO-modellen bewuste feature engineering om de dynamiek van trade promotions te vangen. Standaard features zijn:

• Baseline-separatie - het isoleren van het niet-gepromote baselinevolume van de gepromote lift. Dit vereist consistente markering van promotieweken in de historische data, wat afhangt van nauwkeurige conditierecordgeschiedenis.
• Kannibalisatiesignalen - volumeverschuivingen naar aangrenzende SKU's binnen dezelfde categorie tijdens promotieperiodes. Dit vereist een complete en consistente producthiërarchie om te definiëren wat "aangrenzend" betekent.
• Retailer-specifieke prijselasticiteit - verschillende accounts reageren anders op dezelfde promotionele mechanic. Dit vereist voldoende transactiegeschiedenis op account/SKU-niveau om elasticiteit statistisch betrouwbaar te schatten - typisch 50+ promotionele events per account per categorie.
• Forward buy-detectie - identificeren wanneer promotioneel volume werkelijke consumentenafname vertegenwoordigt versus retailer-voorraadinkoopgedrag. Dit vereist sell-out data, niet alleen sell-in, en consistente retailer-rapportagestandaarden.

Elk van deze features faalt elegant wanneer masterdata inconsistent is. Het model traint, produceert voorspellingen en doorstaat validatiechecks - maar de voorspellingen zijn subtiel onjuist op manieren die pas naar voren komen bij post-event analyse, maanden nadat de promotie-investering al is gedaan.

Waarom de organisatie-inrichting een technisch probleem is

De gebruikelijke framing is dat slechte datakwaliteit een procesprobleem is - een kwestie van training, verantwoordelijkheid en werkwijzen. Die framing is onvolledig. In de context van AI-verbeterd TPM is slechte datakwaliteit een modelnauwheidsprobleem met directe financiële consequenties.

Sales-organisaties zijn typisch gestructureerd rond accountmanagementprofielen: resultaatgericht, commercieel gedreven, sterk in klantrelaties. Het bijhouden van conditierecords, het beheren van producthiërarchieën, het afstemmen van geplande versus werkelijke promotionele condities - deze taken vereisen een andere cognitieve oriëntatie. Ze vereisen iemand die dataconsistentie als deliverable behandelt, niet als overhead.

De praktische implicatie voor AI-implementatie is concreet: als de mensen verantwoordelijk voor systeeminvoer elke 18 maanden van baan wisselen, shortcuts nemen aan het einde van het kwartaal, of geen prikkel hebben om conditierecords retroactief te corrigeren, degradeert de trainingsdata voor het liftmodel continu. De nauwkeurigheid van het model erodeert stilletjes. Post-event ROI valt tegen. De AI-aanbeveling krijgt de schuld. De echte oorzaak is de datapijplijn stroomopwaarts.

De implementatievolgorde die werkt

Op basis van implementaties bij FMCG-organisaties is dit de volgorde die consistent resultaat oplevert:

• Audit eerst de masterdata - voer voordat je een TPO-platform selecteert een volledigheids- en consistentieaudit uit op producthiërarchieën, klanthiërarchieën en historische conditierecords. Kwantificeer de hiaten. Deze stap is niet glamoureus en kost twee tot vier weken. Hij bepaalt ook of je AI-investering rendement oplevert.
• Wijs data-eigenaarschap expliciet toe - een dedicated data-analist of trade analyst-rol, met masterdatabeheer als primaire KPI. Niet de accountmanager. Niet een gedeelde verantwoordelijkheid. Één eigenaar per datadomein.
• Stel realisatie-afstemming in als een sluitingsproces - aan het einde van de maand worden geplande promotionele condities afgestemd tegen werkelijke deductions uit klantfinanciën. Deze afstemming voedt direct de trainingsdata van het model voor de volgende cyclus.
• Begin met beschrijvend vóór voorspellend - een schone Power BI-weergave die werkelijke versus geplande promotionele prestaties toont op SKU/retailer-niveau is waardevoller dan een slecht gekalibreerd liftmodel. Bouw vertrouwen in de datalaag voordat je de AI-laag erbovenop zet.
• Automatiseer daarna - zodra de datafundamenten stabiel zijn en de beschrijvende laag vertrouwd wordt, is de stap naar AI-gedreven optimalisatie rechttoe rechtaan. De modellen hebben schone trainingsdata. De voorspellingen zijn nauwkeurig. Het vliegwiel draait: betere voorspellingen verbeteren de planning, betere planning verbetert de uitvoeringsdata, betere uitvoeringsdata verbetert de volgende voorspellingscyclus.

De kans wanneer het wél werkt

Wanneer de datafundamenten op orde zijn, levert de AI-laag in TPM en RGM meetbaar resultaat. ML-gebaseerde liftmodellen met schone trainingsdata verbeteren promotie-ROI consistent met 10-15% ten opzichte van rule-based planning (TPO-platform benchmarks, 2025). Real-time optimalisatie in agentische RGM-systemen kan trade spend-verspilling verminderen door onderperformende promoties te identificeren tijdens uitvoering in plaats van erna.

Het percentage van 60% is geen plafond. Het is de huidige kosten van het inzetten van capabele AI op een gebroken datafundament. Fix het fundament, en het getal beweegt.