EnableYourData.com

KPI · Logistiek

Picknauwkeurigheid: formule en voorbeeld.

Picknauwkeurigheid is het percentage orderregels dat zonder fout uit het magazijn wordt verzameld: het juiste artikel, in de juiste hoeveelheid. Een pickfout leidt bijna altijd tot extra kosten, zoals een retour, een nalevering of een klacht. Daarom is het een kern-KPI voor de kwaliteit van het magazijn.

Formule voor picknauwkeurigheid

(Aantal gepickte orderregels − aantal regels met een fout) ÷ aantal gepickte orderregels × 100%

Rekenvoorbeeld

In mei 2026 pickte het magazijn van Acme Groothandel 48.000 orderregels. Daarbij werden 144 fouten vastgesteld. De picknauwkeurigheid is (48.000 − 144) ÷ 48.000 × 100% = 99,7%.

Fictieve cijfers van Acme Groothandel.

Zo lees je deze KPI

Een hogere picknauwkeurigheid betekent minder retouren, naleveringen en klachten. Omdat de percentages vaak dicht bij elkaar liggen, is het aantal fouten per 1.000 regels soms duidelijker. Vergelijk per zone, artikelgroep en pickmethode met je eigen eerdere periodes, en kijk welke foutsoort het meest voorkomt.

Valkuilen bij picknauwkeurigheid

  • Alleen fouten tellen die bij de controle worden ontdekt en klachten van klanten niet terugkoppelen.
  • Fouten per order en per regel door elkaar gebruiken.
  • Pickers onderling vergelijken zonder rekening te houden met moeilijkere zones of artikelen.

SQL & DAX

Picknauwkeurigheid berekenen in SQL en DAX

Twee voorbeelden op een fictief datawarehouse van Acme Groothandel: een query in PostgreSQL en een measure voor een Power BI-model. Pas tabel- en kolomnamen aan je eigen model aan.

SQL · PostgreSQL
SELECT date_trunc('month', picked_at) AS month,
       SUM(lines) AS lines_picked,
       SUM(errors) AS pick_errors,
       ROUND(100.0 * (SUM(lines) - SUM(errors)) / NULLIF(SUM(lines), 0), 2) AS picking_accuracy_pct
FROM picks
GROUP BY 1
ORDER BY 1;
DAX · Power BI
Lines Picked = SUM(Picks[Lines])
Picking Accuracy = DIVIDE([Lines Picked] - SUM(Picks[Errors]), [Lines Picked])

In ENABLE

Deze KPI volgen in ENABLE

Vragen in gewone taal

Vraag naar picknauwkeurigheid per maand, klant of product in de SQL Explorer met AI. De AI schrijft de SQL, jij ziet de query en voert hem zelf uit; de AI krijgt alleen metadata.

Lees meer →

In je Power BI-dashboard

Leg de KPI vast als measure in je Power BI-model en toon hem in het portaal, met "Laatst ververst" erbij. Toegangsprofielen en optioneel row-level security bepalen wie welke cijfers ziet.

Lees meer →

Eigen dashboards (pilot)

Zet de KPI als tegel in een eigen dashboard, met vergelijking met vorig jaar. De Dashboard Builder is een pilot en per klant aan te zetten.

Lees meer →

Doelen per maand

Met de ingebouwde app Targets leg je per maand een doel voor de KPI vast, zodat je realisatie en doel naast elkaar ziet.

Lees meer →

FAQ

Veelgestelde vragen

Hoe bereken je picknauwkeurigheid?

Trek het aantal orderregels met een fout af van het totaal aantal gepickte regels en deel door dat totaal. Een fout is een verkeerd artikel, een verkeerde hoeveelheid of een beschadigd artikel dat toch is ingepakt. Tel fouten uit de eigen controle en uit klantmeldingen samen.

Welke soorten pickfouten zijn er?

De meest voorkomende zijn een verkeerd artikel, een verkeerde hoeveelheid, een ontbrekend artikel en een verkeerde variant zoals maat of kleur. Registreer de soort bij elke fout. Zo zie je of je de oorzaak moet zoeken in de locatie, de etikettering of de pickmethode.

Hoe verbeter je de picknauwkeurigheid?

Scannen bij het picken is meestal de grootste verbetering, omdat het verkeerde artikelen direct tegenhoudt. Daarnaast helpen duidelijke locaties, gelijkende artikelen niet naast elkaar plaatsen en een controle bij het inpakken. Meet na elke aanpassing of het aantal fouten per 1.000 regels daalt.

AI gebruiken op je eigen data. Veilig, en zonder hoofdpijn.

In een online demo laten we zien hoe ENABLE je data veilig beschikbaar maakt en hoe je erop bouwt: een app beschrijven in de AI Builder, vragen in gewone taal, dashboards en API's. En hoe wij het voor je inrichten en beheren.