Waarom Monte Carlo beter is dan simpele gemiddelden voor Amazon FBA-prognoses

Elke Amazon-verkoper heeft de snelle berekening wel eens gemaakt. Gemiddelde verkoopprijs maal geschat aantal eenheden per maand, min inkoopkosten, min FBA-kosten. De spreadsheet zegt dat je $5.000 per maand winst zult maken. Dus maak je $15.000 over naar een leverancier, stuur je 2.000 eenheden naar Amazon en wacht je af.

Drie maanden later ziet het beeld er heel anders uit dan de spreadsheet. De prijs is gedaald omdat er twee nieuwe concurrenten zijn bijgekomen. Het aantal verkochte eenheden lag 40% lager dan verwacht. PPC-kosten waren het dubbele van het budget. De "gegarandeerde" $5.000 winst werd een verlies van $900.

Dit is geen pech. Dit is het voorspelbare falen van puntschatting. En er is een betere manier: Monte Carlo-simulatie.

Het probleem met simpele gemiddelden

Wanneer je de winstgevendheid schat met gemiddelden, kies je een enkele waarde voor elke variabele: een prijs, een verkoopvolume, een ACOS, een inkoopprijs. Vervolgens vermenigvuldig je ze en krijg je een antwoord. Dat antwoord voelt precies. Het voelt zeker. En die zekerheid is een leugen.

Dit is waarom puntschattingen falen voor Amazon FBA:

• De verkoopprijs fluctueert. De gemiddelde prijs van een product vandaag zegt niets over waar die over 90 dagen zal staan. Concurrenten gebruiken kortingscoupons. Nieuwkomers onderbieden. Amazon zelf kan de categorie betreden. Een product dat vandaag gemiddeld $24,99 kost, kan makkelijk tussen $19,99 en $27,99 bewegen gedurende een kwartaal.
• Het verkoopvolume is niet stabiel. BSR (Best Sellers Rank) verandert dagelijks. Seizoensschommelingen kunnen de vraag verdubbelen of halveren. Een product dat 300 eenheden/maand verkoopt, kan realistisch schommelen tussen 150 en 500, afhankelijk van concurrentie, seizoen en PPC-uitgaven.
• ACOS hangt af van de concurrentie. Als drie nieuwe verkopers volgende maand op jouw zoekwoorden gaan bieden, stijgen je kosten per klik met 30-50%. Je ACOS kan binnen weken van 25% naar 40% gaan.
• FBA-kosten veranderen. Amazon past fulfillmentkosten, opslagkosten en verwijzingspercentages aan. Ze voegden lage-voorraadniveaukosten toe in 2024 en inbound placement-kosten in 2025.

Wanneer je gemiddelden met elkaar vermenigvuldigt, krijg je de gemiddelde uitkomst. Maar je ervaart nooit de gemiddelde uitkomst. Je ervaart een specifieke realisatie getrokken uit een verdeling van mogelijke uitkomsten -- en die realisatie kan ver van het gemiddelde liggen.

Een concreet voorbeeld: siliconen keukenspatels set

Laten we een praktijkscenario analyseren. Je overweegt een eigen merk siliconen spatels set. Dit zijn de "gemiddelde" invoerwaarden die een typische verkoper zou gebruiken:

Berekening op basis van simpele gemiddelden

Winst per eenheid = $18,99 - $4,20 - $5,39 - $2,80 - $2,85 = $3,75

Maandelijkse winst = $3,75 x 450 = $1.687

Jaarlijkse winst = $1.687 x 12 = $20.250

Trek de initiele voorraadinvestering van $8.400 af (2.000 eenheden x $4,20) en je projecteert een netto eerste jaar van ongeveer $11.850. Ziet er solide uit. Lijkt een groen licht.

Monte Carlo-simulatie van hetzelfde product

Laten we nu hetzelfde product door een Monte Carlo-simulatie halen met 10.000 iteraties. In plaats van enkele waarden wijzen we realistische verdelingen toe aan elke variabele:

De resultaten vertellen een radicaal ander verhaal:

Let op de kritieke bevindingen die de berekening met simpele gemiddelden volledig verborg:

1. Er is 33% kans dat je geld verliest. Een op de drie scenario's resulteert in verlies. Het simpele gemiddelde toonde nul risico.
2. De P10-uitkomst is -$900. In de slechtste 10% van de scenario's kom je niet alleen quitte -- je verliest bijna duizend dollar na een jaar werk.
3. De mediaan ($4.200) ligt ver onder de gemiddelde schatting ($11.850). Dit komt doordat de verdeling rechtsscheef is: enkele uitstekende uitkomsten trekken het gemiddelde omhoog, maar de meeste uitkomsten clusteren lager.
4. De standaardafwijking ($7.400) is enorm. Het bereik van uitkomsten is breder dan de verwachte winst zelf, wat hoge onzekerheid signaleert.

Waarom verdelingen anders vermenigvuldigen dan gemiddelden

De wiskundige reden dat simpele gemiddelden misleidend zijn, is dat het product van gemiddelden niet gelijk is aan het gemiddelde van producten wanneer variabelen onzeker zijn. Dit is de ongelijkheid van Jensen in actie.

Wanneer je onzekere variabelen vermenigvuldigt, interageren de staarten van elke verdeling. Een lage prijs gecombineerd met een laag volume en hoge PPC-kosten creert catastrofale verliezen die in geen enkele gemiddelde-geval-analyse verschijnen. Deze staartinteracties zijn precies wat Monte Carlo vastlegt en simpele vermenigvuldiging mist.

Beschouw slechts twee variabelen: prijs op $17 (in plaats van $19) gecombineerd met PPC op $4,50 (in plaats van $2,80). Geen van beide is individueel een extreme waarde. Maar samen daalt je marge per eenheid van $3,75 naar $0,45. Bij 300 eenheden (ook niet extreem) is dat $135/maand in plaats van $1.687. Deze gecorreleerde negatieve scenario's komen vaker voor dan je intuitie suggereert.

Hoe Monte Carlo-simulatie werkt

De Monte Carlo-methode is conceptueel eenvoudig:

1. Definieer inputverdelingen. Geef in plaats van een enkel getal voor elke variabele een bereik en vorm op. De prijs kan een normale verdeling volgen. Verkochte eenheden volgen vaak een log-normale verdeling (kan niet onder nul komen, kan hoog pieken).
2. Neem willekeurige steekproeven. Trek een willekeurige waarde uit elke verdeling. Dit vertegenwoordigt een mogelijke toekomst.
3. Bereken de uitkomst. Bereken de winst voor deze specifieke combinatie van invoerwaarden.
4. Herhaal duizenden keren. Voer 10.000 iteraties uit om een volledige verdeling van mogelijke uitkomsten op te bouwen.
5. Analyseer de verdeling. Extraheer percentielen (P10, P50, P90), kans op winst, verwachte waarde en variantie.

De kracht komt van stap 4. Met 10.000 iteraties zie je niet alleen het gemiddelde geval, maar het volledige bereik van wat er kan gebeuren, inclusief onwaarschijnlijke maar catastrofale combinaties die simpele analyse mist.

Wanneer Monte Carlo het meeste uitmaakt

Monte Carlo voegt de meeste waarde toe wanneer:

• De marges dun zijn. Een product met 40% brutomarges kan veel variantie absorberen. Een product met 18% marges kan dat niet. Hoe dichter je bij het break-evenpunt zit, des te belangrijker onzekerheidskwantificering wordt.
• Meerdere onzekere variabelen interageren. Als alleen de prijs varieert, volstaat een simpele gevoeligheidsanalyse. Maar wanneer prijs, volume, inkoopkosten en PPC allemaal tegelijk varieren, heb je simulatie nodig.
• Je een grote initiële investering doet. Als je $5.000 riskeert, kan een ruwe schatting acceptabel zijn. Als je $50.000 vastlegt in voorraad plus merkopbouw, moet je de negatieve scenario's begrijpen.
• Het product zich in een competitieve categorie bevindt. In stabiele niches met weinig concurrentie zijn historische gegevens een redelijke voorspeller. In drukke markten waar maandelijks nieuwe toetreders verschijnen, is de variantie hoog en zijn gemiddelden onbetrouwbaar.

Praktische toepassing: betere beslissingen nemen

Monte Carlo-simulatie vertelt je niet of je een product moet lanceren. Het vertelt je hoe zeker je moet zijn over elke uitkomst. Zo gebruik je de resultaten:

Beslissingsraamwerk

Ons spatels-voorbeeld met 67% kans en een P10 van -$900 valt in de "heroverwegen"-zone. Dat betekent niet dat je het niet moet doen. Het betekent dat je moet zoeken naar manieren om de kansen te verbeteren: betere inkoopkosten onderhandelen, een differentiatie-hoek vinden die een hogere prijs ondersteunt, of een cashflowmodel bouwen dat rekening houdt met het neerwaartse scenario.

Het doel van probabilistische analyse is niet om een enkel ja/nee-antwoord te genereren. Het is om valse zekerheid te vervangen door gekalibreerd vertrouwen, zodat je kapitaal kunt toewijzen waar de risico-rendementsverhouding daadwerkelijk in jouw voordeel werkt.

Veelvoorkomende bezwaren tegen probabilistische prognoses

"Ik heb niet genoeg data om verdelingen te definieren." Je hebt geen perfecte verdelingen nodig. Zelfs ruwe bereiken (optimistisch/realistisch/pessimistisch) omgezet in een driehoeksverdeling presteren dramatisch beter dan een enkel gemiddelde. Perfect is de vijand van bruikbaar.

"Het lijkt te complex." Een basis Monte Carlo in een spreadsheet kost 20 minuten om op te zetten. Het RIDGE-analyseplatform voert het automatisch uit met gekalibreerde verdelingen op basis van echte marktgegevens. De complexiteit zit in de opzet, niet in het interpreteren van de resultaten.

"Mijn gevoel zegt dat het werkt." Verkopersinstinct heeft waarde, maar het onderschat systematisch het neerwaartse risico. Gedragseconomie noemt dit optimisme-bias. Monte Carlo is een corrigerende lens, geen vervanging van oordeelsvermogen.

Belangrijkste Punten

Simpele gemiddelden vertelden ons dat de spatels set $11.850 zou opleveren in het eerste jaar. Monte Carlo vertelde ons dat er 33% kans is om geld te verliezen, de mediaan uitkomst $4.200 is, en het realistische slechtste geval een verlies van $900 is. Beide analyses gebruikten dezelfde basisinvoer. Het verschil is dat Monte Carlo onzekerheid respecteert in plaats van te doen alsof die niet bestaat.

Als je Amazon-producten evalueert met puntschattingen, neem je beslissingen met een blinddoek om. Je kunt het alsnog goed doen. Maar je zult niet weten waarom je het goed deed, en je zult de afgrond niet zien voordat je eroverheen loopt.

Probabilistische prognoses garanderen geen succes. Niets doet dat. Maar het zorgt ervoor dat je dezelfde kwaliteit beslissingen neemt die hedgefondsen, verzekeringsmaatschappijen en elke andere instelling die risico serieus neemt, al decennia lang nemen. Verkopen op Amazon brengt echt kapitaal met echt risico met zich mee. De analyse moet passen bij de inzet.