AI v online potravinách: udržet ceny i při inflaci

Inflace umí změnit nákupní návyky rychleji než jakákoli marketingová kampaň. V USA to bylo vidět učebnicově: zákazníci, kteří dřív nakupovali online hlavně v supermarketech, začali ve větším přepínat k řetězcům s důrazem na „každodenně nízké ceny“. Data z výzkumu Brick Meets Click (za rok 2022) ukazují, že Walmart získal podíl v online nákupech potravin napříč příjmovými skupinami – nejen u domácností s nižšími příjmy, ale i u těch nejbonitnějších.

Tohle není jen americká historka. Je to signál i pro český a středoevropský retail: když ceny rostou a marže se tenčí, vyhrává ten, kdo zvládne nákladově řídit celý online potravinový řetězec – od predikce poptávky přes zásoby až po výdejní okénko.

A tady přichází ke slovu série „Umělá inteligence v maloobchodu a e-commerce“. Online potraviny jsou extrémně náročná disciplína: čerstvost, chladový řetězec, substituce položek, vysoké nároky na logistiku a zároveň zákazník, který porovnává ceny na desetiny korun. AI není ozdoba. Je to praktický nástroj, jak udržet dostupné ceny a přitom neprodělávat na každé objednávce.

Proč Walmart rostl (a co z toho plyne pro online potraviny)

Nejjednodušší vysvětlení je „lidé šetří“. To je pravda, ale je to jen začátek. Klíčové je, kde se dá šetřit bez ztráty zákazníka a jak rychle se retail dokáže přizpůsobit.

Výzkum Brick Meets Click popsal tzv. „flight to value“ (útěk k hodnotě). U domácností s příjmem pod 50 tisíc USD ročně byly o 25 % pravděpodobnější online nákupy u Walmartu než v supermarketech a Walmartu v této skupině vzrostl podíl o 2,1 p. b., zatímco supermarketům klesl o 1,5 p. b. Zajímavější je ale druhý konec spektra: u domácností s příjmem nad 200 tisíc USD ročně Walmart také posílil svůj dosah o 2,1 p. b. a supermarkety naopak ztratily 1,2 p. b.

Tohle je důležité sdělení pro každého, kdo řeší online potraviny v roce 2025:

• Cena už není jen téma „levných zákazníků“. Šetří i lidé s vysokými příjmy – jen jinak (chtějí pohodlí, ale odmítají přeplácet).
• Online kanál není automaticky „premium“. Jakmile inflace přitvrdí, zákazník chce online pohodlí za rozumnou cenu.
• Vítězí provozní efektivita. Kdo zlevní „za kasou“ (logistika, picking, zásoby, reklamace, substituce), může držet ceny i bez sebevražedných slev.

A přesně na tu provozní efektivitu se dá AI nasadit tak, aby to bylo měřitelné.

AI jako motor levnějšího online nákupu (bez zhoršení služby)

Online potraviny jsou plné „neviditelných“ nákladů: chybějící položky, špatně zvolená substituce, zkažené zboží, přeplněné sloty, prázdné sloty, zbytečné kilometry kurýrů, přestřelené zásoby. AI umí tyto ztráty zmenšit, a tím vytvořit prostor pro nižší cenu.

Predikce poptávky: méně výpadků, méně odpadu

Základní princip: lepší předpověď = menší bezpečnostní zásoba + méně vyprodaných položek. U čerstvého zboží je navíc přímá vazba na plýtvání.

Co v praxi funguje:

• Predikce na úrovni SKU × prodejna/fulfillment hub × denní doba (online nákupy mají jiné špičky než kamenné).
• Využití signálů jako promo kalendář, svátky, výplaty, počasí, lokální akce.
• Detekce anomálií (např. „náhlý spike“ u vajec nebo másla) a rychlé přenastavení objednávek.

Pro český kontext je prosinec typický extrém: cukroví, kapr, pečení, firemní večírky. Bez predikce je to buď vyprodané, nebo se odepisuje.

Optimalizace zásob a doplňování: inflace tlačí na kapitál

Inflace nebolí jen v cenách pro zákazníka. Bolí i v tom, že zásoby jsou dražší kapitál. AI může posunout doplňování zboží z „pravidla palce“ na řízení podle pravděpodobnosti prodeje a rizika expirace.

Konkrétní přínosy:

• snížení „mrtvých zásob“ (ležáky v dlouhém ocasu sortimentu),
• lepší rotace u čerstvých kategorií,
• méně substitucí (které zvyšují náklady na zákaznickou péči a snižují loajalitu).

Jedna věc, kterou retail často podcení: substituce není jen UX problém, je to nákladová položka. Každá špatná náhrada zvyšuje riziko refundu a budoucí ztráty zákazníka.

Picking a kompletace objednávek: nejdražší část online potravin

U online potravin bývá picking (výběr položek pracovníkem) a kompletace jedním z největších nákladových driverů. AI tu má několik „rychlých vítězství“:

1. Chytré pořadí vychystávání (optimalizace trasy v prodejně nebo skladu)
2. Predikce nedostupnosti už při tvorbě košíku (a nabídnutí alternativy dřív, než se objednávka pošle)
3. Kontrola kvality u čerstvého (např. pravidla a vizuální kontrola – i bez plné robotizace)

Výsledek, o který jde: kratší čas na objednávku, méně chyb, méně refundů. To je prostor pro „everyday low price“ styl cen.

Doručení vs. vyzvednutí: proč 52,2 % zákazníků volí pickup

Brick Meets Click uvedl, že v březnu (v jejich sledovaném období) si 52,2 % měsíčně aktivních online zákazníků volilo curbside / in-store pickup. „Ship-to-home“ klesalo (z 47,5 % na 40,9 % meziročně), zatímco doručení potravin mírně rostlo (z 40,8 % na 41,5 %).

Jednoduché vysvětlení: pickup často vychází levněji (pro zákazníka i pro retailer). A inflace nahrává každé volbě, která sníží logistické náklady.

Jak AI zlevní pickup i delivery

Pickup

• Predikce vytížení slotů a chytré plánování kapacit (kolik lidí na picking v kterou hodinu).
• Dynamická pravidla pro okna vyzvednutí (aby se nehromadily objednávky a netrpěla čerstvost).

Delivery

• Optimalizace tras s ohledem na teplotní režimy (mražené vs. chlazené vs. suché).
• Slučování objednávek podle pravděpodobnosti „on-time“ doručení.
• Predikce neúspěšného doručení (zákazník není doma) a proaktivní komunikace.

Moje zkušenost z konzultací: firmy často investují do aplikace a kampaní, ale nechají „poslední míli“ fungovat polo-ručně. Přitom právě tam se rozhoduje, jestli online potraviny vydělají.

Personalizace, která nezdražuje: chytré promo místo slepých slev

Když se řekne personalizace, většina lidí si představí „doporučování produktů“. V online potravinách je to užitečné, ale to hlavní je jinde: personalizace cenových pobídek tak, aby retailer nemusel rozdávat slevy všem.

AI může segmentovat zákazníky podle citlivosti na cenu, loajality a nákupních misí (týdenní velký nákup vs. rychlé doplnění). Potom jde dělat:

• cílené kupony na položky, kde je riziko odchodu ke konkurenci,
• promo, které posouvá poptávku do méně vytížených časů (levnější provoz),
• doporučení alternativ s podobnou užitnou hodnotou, ale lepší marží.

Tady je důležitá věta, kterou by si měl dát každý e-grocery tým na zeď:

Nejlevnější sleva je ta, kterou vůbec nemusíte dát – když procesy fungují a zákazník dostane to, co čeká.

Co si z toho vzít v Česku: 6 kroků, které dávají smysl hned

Ne každý je Walmart. Ale principy jsou přenositelné i na české řetězce, specializované prodejce, Q-commerce i B2B dodavatele.

1. Změřte skutečné náklady na objednávku (picking, refundy, reklamace, substituce, poslední míle). Bez toho budete „optimalizovat pocitově“.
2. Začněte predikcí poptávky u 20 % nejdůležitějších SKU (top prodeje + nejproblematičtější čerstvé). Přínos je rychlý.
3. Zaveďte „substituční inteligenci“: pravidla + model, který respektuje značku, alergeny, cenu i preference zákazníka.
4. Optimalizujte sloty a kapacity (pickup/delivery). Nejde o to mít nejvíc slotů, ale správné sloty.
5. Personalizujte promo opatrně: cíl je snížit churn, ne srazit marži plošně.
6. Napojte AI na provoz, ne jen na dashboard. Pokud model něco predikuje, musí to umět změnit objednávku, doplňování nebo nabídku v košíku.

Kam se online potraviny posunou do roku 2027 (a proč AI rozhodne)

Brick Meets Click uváděl, že online nákupy tvořily kolem 11,2 % celkových výdajů za potraviny na konci roku 2022 a mají růst až na 13,6 % do konce roku 2027. Jinými slovy: online poroste, ale kamenný obchod zůstane dominantní.

To je dobrá zpráva i špatná zpráva. Dobrá: retail nebude „jen online“. Špatná: online potraviny budou pod neustálým tlakem na efektivitu, protože budou konkurovat ceně a pohodlí zároveň.

Pokud máte na starosti e-commerce, supply chain, IT nebo inovace v retailu, inflace vás pravděpodobně naučila jednu věc: nestačí růst tržbami. Musíte zlevnit provoz. A právě v tom je AI nejpraktičtější.

Chcete v roce 2026–2027 držet ceny bez toho, abyste si zničili marži? Začněte tam, kde to bolí nejvíc: dostupnost, picking, substituce a poslední míle. A pak se ptejte: Které rozhodnutí dnes dělá člověk ručně, i když ho lze dělat lépe datově?