Was passiert zwischen dem Klick auf den Bestellknopf in der Picnic-App und dem Moment, in dem der Lieferfahrer an der Haustür klingelt? Die Antwort darauf liegt in einer durchdachten, datengetriebenen Logistik – gestützt durch Machine Learning (ML). Picnic nutzt eine Vielzahl intelligenter Modelle, um den gesamten Prozess von der Bedarfsprognose bis zur finalen Auslieferung zu steuern.
Vorhersagen statt reagieren: So funktioniert Picnics Bedarfsplanung
Die Bestellung beginnt lange bevor der Kunde seinen Warenkorb füllt. Picnic prognostiziert laut einem neuen Blobbeitrag mithilfe von ML-Modellen, welche Artikel in welchen Mengen benötigt werden, und bestellt bei Lieferanten nur das, was auch wirklich gebraucht wird. Diese just-in-time-Strategie reduziert nicht nur Lagerkosten, sondern auch Lebensmittelverschwendung erheblich. Komplex wird es beim sogenannten Cold-Start-Problem: Neue Produkte ohne Verkaufshistorie erfordern Prognosen auf Basis von Artikelbeschreibungen, saisonalen Faktoren oder Ähnlichkeiten zu bestehenden Produkten.
Die verwendeten Modelle haben sich im Laufe der Zeit weiterentwickelt. Während anfangs noch Gradient-Boosted-Trees zum Einsatz kamen, setzt Picnic inzwischen auf Deep-Learning-Ansätze wie den Temporal Fusion Transformer (TFT), um auch komplexe Muster wie wetterbedingte Nachfrageänderungen zuverlässig abzubilden. Neue Modelle werden vor dem Rollout unter realen Bedingungen getestet, um Fehleinschätzungen mit Auswirkungen auf Millionenbestellungen zu vermeiden.
Gewinnen in der Plattform-Ökonomie
Ressourcenplanung und Echtzeitdaten: Der Weg zur letzten Meile
Nachdem die Bestellung aufgegeben wurde, beginnt die zweite Phase: die Ressourcenoptimierung. Ein weiteres TFT-Modell prognostiziert, wie viele Bestellungen täglich eingehen werden. Dabei fließen Daten wie Feiertage, Wettervorhersagen oder Werbeaktionen ein. Auf dieser Basis werden Schichten für Fahrer, Lagerpersonal und Kundenservice geplant. Auch hier muss zwischen tatsächlicher Nachfrage und durch Kapazitätsgrenzen beschränkter Nachfrage unterschieden werden – eine Herausforderung, die Picnic mit Modellen zur Schätzung der „ungebremsten“ Nachfrage adressiert.
Neben der Prognose spielen visuelle KI-Modelle eine zunehmend zentrale Rolle. Im automatisierten Lager in Utrecht erfassen hochauflösende Kameras über Förderbändern den Inhalt von Kisten, um Bestände präzise zu zählen. Statt klassischer Computer-Vision-Systeme nutzt Picnic multimodale Modelle wie Googles Gemini-VLM, das durch gezielte Prompting-Techniken selbst bei überlappenden Produkten präzise zählen kann. Ergänzt wird dies durch Fine-Tuning auf firmeneigenem Bildmaterial.
Auch die Lieferung selbst wird durch ML optimiert. Ein neuronales Netz berechnet basierend auf Faktoren wie Bestellgröße, Gebäudestruktur oder Kundenhistorie die exakte Ankunftszeit. Dabei werden auch variable Einflussgrößen wie Mehrstöckigkeit oder der Aufwand bei Neukunden berücksichtigt, um Picnic’s 20-Minuten-Zeitfenster verlässlich einzuhalten.
Vom Algorithmus zur Aktion: ML als Rückgrat der Picnic-Logistik
Machine Learning bei Picnic ist kein akademisches Experiment, sondern das operative Rückgrat der gesamten Lieferkette. Prognosen führen direkt zu Entscheidungen – etwa über Bestellmengen, Personaleinsatz oder Lieferzeitfenster. Durch die enge Verzahnung von Datenanalyse, Automatisierung und physischer Ausführung gelingt es Picnic, eine effiziente, nachhaltige und kundenfreundliche Form der Lebensmittellogistik zu realisieren. So wird das Prinzip des traditionellen Milchmanns ins digitale Zeitalter überführt.
