Wies Mensink is net terug uit New York, waar ze samen met 60.000 andere bezoekers de laatste retailtrends opsnoof tijdens het jaarlijkse event van de Amerikaanse National Retail Federation. Bijna onvermijdelijk stonden ook hier de mogelijkheden van agentic AI centraal. „Je kan het zo gek niet bedenken of er is nu ook een agent voor”, lacht de VP Data Science & Analytics van Albert Heijn.
Ze zag voorbeelden van agents die helpen bij het ontdekken van nieuwe producten en leveranciers, agents die ondersteunen bij onderhandelingen en agents die ervoor zorgen dat alle relevante data sneller bij elkaar komt en inzichtelijk wordt gemaakt. „Niet meer een dashboard om te delen, maar een oplossing die echt met je meedenkt en je next best action suggereert”, vertelt ze. „Ja, daar word ik wel blij van.”
Agentic AI en de transformatie naar foodtechbedrijf
Mensink had bij terugkomst dan ook een aardig lijstje suggesties voor haar eigen teams en Albert Heijns Tech Lab, de afdeling die in hoog tempo nieuwe datagedreven mogelijkheden test en waar relevant opschaalt. Het is een ‘erfenis’ van voormalig CEO Marit van Egmond, die de supermarktketen nadrukkelijk positioneerde als ‘foodtechbedrijf’: een organisatie waar liefde voor voedsel en technologie hand in hand gaan.
Zo groeide de AH-app uit tot het centrale kanaal met 5,5 miljoen maandelijkse gebruikers. Een databron van onschatbare waarde, weet Mensink, die twaalf jaar geleden als Manager Loyalty Concepts verantwoordelijk was voor de grote (her)lancering van de Bonuskaart. „We wilden klanten en hun voorkeuren beter leren kennen en daarop inspelen. Als je klanten aan je wilt binden, moet je bij alles wat je doet vragen: gaat dit het leven van onze klanten echt makkelijker maken?”
Zo’n 3,8 miljoen gebruikers van de AH-app hebben al toestemming gegeven om gepersonaliseerde aanbiedingen te ontvangen
Wies Mensink VP Data Science & Analytics
Hoe maak je het leven van miljoenen AH-klanten makkelijker met datagedreven inzichten?
„Dat kun je heel complex maken, maar uiteindelijk draait bij ons alles om één vraag: wat eten we vandaag? Bijna elke klant van Albert Heijn wil gezond en betaalbaar eten, met voldoende variatie en liefst zonder er te veel tijd aan te besteden. Die combinatie van wensen begrijpen we steeds beter en kunnen we dus ook steeds beter bedienen. Ook omdat we tegenwoordig bijna alles inhouse bouwen en niet afhankelijk zijn van externe leveranciers.”
Hyperpersonalisatie: van Bonusbox tot Scan & Kook
„We hebben daardoor snel toegang tot data en systemen en kunnen ons dus ook heel snel aanpassen. Dat zie je bijvoorbeeld aan de populariteit van onze Bonusbox. Zo’n 3,8 miljoen gebruikers van de AH-app hebben toestemming gegeven om gepersonaliseerde aanbiedingen te ontvangen. Dat kan op basis van je eigen aankoopgeschiedenis of op basis van lookalike-klanten die veel soortgelijke producten kopen, en mogelijk ook dingen waarvan jij nog niet wist hoe lekker ze waren.”
„Met onze AI-gestuurde chatbot Steijn van Albert Heijn gaan we nog een stap verder. Ik heb zelf bijvoorbeeld een gezin van vijf en weet hoe lastig het is om daarvoor te koken. Nu kun je Steijn vertellen dat je ene zoon vegetarisch is, een dochter een allergie heeft en je man niet van peulvruchten houdt. Steijn geeft je direct een selectie recepten en plaatst de ingrediënten desgewenst meteen in je mandje, zodat je direct kan bestellen.”
„Zo kijken we steeds verder in de aankoopreis van onze klanten. Hoe verloopt die, en wat kunnen we doen om die makkelijker te maken? Iedereen kijkt wel eens in zijn koelkast: heb je voldoende spullen voor een maaltijd? Met de Scan & Kook-functie in de Appie-app fotografeer je eenvoudig de inhoud van je koelkast en krijg je direct een aantal recepten waarmee je meteen aan de slag kunt. Zo maken we het leven van veel klanten steeds een stukje makkelijker.”
Maar als VP Data Science & Analytics is jouw focus nu meer verschoven naar de achterkant?
„Absoluut. Aan de voorkant is het programma een manier om data te verzamelen. Maar de echte waarde zit aan de achterkant. We hebben een snoepwinkel aan data: naast de data uit de Bonuskaart bijvoorbeeld ook de kassasystemen, distributie- en productdata, noem het maar op. Die enorme hoeveelheid data stelt ons in staat om ons bedrijf steeds slimmer te maken. Natuurlijk zijn de mogelijkheden voor klanten het meest zichtbaar. Maar voor mij zit de grootste kracht gewoon het verhogen van onze efficiëntie en productiviteit. Dat levert óók meerwaarde op voor de klant, maar maakt ook het leven van onze collega’s makkelijker.”
Data science aan de achterkant: miljarden voorspellingen
Een goed voorbeeld is de sterk toegenomen efficiëntie van onze demand forecasting: het voorspellen van de vraag, zodat we efficiënter kunnen bevoorraden. Met meer dan 1.250 winkels, 15 distributiecentra en 20.000 producten kun je 50 dagen vooruit met kleine aanpassingen al snel grote resultaten boeken. Om dat mogelijk te maken produceren onze algoritmes nu een miljard voorspellingen per dag. Die bestrijken de hele supply chain: wat moeten we bestellen, welke winkels moeten welke producten geleverd krijgen, welke producten blijven langer in de schappen liggen en hoe kunnen we dat beïnvloeden?
„Zo ontwikkelden we bijvoorbeeld een systeem om producten die hun houdbaarheidsdatum naderen via onze elektronische schaplabels automatisch steeds hogere kortingen te geven. Alleen dit Dynamic Markdown-systeem bespaart in 2025 al 500.000 kilo food waste. Bovendien hebben we al die initiatieven gebundeld in de ‘Laatste Kans Koopjes’ in de app. Klanten kunnen daar per winkel zien welke producten met hoge korting beschikbaar zijn.”
Wij optimaliseren onze zelfontwikkelde algoritmes continu op basis van data uit de eigen organisatie, en data van onze klanten
Wies Mensink VP Data Science & Analytics, Albert Heijn
Strijd tegen voedselverspilling: 5 miljoen kilo besparing
„Ook hier dus weer: meer operationele efficiëntie is ook goed voor de klant, en in dit geval ook de hele maatschappij. In totaal besparen we zo nu al zo’n 5 miljoen kilo food waste per jaar? Zo willen we de voedselverspilling in de hele keten halveren in 2030 ten opzichte van 2016. Wij optimaliseren onze zelfontwikkelde algoritmes continu op basis van data uit de eigen organisatie, en data van onze klanten. Dat is een hele interessante puzzel, waar je eigenlijk nooit klaar mee bent.”
Kun je een voorbeeld geven van de uitdagingen die je moet oplossen voor die puzzel?
„Niet alles laat zich voorspellen. De sneeuwstorm van afgelopen januari hadden onze modellen bijvoorbeeld niet zien aankomen. Dan evalueren we achteraf: hoe hadden we dat kunnen voorkomen en wat hadden we eraan moeten toevoegen? Soms moet je de bandbreedte wat breder zetten, soms juist smaller, en soms moet je accepteren dat iets niet te voorspellen is.”
Anticiperen op TikTok-trends en social media data
„Zo ontstond er laatst bijvoorbeeld een enorme socialmediahype rond het gebruik van flatbread in populaire recepten. Dat ging zo snel dat onze voorspelmodellen moeite hadden om daar op tijd op in te spelen. Hetzelfde zagen we bij de Dubai chocolate: TikTok-trends die zo snel gaan dat je ze mist als je alleen naar historische verkoopdata kijkt. Sindsdien gebruiken we daarom veel meer data over socialmediatrends in al onze voorspellingen.”
„Dan nog weet je niet precies hoe zo’n trend zich ontwikkelt, maar het is in ieder geval geen blinde vlek meer. We combineren dat met marktonderzoek en met wat we in het buitenland zien gebeuren. Die combinatie van signalen helpt ons om steeds beter te anticiperen. Soms zijn we ook weleens te vroeg. Zo introduceerden we vorig jaar bijvoorbeeld een pistache-paasbrood waar duidelijk nog niet iedereen aan toe was. Maar ook daar leren we weer van.”
Hoe selecteer jij uit die enorme hoeveelheid mogelijkheden de meest kansrijke datatoepassingen?
„Ik beoordeel alle mogelijkheden op de impact-effort-as. Wat kost het ons, hoe lang duurt het, hoeveel mensen moeten eraan werken en wat levert het uiteindelijk op? Binnen retail kun je je geld maar één keer uitgeven, dus moet je scherp kijken aan welke projecten je wel en niet werkt. Minstens zo belangrijk is dat je een organisatie bouwt die snel kan schakelen en begrijpt hoe belangrijk het is om doorlopend te blijven experimenteren.”
Opkomst van ‘Flash Teams’ vanuit Stanford University
„Dat kwam ook terug in het AI-driven leadership-programma dat ik onlangs volgde aan Stanford University. Een van de docenten was Stanford-professor Melissa Valentine. In haar boek Flash Teams beschrijft ze het werken met tijdelijke, projectspecifieke teams die je snel vormt rond een duidelijk gedefinieerde taak of uitkomst, meestal met een mix van interne mensen en externe specialisten.”
„Flash Teams zijn ontworpen om naadloos samen te werken met AI-technologie. AI helpt bij het vinden van de juiste mensen, het opdelen van werk, het coördineren van taken en het leren van eerdere projecten, zodat volgende teams sneller en slimmer kunnen worden opgezet. In plaats van vaste functies en hiërarchieën staat het werk zelf centraal: wat moet er gebeuren, welke skills zijn nodig en hoe combineer je die zo flexibel mogelijk in tijd en ruimte.”
„Dit sluit goed aan op onze werkwijze: begin klein, boek successen en ga dan door. Zet multidisciplinaire teams bij elkaar voor korte opdrachten met een heel duidelijke scope. Dat vraagt ander leiderschap. Het C-level moet helder schetsen waar we naartoe gaan. De belofte is vaak groot, maar om het behapbaar te maken voor de hele organisatie moet je die opknippen in kleine stukjes. En dat is ook weer een kunst op zich.”
Ontvang elke week - op maandag - het beste van BusinessWise in je mailbox. Schrijf je hier nu gratis in en maak kans op een Apple Watch!
