Assortimentsplanning voor webshops: breedte, diepte en data

Assortimentsplanning is het proces waarin je bepaalt welke producten je webshop voert, hoeveel keuze je biedt binnen elk producttype en hoeveel voorraad er achter elke optie staat, voor een bepaald seizoen en kanaal. Je stuurt op twee dimensies: breedte, het aantal categorieën of productlijnen, en diepte, de keuze binnen elke categorie (modellen, maten, kleuren, prijspunten). Een derde knop, het aantal stuks per optie, bepaalt of je plan de echte vraag overleeft.

Kort gezegd: je kijkt wat vorig seizoen verkocht, opleverde en terugkwam, je kiest waar je breder of dieper gaat, je koopt in, je zorgt dat de productdata klaar is voor de lancering en je leest de sell-through vroeg uit om bij te sturen. Wat de meeste uitleg overslaat: al die stappen draaien op productattributen. Als bij 30 van je regenjassen het gebruikstype ontbreekt, kun je niet zien of je te weinig wandeljassen hebt. Deze gids behandelt de keuzes, de data die je nodig hebt en een uitgewerkte gap-analyse. Het zit één niveau onder categoriemanagement, waar elke categorie een rol krijgt die bepaalt hoe breed en diep ze moet zijn. Voor het grotere plaatje van presentatie en plaatsing is er de gids over productmerchandising.

Breedte, diepte en stuks per optie: de drie knoppen

Neem een online hardloopwinkel. Breedte is de lijst producttypes: wegschoenen, trailschoenen, sokken, drinkrugzakken, hoofdlampen. Diepte is wat een klant binnen één type vindt: 14 modellen wegschoenen, elk in 8 tot 12 maten en twee of drie kleuren, verdeeld over drie prijsklassen. Stuks per optie is hoeveel paar je aanhoudt van het gedempte model in damesmaat 39.

Elke combinatie van breedte en diepte geeft een ander type winkel, met een eigen risico. De meeste webshops zijn geen zuivere vorm: ze gaan diep in hun kerncategorie en blijven ondiep aan de randen, waar een paar accessoires de bestelling afmaken.

Wat een eindeloze digitale schap verandert, en wat niet

Een fysieke winkel plant rond schapruimte. Een webshop heeft geen schaplimiet, en dat verleidt teams om producten toe te voegen omdat het kan. De beperking is niet weg, ze is verschoven. Elk nieuw model vraagt voorraadkapitaal (tenzij je dropshipt), fotografie, een titel, een omschrijving, ingevulde attributen, vertalingen per markt en een koppeling naar elk kanaal waar je het verkoopt.

Die datakosten worden vaak onderschat. In het rapport Staat van productdata van WISEPIM was het mediane attribuut in de mediane catalogus ingevuld bij 1,9% van de producten toen de catalogus binnenkwam. Een assortiment dat sneller groeit dan zijn data levert producten op die wel bestaan, maar niet te filteren, vergelijken of analyseren zijn.

Online verschillen nog twee dingen. Filters maken van attributen navigatie, dus diepte die niet als data is vastgelegd is onzichtbaar: wie filtert op "waterdicht, onder 400 g" ziet de jas niet waarvan het gewicht alleen in de omschrijving staat. En de long tail is online goedkoper om te voeren, waardoor het juist belangrijker wordt om te weten welke staartproducten hun plek verdienen.

Online verschilt je aanbod bovendien per kanaal en markt in plaats van per winkel. Op bol zet je misschien alleen je bestsellers, je zakelijke klanten krijgen de multipacks en een nieuw land start met een kleiner aanbod van producten waarvan de vertalingen en lokale veiligheidsinformatie klaar zijn. Plan die varianten als deelverzamelingen van één hoofdassortiment, gemarkeerd per kanaal en markt, in plaats van als losse lijsten die uit elkaar groeien.

Welke data je nodig hebt voor een assortimentsreview

Een review draait op een klein aantal cijfers per product, opgeteld per attribuutcel waarin je plant (bijvoorbeeld gebruikstype en prijsklasse). Vijf cijfers dragen het meeste gewicht:

• Sell-through rate. Het rapport Products by sell-through rate van Shopify deelt verkochte stuks door verkochte stuks plus stuks die nog op voorraad liggen. Het laat zien of de diepte paste bij de vraag. Vergelijk producten over dezelfde periode en lanceringsweek, anders lijken late binnenkomers mislukt.
• Brutomarge. Prijs min inkoopprijs, gedeeld door de prijs, na kortingen en liefst na verzendkosten. Een cel kan snel verkopen en toch geld kosten.
• Retourpercentage en retourredenen. Geretourneerde stuks gedeeld door verkochte stuks, uitgesplitst per reden. Een hoog percentage door "te klein" is een maat- of contentprobleem, geen assortimentsprobleem. De retourpercentage-calculator geeft de formule.
• Omloopsnelheid van de voorraad. Kostprijs van de omzet gedeeld door de gemiddelde voorraadwaarde: hoe snel het geld in een cel terugkomt. Seizoensproducten vertekenen jaargemiddelden, dus lees het per seizoen.
• Aandeel in de omzet. Welke producten de categorie dragen. De ABC-analyse van Shopify geeft varianten een cijfer op basis van hun omzetaandeel over de laatste 28 dagen en negeert volgens de helppagina de inkoopprijs, dus combineer hem met marge.

Naast prestaties heb je bewijs van vraag naar producten die je niet voert nodig, want verkoopdata beschrijft alleen wat je al hebt. Bruikbare bronnen: zoekopdrachten met vertoningen maar zonder passend product (het prestatierapport van Search Console toont ze), zoekopdrachten zonder resultaat in de zoekfunctie van je eigen webshop, vragen bij de klantenservice, assortimenten van concurrenten en bestsellerlijsten op bol.

Tot slot heb je attributen nodig. Elk cijfer hierboven wordt pas bruikbaar voor planning als je het kunt groeperen op de eigenschappen waarop klanten kiezen: gebruikstype, maatbereik, materiaal, pasvorm, inhoud, compatibiliteit, prijsklasse. Op dat groeperen lopen de meeste reviews vast.

Vaste, seizoens- en testartikelen: een rol voor elk model

Diepte is makkelijker te plannen als elk model in een categorie een rol heeft. Drie rollen dekken de meeste webshops. Vaste artikelen voer je het hele jaar en vul je aan: de zwarte merino onderlaag in elke maat, de best verkopende wegschoen. Ze hebben diepte in maten en stabiele voorraad nodig, en je beoordeelt ze op beschikbaarheid en marge. Seizoensartikelen koop je één keer per seizoen in en verkoop je uit: de jaskleuren van deze winter, een cadeauset voor de feestdagen. Je beoordeelt ze op sell-through voordat de afprijzingen beginnen. Testartikelen zijn kleine inkopen die een nieuwe cel aftasten: een eerste trailrunningjas, een nieuwe prijsklasse. Je beoordeelt ze op de vraag of er echt vraag blijkt te zijn, niet op winst.

De rollen veranderen hoe je de cijfers leest. Een vast artikel met 40% sell-through over een maand kan prima zijn, omdat je het bijbestelt; een seizoensmodel met hetzelfde cijfer zes weken voor het einde van het seizoen is een kandidaat om af te prijzen. Leg de rol vast als productattribuut (een keuzeveld zoals assortment_role met de waarden vast, seizoen en test), zodat rapporten erop kunnen filteren en een geslaagde test in het volgende plan doorschuift naar vast in plaats van vergeten te worden.

Een seizoenscyclus van review tot uitfasering

Seizoensassortimenten (buitenkleding, tuin, cadeaus, schoolspullen) volgen een cyclus die lang voor de lancering begint. Levertijden verschillen per categorie en leverancier, dus zie de maanden hieronder als voorbeeld voor een herfst- en wintercollectie van Europese leveranciers. Categorieën uit Azië plannen vaak verder vooruit.

De stap die het vaakst uitloopt is de datastap. Komt de leveranciersdata pas met de goederen binnen, dan gaat de collectie te laat of te mager live, en meet je eerste sell-through net zo goed ontbrekende content als vraag.

Gaten in je assortiment vinden per attribuut: een rekenvoorbeeld

Een gat in je assortiment is een combinatie van attributen waar vraag naar is, terwijl je aanbod ontbreekt of te dun is. De methode hieronder werkt in een spreadsheet of BI-tool. De cijfers zijn een voorbeeld: een online outdoorwinkel die zijn categorie regenjassen met 48 modellen evalueert (geteld per model, niet per maat).

Stap 1: kies de attributen waarop klanten beslissen

Kies twee of drie attributen die echt verschillende behoeften scheiden. Voor regenjassen zijn dat gebruikstype (stad, wandelen, trailrunning) en prijsklasse (onder € 100, € 100 tot € 199, € 200 en hoger). Maatbereik en doelgroep komen daarna. Laat attributen weg die de keuze niet veranderen, zoals kleine kleurverschillen.

Stap 2: maak de waarden eenduidig voordat je telt

Tellen mislukt op rommelige waarden. "Wandelen", "hiking", "trekking" en "Outdoor/Wandel" moeten één waarde worden, en producten zonder waarde moeten als eigen groep zichtbaar blijven in plaats van stilletjes weg te vallen. Een vaste lijst toegestane waarden per attribuut voorkomt dat de rommel terugkomt; de gids over attribuutstandaardisatie beschrijft de regels.

Stap 3: tel producten en zet prestaties per cel

Verdeel de 48 modellen over cellen en zet de sell-through van het seizoen tot nu toe erbij. Eén extra rij telt net zo zwaar als de rest: de producten die je niet kunt plaatsen omdat het attribuut leeg is.

Stap 4: lees de cellen en controleer de lege

De tabel geeft drie lezingen. Wandeljassen in het middensegment zijn het duidelijkste gat: drie modellen, 71% sell-through en waarschijnlijk gemiste verkoop op uitverkochte maten. Dure wandeljassen zijn het omgekeerde: acht modellen die een bescheiden vraag verdelen, dus twee of drie kunnen eruit of naar een afprijsplan. De acht jassen zonder gebruikstype hebben eerst een waarde nodig voordat een conclusie veilig is; blijken het vooral wandeljassen, dan verandert het beeld.

Zoek daarna naar cellen zonder producten. Deze winkel verkoopt geen regenjassen voor kinderen. Verkoopdata kan dat gat niet laten zien, dus je hebt bewijs van buiten nodig: Search Console-zoekopdrachten zoals "regenjas kind" met vertoningen op de categoriepagina, klantvragen of een concurrent die daar diep zit. Eén zwak signaal is een test, geen nieuwe categorie.

Stap 5: vertaal de bevindingen naar het plan

Schrijf de uitkomst per cel op: twee wandelmodellen in het middensegment erbij met een volledige maatreeks voor dames, dure wandeljassen terug van acht naar vijf, trailrunning als kleine test met één model extra, en de ontbrekende gebruikstypes invullen voor de volgende review. Dat is de input voor de inkoop en voor de SKU-rationalisatie die bepaalt welke trage modellen het assortiment verlaten.

Vijf planningsfouten die in de productdata beginnen

1. Maatvarianten tellen als producten. Een jas in acht maten is één model met acht opties. Wie SKU's telt, blaast de diepte op en ziet niet dat een cel maar twee echte keuzes heeft.
2. Vrije tekst als attribuutwaarde. "Navy", "Marineblauw" en "donkerblauw" splitsen één kleur in drie cellen die elk te klein zijn om te lezen.
3. Attributen die in de omschrijving verstopt zitten. Gewicht, waterkolom en pasvorm staan vaak alleen in de tekst. Haal ze voor de review naar velden, niet erna.
4. Producten met verschillende lanceringsdata vergelijken. Een model dat in week zes binnenkwam, haalt nooit de sell-through van een model dat vanaf dag één verkocht. Vergelijk vanaf lancering, of over dezelfde weken.
5. Prijsbases door elkaar. Sommige prijzen zijn inclusief 21% btw, andere exclusief, weer andere zijn actieprijzen. Kies één basis (bijvoorbeeld de normale prijs inclusief btw) voor de prijsklassen.

Attribuutdata op orde houden voor je assortimentsreview

WISEPIM is geen tool voor merchandiseplanning of forecasting; het stelt geen budgetten, inkoopaantallen of open-to-buy vast. Het houdt de productdata compleet en consistent waarop je review groepeert. AI-verrijking haalt attributen zoals gebruikstype, materiaal of gewicht uit omschrijvingen en leveranciersbestanden, optiesets beperken elk attribuut tot toegestane waarden, en de pagina met attribuutwaarden toont elke gebruikte waarde zodat je dubbele kunt samenvoegen. Met gekoppelde orders laten de analytics voor categorieprestaties verkoop en datakwaliteit per categorie zien, en in attributen beheren leg je de cellen vast waarin je plant.