--- title: "Klassieke ML verslaat een LLM nog steeds bij vraagprognoses" url: "https://hurukan.com/nl/blog/klassieke-ml-verslaat-llms-bij-prognoses" description: "Een chatmodel vragen hoeveel u moet bestellen levert een vloeiend getal op, geen prognose. Vraagvoorspelling is werk voor klassieke modellen en een backtest." --- # Klassieke ML verslaat een LLM nog steeds bij vraagprognoses 30 juni 2026·4 min leestijd·Redactie Een planner van opzij gezien in een licht kantoor met uitzicht op hoge magazijnstellingen, een monitor met een abstracte blauwe lijngrafiek met een gearceerde band, een geprinte spreadsheet en een pen op het bureau Een inkoper plakt een jaar aan maandverkopen van één product in een chatassistent en vraagt hoeveel stuks hij voor het volgende kwartaal moet bestellen. Het antwoord is één zelfverzekerd getal met een redelijke toelichting: er is wat seizoensinvloed, een lichte stijgende trend, en er is een veiligheidsmarge bij opgeteld. De inkoper plaatst de bestelling. Het getal kan best in de buurt zitten. Dat is het probleem niet. Het probleem is dat niemand weet hoe dicht het er waarschijnlijk bij zit, omdat er niets aan te meten valt. Er is geen overzicht van hoe deze methode vorig jaar zou hebben gepresteerd, geen foutmarge, en geen kennis van de actie die volgende maand gepland staat, de drie weken dat het artikel niet op voorraad was, of de nieuwe levertijd van de leverancier. Vraagvoorspelling is een statistisch probleem over getallen in de tijd, met een bekende structuur: trend, seizoen, acties, prijswijzigingen, en voorraadtekorten die de echte vraag verbergen. Klassieke methoden zijn voor die structuur gebouwd. Exponentiële afvlakking, ARIMA-achtige modellen en gradient-boosted trees op goed gekozen kenmerken zijn goedkoop in gebruik, en vooral: hun fout is op historische data te meten voordat iemand erop vertrouwt. Een taalmodel voor algemeen gebruik genereert waarschijnlijke tekst. Een getal in die tekst komt zonder foutmarge en zonder backtest. ## Waar het misgaat als u een chatmodel vraagt **Geen backtest.** U weet niet hoe ver de methode op de data van vorig jaar zou zijn misgezeten, dus u kunt haar nergens mee vergelijken, ook niet met helemaal niets slims doen. **Verkoop is geen vraag.** Toen het schap leeg was, was de verkoop nul, en de vraag niet. Een model dat ruwe verkoophistorie leest, leert gemiste vraag aan als lage vraag. Prognosepijplijnen behandelen voorraadtekorten expliciet; een geplakte tabel doet dat niet. **Wat in een prompt past, is niet de historie.** Een echt assortiment telt veel artikelen op veel locaties, met een hiërarchie van categorieën die patronen delen. Dat past niet in een gesprek, dus het model voorspelt elk artikel los van de rest, op basis van het weinige dat het te zien kreeg. **Elke keer een ander antwoord.** Taalmodellen trekken hun uitvoer uit een kansverdeling. Vraag het twee keer en u krijgt mogelijk twee getallen, zonder principiële manier om ertussen te kiezen. **Toelichtingen die goed klinken.** Het model noemt seizoensinvloed, of de data die nu bevatten of niet, omdat prognoses meestal seizoensinvloed noemen. De toelichting is een stijl, geen analyse. **Kosten en snelheid op schaal.** Elk artikel elke week door een groot model halen kost veel meer dan een klassiek model dat probleemloos op gewone hardware draait. ## Waar elk soort model thuishoort **Klassieke modellen leveren de getallen.** Begin met naïeve basislijnen: dezelfde periode vorig jaar, en het gemiddelde van de afgelopen periodes. Probeer daarna exponentiële afvlakking en een gradient-boosted model met kenmerken voor prijs, acties, kalender en voorraadtekorten. Houd het model aan dat de basislijnen in een backtest verslaat, en blijf het meten. **Het taalmodel verzamelt en legt uit.** Het leest de e-mail van de leverancier over een langere levertijd en maakt er een parameter van. Het zet het actieplan van verkoop om in kenmerken die de prognose kan gebruiken. Het legt een prognose in gewone taal uit aan de inkoper en stelt de inkooporder op ter goedkeuring. Daar zijn taalmodellen sterk, zoals beschreven in [waar taalmodellen hun geld waard zijn](https://hurukan.com/nl/blog/waar-taalmodellen-hun-geld-waard-zijn). **Foundation-modellen voor tijdreeksen zijn een aparte categorie.** Modellen die specifiek op tijdreeksen zijn voorgetraind, zijn geen chatassistenten, en sommige zijn het testen waard. Behandel ze als elke andere kandidaat: dezelfde basislijn, dezelfde backtest, en houd ze alleen aan als ze op uw data winnen. **Een mens beslist over de bestelling.** De prognose, de onzekerheid ervan en de randvoorwaarden (minimale bestelhoeveelheid, houdbaarheid, budget) worden een voorgestelde inkooporder. Iemand die er verantwoordelijk voor is, keurt hem goed. Rond die keten zijn de modules van Hurukan ontworpen. Voorraad, reserveringen en tellingen in [Voorraad en logistiek](https://hurukan.com/nl/modules/voorraad-en-logistiek) leveren de historie en de voorraadtekorten; [Inkoop](https://hurukan.com/nl/modules/inkoop) maakt van een prognose een voorgestelde inkooporder die op goedkeuring wacht. De laag [Superintelligentie](https://hurukan.com/nl/system/superintelligentie) stuurt elke taak naar het juiste soort model: een taalmodel om te lezen en op te stellen, een prognosemodel voor de getallen. Het is in ontwikkeling. Een prognosemodel van dit type is ook een goed voorbeeld van een model dat op eigen hardware kan draaien, zoals besproken in [kleine modellen op eigen hardware](https://hurukan.com/nl/blog/kleine-modellen-op-eigen-hardware). ## Een test die u vandaag kunt doen Neem één product met minstens twee jaar historie. Houd de meest recente drie maanden achter en doe alsof u die niet kent. Voorspel die drie maanden op drie manieren, alleen met de data van vóór de achtergehouden periode: 1. Dezelfde drie maanden van het jaar ervoor. 2. Het gemiddelde van de drie maanden direct vóór de achtergehouden periode. 3. Uw huidige methode, of dat nu een planningstool, een spreadsheet of een chatassistent is. Vergelijk elke prognose met wat er werkelijk gebeurde, aan de hand van de gemiddelde absolute fout per maand. Verslaat uw huidige methode niet beide naïeve basislijnen, dan helpt geen enkele modelupgrade voordat dat begrepen is. Wat er ook wint, u hebt nu een getal voor hoe ver het er doorgaans naast zit, en dat getal maakt een prognose bruikbaar: het vertelt u hoeveel veiligheidsvoorraad u moet aanhouden en hoeveel vertrouwen het volgende cijfer verdient. - vraagvoorspelling - machine learning - backtesting - inkoop ## Lees verder - [Een identiteit voor mensen en agents: wie wat mag doen](https://hurukan.com/nl/blog/een-identiteit-voor-mensen-en-agents) - [De actuele toestand en het register: twee geheugens van een bedrijfsbesturingssysteem](https://hurukan.com/nl/blog/de-actuele-toestand-en-het-register-twee-geheugens)