Stockouts worden vaak gezien als een operationsprobleem: te weinig stuks, leverancier te laat, reorder point verkeerd, iemand heeft de forecast niet bijgewerkt. Dat klopt, maar het is niet de hele commerciële schade. In multi-channel marketplace analytics is een stockout óók een datakwaliteitsprobleem. Zodra een product verdwijnt op Amazon.de, bol.com, Walmart of Shopify, beschrijft je dashboard vraag die klanten helemaal niet mochten kopen.
De fout die ik bij groeiende merkeigenaren vaak zie, noem ik out-of-stock dagen behandelen als dagen zonder vraag. Een SKU verkoopt drie weken lang 34 stuks per dag, raakt vijf dagen uit voorraad en het rapport toont vervolgens rustig vijf dagen zwakke sales. Het team verlaagt de forecast, snijdt advertentiebudget weg, vraagt zich af of het kanaal afkoelt en stuurt de volgende inkooporder te laat. Het dashboard loog niet precies. Het vergat alleen te zeggen: “we waren niet beschikbaar om de order aan te nemen.” Klein detail. Dure grap.
Mijn standpunt: elke multi-channel analytics setup heeft een lost-sales laag nodig. Niet alleen voorraadalerts. Niet alleen “dagen uit voorraad”. Maar een commerciële view die gemiste units, gemiste contributiemarge, herstelkosten voor ranking en kanaalverschuiving inschat wanneer voorraad ontbreekt of bewust wordt beperkt. Zonder die laag financier je winnaars te voorzichtig, vertrouw je kanalen die toevallig voorraad hadden te veel en laat je advertentie-algoritmes leren van kapotte beschikbaarheid.
Deze gids is geschreven voor merkeigenaren die verkopen via Amazon, bol.com, Shopify, Walmart, Mirakl-retailers, Otto, Kaufland of TikTok Shop, meestal vanaf ongeveer €1,5K maandelijkse ad spend of 1.000 orders per maand. Op dat niveau is voorraad geen backoffice-detail meer. Voorraad bepaalt welk kanaal vraag krijgt, welke campagne toestemming krijgt om te spenderen en welke SKU de volgende euro werkkapitaal verdient.
Wat bestaande adviezen goed doen
De huidige content over stockouts is nuttig, vooral rond Amazon. Jungle Scout legt uit dat digital shelf analytics moet kijken naar ranking, prijs, beschikbaarheid, reviews en seller performance, en benoemt terecht dat stockouts ranking kunnen schaden terwijl concurrenten de verkoop pakken. Helium 10 is praktisch over inventory management: stockouts kunnen sales verlagen, ranking beschadigen en ervoor zorgen dat ads minder vaak op waardevolle plekken verschijnen. Adbrew legt de advertentielink scherp uit: als een product uit voorraad raakt, kan PPC-performance instorten en kost herstel na aanvulling vaak extra spend.
Eva kijkt vooral naar planning: reorder points, safety stock, lead times, overstock voorkomen en exception management. MerchantSpring schrijft vanuit de marketplace-dashboardhoek en stelt dat sellers centrale metrics nodig hebben over sales, impressies, account health, inventory, orders en profitability, omdat elke marketplace data anders toont. SellerApp maakt in zijn multichannel retailing-uitleg hetzelfde punt: zonder centraal voorraadbeeld kun je op het ene kanaal stockouts hebben en op een ander kanaal overschot.
De basis is dus goed behandeld: stockouts veroorzaken gemiste sales, rankingrisico, teleurgestelde klanten, PPC-inefficiëntie en planningsstress. Prima. De lacune zit in wat er gebeurt ná de alert. Veel adviezen behandelen beschikbaarheid nog als operationele input: “voorkom dat je uitverkoopt.” Operators hebben de volgende laag nodig: “toen we tóch uitverkochten, hoeveel vraag hebben we onderdrukt, welk kanaal ving dat op en welke beslissing moet morgen veranderen?”
De ontbrekende invalshoek: onbeschikbare vraag is geen zwakke vraag
Een salesdashboard registreert meestal wat er is gebeurd. Stockout analytics moet inschatten wat er had kunnen gebeuren als het aanbod koopbaar was gebleven. Dat voelt minder netjes, omdat je niet meer alleen naar transacties kijkt. Je bouwt een onderbouwde tegenfeitelijke schatting.
Maar precies die schatting heeft een merkeigenaar nodig. Als Amazon.de gisteren €0 verkocht omdat de FBA-SKU niet beschikbaar was, terwijl bol.com 19 extra stuks verkocht omdat daar nog voorraad lag, is de verkeerde conclusie: “bol presteerde beter dan Amazon.” De betere conclusie kan zijn: “Amazon-vraag is deels naar bol verschoven, maar de totale vraag naar de productfamilie werd door voorraad begrensd.” Als Shopify-conversie daalt omdat je populairste bundel na een creatorvideo op “uitverkocht” staat, is de verkeerde conclusie: “de campagne trok slechte traffic.” De betere conclusie kan zijn: “de traffic was prima; operations brak de belofte op de landingspagina.”
Het moeilijke deel is niet gemiste omzet schatten. Dat kan elke spreadsheet met gemiddelde units maal gemiste dagen. Het moeilijke deel is gemiste winstgevende vraag schatten én begrijpen hoeveel herstelwerk nodig is om de positie terug te winnen.
De vijf signalen die je lost-sales laag moet verbinden
Een bruikbaar lost-sales model heeft vijf signalen in één view nodig. Ontbreekt er één, dan wordt het getal al snel decoratie.
1. Beschikbaarheid per kanaal en fulfilmentroute
Meet of de SKU koopbaar was per kanaal, niet alleen of er magazijnvoorraad bestond. Amazon FBA kan niet beschikbaar zijn terwijl FBM nog wel units heeft. bol.com LVB kan krap zitten terwijl je eigen warehouse DTC kan uitleveren. Een Mirakl-retailer kan een listing onderdrukken door levertijdbelofte of account-healthregels, ook al staat ERP-voorraad positief.
FiveX hook één: hier verdient een marketplace analytics cockpit zijn plek. Het beschikbaarheidsevent moet naast orders, ads, marge en marketplace-status staan. Als “voorraad = 214” in ERP leeft en “offer inactive” in de marketplace, mist je rapport de echte klantervaring.
2. Baseline velocity vóór de beperking
Gebruik een schone recente baseline: bijvoorbeeld de laatste 21 dagen met voorraad, actieve listing, normale prijs en geen grote promotie. Voor seizoensproducten vergelijk je dezelfde weekdagen of dezelfde campagneperiode vorig jaar. Voor nieuwe producten gebruik je een korter venster en label je de betrouwbaarheid als laag. Het model moet niet doen alsof een SKU van vijf dagen oud dezelfde voorspelkwaliteit heeft als een stabiele bestseller.
3. Vraagsignalen tijdens de stockout
Zoek bewijs dat shoppers het product nog steeds wilden: impressies, sessies, add-to-cart pogingen, zoekranking, ad clicks voordat campagnes pauzeerden, verlanglijstjes, back-in-stock aanvragen, beweging bij concurrenten en productpage visits. Marketplace-data is hier nooit perfect, maar deze signalen negeren maakt van een warme out-of-stock SKU een koude zero-revenue SKU.
4. Contributiemarge na fees, retouren en ads
Gemiste omzet is interessant. Gemiste contributiemarge is bruikbaar. Een SKU met €42 verkoopprijs en €11 behouden bijdrage verdient een ander herstelplan dan een SKU met €42 verkoopprijs en €1,80 behouden bijdrage na ads, marketplacecommissie, fulfilment, retouren en betaalfees.
FiveX hook twee: FiveX P&L-dashboards helpen SKU-marge, marketplace-fees, ad spend en retouraannames verbinden, zodat de lost-sales schatting geen omzetfantasie wordt. De vraag is niet: “hoeveel omzet misten we?” De vraag is: “hoeveel winstgevende capaciteit hebben we niet kunnen bedienen?”
5. Herstelkosten
Na een stockout heeft een SKU soms extra advertentiebudget, promotiedruk of prijsruimte nodig om ranking en conversiemomentum terug te krijgen. Als een product organische positie verloor op Amazon of bol.com, horen die herstelkosten in de stockoutanalyse. Anders veroorzaakt operations het gat en krijgt marketing de schuld van de dure klim terug.
Scenario 1: de Amazon.de hero-SKU die leek af te koelen
Stel: een home-fitnessmerk verkoopt een set weerstandsbanden via Amazon.de, bol.com en Shopify. De SKU verkoopt normaal 38 stuks per dag op Amazon.de voor €29,95. Na referral fees, fulfilment, COGS, gemiddelde retouren en normale ad spend blijft €7,40 contributiemarge per stuk over. Het team heeft nog 18 dagen FBA-voorraad, maar een leveranciersvertraging wordt een stockout van zes dagen.
Het gewone dashboard toont dit:
- Amazon.de-omzet daalt van ongeveer €1.138 per dag naar €0 gedurende zes dagen.
- bol.com stijgt van 11 naar 18 stuks per dag.
- Shopify stijgt van 5 naar 7 stuks per dag.
- De totale sales van de productfamilie dalen, maar minder hard dan Amazon alleen.
Een lui rapport zegt dat Amazon een slechte week had en bol.com deels compenseerde. Een lost-sales laag zegt iets scherpers. Amazon.de miste op basis van schone velocity ongeveer 228 units. bol.com en Shopify vingen samen ongeveer 54 extra units op. Netto onderdrukte vraag: ongeveer 174 units. Bij €7,40 behouden contributiemarge is dat ongeveer €1.288 directe gemiste bijdrage.
Maar daarmee tel je nog te laag. In de eerste tien dagen na aanvullen verkoopt de SKU slechts 27 units per dag in plaats van de eerdere 38, terwijl ranking herstelt. Dat zijn nog eens 110 units onder baseline, of ongeveer €814 vertraagde herstelmarge. Als het team €420 extra Sponsored Products-spend inzet om positie terug te winnen, is de stockoutschade niet “zes dagen geen Amazon-omzet”. Dan kijk je eerder naar €2.522 gemiste en herstel-gecorrigeerde contributie.
De beslissing verandert meteen. Je bestelt niet simpelweg “wat de forecast zegt”. Je verhoogt het reorder point, beschermt FBA-aanvulling eerder en geeft Amazon.de alleen herstelbudget zolang velocity en ranking normaliseren. Je geeft bol.com ook niet te veel credit voor de piek, want een deel van die vraag was Amazon-vraag in een ander kanaaljasje.
Scenario 2: de bol.com-bundel die ROAS slechter liet lijken dan hij was
Neem nu een Nederlands keukenmerk dat een panbeschermer-bundel verkoopt op bol.com, Amazon.nl en Shopify. bol.com Sponsored Products-spend is €1.600 per maand. De bundel kost €24,99 en houdt €5,20 contributie over na fees, fulfilment, verpakking en normale retouren. Een TikTok-video stuurt extra vraag naar de categorie, maar de bol.com LVB-voorraad raakt donderdagavond op. In het eigen warehouse ligt nog voorraad voor Shopify, dus de ecommerce manager denkt dat het product “ergens nog op voorraad” is. Shoppers op bol.com denken daar anders over.
Vier dagen lang verliest de bol.com-listing beschikbaarheid tijdens het weekend met de hoogste koopintentie. Ads pauzeren automatisch nadat beschikbaarheid wegvalt. De week erna rapporteert het advertentiedashboard lagere spend, lagere sales en een slechtere TACOS omdat organische sales ook daalden. De bekende fout zou zijn om de campagne te knippen omdat “bol-vraag afkoelde”.
Een betere analyse vergelijkt de laatste vier weekenden met voorraad. De SKU verkoopt normaal 46 units van vrijdag tot en met maandag op bol.com. Tijdens het stockoutweekend verkoopt hij 9 units uit rest- of vertraagde orders. Shopify verkoopt 17 extra units dankzij de TikTok-traffic. Netto onderdrukte vraag is ongeveer 20 units. Direct gemiste contributie is maar €104 en lijkt dus klein. Maar het echte probleem is dat de SKU zijn categorie-momentum verliest vlak vóór een geplande Sponsored Products-push van €400. De campagne faalde niet; de campagne had geen koopbaar aanbod.
De juiste actie is niet “bol-ads twee weken pauzeren”. De juiste actie is stock permission per kanaal splitsen. Houd minimaal 60 units beschermd voor bol.com LVB voordat creatorcampagnes live gaan, zet een FiveX stock-management alert wanneer dekking onder zeven dagen zakt en laat advertentiebudget pas schalen wanneer de fulfilmentroute de vraag kan dragen.
FiveX hook drie: hier moeten advertising analytics en stock management met elkaar praten. Als ad software alleen ROAS ziet en de inventory tool alleen units, ziet niemand het moment waarop een goede campagne verandert in een slechte klantbelofte.
Lost sales berekenen zonder jezelf voor de gek te houden
Begin eenvoudig. Je hebt geen perfect machine-learningmodel nodig om betere beslissingen te nemen. Je hebt een consequente methode nodig die eerlijk is over betrouwbaarheid.
Gebruik deze operatorformule:
Geschatte gemiste contributie = (baseline units − gerealiseerde units − kanaalverschuiving) × behouden contributie per unit − herstelkosten.
Voeg daarna betrouwbaarheidslabels toe:
- Hoge betrouwbaarheid: stabiele SKU, duidelijke stockoutdatums, normale prijs, genoeg historie, geen grote vraagschok.
- Middel: seizoensbeweging, actieve promotie, gedeeltelijke stockout of kanaalverschuiving.
- Laag: nieuwe SKU, veel creatortraffic, prijswijziging, listing suppression of categorievolatiliteit.
Middel niet blind over alle dagen. Weekenden, Prime Day, bol 7-daagse deals, salarisweek en weer kunnen velocity veranderen. Trek ook niet elke extra Shopify-order automatisch af van Amazon lost sales. Sommige kanaalverschuiving is echt, maar sommige vraag komt uit een campagne of externe traffic. Het model moet nuttig zijn, niet arrogant.
Dashboardviews die beslissingen veranderen
Een goed stockoutdashboard is geen muur rode voorraadwaarschuwingen. Het moet vier operationele vragen beantwoorden.
Welke SKUs verloren de meeste contributie, niet omzet?
Rangschik stockouts op gemiste contributiemarge na fees, retouren en ads. Een high-revenue product met lage marge kan dramatisch ogen, terwijl een kleinere premium SKU stilletjes meer winst verliest.
Welk kanaal was beperkt, en welk kanaal ving vraag op?
Toon Amazon, bol.com, Shopify, Walmart en Mirakl naast elkaar per productfamilie. Als één kanaal piekt terwijl een ander niet beschikbaar is, label die piek als mogelijke spillover voordat iemand een nieuwe winnaar uitroept.
Welke campagnes spenderen tegen zwakke beschikbaarheid?
Flag ad spend waar stock cover, Buy Box-status, leverbelofte of listingbeschikbaarheid onder de drempel zat. Zo stoppen marketing en operations met elkaar heel zelfverzekerd de schuld geven op basis van halve context.
Welke reorder points moeten veranderen?
Lost-sales analytics moet replenishment voeden. Als een SKU herhaaldelijk €900 contributie verliest tijdens korte stockouts, is extra safety stock misschien goedkoper dan werkkapitaal “besparen”.
Trade-off: voorraad beschermen is niet altijd het antwoord
Hier zit een valkuil. Zodra teams lost sales zien, willen ze elke stockout overal voorkomen. Dat kan leiden tot overstock, storage fees, oude varianten en cash die vastzit in slow movers. Perfecte beschikbaarheid is niet het doel. Winstgevende beschikbaarheid wel.
Sommige stockouts zijn acceptabel. Een seizoenskleur met lage marge en stijgende retouren verdient misschien geen noodaanvulling. Een marketplace met zwakke contributiemarge verdient niet automatisch dezelfde voorraadbescherming wanneer Amazon.de en bol.com allebei honger hebben. Een TikTok Shop-piek kan spannend zijn, maar nog steeds geen voorraad verdienen als creatorcommissie en retouren de marge opeten.
De operatorvraag is: waar is één extra unit voorraad vandaag het meeste waard? Lost-sales analytics helpt die vraag beantwoorden door verwachte contributie, kanaalsterkte, herstelkosten en strategisch belang te vergelijken. Soms is het antwoord: bescherm de hero-SKU op Amazon. Soms is het: laat de low-margin marketplace uitverkopen en bewaar voorraad voor DTC. Glamoureus? Mwah. Winstgevend? Vaak wel.
Hoe FiveX helpt
FiveX is gebouwd voor precies dit soort multi-channel operationele vragen. Het platform verbindt marketplace-, advertising-, inventory- en financiële data zodat merkeigenaren niet alleen zien wat er verkocht is, maar ook wat er had moeten verkopen, waar marge is behouden en welk kanaal de volgende beslissing verdient.
In de praktijk kun je FiveX gebruiken om:
- Amazon, bol.com, Shopify, Walmart, Mirakl en ad data in één marketplace analytics view te verbinden;
- stock cover, listingbeschikbaarheid en kanaalbeperkingen naast omzet en contributiemarge te monitoren;
- P&L-dashboards te gebruiken om gemiste winst in te schatten in plaats van gemiste omzet;
- advertentiebeslissingen te koppelen aan inventory permission, zodat campagnes niet opschalen tegen dunne voorraad;
- kanaalverschuivingen per productfamilie te herkennen wanneer één marketplace uitverkoopt en een ander kanaal tijdelijk profiteert.
De praktische takeaway: laat out-of-stock dagen niet als stille nullen je dashboard binnenkomen. Label ze. Schat ze. Leer ervan. En gebruik die kennis om de producten en kanalen te beschermen die beschikbare vraag omzetten in behouden winst.