Bol.com
Historische verkoopdata beschermt je tegen slechte productkeuzes op bol door context toe te voegen: zonder context is elke schatting een momentopname. Met data over meerdere jaren herken je seizoenspatronen, onderscheid je structurele groei van incidentele pieken, en zie je hoe prijs en concurrentie zich ontwikkelen.
Je hebt een product gevonden dat er goed uitziet. De verkopen zijn hoog, de concurrentie is beperkt, de marge klopt. Je bestelt 5.000 euro aan voorraad. Drie maanden later blijkt dat het product alleen in september en oktober goed verkoopt, en de rest van het jaar stilstaat. Je zit met voorraad die je niet kwijtraakt. Dat had je kunnen zien, als je historische data had gehad die ver genoeg terugging.
Door verkoopdata te bekijken die meerdere jaren teruggaat. Sommige producten verkopen het hele jaar door, andere pieken in een specifieke periode en dalen daarna sterk. Dat verschil zie je alleen als je data ver genoeg terugkijkt.
Een product als een tuinslang verkoopt goed van april tot augustus en bijna niet in de winter. Dat is voorspelbaar. Maar veel seizoenspatronen zijn minder voor de hand liggend. Een computerbril kan een piek hebben rondom de terug-naar-kantoor-periode in september. Een specifiek type opbergsysteem verkoopt beter in januari, wanneer mensen hun huis opruimen na de feestdagen. Een wildcamera piekt in het jachtseizoen.
Als je alleen data hebt van de afgelopen drie maanden, en die drie maanden zijn toevallig de piekperiode, trek je de verkeerde conclusie over het jaarlijkse potentieel van het product. De rest van het jaar zie je niet, dus je schat te hoog in.
In MarktMentor bekijk je verkoopdata per product over meerdere jaren, ingesteld per week, maand of kwartaal, zodat je direct ziet of een product evergreen is of seizoensgebonden en hoe sterk de pieken zijn. Vanuit de zoekwoordanalyse zie je hetzelfde patroon terug in het zoekgedrag van consumenten: wanneer zoeken mensen naar dit type product, en hoe verschilt dat per jaar? Dat onderscheid tussen evergreen en seizoensgebonden is ook waar het raamwerk voor productonderzoek mee begint.
Dat onderscheid maak je alleen met historische data die ver genoeg teruggaat. Een product dat vorige maand 200 keer verkocht werd, kan een groeiend product zijn of een product dat een eenmalige piek had. Misschien is er een TikTok-video geweest die het product tijdelijk populair maakte. Of misschien was een concurrent tijdelijk uit voorraad, waardoor de verkopen naar dit product verschoven.
Met genoeg historie kun je die twee uit elkaar houden. Als een product de afgelopen twee jaar elk kwartaal meer verkoopt dan het vorige, is dat een groeitrend. Als het twee jaar lang stabiel is en ineens een maand omhoogschiet, is dat een piek die je nader moet onderzoeken voordat je er voorraad op inkoopt.
Zonder die context neem je beslissingen op een momentopname. Met die context neem je beslissingen op een patroon.
Historische prijsdata laat zien hoe de prijs zich over langere tijd heeft ontwikkeld, en dat vertelt je iets over de concurrentie. Verkoopprijzen op bol veranderen continu: concurrenten passen hun prijzen aan, nieuwe aanbieders komen erbij, anderen stoppen. De prijs die je vandaag ziet, is niet noodzakelijk de prijs die je over drie maanden kunt verwachten.
Daalt de gemiddelde verkoopprijs structureel? Dan is er waarschijnlijk toenemende concurrentie op prijs en wordt je marge kleiner. Is de prijs stabiel over meerdere jaren? Dan is de markt volwassen en voorspelbaar. Schommelt de prijs sterk per seizoen? Dan moet je je inkoop en pricing daarop afstemmen.
Hetzelfde geldt voor het aantal aanbieders. Als er een jaar geleden 5 verkopers op een product actief waren en nu 15, dan zegt dat iets over hoe competitief de markt wordt.
Omdat historische data over je eigen prestaties zich opbouwt vanaf het moment dat je met een platform start. Je positie-ontwikkeling per zoekwoord en je marktaandeel per categorie kun je niet achteraf toevoegen. Dit punt wordt bij het kiezen van een tool vaak over het hoofd gezien.
Als je over een jaar wilt weten hoe je marktaandeel zich heeft ontwikkeld, hoe je organische posities zijn verschoven, en welke producten structureel groeien versus stilstaan, dan moet je daar nu mee beginnen. Overstappen naar een ander platform betekent dat je die opgebouwde historie achterlaat.
Dat is geen reden om nooit over te stappen. Maar het is een reden om je eerste keuze bewust te maken.
Wanneer de methode achter de data halverwege verandert. Historische data is alleen waardevol als ze op een consistente methode is gebaseerd. Verandert de manier waarop verkoopschattingen worden berekend tussentijds, dan kun je de data van voor en na die wijziging niet meer betrouwbaar vergelijken.
Een voorbeeld. Je bekijkt een product en ziet dat het in maart vorig jaar 120 keer verkocht werd en dit jaar 80 keer. Het lijkt alsof het product minder populair is geworden. Maar als de tool in de tussentijd van methode is veranderd, kan het verschil net zo goed het gevolg zijn van een andere meetmethode. Je weet het niet, en je kunt het niet achterhalen.
Dit is een concreet punt om op te letten bij een product research tool kiezen. Vraag niet alleen hoeveel historische data beschikbaar is, maar ook hoe lang de huidige methode al wordt gebruikt. Data die over langere tijd op dezelfde methode is verzameld, is betrouwbaarder dan meer data die op wisselende methodes is gebaseerd.
MarktMentor werkt al jaren met dezelfde datamethode. De data van vandaag is verzameld op dezelfde basis als de data van jaren geleden. Die consistentie maakt het mogelijk om vergelijkingen over langere tijd te maken met vertrouwen in de uitkomst.
Omdat elke serieuze productkeuze op dezelfde vraag neerkomt: is wat ik nu zie representatief voor wat ik kan verwachten? Historische data is daarmee één van de meest onderschatte factoren bij een productkeuze op bol, en geen luxe voor gevorderde verkopers. Het is de basis onder marktonderzoek, of je nu een product voor het eerst onderzoekt of je bestaande assortiment evalueert.
Die vraag kun je alleen beantwoorden met data die ver genoeg teruggaat, op een consistente methode is verzameld, en die je in staat stelt om patronen te herkennen die je in een momentopname zou missen.
