Un análisis sobre 3.214.874 pedidos de Instacart —publicados originalmente por la compañía como conjunto de datos de código abierto en Kaggle— revela cuáles son las combinaciones de productos menos habituales en la cesta de la compra. El conjunto incluye alrededor de 10 productos por pedido y 49.688 productos distintos agrupados en 134 categorías, una granularidad demasiado alta para detectar patrones curiosos.
El autor comenzó buscando los pares, tríos y cuádruplos de artículos con menor coocurrencia, pero el enfoque se quedó en nada: el 97% de los 1.200 millones de pares posibles nunca aparecen, y unos 22 millones solo se dan una vez. Para identificar combinaciones verdaderamente raras decidió ordenarlas por "lift", un estadístico que compara la frecuencia real de aparición con la esperada, lo que penaliza a los productos de baja presencia en el mercado.
Dado que existen más de 28 variantes de preservativos y 110 de manzanas, el autor recurrió al estándar GS1 Global Product Classification, una ontología de productos de gran consumo que desglosa los artículos en 5.318 "ladrillos". Tras filtrar los segmentos no presentes en supermercados, quedaron 1.697 categorías, de las cuales unas 1.000 albergan los productos de Instacart, una reducción de complejidad de 50 veces.
Para mapear cada producto con su ladrillo correspondiente se aplicó una canalización en dos etapas: primero se generaron embeddings con el modelo local qwen3-embedding:8b; después, un LLM (gpt-4.1-mini) eligió el ladrillo más adecuado entre los 10 candidatos preseleccionados. El proceso costó alrededor de 5 dólares y duró unos pocos minutos ejecutándose en paralelo. El mapeado completo está disponible como gist público.
El siguiente paso del análisis ya permite obtener combinaciones de productos verdaderamente sorprendentes a nivel de categoría: frutas y verduras exóticas junto a artículos de higiene, bebidas sin calorías con aguacates o boniatos con clementinas, entre otras. El proyecto demuestra cómo la combinación de un corpus abierto, la clasificación estandarizada GS1 y modelos de embeddings e instrucción permite convertir una pregunta trivial en una exploración reproducible de patrones de consumo.