ИИ в ритейле: примеры внедрения и окупаемость

Розничная сеть может запустить за год десяток ИИ-проектов и не увидеть их в финансовом результате. Источник наблюдений для этой статьи – база кейсов ИИ на platforms.su: в ней больше 1300 кейсов, из них больше 110 из розничной торговли. По ним видна устойчивая картина: деньги приносят заказ, полка и операционные процессы, а клиентские сервисы чаще остаются витриной без измеримого эффекта. Ниже – где ИИ работает, что отличает удачные проекты, типовые ошибки и план на первые недели.

Прогноз спроса и автоматический заказ

Задача. Заказ формируется вручную в учётной системе, не учитывает погоду, промо и праздники. Менеджеры тратят часы в день на корректировки, на полке пустоты, свежие категории уходят в списание.

Что делает ИИ. Модель на истории продаж, промо-календаре, погоде и сроках годности считает заказ по каждой позиции и магазину и отдаёт его в учётную систему к нужному часу. В собственном производстве (выпечка, кулинария) та же логика даёт почасовой план выпуска вместо одного утреннего объёма.

Результат. Основная часть заказов уходит без ручного вмешательства, подготовка заказа ускоряется в несколько раз, наличие ключевого ассортимента стабилизируется, списания свежего снижаются. В удачных кейсах путь от пилота до промышленной эксплуатации занимает несколько месяцев.

Контроль полки и торгового зала

Задача. Ручные проверки выкладки не успевают охватить ассортимент, очереди на кассах снижают поток, отзывы покупателей с фотографиями разбираются неделями.

Что делает ИИ. Компьютерное зрение сравнивает фото полки с планограммой за минуту, находит пустоты и устаревшие ценники, отправляет магазину приоритизированные сигналы. Видеоаналитика следит за длиной очередей. Набор моделей проверяет анкеты и фото от покупателей и отсекает рутинный поток.

Результат. В магазинах с контролем полки и очередей прирост товарооборота составляет порядка 1–3%, очереди заметно сокращаются, обработка обратной связи ускоряется в разы при снижении затрат на неё. Для сети из сотен магазинов один-два процента выручки весят больше любого клиентского сервиса.

Карточки товаров и контент

Задача. Описание и фото для тысяч позиций стоят дорого и готовятся неделями, качество неровное.

Что делает ИИ. Генерирует описания по атрибутам товара, меняет фон, строит фото на виртуальной модели, сводит отзывы в короткую выжимку по характеристикам.

Результат. Стоимость подготовки карточки падает на порядок и больше, публикация ускоряется в десятки раз. Прямой эффект на продажи скромный, основная выгода в затратах и скорости вывода ассортимента. Качество держится на двух условиях: модели запрещено дописывать то, чего нет в данных о товаре, а правки редакторов возвращаются в дообучение. После такой настройки большинство текстов принимается без правок.

Персональный подбор и консультант

Задача. Покупатель теряется в широком ассортименте косметики, добавок, одежды. Поиск по каталогу выдаёт пустой результат на нестандартный запрос.

Что делает ИИ. Подбирает средства по фото и анкете, ищет товары по смыслу запроса, а не по ключевым словам, ведёт диалог в приложении или мессенджере.

Результат. Там, где эффект мерили на контрольной группе, средний чек пользователей сервиса растёт заметно. Но большая часть таких запусков публикуется без цифр, в статусе пилота.

Склад, персонал и нормирование

Задача. Массовый найм, сборка на распределительных центрах, планирование работ в магазине держатся на ручном труде и таблицах.

Что делает ИИ. Голосовые роботы отбирают кандидатов и записывают на собеседование, голосовой ассистент ведёт сборщика на складе, оцифрованное нормирование показывает реальные затраты времени на операции.

Результат. Производительность сборки растёт, затраты на планирование работ в зале снижаются, подготовка оценочных отчётов по персоналу ускоряется в разы.

• Встроенность в процесс с дедлайном. Заказ уходит в учётную систему к утру, сигнал о пустой полке приходит конкретному сотруднику. Модель, которая живёт в отдельном отчёте, эффекта не даёт.
• Контрольная группа. Удачные кейсы сравнивают пилотные магазины или покупателей с контрольными. Без этого рост чека невозможно отделить от сезонности и промо.
• Чистые справочники. Сроки годности, планограммы, атрибуты товара. Ошибки мастер-данных модель тиражирует на всю сеть.
• Человек для нетиповых случаев. Модель берёт поток, сложные случаи уходят специалисту, его решения возвращаются в обучение.
• Масштаб, соразмерный эффекту. Прирост в 1–2% окупается на сотнях магазинов. Сети из десятка точек нужен другой выбор задач, чаще в заказе и списаниях.

1. Начинать с клиентского сервиса ради публикаций. В подборке есть офлайн-формат с ИИ-примерочными, который закрылся из-за слабой экономики. Технология работала, модель бизнеса нет.
2. Не фиксировать базу до запуска. Без замеров наличия, списаний и часов персонала через полгода нечего сравнивать.
3. Покупать модель без интеграции. Прогноз, который менеджер переносит в учётную систему руками, быстро перестают использовать.
4. Автоматизировать лишнее. В одном из кейсов оцифровка процессов выявила операции, которые магазины фактически уже не выполняют. Сначала стоит убрать лишнее, потом ускорять.
5. Заваливать магазины сигналами. Без приоритизации уведомления становятся шумом, и персонал перестаёт на них реагировать.
6. Ждать стопроцентной автоматизации. Реалистичная цель – основная часть типовых операций, остальное остаётся за людьми.

1. Недели 1–2. Собрать 10–15 кандидатов и оценить каждого по трём осям: сколько денег проходит через процесс, есть ли данные, есть ли владелец с полномочиями менять процесс.
2. Недели 2–3. Проверить данные по двум-трём лидерам: продажи по позиции, магазину и дню за два года, остатки, списания, промо-календарь, планограммы.
3. Недели 3–4. Выбрать пилотные и контрольные магазины, зафиксировать базовые метрики и пороги успеха.
4. Недели 4–8. Пилот на 10–20 магазинах, еженедельный разбор отклонений с операционным директором.
5. Неделя 8. Решение по заранее заданным порогам: масштабировать, доработать или закрыть.

• На каких данных и за какой период обучена модель, как она учитывает промо и перетекание спроса между товарами?
• Как результат попадает в учётную систему и к сотруднику магазина, кто отвечает за реакцию на сигнал?
• Как устроена контрольная группа и какой минимальный эффект мы сможем надёжно отличить от шума?
• Что происходит при ошибке модели: кто правит заказ и как правка возвращается в обучение?
• Какова стоимость владения на магазин в год, включая камеры, вычисления и сопровождение?
• Где хранятся фото и данные покупателей, как выполняются требования 152-ФЗ?
• Через сколько недель будет первый измеримый результат и при каком значении пилот останавливаем?

В рознице ИИ окупается там, где деньги уже проходят через процесс: заказ, полка, списания, часы персонала. Клиентские ассистенты разумно запускать после этого и только с контрольной группой. Центр компетенций ИИ проводит экспресс-диагностику портфеля задач и независимую оценку пилотов, если нужен взгляд со стороны.