Nákup potravin: proč vítězí vyzvednutí a co s tím AI

Online prodej potravin po pandemii ztratil tempo. V USA se podle dat z 09/2023 meziročně snížily tržby z online nákupů potravin o 3,1 % (z 7,8 mld. USD na 7,5 mld. USD). Zajímavější než samotný pokles je ale to, co zůstalo: lidé si u online nákupu potravin „nevybrali“ primárně doručení domů. Ustálili se na vyzvednutí (pick-up).

Tohle není jen detail pro retail. Je to jasný signál pro celý potravinový řetězec – od výrobců, přes distribuční sklady až po zemědělce. Když se mění způsob, jakým zákazník nakupuje, mění se i to, jak se plánuje výroba, balení, zásoby a logistika. A právě tady dostává umělá inteligence v maloobchodu a e-commerce velmi praktickou roli: pomáhá sladit poptávku, dostupnost a rychlost vychystání tak, aby vyzvednutí nebylo stres, ale konkurenční výhoda.

Proč online nákup „zploštěl“, ale vyzvednutí roste

Zjednodušeně: pandemie naučila masy nakupovat online, ale po návratu do běžného režimu se část lidí vrátila do prodejen. Data ukazují dva konkrétní důvody poklesu online tržeb:

• Frekvence objednávek na uživatele meziročně klesla o 8 % (z 2,52 na 2,31 objednávky měsíčně).
• U pravidelných zákazníků (ti, kteří použili e-grocery 4× a více) klesla průměrná hodnota objednávky z 104,39 USD na 100,49 USD.

Jinými slovy: i ti, kdo online nákup používají, objednávají o něco méně často a utrácejí o něco méně na košík.

Vyzvednutí jde proti proudu. V USA ho v 09/2023 využilo 58,7 % aktivních online nakupujících (o rok dřív 53 %). Doručení (ať už vlastní nebo přes třetí strany) naopak mírně oslabovalo.

Co lidé ve vyzvednutí skutečně kupují

Vyzvednutí je praktické hlavně tam, kde zákazník nechce řešit „okno doručení“ a zároveň nechce trávit čas v prodejně. Typicky:

• rodiny s dětmi (rychlé doplnění zásob po práci)
• lidé dojíždějící autem (vyzvednutí cestou domů)
• malé „top-up“ nákupy (chybí suroviny na večeři)
• zákazníci citliví na cenu (vyzvednutí bývá levnější než doručení)

Tohle má dopad na skladbu sortimentu, balení i plánování zásob: roste význam rychle obrátkových položek, připravených balíčků a přesnosti substitucí.

Pick-up je logistická disciplína. Bez dat bolí.

Vyzvednutí vypadá jednoduše: zákazník objedná, obchod nachystá, někdo přinese tašky do auta. Realita? Je to systém, ve kterém stačí malá chyba a náklady letí nahoru.

Nejčastější problémy, které vidím u retailerů (a které zákazník pozná okamžitě):

• Nesoulad zásob vs. e-shop (objednáno „skladem“, ale ve skutečnosti vyprodáno)
• Dlouhé čekání na parkovišti (fronty v pík hodinách)
• Substituce, které nedávají smysl (místo kvalitního másla náhražka, která zákazníka naštve)
• Rozpad teplotního řetězce (chlazené/ mražené zboží trpí při špatném slottingu a vychystání)

Každý z těchto bodů je současně: problém zákaznické zkušenosti, problém nákladů a problém plánování potravinového řetězce.

A přesně tady má AI nejlepší návratnost: ne jako „hezký dashboard“, ale jako motor rozhodování v reálném čase.

Jak AI optimalizuje vyzvednutí: 6 konkrétních použití

AI v e-commerce potravin není o jednom velkém modelu. Je to sada menších, dobře měřitelných optimalizací. Níže je šest oblastí, kde se vyzvednutí typicky zlepší nejrychleji.

1) Predikce poptávky po pick-up slotech (slot forecasting)

Klíčová věta pro provoz: slot je kapacita, ne kalendář.

AI modely umí předpovídat vytížení podle:

• dne v týdnu a denní hodiny
• sezónnosti (prosinec je jiný svět než únor)
• lokálních událostí (sport, svátky, výplaty)
• počasí (u nás často zásadní pro „rychlé nákupy autem“)

Výsledek: obchod nastaví sloty tak, aby nevznikaly špičky, nebo aby se špičky „zjemnily“ cenou, limitem košíku či pobídkou.

2) Chytřejší řízení zásob pro online vs. prodejnu

Vyzvednutí je hybrid: zboží je fyzicky v prodejně, ale prodává se online. Pokud se zásoby neřídí odděleně (alespoň virtuálně), vzniká chaos.

AI pomáhá tím, že:

• odhaduje pravděpodobnost vyprodání během dne (ne jen „dnes/ zítra“)
• doporučí „ochrannou rezervu“ pro klíčové položky
• navrhne prioritizaci doplňování regálů pro pick-up peak

Tohle je zároveň důležitý most do zemědělství a výroby: přesnější predikce v retailu znamená stabilnější objednávky a méně panických změn na poslední chvíli.

3) Optimalizace vychystávání (pick path a batching)

Největší náklad pick-upu často není parkoviště. Je to čas vychystávání.

AI umí:

• skládat objednávky do „batchů“ (vychystat víc objednávek jedním okruhem)
• optimalizovat trasu v prodejně podle mapy a obsazenosti uliček
• doporučit rozmístění často objednávaných položek (slotting)

Provozní metrika, kterou stojí za to hlídat: minuty vychystání na objednávku a podíl substitucí.

4) Predikce substitucí a „bezpečné“ náhrady

Substituce nejsou jen logistika. Jsou to emoce. Zákazník odpustí pozdní rohlíky méně než pozdní baterky.

AI může spočítat:

• které položky se nejčastěji vyprodávají v konkrétních časech
• jaké náhrady mají nejvyšší míru akceptace (podle historie)
• kdy je lepší nabídnout vrácení peněz místo náhrady

Dobré pravidlo: substituce musí chránit „účel“ nákupu, ne jen kategorii. Máslo na pečení není totéž co rostlinný tuk.

5) Dynamické plánování práce (workforce scheduling)

Vyzvednutí vytváří špičky – typicky po 16:00, o víkendech a v předvánočním období. Prosinec 2025 v Česku bude navíc tradičně pod tlakem promem akcí a zrychlených nákupů.

AI plánování směn pomáhá:

• sladit počet vychystávačů s očekávanou poptávkou po slotech
• snížit přesčasy i „hluchá“ okna
• řídit školení (nováček vs. zkušený vychystávač na peak)

6) Personalizace pro pick-up (bez toho, aby byla otravná)

Personalizace u potravin funguje jen tehdy, když je praktická.

Co se mi osvědčilo jako realistické use-cases:

• připomenutí „dokup to, co ti obvykle chybí“ před potvrzením košíku
• chytré návrhy podle receptů (zejména u víkendových nákupů)
• upozornění na vhodnější velikost balení (u rodinných nákupů)

Výhra pro zákazníka: méně zapomenutých položek. Výhra pro obchod: vyšší košík bez agresivních slev.

Co si z pick-up trendu má vzít potravinový řetězec (nejen retail)

Vyzvednutí tlačí na jednu věc: přesnost. A přesnost se přenáší dozadu po řetězci.

Od prodejny až na pole: kde se data „propíchnou“ nejvíc

• Výrobci a balírny: roste význam balení vhodného pro rychlé vychystání (stabilní jednotky, méně „křehkých“ kombinací).
• Distribuce: důležitější je pravidelnost a predikovatelnost dodávek než jednorázové „velké doplnění“.
• Čerstvé potraviny: pick-up zvyšuje tlak na správné FEFO řízení (first-expired-first-out) a na minimalizaci odpadu.

V praxi to znamená, že AI v maloobchodu a e-commerce není izolovaná kapitola. Je to spouštěč, který zlepšuje i plánování ve výrobě a zemědělství – protože když retail ví, co se bude vyzvedávat, může to včas objednat a zpracovat.

Věta, která by měla viset v každém týmu e-grocery: „Pick-up je zákaznický produkt, ale provozně je to továrna.“

Rychlý checklist: jak začít s AI pro vyzvednutí během 60 dní

Nejčastější chyba je začít „velkou platformou“ a nemít čistá data. Lepší je jít po krocích.

1. Sjednoťte definice metrik: co je „dostupnost“, co je „zpoždění“, co je „substituce“.
2. Zaveďte jednoduché měření: čekání na parkovišti, minuty vychystání, podíl náhrad, NPS/CSAT pro pick-up.
3. Vytipujte 20 top položek: u nich řešte dostupnost a substituce jako první.
4. Pilotujte predikci slotů na jedné prodejně/regionu.
5. Automatizujte doporučení práce (kolik lidí na vychystání) pro špičky.
6. Vyhodnocujte týdně: pick-up je operativa, ne roční strategie.

Pokud jste dodavatel technologií nebo potravinářská firma, která chce napojit data na retail, tohle je ideální moment: retailerům se vyplatí investovat do věcí, které zlepší vyzvednutí ještě před dalším vánočním peakem.

Kam se to posune v roce 2026: méně „online vs. offline“, víc „rychlé splnění“

Vypadá to, že online potraviny narazily na přirozený strop adopce – ne všichni chtějí nakupovat online pořád. Ale vyzvednutí si drží momentum, protože kombinuje rychlost online s kontrolou fyzického světa.

Pro značky i obchody z toho plyne jednoduchý závěr: kdo zvládne pick-up provozně, vyhraje loajalitu těch nejhodnotnějších zákazníků – lidí, kteří nakupují pravidelně, plánují a chtějí mít nákup „hotový“ bez zbytečné námahy.

A teď ta podstatná část pro naši sérii Umělá inteligence v maloobchodu a e-commerce: AI tady není dekorace. Je to způsob, jak přepnout z režimu „hasíme vyprodáno“ do režimu „předvídáme, plánujeme, plníme“.

Pokud chcete, aby vyzvednutí fungovalo i ve špičkách (a aby se nepropálily marže na ruční práci a odpadu), začněte jedním měřitelným use-case: predikce poptávky po slotech nebo dostupnost top položek. Zbytek se na to nabalí rychle.

Co podle vás rozhodne o tom, zda se vyzvednutí stane v Česku dominantním modelem e-grocery: cena, rychlost, nebo spolehlivost substitucí?