Die Dynamik des Online-Lebensmitteleinkaufs stellt Unternehmen vor erhebliche Herausforderungen, insbesondere wenn Produkte nicht vorrätig sind. Instacart, eine führende Plattform im Bereich der Lebensmittelzustellung, hat sich dieser Problematik gestellt und nutzt fortschrittliche Methoden des maschinellen Lernens, um Ersatzprodukte für ausverkaufte Artikel vorzuschlagen. Dieser Ansatz zielt darauf ab, die Kundenzufriedenheit zu erhöhen und den Einkaufsprozess so reibungslos wie möglich zu gestalten. Dabei werden komplexe Datenquellen, Kundenpräferenzen und Händlerbestände in Echtzeit berücksichtigt, um eine präzise und personalisierte Empfehlung zu ermöglichen. Ein zentrales Hindernis, das Instacart mit seiner Technologie überwindet, ist das Fehlen von Echtzeit-Produktverfügbarkeitsdaten bei den Händlern. Ohne diese Informationen wäre es schwierig, passende Ersatzprodukte dynamisch auszuwählen, zumal sich die Bestände ständig verändern.
Die Lösung von Instacart besteht darin, ein maschinelles Lernmodell zu entwickeln, das auf historischen Daten basiert und Muster in der Produktverfügbarkeit sowie im Kundenverhalten erkennt. Dieses Modell schlägt Ersatzartikel vor, die hinsichtlich Eigenschaften, Marke, Größe und anderen Attributen dem ursprünglich gewählten Produkt möglichst ähnlich sind. So werden nicht nur einfache Substitutionen ermöglicht, sondern auch ein hohes Maß an Kundenzufriedenheit gewährleistet. Die Relevanz der Ersatzempfehlungen wird durch mehrere Faktoren bestimmt. Ein wichtiger Aspekt ist die sogenannte Head-und-Tail-Problematik. Beliebte Produkte, die häufig gekauft werden, liefern viele Datenpunkte, wodurch das Modell präzise Vorhersagen treffen kann. Anders verhält es sich bei selten gekauften oder neuen Produkten, für die weniger historische Daten vorliegen. Hier greift das System auf Katalogattribute und heuristische Methoden zurück, um geeignete Ersatzprodukte zu ermitteln.
Die Balance zwischen diesen Extremen zu halten, ist entscheidend, damit auch außergewöhnliche oder neue Produkte mit sinnvollen Alternativen versehen werden. Darüber hinaus ist es essenziell, die unterschiedlichen Bestände verschiedener Einzelhändler zu berücksichtigen. Ein universelles Modell, das keine Händler-spezifischen Daten einbezieht, führt zu weniger relevanten Vorschlägen und Kundenunzufriedenheit. Instacart hat daher sein Modell so angepasst, dass es die Besonderheiten und Lagerbestände jedes Händlers erkennt und berücksichtigt. Diese Händler-spezifische Ausrichtung erleichtert es den Einkäufern, Produkte vor Ort tatsächlich zu finden und reduziert die Wahrscheinlichkeit, auf teurere oder weniger bevorzugte Alternativen zurückgreifen zu müssen. Das Modell zur Ersatzempfehlung besteht aus mehreren Komponenten. Eine davon ist das sogenannte Cold-Start-Modell, das besonders für neue oder wenig frequentierte Produkte konzipiert wurde.
Es arbeitet mit einer zweistufigen Pipeline, in welcher zunächst eine heuristische Auswahl an potenziellen Ersatzkandidaten generiert wird, die mithilfe verschiedener Kriterien gefiltert werden. Dazu zählen vergangene gemeinsame Ersatzprodukte, Katalogkategorie-Zugehörigkeiten, Ladenplatzierungen sowie semantische Ähnlichkeiten in den Produktbeschreibungen. Im Anschluss daran erfolgt eine Rangordnung dieser Kandidaten durch ein tief lernendes Modell. Dabei werden eine Reihe von Produktmerkmalen berücksichtigt, etwa Textmerkmale wie Produktnamen, kategoriale Merkmale wie Marke oder Größe, binäre Attribute wie vegan oder Bio sowie vortrainierte Produkt-Embeddings. Die Modellarchitektur basiert auf einem Siamese-Netzwerk, das zwei Produkte parallel verarbeitet, um deren Ähnlichkeit zu bewerten.
Durch die regelmäßige Aktualisierung und das Training des Modells mit aktuellen Kundendaten stellt Instacart sicher, dass die Vorschläge kontinuierlich optimiert werden und auch für neue Produkte gute Empfehlungen generiert werden. Das Engagement-Modell ergänzt dieses Vorgehen, indem es die tatsächlichen Kundeninteraktionen mit Ersatzprodukten stärker gewichtet. Für sehr populäre Produkte, die viele Ersatzversuche aufweisen, greift das System auf historische Kundenbewertungsraten zurück, um insbesondere bewährte Ersatzprodukte zu favorisieren. Dieses Memorization-Element stellt sicher, dass bewährte und häufig akzeptierte Alternativen die Rangliste dominieren, was der Zufriedenheit der Konsumenten zugutekommt. Durch die Kombination beider Modelle entsteht ein Ensemble, dessen Gewichtung sich dynamisch an die Anzahl der Ersatzversuche anpasst.
So übernehmen die gedächtnisbasierten Engagement-Modelle bei häufigen Ersatzpaaren das Ruder, während das tief lernende Cold-Start-Modell bei weniger häufigen oder neuen Produkten dominanter bleibt. Diese Synergie sorgt für eine ausgewogene und dennoch hochpräzise Empfehlung, die den individuellen Bedürfnissen der Nutzer gerecht wird. Eine weitere wichtige Verbesserung besteht in der Anpassung des Modells an die spezifischen Lagerbestände und Sortimentseigenschaften einzelner Händler. Instacart wechselte von einer allgemeinen Betrachtung aller Händler zu einer detailreichen, händlerbezogenen Perspektive. Das führt dazu, dass Produkte, die bei einem bestimmten Händler nicht verfügbar sind, nicht mehr als Ersatz vorgeschlagen werden und dass händlerexklusive Artikel stärker berücksichtigt werden. Durch diese Händlerbewusstheit werden nicht nur relevantere Vorschläge generiert, sondern auch Preise und Markenpräferenzen besser abgebildet, was negative Kundenerfahrungen minimiert.
Das praktische Ergebnis dieser technologischen Innovationen zeigt sich in einer deutlich höheren Zufriedenheit der Instacart-Kunden sowie einer Verringerung der Probleme beim Ersatzproduktversand. Kunden erhalten Ersatzprodukte, die ihren ursprünglichen Präferenzen besser entsprechen, und Shopper vor Ort profitieren von klareren Empfehlungen, die ihren Einkauf effizienter machen. Instacart plant zudem, das System künftig noch tiefer zu verbessern, etwa durch den Einsatz bildbasierter Signale zur besseren Produkterkennung und durch die Integration langfristiger Kundenpräferenzen und kontextbezogener Einkaufssignale. Diese Fortschritte werden das Ersatzempfehlungssystem noch personalisierter und intuitiver gestalten. Die kontinuierliche Nutzung von maschinellem Lernen und künstlicher Intelligenz ermöglicht es Instacart, auf wechselnde Marktbedingungen und Kundenbedürfnisse flexibel zu reagieren.
Insgesamt stellt das maschinelle Lernmodell zur Ersatzempfehlung von Instacart eine beeindruckende Verbindung aus datengetriebener Technik, praktischer Anwendung und kundenzentrierter Innovation dar. Es lindert die Unsicherheit beim Online-Lebensmitteleinkauf, reduziert Enttäuschungen und trägt dazu bei, dass sich Kunden auch bei Produktengpässen gut betreut fühlen. Damit setzt Instacart Maßstäbe für die Zukunft des digitalen Einkaufs und zeigt, wie künstliche Intelligenz das Einkaufserlebnis nachhaltig verbessern kann.
