Die Welt des Online-Lebensmitteleinkaufs hat in den letzten Jahren eine rasante Entwicklung durchlaufen. Die Bequemlichkeit, Lebensmittel bequem von zu Hause bestellen zu können, ist nicht nur für Verbraucher ein großer Vorteil, sondern stellt Unternehmen auch vor erhebliche Herausforderungen. Eine davon ist das Problem der Verfügbarkeit von Produkten. Besonders frustrierend ist es für Kunden, wenn ein gewünschtes Produkt zum Zeitpunkt der Bestellung oder Lieferung nicht verfügbar ist. Instacart, einer der führenden Anbieter im Bereich Lebensmittellieferungen, begegnet diesem Problem mit einer ausgeklügelten Lösung, die maschinelles Lernen nutzt, um passende Ersatzprodukte vorzuschlagen und so die Kundenzufriedenheit auf einem hohen Niveau zu halten. Diese innovative Technologie ermöglicht es Instacart, die komplexen Dynamiken von Lagerbeständen, Kundenpräferenzen und individuellen Produktspezifikationen zu verstehen und nahtlos zu integrieren.
Das Herzstück dieser Lösung ist ein maschinelles Lernmodell, das kontinuierlich darauf trainiert ist, geeignete Ersatzprodukte zu empfehlen, wenn ein ursprünglich gewähltes Produkt nicht vorrätig ist. Anders als herkömmliche Systeme, die oft nur einfache, ähnliche Artikel vorschlagen, berücksichtigt Instacart eine Vielzahl von Faktoren, die von der Produktgröße und dem Geschmack bis hin zu ernährungsbedingten Eigenschaften reichen. Durch den Einsatz von tiefen neuronalen Netzen und einer Kombination aus heuristischen und datengetriebenen Ansätzen wird ein System geschaffen, das in der Lage ist, ersatzweise Artikel vorzuschlagen, die den Erwartungen der Kunden möglichst nahekommen. Eine der zentralen Herausforderungen bei der Entwicklung dieses Modells ist der sogenannte „Head-versus-Tail“-Effekt. Populäre Produkte, die häufig bestellt werden, liefern vielfältige Daten, um präzise Ersatzempfehlungen zu ermöglichen.
Doch problematisch wird es bei selten bestellten oder ganz neuen Produkten, für die kaum historische Daten vorliegen. Instacart begegnet diesem Problem mit einer hybriden Herangehensweise, die sowohl auf Erinnerungen an vergangene Kundenentscheidungen als auch auf katalogbasierte Ähnlichkeiten setzt. So gelingt es, auch bei weniger bekannten Produkten relevante Ersatzvorschläge bereitstellen zu können. Ein weiterer wichtiger Aspekt ist die Berücksichtigung der individuellen Lagerbestände der einzelnen Händler, die Instacart bedient. Statt eine allgemeine Empfehlung zu nutzen, die nicht auf die tatsächliche Verfügbarkeit abgestimmt ist, verfolgt das System einen retailer-spezifischen Ansatz. So werden Ersatzprodukte priorisiert, die tatsächlich beim jeweiligen Händler auf Lager sind, wodurch die Realisierbarkeit der Lieferungen deutlich erhöht wird. Gleichzeitig wird die Kundenbedürfnisse besser erfüllt, da oftmals lokale oder markenspezifische Artikel bevorzugt werden können.
Die Architektur des Ersatzempfehlungssystems basiert auf einem mehrstufigen Prozess. Zu Beginn wird durch heuristische Filter eine Auswahl potenzieller Ersatzprodukte getroffen. Dabei werden Produktkategorien, passende Sortimente, ähnlicher Geschmack oder auch bisherige Kundenentscheide herangezogen, um eine überschaubare Menge an Kandidaten zu erzeugen. Anschließend bewertet ein tiefes Lernmodell diese Kandidaten und vergibt Scores, die aussagen, wie wahrscheinlich es ist, dass Kunden das vorgeschlagene Ersatzprodukt akzeptieren. Besonders innovativ ist die Nutzung eines sogenannten Siamese-Netzwerkes. Dieser Ansatz vergleicht eigenschaftenreiche Einbettungen des Originalprodukts und der Ersatzkandidaten miteinander, um Bewertungsmetriken zu erstellen. Hierbei fließen verschiedene Merkmale mit ein: Neben dem Produktnamen nutzt das Modell Kategorien, Markeninformationen, Verpackungsgrößen und sogar ernährungsbezogene Attribute wie vegan oder glutenfrei.
Die Verarbeitung erfolgt dabei teilweise über vortrainierte Sprachmodelle, was eine tiefere semantische Erfassung ermöglicht. Zur Sicherstellung der Modellqualität werden traditionelle Metriken wie Log-Loss oder AUC (Area Under Curve) genutzt, ergänzt durch manuelle Prüfungen und live A/B-Tests mit echten Kundeninteraktionen. So kann Instacart sicherstellen, dass die Ersatzvorschläge nicht nur theoretisch gut sind, sondern sich auch im Nutzerverhalten bewähren. Neben dem Modell für eher seltene Artikel wurde zusätzlich ein Engagement-Modell implementiert, welches historische Kundenentscheidungen zu häufig ersetzten Produkten beherzigt. Dieses Modell hat vor allem bei besonders beliebten Produkten seine Stärken, indem es frühere Ersatzpräferenzen speichert und für die Ranking-Entscheidung nutzt. Dadurch wird eine Balance geschaffen zwischen der Fähigkeit des Deep-Learning-Modells zur Generalisierung und der Merkfähigkeit des Engagement-Modells für häufige Fälle.
Das finale Ranking entsteht aus einer Kombination beider Modelle, wobei deren Gewichtung dynamisch an die Zahl der bisherigen Ersatzversuche angepasst wird. Bei neueren oder seltener ersetzten Produkten dominiert das Deep-Learning-Modell, während mit zunehmender Datenbasis das Engagement-Modell an Bedeutung gewinnt. Diese intelligente Fusion führt zu einer deutlichen Steigerung der Kundenzufriedenheit und Liefergenauigkeit. Die Anpassung des Modells auf Händler-Ebene stellt eine weitere wichtige Innovation dar. Bisher wurden Ersatzempfehlungen unabhängig vom Händler erstellt, was zu Verzerrungen führte, weil beliebte, aber oft nur bei einigen Händlern verfügbare Markenprodukte bevorzugt wurden. Durch die Einführung eines dreidimensionalen Schemas mit Händler-ID, Originalprodukt-ID und Ersatzprodukt-ID kann Instacart jetzt die Händlerbestände und Kundenpräferenzen besser abbilden.
Dies führte nachweislich zu einer Reduzierung von Beschwerden bezüglich Preisunterschieden und Verfügbarkeit und erhöhte die Akzeptanz von Ersatzprodukten erheblich. Das Bestreben von Instacart endet jedoch nicht bei der aktuellen Lösung. Es ist geplant, die Empfehlungsmodelle künftig noch umfassender zu gestalten, indem Bilddaten der Produkte stärker in die Entscheidungsprozesse integriert werden. Ebenso soll die Personalisierung weiter ausgebaut werden, damit Ersatzvorschläge stärker auf individuelle Kundenbedürfnisse und deren Einkaufsverhalten zugeschnitten sind. Session-bezogene Signale und langfristige Präferenzen spielen dabei eine immer größere Rolle. Letztlich zeigt das Beispiel von Instacart eindrucksvoll, wie maschinelles Lernen im Bereich E-Commerce eingesetzt werden kann, um reale, komplexe Probleme zu lösen.
Die Herausforderung, passende Ersatzprodukte bei Lagerengpässen zu finden, erfordert ein tiefes Verständnis der Produktvielfalt, Kundenpräferenzen und Händlerbestände. Durch den intelligenten Einsatz moderner Algorithmen gelingt es, ein nahtloses und angenehmes Einkaufserlebnis sicherzustellen, das Kunden trotz Unvorhersehbarkeiten im Lagerbestand begeistert. In einer Zeit, in der Bequemlichkeit und Auswahl im Online-Shopping immer entscheidender werden, ist die Fähigkeit, solche Herausforderungen zu meistern, ein wichtiger Wettbewerbsvorteil. Instacart setzt hier Maßstäbe, wie man mit innovativer Technologie im Lebensmittelhandel erfolgreich agieren kann und die Zukunft des Einkaufens mitgestaltet.
