AI personalizace v e-grocery: obchod pro každého

Dvě věci dnes rozhodují o tom, kdo vyhraje „válku o nákupní košík“: rychlost a relevance. V online prodeji potravin je to ještě ostřejší než v jiných segmentech e-commerce, protože nákupní seznam mívá desítky položek, domácnost má různé preference a zákazník nechce hledat – chce mít hotovo.

Spencer Price z firmy Halla (dnes v rámci Wynshop) to popsal přímo: budoucnost směřuje k tomu, že každý zákazník uvidí svůj vlastní „unikátní obchod“. Ne jako marketingový slogan, ale jako velmi konkrétní kombinaci doporučování, vyhledávání, náhrad a práce s produktovými daty. A právě tohle je skvělý případ pro naši sérii „Umělá inteligence v maloobchodu a e-commerce“ – protože personalizace v retailu se už dávno netočí jen kolem bannerů, ale kolem efektivity celého potravinového řetězce.

Proč je AI personalizace v potravinách těžší než na Netflixu

Potraviny nejsou obsah. U seriálů je „špatné doporučení“ jen drobná nepříjemnost. U jídla může mít chybný návrh dopad na zdraví, alergie, dietní režim nebo rodinný rozpočet.

Price trefně přirovnává směr vývoje k Netflixu: různé profily v jedné domácnosti vidí jiné návrhy a dokonce jiné vizuály. V e-grocery ale narážíte na tři komplikace, které obsahové platformy řeší minimálně:

1. Více omezení najednou – alergeny, intolerance, preference (bez cukru, bez lepku), náboženské zásady, dětská strava.
2. Kontext použití – „rajčata“ znamenají něco jiného pro salát, omáčku, sendvič nebo školní svačinu.
3. Dostupnost a substituce – produkt nemusí být skladem, je třeba nabídnout náhradu, která dává smysl chuťově i nutričně.

„Personalizace v potravinách je kombinace relevance a důvěry. Když ji ztratíte, zákazník se vrátí k tomu, co zná – nebo k jinému e-shopu.“

Právě proto se v potravinách často víc vyplácí klasické recommender systémy (s dlouhou historií a měřitelným výkonem) než snaha „udělat všechno chatbotem“.

Doporučování jako tichý prodejce: proč o něj jde

Klíčová myšlenka z rozhovoru: Amazonu má významná část tržeb přicházet z doporučovacích modulů typu „Mohlo by se vám líbit“ nebo „Zákazníci také koupili“. To je pro potravináře bolestivý kontrast: mnoho e-grocery hráčů stále prodává hlavně přes vyhledávání, akce a letáky – tedy přes model, který je v digitálu drahý a málo flexibilní.

AI doporučování v e-grocery není jen o tom prodat víc. Je to nástroj, který zlepšuje:

• Konverzi (rychlejší nalezení relevantních položek)
• Velikost košíku (smysluplné doplnění: přílohy, suroviny na recept)
• Retenci (zákazník má pocit, že „tohle je můj obchod“)
• Substituce (když něco chybí, systém zachrání nákup)

Co v praxi znamená „unikátní obchod pro každého“

Nejde o to, že by se pro každého přestavěl celý web. Jde o to, že se mění pořadí a výběr toho, co zákazník vidí jako první a nejčastěji:

• domovská stránka (kategorie, které dávají smysl)
• vyhledávání (lepší pochopení dotazu)
• detail produktu (doporučené alternativy)
• košík (doplnění a chytřejší substituce)

Pokud tohle funguje, zákazník nakoupí rychleji. A rychlost je v potravinách často silnější motivátor než sleva.

Vyhledávání potravin: místo pro LLM, ale s jasnými pravidly

Price je překvapivě skeptický k tomu, že by „konverzační nakupování“ bylo v potravinách hlavní use case. A dává to smysl: když přidáváte 25 položek do košíku, nechcete si povídat. Chcete najít „šunku 95 %“, „těstoviny bez lepku“ a „jogurt bez laktózy“ – rychle.

Kde ale LLM a moderní jazykové modely reálně pomáhají, je vrstva porozumění přirozenému jazyku:

• synonyma („rohlík“ vs. „houska“ v různých regionech, „vanilkový“ vs. „vanilka“)
• překlepy
• dlouhé dotazy („rychlá večeře bez masa pro děti“)
• záměna významů v potravinách (např. „pomeranč“ jako ovoce vs. příchuť)

Jenže tady přichází tvrdá hranice: halucinace. Price zmiňuje příklad „polévka z hovězího a banánu“ doporučená generativní AI. Směšné? Ano. Ale v retailu potravin jsou horší scénáře: mylné alergeny, výživové hodnoty, zdravotní tvrzení.

Bezpečný vzorec: AI asistuje, člověk schvaluje

Prakticky funkční přístup v potravinářském e-commerce dnes vypadá takhle:

1. LLM / transformer navrhne interpretaci dotazu, synonyma nebo mapování atributů
2. Doménová znalostní báze (ontologie produktů) ověří významy a vztahy
3. Pravidla kvality + člověk v procesu schválí kritické změny v katalozích (nutriční fakta, alergeny)

Tohle není „romantická AI v plné autonomii“. Je to provozní realita, která chrání značku i zákazníka.

Špinavá data: nejdražší problém e-grocery, který nejde přeskočit

Pokud jste někdy spravovali produktový katalog, víte, že potraviny jsou peklo. Různé formáty názvů, chybějící alergeny, nepřesné gramáže, duplicity, nejednotné atributy.

A bez kvalitních dat personalizace kulhá. Doporučovací systém je jen tak dobrý, jak dobré má vstupy.

Co se vyplatí řešit jako první (praktický checklist)

Pokud byste si měli vybrat jen pár věcí, které nejrychleji zlepší výsledky personalizace a vyhledávání, začal bych takto:

• Normalizace atributů: hmotnost/objem, jednotky, multipacky
• Alergeny a dietní štítky: bez lepku, bez laktózy, vegan – konzistentně
• Značky a varianty: jedna značka = jedna entita (ne pět zápisů)
• Kategorie a podkategorie: aby „proteinový jogurt“ nebyl jednou v „zdravá výživa“ a podruhé v „mléčné“ bez logiky
• Substituční pravidla: co je přijatelné nahradit (a pro koho ne)

Až potom má smysl ladit „fígle“ typu personalizovaných bannerů. V potravinách vyhrává ten, kdo zvládá základy.

Co si z toho má odnést český retail a potravinářství v roce 2025

Prosinec v českém retailu tradičně znamená extrémní tlak: svátky, víkendové špičky, vyšší citlivost na dostupnost i rychlost doručení. A zároveň roste podíl zákazníků, kteří střídají kanály – jednou kamenná prodejna, jindy e-shop nebo rozvoz.

Tady je moje nepopulární teze: většina řetězců nepodceňuje AI, ale přeceňuje chatboty a podceňuje vyhledávání a substituce. To jsou přitom místa, kde se rozhoduje o spokojenosti.

5 konkrétních kroků, které dávají smysl (a dají se obhájit i CFO)

1. Změřte baseline: konverze z vyhledávání, „zero-results“ dotazy, míra substitucí, storna kvůli nedostupnosti.
2. Vylepšete vyhledávání v češtině: překlepy, skloňování, synonyma a regionální výrazy.
3. Zaveďte personalizované doporučování tam, kde nebolí: domovská stránka, „doplnit do košíku“, podobné položky.
4. Postavte substituce na datech: nejen „podobná cena“, ale chuť, alergeny, dietní profil, značka.
5. Nastavte governance pro AI: kdo schvaluje změny v katalozích, jak se testuje kvalita, jak se auditují chyby.

Tohle je rozdíl mezi „AI projektem“ a AI jako provozní disciplínou.

Kam míří personalizace: od prodeje k efektivitě řetězce

Nejzajímavější dopad personalizace často není na úrovni jedné návštěvy e-shopu, ale v tom, jak se změní plánování:

• přesnější poptávka podle profilů zákazníků
• lepší řízení zásob (méně výpadků, méně přebytků)
• snížení potravinového odpadu díky chytřejšímu doporučování a substitucím
• cílenější promo akce (méně plošných slev, více relevance)

A tohle už přímo navazuje na naši širší kampaň „Umělá inteligence v zemědělství a potravinářství“: retail není oddělený svět. Jakmile e-grocery začne predikovat poptávku kvalitněji, mění se tlak na dodavatelský řetězec, logistiku i výrobu.

Co je dobrá otázka pro rok 2035 – a proč začít teď

„Unikátní obchod pro každého“ zní jako vize na deset let. Reálně je to spíš soubor dílčích rozhodnutí, která se dají zavádět postupně: nejdřív vyhledávání a data, pak doporučování, pak profily domácností a chytré substituce.

Pokud provozujete e-shop s potravinami, řídíte digital v řetězci nebo dodáváte technologie pro retail, položil bych si jednu jednoduchou otázku: Kdy naposledy náš e-shop šetřil zákazníkovi čas – a uměli jsme to přesně změřit?

Chcete-li posunout personalizaci ve vašem e-grocery (nebo u dodavatele/řetězce) z pilotu do reality, vyplatí se začít auditováním dat, vyhledávání a substitucí. Teprve pak dává AI doporučování stabilní výkon, který se dá škálovat i obhájit.