AI v maloobchodu: Proč i „tech“ prodejna zkrachuje

Volba je někdy krutě jednoduchá: buď umíte řídit čísla v reálném čase, nebo vás realita dožene. V říjnu 2024 oznámil CEO Mike Fogarty, že americký řetězec convenience prodejen Choice Market po měsících snah o reorganizaci končí. A to je přesně ten typ firmy, u které byste čekali opak: moderní koncept, důraz na čerstvé jídlo, lokální dodavatele a technologie v prodejně.

Jenže „tech-forward“ není totéž co data-driven. A už vůbec ne totéž co AI-ready. Zavření Choice Market je užitečný case study pro každého, kdo řeší AI v maloobchodu a e-commerce, ale i pro lidi z potravinářství a zemědělství: pokud retail neumí předvídat poptávku, řídit plýtvání a marži a propojit dodavatelský řetězec od farmy až po regál, technologie na prodejně to sama nespasí.

Níže rozebírám, co se z toho dá vzít pro české prostředí (od menších sítí přes franšízy až po specializované prodejce) a jaké AI use-cases dávají smysl hned teď – bez marketingových pohádek.

Co Choice Market ukazuje: technologie v prodejně nestačí

Choice Market vyrostl od roku 2017 jako městský „lepší convenience“: rychlý nákup, ale s kvalitním, čerstvým sortimentem. V jednu chvíli provozoval několik prodejen v Denveru a experimentoval i s menšími automatizovanými „mini“ formáty. Zní to jako správná odpověď na trend „rychle a zdravě“.

Klíčová lekce je ale jednoduchá: moderní prodejna je pořád hlavně o ekonomice jednotky (unit economics). Pokud se vám dlouhodobě nedaří držet marži, náklady na práci a ztráty ze zkažení, je jedno, jestli máte chytré regály nebo samoobslužné technologie.

Pandemie COVID-19 srazila průchodnost a tržby, inflace zvýšila ceny vstupů, náklady na práci rostly a trh s pracovní silou zůstal napjatý. Firma zkoušela škrtat náklady, měnit vedení, nasazovat další technologie a nakonec skončila v reorganizaci. V praxi šlo o kombinaci:

• šoku poptávky (lockdowny a změna chování zákazníků),
• šoku nabídky (dražší zboží, logistika, energie),
• tlaku na mzdy a provozní náklady,
• a nejspíš i nedostatku přesných predikcí, kde a na čem skutečně vydělávají.

Tady se dostáváme k AI. Ne jako k „hračce“ do prodejny, ale jako k systému řízení.

Kde mohla AI reálně pomoct (a kde ne)

AI neumí zázračně vyrobit kapitál, ani zastavit pandemii. Umí ale zlepšit tři věci, které v convenience a potravinách rozhodují o přežití: poptávka, plýtvání, marže.

1) Predikce poptávky na úrovni prodejny a hodiny

Největší rozdíl mezi „máme data“ a „řídíme podle dat“ je granularita. U čerstvého sortimentu často nerozhoduje den, ale konkrétní časové okno.

AI modely pro forecasting poptávky dnes běžně pracují s:

• prodejní historií (SKU × prodejna × čas),
• počasím,
• lokálními událostmi (koncerty, sport),
• výplatními termíny,
• promo akcemi,
• a dostupností zboží.

Výstupem nemá být „objednej víc“, ale konkrétní doporučení: kolik kusů, kdy doplnit, kdy zlevnit a kdy raději nevařit další várku.

Proč to souvisí i se zemědělstvím? Když retail umí předvídat, dokáže dávat dodavatelům stabilnější objednávky. A stabilita je v agro a potravinářství často cennější než jednorázový vyšší objem.

2) Dynamické ceny a markdown management u čerstvých potravin

U čerstvých produktů není problém jen „prodat“, ale prodat včas. AI pro dynamické oceňování (v praxi často pravidly řízené + model) umí:

• spustit slevu přesně tehdy, kdy to ještě zachrání marži,
• zohlednit zásobu, expiraci, průchodnost a konkurenci,
• vyhnout se plošným slevám, které zbytečně pálí zisk.

V ČR je tohle téma citlivé (zákazníci rychle vnímají nespravedlnost), ale dá se dělat férově: transparentní slevy podle expirace, konzistentní pravidla, jasné označení.

3) Řízení plýtvání jako KPI, ne jako „vedlejší škoda“

Plýtvání v potravinách není jen ekologická ostuda; v mnoha formátech je to přímý ziskový killer. AI může pomoct identifikovat, kde mizí marže:

• příliš široký sortiment v konkrétní lokalitě,
• špatné objednávkové minimum,
• nevhodné balení/gramáž,
• špatné plánování výroby (pečivo, hotovky, saláty).

Tady funguje jednoduchý princip: co nejde měřit, nejde řídit. A co se měří jednou měsíčně, už je pozdě.

4) Práce s personálem: predikce směn a zátěže

Choice Market bojoval i s náklady na pracovní sílu. AI v tomto bodě není o „nahrazení lidí“, ale o tom, aby nebyli ve špatný čas na špatném místě.

Modely pro workforce forecasting umí předpovědět špičky a doporučit směny tak, aby:

• fronty neničily konverzi,
• přebytek lidí nespaloval náklady,
• a doplňování probíhalo ve chvíli, kdy to nebolí zákaznický zážitek.

Kde AI nepomůže, když chybí základ

AI nezachrání firmu, která:

• nemá disciplinu v datech (SKU, expirace, skladové pohyby),
• nemá jasnou cenovou a promo strategii,
• nemá vyřešenou logistiku poslední míle,
• nebo staví koncept na „wow efektu“ místo opakovatelné ekonomiky.

Technologie v prodejně je vidět. Ekonomika je vidět až ve výsledovce.

Propojení s agro a potravinářstvím: AI není jen pro retail

V našem seriálu „Umělá inteligence v maloobchodu a e-commerce“ často mluvíme o personalizaci a zásobách. Jenže u potravin je AI nejcennější tehdy, když propojí články řetězce:

• farmář → zpracovatel → distributor → prodejna → zákazník.

„Forecast sharing“: když predikce z pokladny pomáhá na poli

Když retailer umí dělat slušnou predikci, může ji sdílet s dodavateli jako signál:

• co poroste (např. poptávka po ready-to-eat),
• co se sezónně láme (vánoční špičky, začátek roku „zdravé stravování“),
• jaké gramáže a obaly fungují.

Pro zemědělce a potravináře to znamená méně překvapení, menší výkyvy výroby a nižší odpisy.

Kvalita a čerstvost jako datová disciplína

Choice stavěl na čerstvosti. U čerstvosti ale nevyhrává ten, kdo má nejlepší slogan, ale ten, kdo má nejrychlejší feedback loop:

• jak dlouho se produkt reálně prodává,
• jaká je návratnost zlevnění,
• jaký je rozdíl mezi pobočkami,
• a co se vyhazuje (a proč).

AI tady funguje jako „autopilot“ pro rutinní rozhodnutí. Lidé pak řeší výjimky a vztahy s dodavateli.

Praktický checklist pro české prodejce: 90 dní k AI, která dává smysl

Nejčastější chyba firem je, že začnou u „nejvíc sexy“ technologie. Lepší postup je obrácený: nejdřív zmapovat, kde utíkají peníze.

Krok 1: Ujasněte si 3 cíle (a měřte je týdně)

Doporučuju vybrat jen tři KPI, které se dají ovlivnit:

1. Odpady / plýtvání (v Kč a % z tržeb),
2. Dostupnost (out-of-stock u top SKU),
3. Hrubá marže po odpisu (ne jen marže na papíře).

Krok 2: Udělejte „data minimum“

Bez toho AI modely jen věští z kouře.

• jednotné SKU a názvosloví,
• přesné expirace a šarže tam, kde to dává smysl,
• skladové pohyby (příjem, odpis, přesun),
• propojení prodeje, cen a prom.

Krok 3: Pilot na 5–10 prodejnách, ne na celé síti

Vyberte mix poboček (centrum, sídliště, u dopravy) a pusťte:

• predikci poptávky pro 50–100 nejproblematičtějších SKU,
• doporučení objednávek,
• jednoduchý markdown podle expirace.

Po 6–8 týdnech uvidíte, jestli to:

• snižuje odpis,
• zlepšuje dostupnost,
• a drží marži.

Krok 4: Teprve potom automatizace prodejny

Cashierless, kamery, chytré regály – tohle má smysl až ve chvíli, kdy víte, že prodáváte správné věci za správné ceny a ve správném množství. Jinak automatizujete chaos.

„Nejrychlejší cesta k drahé chybě je automatizovat proces, který není dobrý.“

Co si z Choice Market odnést, pokud řešíte AI v maloobchodu

Choice Market chtěl posunout convenience směrem k čerstvému jídlu a modernímu nakupování. To je správná intuice. Ale realita potravinového retailu je neúprosná: rozhodují detaily, opakovatelnost a schopnost reagovat rychle.

Pokud bych měl dát jednu větu, kterou bych si nalepil na zeď každé „tech“ prodejny, zní takhle: AI není doplněk pro zážitek, AI je řízení provozu.

A teď to prakticky: pokud jste retailer, výrobce, distributor nebo agro firma a přemýšlíte, jak propojit poptávku s výrobou a minimalizovat plýtvání, začněte u dat a u pilotu, který má přímý dopad na marži. Pak má smysl řešit personalizaci, chytré prodejny a další vrstvy.

Co by se stalo, kdyby každý článek řetězce – od pole po regál – sdílel jednu společnou predikci poptávky a jednu společnou definici „plýtvání“? Přesně tímhle směrem se bude potravinový trh v roce 2026 posouvat.