Het product ligt in het magazijn. Het staat in het systeem. Het staat niet in het schap. En 30% van je klanten is zojuist de deur uitgelopen.
Lege schappen kosten de wereldwijde retailsector naar schatting 634 miljard dollar aan gederfde omzet per jaar, en de totale voorraadverstoring loopt op tot 1,1 biljoen dollar. Het gemiddelde percentage lege schappen op het verkooppunt ligt rond de 8%, en 91% van de shoppers die een leeg schap aantreffen wacht niet op aanvulling, ze gaan naar een concurrent. AI-fotoaudits detecteren lege schappen in seconden in plaats van uren en vangen problemen op die handmatige rondes en ERP-systemen stelselmatig missen.
Waarom handmatige schap-audits tekortschieten
De meeste retailers controleren schappen nog steeds met een eenvoudig proces: een regiomanager of winkelmedewerker loopt elk gangpad af, inspecteert de schappen visueel en noteert wat er leeg uitziet. De gemiddelde winkel krijgt 1 tot 3 schaprondjes per dag, met tussenpozen van 3 uur. Tijdens die tussenpozen stapelen lege schappen zich onopgemerkt op.
Handmatige audits detecteren onder ideale omstandigheden 60 tot 70% van de gevallen van lege schappen. De rest blijft onopgemerkt: producten die naar achteren in het schap zijn geschoven, enkele eenheden die van een afstand vol lijken, of producten die in het verkeerde gangpad zijn geplaatst. Menselijke controleurs zijn snel in het herkennen van volledig lege facings, maar zwak in het detecteren van gedeeltelijke tekorten en planogramschendingen.
Dan is er fantoomvoorraad, het stille probleem. Fantoomvoorraad is voorraad die het systeem als beschikbaar aangeeft maar die in werkelijkheid niet in het schap staat. Het kan in het magazijn liggen, verkeerd geplaatst zijn in een ander gangpad, of simpelweg verkeerd geteld zijn. Onderzoek wijst uit dat fantoomvoorraad tot 80% van de gevallen van lege schappen kan veroorzaken, en gemiddelde voorraadregistraties zijn slechts ongeveer 60% nauwkeurig. Geen enkele handmatige schapronde lost een probleem op dat in de data leeft.
Hoe fotogebaseerde schap-audits werken
De workflow is eenvoudig: een winkelmedewerker richt de telefoon op een schapsectie en maakt een foto. De AI verwerkt het beeld, identificeert individuele producten, markeert lege facings en controleert de naleving ten opzichte van de geplande schapindeling (het planogram). Resultaten verschijnen binnen seconden.
Een planogram-nalevingssysteem dat in meer dan 7.000 winkels in Taiwan is ingezet, behaalde een precisie van 99,23% en een recall van 98,93% voor schapdetectie, met productdetectie die een precisie van 94,61% en een recall van 93,02% bereikte. Dat is een aanzienlijke verbetering ten opzichte van het detectiepercentage van 60 tot 70% bij handmatige audits.
Edge AI-camera's gaan nog een stap verder door detectie direct op het apparaat uit te voeren in minder dan 100 milliseconden, waardoor het uploaden van afbeeldingen naar een cloudserver overbodig wordt. Gemonteerd boven schapsecties bieden deze camera's continue monitoring in plaats van periodieke momentopnamen, en signaleren lege schappen op het moment dat ze ontstaan.
Wat AI detecteert en mensen missen
Een enkele eenheid op een schapfacing ziet er prima uit op 3 meter afstand. AI telt exacte hoeveelheden en markeert facings onder de drempelwaarde.
Producten op de verkeerde plek geplaatst, waardoor het juiste artikel niet kan worden aangevuld. AI vergelijkt elke facing met de geplande indeling.
Het systeem toont 24 eenheden op voorraad, maar het schap heeft er 3. AI levert de werkelijke waarheid vanaf het fysieke schap en brengt data aan het licht die ERP-systemen niet kunnen zien.
Verkeerde prijslabels of ontbrekende etiketten die het vertrouwen van de shopper ondermijnen. AI signaleert inconsistenties tijdens dezelfde schapscan.
De ROI van snellere detectie
Snelheid is waar de berekening verandert. Traditionele schaprondjes duren uren om een hele winkel te bestrijken, en tegen de tijd dat een leeg schap is gedocumenteerd, gerapporteerd en aangepakt, zijn de klanten al vertrokken. AI verkort die cyclus van detectie tot actie van uren naar seconden.
De financiele impact is direct. Studies tonen aan dat het verbeteren van de schapbeschikbaarheid met slechts enkele procentpunten zich vertaalt in meetbare omzetwinst. Een middelgrote supermarktketen met 200 winkels die slechts 2% van de verloren omzet terugwint door betere detectie van lege schappen, voegt miljoenen toe aan de jaaromzet, zonder een enkel nieuw product te verkopen.
De gedragsdata zijn even overtuigend: 43% van de shoppers die een leeg schap tegenkomen stapt over naar een concurrerend merk, 20% laat de hele winkelwagen achter, en 9% stapt permanent over naar een andere retailer na een enkel geval van een leeg schap. Elk uur dat een schap leeg blijft vergroot het verlies.
Aan de slag met foto-schap-audits
- Begin met waardevolle categorieen: richt AI-audits eerst op de bestverkochte of hoogste-marge schappen
- Gebruik een consistente fotohoek: recht van voren, goed verlicht, de volledige schapsectie vastleggend
- Vergelijk met planogrammen: upload je geplande indeling zodat AI afwijkingen kan signaleren, niet alleen lege facings
- Volg trends in de tijd: dagelijkse fotoaudits bouwen een dataset op die terugkerende problemen en systemische hiaten onthult
- Integreer met aanvulling: koppel waarschuwingen voor lege schappen aan magazijnworkflows zodat de oplossing de melding volgt
De conclusie
Schap-audits zijn al tientallen jaren een klembordklus geweest omdat er geen schaalbaar alternatief was. Fotogebaseerde AI verandert die vergelijking: 95 tot 99% detectienauwkeurigheid, resultaten in seconden, en het vermogen om fantoomvoorraad te detecteren die geen enkele handmatige ronde of ERP-rapport ooit aan het licht zal brengen.
De volgende keer dat een regiomanager een winkel bezoekt en zich afvraagt waarom een bestseller niet in het schap staat, zou het antwoord al op zijn telefoon moeten staan.