Aantal keren bekeken: 0 Auteur: Site-editor Publicatietijd: 10-09-2026 Herkomst: Locatie
Beslissen hoeveel kledingstukken er geproduceerd moeten worden, is een van de belangrijkste beslissingen die een kledingmerk neemt.
Bestel er te weinig, en populaire producten kunnen uitverkocht zijn voordat de volgende zending arriveert. Als u er te veel bestelt, kan het merk achterblijven met overtollige voorraad, prijsverlagingen en geld dat vastzit in onverkochte producten.
Om deze reden moeten productiehoeveelheden gebaseerd zijn op meer dan de verkopen van vorig jaar of de intuïtie van een koper.
Een praktisch kledingvoorspellingsproces kijkt naar de werkelijke vraag, voorraadbeschikbaarheid, seizoensinvloeden, promoties, doorlooptijd, veiligheidsvoorraad, maatverdeling en beschikbaar budget.
Het doel is om in te schatten hoeveel klanten waarschijnlijk zullen kopen in de periode dat de nieuwe voorraad beschikbaar zal zijn, en vervolgens te bepalen hoeveel voorraad het merk nodig heeft om aan die vraag te voldoen.
Voor een OEM-kledingfabrikant wordt deze prognose uiteindelijk een productieorder, opgesplitst naar stijl, kleur en maat.
In eerste instantie lijkt voorspellen eenvoudig.
Als een merk vorig jaar 1.000 stuks van een stijl verkocht, zou het dit jaar nog eens 1.000 stuks kunnen bestellen.
Het probleem is dat historische verkopen niet altijd de werkelijke vraag van de klant vertegenwoordigen.
Stel je voor dat een T-shirt 100 stuks per week verkoopt. Na vier weken is de maat Medium uitverkocht. Klanten blijven zoeken naar Medium, maar het merk kan niet verkopen wat het niet meer heeft.
Uit het verkooprecord zou kunnen blijken dat de vraag na de vierde week daalde.
In werkelijkheid was het product niet meer beschikbaar.
Het aangeleverde onderzoek omschrijft dit als vraagcensuur . Wanneer een product niet op voorraad is, kan de waargenomen omzet tot nul dalen, ook al willen klanten het misschien nog wel kopen. Als u deze ruwe cijfers rechtstreeks gebruikt, kunt u toekomstige productiehoeveelheden onderschatten.
Dit creëert een gevaarlijke cyclus:
Populair product → uitverkocht → verkoopgegevens lijken zwakker → volgende bestelling is te klein → product is opnieuw uitverkocht
Ondertussen kunnen langzaam bewegende producten op voorraad blijven en verkoopgegevens blijven genereren.
Goede forecasting begint daarom met de vraag:
Wat wilden klanten eigenlijk kopen toen het product beschikbaar was?
De eerste stap is het verzamelen van historische verkoopgegevens voor de stijl, kleur en maat die wordt voorspeld.
Nuttige informatie kan zijn:
Eenheden verkocht
Datums verkopen
Inventaris beschikbaar
Stockout-periodes
Prijswijzigingen
Promoties
Productlanceringen
Seizoensgebonden periodes
Verkoop per maat
Verkoop per kanaal
Hoe gedetailleerder de gegevens, hoe nuttiger de voorspelling kan worden.
Een merk met meerdere jaren verkoopgeschiedenis kan terugkerende patronen gemakkelijker identificeren dan een merk met slechts een paar maanden aan gegevens.
Meer data betekent echter niet automatisch betere prognoses.
De gegevens moeten correct worden geïnterpreteerd.
Stel dat een merk een uitverkoopperiode van 30 dagen heeft.
Het product was 20 dagen verkrijgbaar en er werden 400 stuks van verkocht.
Als het merk eenvoudigweg berekent:
400 ÷ 30 = 13,3 stuks per dag
er wordt van uitgegaan dat het product gedurende de hele periode in dat tempo had kunnen verkopen.
Als het product echter 10 dagen niet beschikbaar was, was het waargenomen verkooppercentage tijdens de beschikbare periode:
400 ÷ 20 = 20 stuks per beschikbare dag
Het tweede cijfer kan een beter uitgangspunt bieden voor het schatten van de vraag.
Het onderzoek beveelt aan om het werkelijke verkooppercentage te berekenen op basis van de periode waarin de SKU daadwerkelijk beschikbaar was, in plaats van periodes waarin de voorraad niet op voorraad is, als nulvraag te beschouwen.
Dit proces wordt vaak vraagonbeperkend genoemd.
Het basisidee is eenvoudig:
Als klanten het product niet konden kopen, mogen die dagen niet automatisch worden geïnterpreteerd als dagen waarop klanten het niet wilden.
Zodra de historische verkopen zijn opgeschoond, heeft het merk een basisvoorspelling nodig.
De basislijn is een schatting van de normale vraag voordat speciale evenementen zoals grote promoties of ongebruikelijke pieken worden toegevoegd.
Verschillende producten kunnen verschillende prognosemethoden vereisen.
Voor een basisproduct met een relatief stabiele vraag kan een voortschrijdend gemiddelde een bruikbaar uitgangspunt bieden.
Voor een eenvoudig zwart T-shirt dat het hele jaar door consistent wordt verkocht, is bijvoorbeeld geen uitgebreid voorspellingssysteem nodig.
Het merk kan de recente verkopen onderzoeken en een representatief gemiddelde vaststellen.
Als de omzet voortdurend is gestegen of gedaald, moet in de prognose rekening worden gehouden met die trend.
Als een kernondergoedstijl bijvoorbeeld de afgelopen seizoenen gestaag is gegroeid, kan het eenvoudigweg gebruiken van een oud gemiddelde de toekomstige vraag onderschatten.
Lineaire trendmodellen kunnen voor dit soort situaties nuttig zijn.
Sommige producten volgen voorspelbare seizoenspatronen.
Badkleding, winterondergoed, thermische kleding en andere seizoensproducten kunnen het hele jaar door zeer verschillende verkooppatronen hebben.
De prognose moet daarom onderscheid maken tussen:
Normale groei of achteruitgang
En
Terugkerende seizoensvraag
Het onderzoek identificeert exponentiële afvlakkings- en ETS-modellen als bruikbare voorspellingsbenaderingen, omdat ze rekening kunnen houden met fouten, trends en seizoensinvloeden.
Voor de meeste kleinere merken is het begrijpen van het principe belangrijker dan het kiezen van een ingewikkeld voorspellingsalgoritme.
Een grote uitverkoop kan ervoor zorgen dat een product veel populairder lijkt dan het normaal is.
Stel je voor dat een merk gewoonlijk 100 stuks van een stijl per week verkoopt.
Tijdens een kortingsactie van 30% worden er 250 stuks verkocht.
Het gebruik van 250 als het nieuwe normaal zou een zeer agressieve productievoorspelling opleveren.
Hetzelfde probleem kan optreden bij:
Flash-verkopen
Influencer-campagnes
Grote reclamecampagnes
Vakantiepromoties
Lancering van nieuwe producten
Tijdelijke prijsverlagingen
Het onderzoek beveelt aan om de promotietoename te scheiden van de onderliggende basisvraag en vervolgens, indien nodig, de geplande promotionele effecten weer toe te voegen aan de toekomstige voorspelling.
Bijvoorbeeld:
Normale vraag: 100 eenheden/week
Verwachte promotiestijging: +40%
Voorspelling tijdens promotie: ongeveer 140 eenheden/week
De exacte stijging moet waar mogelijk uit de eigen historische gegevens van het merk komen.
De vraag naar kleding is sterk verbonden met de tijd van het jaar.
De klantvraag kan veranderen vanwege:
Temperatuur
Klimaat
Vakantie
Terug naar school periodes
Reisseizoenen
Promotionele kalenders
Modeseizoenen
Een merk moet daarom vergelijkbare periodes vergelijken bij het maken van een prognose.
Als u bijvoorbeeld de verkopen in december gebruikt om de vraag in juli naar een seizoensproduct te voorspellen, zou dit een zeer misleidend resultaat kunnen opleveren.
Het merk zou moeten vragen:
Wat verkocht dit product, of vergelijkbare producten, in hetzelfde seizoen in voorgaande jaren?
Seizoensgebondenheid wordt vooral belangrijk als de productietijden lang zijn.
Als een fabriek meerdere maanden nodig heeft om een bestelling op maat te produceren en te verzenden, moet het merk de vraag goed voorspellen voordat het daadwerkelijke verkoopseizoen begint.
Een nieuwe stijl creëert een voorspellingsprobleem omdat er geen directe verkoopgeschiedenis is.
Een merk kan de omzet van vorig jaar niet berekenen voor een product dat vorig jaar niet bestond.
Het onderzoek beveelt aan om op attributen gebaseerde clustering en het in kaart brengen van soortgelijke items te gebruiken voor nieuwe producten. In plaats van een getal uit het niets te raden, kunnen planners het nieuwe product vergelijken met bestaande producten die belangrijke kenmerken gemeen hebben.
Relevante kenmerken kunnen zijn:
Productcategorie
Silhouet
Stoffen constructie
Gewicht van de stof
Prijs
Doelmarge
Kleur
Patrooncomplexiteit
Stel bijvoorbeeld dat een merk een nieuwe 280 GSM French Terry hoodie lanceert.
Het kan naar eerdere hoodies kijken met soortgelijke:
Gewicht van de stof
Bouw
Prijs
Doelklant
Fit
Kleur positionering
Deze producten kunnen een nuttiger uitgangspunt bieden dan simpelweg het kiezen van een willekeurige hoeveelheid.
Nieuwe producten bevatten meer onzekerheid dan gevestigde producten.
Een merk kan daarom denken aan:
Kleinere initiële productie
Voorbestellingen
Vroege klantinteresse
Historische prestaties van vergelijkbare producten
Flexibele aanvulling
Kortere productiecycli waar beschikbaar
Dit kan het risico verkleinen dat er te veel voorraad wordt vastgelegd voordat de daadwerkelijke vraag duidelijk wordt.
Het voorspellen van de vraag is slechts de helft van het probleem.
Een merk moet ook weten hoe lang het duurt om de voorraad te vervangen.
Stel dat een merk 500 stuks per maand verwacht te verkopen.
Als het aanvullen twee weken duurt, heeft het merk één voorraadprobleem.
Als het aanvullen vier maanden duurt, heeft het merk een heel ander probleem.
Het onderzoek benadrukt dat de productietijd in de fabriek niet mag worden beschouwd als de gehele doorlooptijd van de toeleveringsketen. De totale doorlooptijd kan de inkoop van materialen, bemonstering en goedkeuringen, bulkproductie, transport, douane en inkomende verwerking omvatten.
Een vereenvoudigde kledingtoeleveringsketen ziet er als volgt uit:
Materiaal aanschaf
↓
Bemonstering en goedkeuringen
↓
Bulkproductie
↓
Vervoer
↓
Douane- en inkomende afhandeling
↓
Beschikbaarheid van magazijnen
Het merk moet de voorraadbehoeften gedurende deze hele periode voorspellen.
Dit is vooral belangrijk voor op maat gemaakte stoffen en aangepaste kleuren, waarbij de materiaalvoorbereiding veel tijd kan kosten.
Een voorspelling is nog steeds een schatting.
De daadwerkelijke vraag kan hoger zijn dan verwacht.
Ook kan de productie langer duren dan gepland.
De veiligheidsvoorraad biedt een buffer tegen deze onzekerheden.
Het onderzoek identificeert twee belangrijke bronnen van risico:
Variabiliteit van de vraag
Variabiliteit in de doorlooptijd
Stel bijvoorbeeld dat een merk verwacht 1000 stuks te verkopen gedurende de tijd die nodig is om de voorraad aan te vullen.
Als de vraag plotseling toeneemt of de productie wordt uitgesteld, zijn 1.000 stuks mogelijk niet genoeg.
Veiligheidsvoorraad biedt extra bescherming.
Een simpele regel als 'altijd 10% extra produceren' lijkt misschien handig.
Verschillende producten hebben echter verschillende risiconiveaus.
Een stabiel zwart T-shirt met een voorspelbare vraag het hele jaar door kan een andere buffer vereisen dan een seizoensgebonden modestijl waarvan de verkoop zeer onvoorspelbaar is.
Het onderzoek beveelt aan om verschillende voorspellings- en veiligheidsvoorraadstrategieën te gebruiken op basis van zowel het omzetbelang als de voorspelbaarheid van de vraag , met behulp van de ABC-XYZ-classificatie.
Het basisconcept is zelfs bruikbaar zonder de volledige statistische analyse uit te voeren:
Hoogwaardige + voorspelbare producten: bescherm de beschikbaarheid zorgvuldig.
Hoogwaardige + onvoorspelbare producten: houd de vraag nauwlettend in de gaten en pas snel aan.
Lage waarde + onvoorspelbare producten: vermijd te veel voorraad.
Hierdoor kunnen merken hun voorraadinvesteringen daar besteden waar dat het belangrijkst is.
Zodra een merk de verwachte vraag en veiligheidsvoorraad kent, kan het bepalen wanneer een nieuwe productieorder moet worden geplaatst.
Dit is het bestelpunt (ROP).
Conceptueel:
Bestelpunt = Verwachte vraag tijdens de doorlooptijd + Veiligheidsvoorraad
Als een merk bijvoorbeeld tijdens de aanvulperiode 1.500 eenheden verwacht te verkopen en nog eens 300 eenheden als veiligheidsbuffer wil:
ROP = 1.800 eenheden
Wanneer de beschikbare voorraadpositie dat niveau bereikt, zou het merk moeten overwegen om de volgende aanvulorder te starten.
Het onderzoek beschrijft het bestelpunt als de voorraaddrempel die een nieuwe inkooporder activeert, op basis van de verwachte vraag gedurende de totale doorlooptijd plus de veiligheidsvoorraad.
Het belangrijke punt is de timing.
Een merk moet niet wachten tot de voorraad nul bereikt voordat hij contact opneemt met de fabrikant als de fabrikant weken of maanden nodig heeft om het product aan te vullen.
De wetenschap dat een merk 5.000 stuks nodig heeft, vertelt de fabriek niet hoeveel stuks van elke maat ze moeten produceren.
De productieorder moet mogelijk het volgende zijn:
XS: 350
S: 900
M: 1.900
L: 1.300
XL: 550
De exacte verhouding is afhankelijk van het klantenbestand en de historische verkopen van het merk.
Dit wordt een maatcurve genoemd.
Het onderzoek wijst op een belangrijk probleem: de ruwe verkoopratio's kunnen vertekend raken als populaire maten vroegtijdig uitverkocht zijn.
Stel dat Medium herhaaldelijk uitverkocht is.
De historische verkopen vertegenwoordigen mogelijk het aantal Medium-eenheden dat het merk heeft weten te verkopen, in plaats van het gewenste aantal klanten.
Het merk moet daarom de vraag per maat analyseren in perioden waarin elke maat daadwerkelijk beschikbaar was.
Dit is vooral belangrijk voor ondergoed, omdat maat nauw verbonden is met pasvorm, comfort en klanttevredenheid.
Een productieprognose moet daarom twee afzonderlijke vragen beantwoorden:
Hoeveel totale stukken moeten we maken?
En
Hoe moeten die stukken over de maten worden verdeeld?
Een vraagvoorspelling kan een zeer grote productiebehoefte opleveren.
Het merk moet nog bepalen of het het zich kan veroorloven om die voorraad te produceren en aan te houden.
Dit is waar financiële planning het proces binnenkomt.
Het onderzoek beschrijft Open-to-Buy (OTB) als een financiële beperking die helpt om bottom-up SKU-prognoses in overeenstemming te brengen met de hoeveelheid voorraaduitgaven die het bedrijf kan ondersteunen.
Voor een kleiner kledingmerk kan het concept vereenvoudigd worden:
Maak een prognose van de voorraad die u nodig heeft en controleer vervolgens of uw beschikbare contanten en voorraadbudget dit kunnen ondersteunen.
Als de voorspelling aangeeft dat er 20.000 stuks moeten worden besteld, maar het bedrijf er veilig slechts 12.000 kan financieren, moet het merk prioriteiten stellen.
Het kan ervoor kiezen om:
Bescherm kernproducten
Verminder langzaam bewegende stijlen
Verminder de kleurdiepte
Lanceer minder SKU's
Gebruik kleinere initiële bestellingen
Vertraag producten met een lagere prioriteit
Plan later nog een productierun
Dit is waar prognoses een zakelijke beslissing worden in plaats van een puur wiskundige oefening.
Nadat de vraag, seizoensinvloeden, doorlooptijd, veiligheidsvoorraad, maatcurves en budget zijn beoordeeld, kan het merk zijn productievereisten bepalen.
Een vereenvoudigde workflow is:
Historische verkopen
↓
Verwijder stockout-vervorming
↓
Bouw een basisvraag op
↓
Pas aan voor seizoensinvloeden en geplande promoties
↓
Houd rekening met de doorlooptijd van productie en verzending
↓
Voeg de juiste veiligheidsvoorraad toe
↓
Bepaal het bestelpunt
↓
Maatcurve toepassen
↓
Controleer het voorraadbudget
↓
Productieorder uitgeven
Het onderzoek vat een soortgelijk planningsprotocol in zeven stappen samen, beginnend met een onbeperkte historische vraag en eindigend met een vergrendelde inkooporder die aan de fabrikant wordt verstrekt.
Vanuit het perspectief van de fabrikant moet een goede productieprognose uiteindelijk uitgroeien tot een duidelijke inkooporder.
De fabriek kan ontvangen:
Stijl
Kleur
Totale hoeveelheid
Uitsplitsing naar grootte
Materiaalspecificatie
Verpakkingsvereisten
Leveringsdatum
Verzendvereisten
Kwaliteitseisen
De kwaliteit van deze informatie heeft invloed op de productieplanning.
Een fabrikant kan bijvoorbeeld 10.000 stuks van een stijl produceren, maar het productieschema is nog steeds afhankelijk van de specifieke maat- en kleurspecificatie, beschikbaarheid van stoffen, versieringen, leveringstermijn en andere vereisten.
Dit is de reden waarom forecasting en productie nauw met elkaar verbonden zijn.
De vraagplanning van een merk bepaalt hoeveel het wil verkopen en wanneer.
De productieplanning van de fabrikant bepaalt hoe deze eis in fysieke kledingstukken kan worden omgezet.
Geen enkele voorspelling is perfect.
Het doel van voorspellen is om betere beslissingen te nemen onder onzekerheid.
Als de werkelijke vraag hoger is dan verwacht, kan het merk last krijgen van:
Stock-outs
Verloren omzet
Noodproductie
Versnelde verzending
Ontevredenheid van de klant
Als de vraag lager is dan verwacht, kan het merk te maken krijgen met:
Overtollige voorraad
Kortingen
Afwaarderingsverliezen
Magazijnkosten
Contant geld zit vast in onverkochte producten
De beste forecastingsystemen monitoren daarom continu de daadwerkelijke omzet.
De voorspelling zou moeten veranderen naarmate er nieuwe informatie beschikbaar komt.
Bijvoorbeeld:
Initiële prognose → werkelijke verkoop → bijgewerkte vraagraming → herzien productieplan
Dit is vooral handig voor modeproducten met een korte levenscyclus.
Stel je voor dat een ondergoedmerk een kernstijl heeft die het hele jaar door verkoopt.
Uit historische gegevens blijkt dat het product, na rekening te houden met voorraadtekorten, normaal gesproken ongeveer 800 stuks per maand verkoopt.
Het merk verwacht een seizoensstijging van ongeveer 20%.
Dat levert een verwachte vraag op van ongeveer:
800 × 1,20 = 960 stuks per maand
Het productie- en logistieke proces duurt drie maanden vanaf het plaatsen van de bestelling tot de beschikbaarheid van de voorraad.
Het merk moet daarom rekening houden met ongeveer:
960×3 = 2.880 stuks
Vervolgens voegt het een passende veiligheidsbuffer toe op basis van het vraag- en aanbodrisico.
Stel dat het merk besluit dat nog eens 320 stuks een passende planningsbuffer vormen.
De voorraadbehoefte wordt ongeveer:
2.880 + 320 = 3.200 stuks
De laatste stap is om die stukken te verdelen volgens de verwachte groottecurve.
Dit is een vereenvoudigd voorbeeld in plaats van een universele formule. Bij echte prognoses moet rekening worden gehouden met veranderingen in prijs, promoties, voorraadbeschikbaarheid, seizoensinvloeden, variabiliteit in de doorlooptijd en de levenscyclus van producten.
Het belangrijke punt is de volgorde:
Vraag → verkoopperiode → doorlooptijd → risicobuffer → omvangsverdeling → productiehoeveelheid
Een merk heeft geen geavanceerd AI-voorspellingssysteem nodig om zijn productieplanning te verbeteren.
Het kan beginnen met een betere datadiscipline.
Registreer wanneer elke stijl en maat niet meer beschikbaar is.
Anders kan een lage verkoop worden aangezien voor een lage vraag.
Registreer grote kortingen en campagnes, zodat ongebruikelijke verkooppieken niet automatisch de nieuwe basislijn worden.
Een totaal verkoopcijfer op stijlniveau kan belangrijke verschillen tussen maten verbergen.
Registreer hoe lang de daadwerkelijke bestellingen duren, van inkooporder tot magazijnontvangst.
Vergelijk na elke verkoopperiode de voorspelde vraag met de werkelijke resultaten.
Gebruik vergelijkbare producten en kenmerken als referenties in plaats van te doen alsof een nieuw product historische gegevens bevat.
Een voorspelling moet veranderen wanneer nieuwe informatie de verwachte vraag verandert.
Nadat de productiehoeveelheid is bepaald, heeft de fabrikant een duidelijke order nodig.
Voor een op maat gemaakt kledingproject omvat nuttige informatie:
Stijlnummer
Kleurstellingen
Totale hoeveelheid
Uitsplitsing naar grootte
Stofspecificatie
Trimvereisten
Verpakkingsvereisten
Kwaliteitsnormen
Gewenste leverdatum
Verzendbestemming
Een duidelijke productieorder verkleint de kans op misverstanden tussen merk en fabriek.
Het stelt de fabrikant ook in staat om de stof-, snij-, naaicapaciteit en andere productiemiddelen effectiever te plannen.
Voor een langdurige OEM-relatie kunnen ook historische productiegegevens nuttig zijn.
Werkelijke productiedoorlooptijden, materiaalverbruik, kwaliteitsproblemen en bestelhoeveelheden kunnen allemaal bijdragen aan het verbeteren van de toekomstige planning.
Er is geen enkel getal dat de juiste productiehoeveelheid kan garanderen.
Een sterke voorspelling combineert verschillende stukjes informatie.
Historische verkopen vertellen het merk wat er is gebeurd.
Stockout-analyse helpt de vraag bloot te leggen die verkoopgegevens mogelijk hebben gemist.
Seizoensgebondenheid en promoties verklaren ongebruikelijke veranderingen.
De doorlooptijd bepaalt hoe ver vooruit de voorraad moet worden gepland.
Veiligheidsvoorraad beschermt tegen onzekerheid.
Groottecurves zetten de totale vraag om in een praktische productie-uitsplitsing.
Budgetlimieten houden voorraadplannen financieel realistisch.
Samen creëren deze factoren een veel sterkere basis om te beslissen hoeveel kledingstukken er geproduceerd moeten worden.
Voor kledingmerken gaat de meest bruikbare verschuiving vaak van:
'De vorige keer hebben we er zoveel verkocht, dus laten we hetzelfde aantal bestellen.'
naar:
'Hoeveel hebben klanten eigenlijk gevraagd, hoe zal die vraag veranderen en hoeveel voorraad hebben we nodig om de tijd te dekken totdat we deze kunnen aanvullen?'
Die vraag leidt tot betere productiebeslissingen.
En voor een OEM-fabrikant creëert het een duidelijker verband tussen de klantvraag en het fysieke productieplan.
Een goede productieplanning begint al vóór de inkooporder. Hoe beter de vraagvoorspelling, hoe groter de kans dat de juiste producten, maten en aantallen beschikbaar zijn wanneer klanten deze willen.
