Online nákupy potravin: AI pro zásoby, pick-up a doručení

Online prodej potravin už dávno není „pandemická výjimka“. Podle odhadu trhu v USA má e-grocery vyrůst na 120 miliard USD do roku 2028 a online kanál má dělat zhruba 12,7 % všech prodejů potravin. To číslo je důležité hlavně z jiného důvodu: jakmile se online dostane přes určitou hranici, přestane to být marketingový projekt a stane se z toho operace.

A operace v potravinách je neúprosná. Krátké expirace, špičky před svátky, chybějící substituce, nespolehlivé časy dodání. V prosinci to v praxi znamená jediné: kdo nemá zvládnuté plánování zásob a logistiku „na minuty“, ten si online růst spíš protrpí.

V rámci série „Umělá inteligence v maloobchodu a e-commerce“ se dnes podíváme na to, proč se obchodníci stále častěji snaží stavět first‑party doručení (vlastní rozvoz a vlastní platformy) a proč je AI nejrychlejší cesta, jak online potraviny škálovat bez toho, aby to sežralo marži.

Proč online potraviny rostou, ale zároveň „tuhnou“

Online potraviny porostou dál, jen už ne explozivně. Trh zkrátka dozrává: většina lidí, kteří to chtěli zkusit, už objednávku aspoň jednou udělala. Zároveň se zákazníci po letech zdražování chovají víc „value-seeking“ – loví akce, porovnávají ceny, méně impulzivně přihazují do košíku.

To vytváří nepříjemnou kombinaci: větší konkurence, pomalejší růst a vyšší nároky na efektivitu. A přesně tady se láme chleba mezi firmami, které online „nějak mají“, a firmami, které z něj udělají profitabilní kanál.

Co znamená 12–13 % online podílu v praxi

Jakmile online přeroste do dvouciferného podílu, začne vám zásadně měnit:

• plánování práce ve skladu i na prodejně (picking)
• tok zboží mezi centrálním skladem, prodejnami a výdejními místy
• proměnlivost poptávky (online umí udělat špičku rychleji než kamenná prodejna)
• míru substitucí (a tím i spokojenost zákazníků)

Jinými slovy: online potraviny nejsou „e‑shop navíc“. Je to paralelní distribuční síť.

First‑party doručení: kontrola nad zkušeností i náklady

First‑party (1P) rozvoz a 1P platforma dávají obchodníkům dvě věci, které přes třetí strany získáváte obtížně: kontrolu nad náklady a kontrolu nad zákaznickou zkušeností.

Third‑party (3P) platformy typicky znamenají vyšší poplatky, méně prostoru pro vlastní pravidla substitucí, složitější řešení reklamací a hlavně slabší práci s daty. V době, kdy zákazníci tlačí na cenu, je rozdíl „o pár korun“ překvapivě často rozdíl mezi opakovanou objednávkou a odchodem.

Proč je 1P tak těžké bez AI

Vlastní rozvoz je logisticky i datově náročný. Potřebujete v reálném čase řídit:

• alokaci objednávek (odkud se bude vychystávat)
• kapacity kurýrů a vozidel
• okna doručení a jejich cenu
• chladový řetězec (teplota, doba mimo sklad)
• reklamace, vratky a „missing items“

Bez algoritmů to končí ručním plánováním, přepínáním mezi tabulkami a pravidly typu „když je pátek, pošli to z prodejny A“. To funguje do chvíle, než přijde prosincová špička.

Pick‑up roste rychleji než doručení. Dává to smysl.

Podle uvedených prognóz má pick‑up růst rychleji než delivery a do několika let tvořit téměř 47 % online prodejů. To není detail – pick‑up je pro mnoho hráčů nejrychlejší cesta k profitabilitě.

Pick‑up často vychází lépe, protože:

• poslední míli „zaplatí“ zákazník svým časem (a obchod ušetří)
• časová okna jsou stabilnější
• konsolidace objednávek je jednodušší
• snáz pohlídáte kvalitu vychystání a předání

AI v pick‑upu: kde reálně šetří peníze

Největší úspora nebývá v tom, že „AI něco doporučí“. Úspora je v tom, že se zkrátí čas vychystání a klesne počet chyb.

Konkrétní oblasti:

1. Optimalizace tras pickera v prodejně
   • model bere v potaz layout prodejny, obsazenost uliček, dostupnost zboží a prioritu (např. mražené až nakonec)
2. Predikce substitucí
   • AI odhaduje pravděpodobnost výpadku a předem nabídne alternativy, které zákazník opravdu přijme
3. Dynamické slotování výdejních oken
   • místo fixních kapacit AI přiděluje sloty podle očekávané náročnosti košíku (počet položek, vážené zboží, alkohol)

Moje zkušenost z projektů v retailu: už jen lepší slotování dokáže „zázračně“ uklidnit provoz, aniž byste najali jediného člověka navíc.

Poptávka, zásoby a expirace: AI má největší dopad mimo oči zákazníka

Nejvíc peněz v online potravinách neuteče na banneru. Uteče v zákulisí: ve špatně nakoupených zásobách, v odpadu z expirací, v převozech mezi prodejnami a v tom, že není skladem to, co zákazník očekává.

Predikce poptávky: proč klasické forecasty nestačí

U potravin je problém v tom, že poptávka není jen sezónní. Je „rozbitá“ událostmi:

• výplaty (jiné košíky okolo 10.–15. dne)
• promo akce a letáky
• lokální události (městské akce, sport)
• počasí (u některých kategorií zásadní)
• svátky a advent (prosinec je jiná liga)

AI forecasty (typicky kombinace time-series modelů a kontextových signálů) umí tyhle faktory míchat dohromady a průběžně se učit. Dobrý výstup není „kolik prodám“. Dobrý výstup je:

• očekávaný prodej po dnech a prodejnách
• interval nejistoty (co je ještě „v normě“)
• doporučená objednávka se započtením expirace a minimálního odběru

Omezování odpadu a řízení expirací

AI dává smysl hlavně tam, kde je cena chyby vysoká. U čerstvého sortimentu je vysoká vždy.

Praktické scénáře:

• dynamické zlevňování položek před expirací podle pravděpodobnosti prodeje
• přesměrování vychystání (online objednávky „spotřebují“ šarže s kratší expirací, pokud to nepoškodí kvalitu)
• mikro-promo jen pro zákazníky, kteří danou kategorii kupují (bez plošné slevové kanonády)

Tohle je přesně ten typ optimalizace, který je skoro neviditelný, ale v P&L je okamžitě cítit.

Logistika poslední míle: AI místo drahého „ručního hrdinství“

Poslední míle je nejdražší část online potravin. A není to jen o tom najít nejkratší trasu. Reálný svět má zácpy, výtahy, zákazy vjezdu, časová okna, různé teplotní režimy a kurýry s různou výkonností.

Co má smysl automatizovat jako první

Pokud začínáte (nebo vás tlačí náklady), pořadí priorit bych viděl takhle:

1. Predikce ETA a komunikace se zákazníkem
   • méně zmeškaných předání, méně kontaktů na zákaznickou linku
2. Dávkování objednávek (batching)
   • které košíky spojit do jedné jízdy, aby to drželo časy i chlad
3. Dynamické ceny doručení
   • když je špička, nechť se poptávka částečně přesune do pick‑upu nebo do pozdějších slotů
4. Detekce rizikových doručení
   • adresy s vysokou mírou neúspěšných předání, specifické instrukce, potřeba volání dopředu

1P vs 3P: data rozhodují

Největší výhoda 1P není „mít vlastní auta“. Je to mít kompletní datovou stopu: od kliknutí přes substituci až po doručení. Jakmile ta data máte, AI umí spojovat souvislosti:

• „Tahle prodejna má vyšší počet chyb v čerstvém“
• „Tenhle typ košíku má vyšší pravděpodobnost pozdního doručení“
• „Tahle skupina zákazníků při substituci odchází a příště nenakoupí“

Tohle jsou věci, které v 3P často neuvidíte v potřebné granularitě.

Personalizace v e-grocery: ne kvůli klikům, ale kvůli marži

Personalizace v online potravinách nemá být agresivní „doporučovací lišta“. Má být praktická pomoc.

Nejlepší personalizace je ta, která:

• zrychlí nákup (předpřipravené seznamy, opakování košíku)
• sníží substituce (preferované značky, alergeny, „nechci náhrady“)
• zvýší hodnotu košíku bez slev (komplementární položky ve správný čas)

Konkrétní příklady, které fungují

• „Chytré doplnění“: když zákazník kupuje těstoviny, připomenout omáčku a parmezán, ale jen pokud to dává smysl k jeho zvyklostem
• Preferované substituce: zákazník jednou potvrdí, že místo značky A bere značku B, a systém to příště udělá automaticky
• Sezónní košíky: v prosinci srozumitelně nabídnout „pečení“ balíček (mouka, cukr, máslo, koření) bez toho, aby to působilo jako reklama

Tady je dobré být přísný: pokud personalizace zhoršuje přehlednost e‑shopu, beru ji jako produktový dluh, ne jako přínos.

Časté otázky z praxe (a stručné odpovědi)

„Kde začít s AI, když mám omezený rozpočet?“

Začněte tam, kde je největší provozní bolest: forecast zásob pro top 200–500 položek, optimalizace slotů a snížení substitucí. Návratnost bývá rychlejší než u „velkého“ robotického skladu.

„Musím mít vlastní datový tým?“

Nemusíte, ale musíte mít jasného vlastníka dat (typicky produkt/BI) a disciplínu v kvalitě dat. Bez toho budete platit za modely, které se učí z chaosu.

„Co je největší riziko při nasazení AI do e-grocery?“

Ne model. Největší riziko je špatná změnová řízení: lidé v provozu dostanou nové doporučení, ale procesy a metriky zůstanou staré. Výsledek: AI „existuje“, ale nikdo jí nevěří.

Co si z toho odnést a co udělat příští měsíc

Online potraviny porostou, jen už ne na autopilota. Kdo chce růst a zároveň udržet marži, musí se chovat jako logistická firma se silným e‑commerce produktem. AI v řízení zásob, pick‑upu a poslední míle je dnes nejpraktičtější cesta, jak toho dosáhnout bez nekonečného nabírání lidí.

Pokud řešíte e-grocery v Česku nebo ve střední Evropě, doporučuju udělat jednoduchý audit: kde nejčastěji ztrácíte peníze – ve výpadcích, v expiracích, v drahém doručení, nebo v chybách vychystání? Jakmile to pojmenujete, AI už není „téma do strategie“, ale sada konkrétních projektů.

A teď ta otázka, kterou si klade čím dál víc obchodníků: až online potraviny definitivně přejdou do režimu „standard“, budete je provozovat jako vedlejší kanál – nebo jako optimalizovanou síť, kterou řídí data a algoritmy?