ИИ в ритейле: от прогнозирования спроса до контроля выкладки
Внедрение технологий искусственного интеллекта уже в данный момент приносит свои плоды. По данным McKinsey компании, использующие ИИ в своих бизнес-процессах, сокращают затраты до 15% и увеличивают выручку на 5%. Российский рынок розничной торговли также подтверждает эффективность внедрения этих инструментов. Так, например, по утверждениям Wildberries, им удаётся получить рост продаж в 33% за счёт своей собственной рекомендательной системы, а X5 сообщают о росте оборота на 1,4% за счёт внедрения ИИ. При этом компании проводят трансформацию поэтапно: от алгоритмов прогнозирования спроса и ценообразования до контроля качества выкладки с помощью компьютерного зрения.
Основные задачи для ИИ в ритейле
Возможность внедрения того или иного инструмента зависит от зрелости компании в сфере сбора и хранения данных. Трудно будет получить качественные предсказания продаж для товара, по которому за последний год было 2-3 продажи. С учетом этих очевидных ограничений пройдёмся по технологиям, которые сегодня внедряют в ритейле.
1. Системы прогнозирования спроса и управления складскими запасами
Одно из самых понятных и востребованных применений алгоритмов машинного обучения - прогнозирование спроса на тот или иной товар. Такие модели помогают привозить ровно столько товара, сколько удастся распродать до истечения срока годности. Для построения таких моделей используют не только исторические данные по продажам, но и учитывают погоду, акции, сезонность и т.д. X5 Retail Group прогнозируют запасы, строят маршруты и рассчитывают объем товара для каждого магазина. В аналитическом отчёте компании утверждается, что им удалось почти избавиться от списаний просрочки и сократить складские издержки на 15%.
2. Рекомендации и персонализация
Системы искусственного интеллекта, внедряемые в современный ритейл, могут анализировать активность каждого пользователя, находить общие закономерности, подбирать персональные предложения. Благодаря этому на финальном этапе оформления заказа покупателю показывают именно те товары, которые он с высокой вероятностью добавит в корзину.
Помимо увеличения среднего чека, рекомендательные системы можно использовать также и для того, чтобы составлять персонализированные промо-предложения. В этом же контексте интересной задачей является также задача возвращения "спящих" клиентов: внимательно проанализировав историю, можно предложить скидку на товар, который с наибольшей вероятностью заинтересует человека, и таким образом аккуратно напомнить ему о магазине.
3. Автоматизация общения с клиентами и анализ полученной обратной связи
ИИ позволяет оперативно реагировать на возникшие у клиента трудности. За последние несколько лет голосовые и чат-боты научились гораздо лучше помогать решать проблемы, но при этом важно не переусердствовать: сначала внедряют автоматическую классификацию тем обращений, а затем уже переходят к более сложным диалоговым агентам.
Конечно, лучше вовсе не допускать негатива, нежели реагировать на него. Поэтому, если у товаров есть отзывы, их тональность обязательно анализируют с помощью ИИ. Такой подход позволяет отслеживать общий настрой покупателей по отношению к конкретным товарам и своевременно замечать негативные тенденции, которые могут указывать на появление скрытой проблемы.
4. Оптимизация подвоза запасов и логистики
Иногда прогнозирование спроса требуется не для планирования закупок у поставщика, а для того, чтобы вовремя подвезти товары из сортировочного пункта. В таком случае, как правило, просят предсказать ежедневные продажи на горизонте до трёх месяцев. Крупные сети, обладая большим числом точек и высокой цифровизацией процессов, могут улучшить не только своевременный подвоз товаров, но и эффективно перераспределять товары между магазинами, а онлайн-заказы - между курьерами.
5. Контроль выкладки и качества товаров
Упомяну, пожалуй, одно из неочевидных направлений, которые недавно попросили реализовать коллеги из FMCG-сегмента - контроль качества за выкладкой товаров. Проверяющий отправляет фото работы мерчендайзера, а алгоритмы компьютерного зрения анализируют правильность расположения товаров, их количество и товарный вид, автоматически формируя отчёт по качеству и полноте выкладки.
Анализ изображений также используется для того, чтобы сигнализировать о несвежести продуктов, а также в умных весах, которые с помощью камеры автоматически распознают, какой товар на них лежит.
6. Генерация контента
В последнее время всё чаще и чаще на улицах города и в сети можно увидеть пометки о том, что тот или иной постер был сгенерирован с помощью ИИ. Генерация проходит за секунды, а этапы согласования ТЗ и правки просто исчезают. Очевидные преимущества перед тем, чтобы держать в штате дизайнера.
1. Системы прогнозирования спроса и управления складскими запасами
Одно из самых понятных и востребованных применений алгоритмов машинного обучения - прогнозирование спроса на тот или иной товар. Такие модели помогают привозить ровно столько товара, сколько удастся распродать до истечения срока годности. Для построения таких моделей используют не только исторические данные по продажам, но и учитывают погоду, акции, сезонность и т.д. X5 Retail Group прогнозируют запасы, строят маршруты и рассчитывают объем товара для каждого магазина. В аналитическом отчёте компании утверждается, что им удалось почти избавиться от списаний просрочки и сократить складские издержки на 15%.
2. Рекомендации и персонализация
Системы искусственного интеллекта, внедряемые в современный ритейл, могут анализировать активность каждого пользователя, находить общие закономерности, подбирать персональные предложения. Благодаря этому на финальном этапе оформления заказа покупателю показывают именно те товары, которые он с высокой вероятностью добавит в корзину.
Помимо увеличения среднего чека, рекомендательные системы можно использовать также и для того, чтобы составлять персонализированные промо-предложения. В этом же контексте интересной задачей является также задача возвращения "спящих" клиентов: внимательно проанализировав историю, можно предложить скидку на товар, который с наибольшей вероятностью заинтересует человека, и таким образом аккуратно напомнить ему о магазине.
3. Автоматизация общения с клиентами и анализ полученной обратной связи
ИИ позволяет оперативно реагировать на возникшие у клиента трудности. За последние несколько лет голосовые и чат-боты научились гораздо лучше помогать решать проблемы, но при этом важно не переусердствовать: сначала внедряют автоматическую классификацию тем обращений, а затем уже переходят к более сложным диалоговым агентам.
Конечно, лучше вовсе не допускать негатива, нежели реагировать на него. Поэтому, если у товаров есть отзывы, их тональность обязательно анализируют с помощью ИИ. Такой подход позволяет отслеживать общий настрой покупателей по отношению к конкретным товарам и своевременно замечать негативные тенденции, которые могут указывать на появление скрытой проблемы.
4. Оптимизация подвоза запасов и логистики
Иногда прогнозирование спроса требуется не для планирования закупок у поставщика, а для того, чтобы вовремя подвезти товары из сортировочного пункта. В таком случае, как правило, просят предсказать ежедневные продажи на горизонте до трёх месяцев. Крупные сети, обладая большим числом точек и высокой цифровизацией процессов, могут улучшить не только своевременный подвоз товаров, но и эффективно перераспределять товары между магазинами, а онлайн-заказы - между курьерами.
5. Контроль выкладки и качества товаров
Упомяну, пожалуй, одно из неочевидных направлений, которые недавно попросили реализовать коллеги из FMCG-сегмента - контроль качества за выкладкой товаров. Проверяющий отправляет фото работы мерчендайзера, а алгоритмы компьютерного зрения анализируют правильность расположения товаров, их количество и товарный вид, автоматически формируя отчёт по качеству и полноте выкладки.
Анализ изображений также используется для того, чтобы сигнализировать о несвежести продуктов, а также в умных весах, которые с помощью камеры автоматически распознают, какой товар на них лежит.
6. Генерация контента
В последнее время всё чаще и чаще на улицах города и в сети можно увидеть пометки о том, что тот или иной постер был сгенерирован с помощью ИИ. Генерация проходит за секунды, а этапы согласования ТЗ и правки просто исчезают. Очевидные преимущества перед тем, чтобы держать в штате дизайнера.
Полезные заметки для внедрения ИИ
Теперь, когда мы определились с тем, какие задачи бывают, давайте определимся с приоритетами. Общая канва будет одинакова для любого направления вне зависимости от нюансов.
1. Определение правильного бизнес-процесса
Коротко скажу, что не всё что угодно можно скинуть на ИИ, если важен качественный результат. Под ИИ-автоматизацию не подойдут творческие процессы или задачи, где необходимо совмещать множество контекстов. На входе и на выходе должен быть цифровой артефакт - изображение, таблица, текст. Например, если цель убрать ручную проверку выкладки товаров, то на вход подаются эталонное изображение и фото того, что получилось, а на выходе отчёт с указанием ошибок.
2. Декомпозиция
Важно отметить, что далеко не все задачи решаются в лоб. Так, например, при контроле выкладки на самом деле под капотом будет набор из алгоритмов компьютерного зрения. Они находят товар, сопоставляют с БД, проверяют соответствие внешнего вида, правильность расположения, число упаковок на полке...
Другими словами, одного "умного ИИ-мозга" в системе нет, а значит, чтобы справиться со сложной задачей, её следует разбить на несколько простых. Такая декомпозиция повышает качество результата и прозрачность процесса.
3. Выбор инструмента или партнёра
Существует множество готовых ML-решений. Однако, в раде случаев они не подходят: из-за отсутствия возможности размещения в закрытом контуре или отсутствия возможности интеграции с корпоративными системами. В таком случае придётся обратиться к кастомной разработке. Важно, чтобы у подрядчика был опыт схожих проектов - стоит запросить у него возможные варианты решения и примерные сроки реализации.
4. Обучать свою модель или брать готовую?
Если повезёт, рядом окажется инженер, который не позволит тратить силы на обучение собственных алгоритмов там, где уже существуют качественные готовые решения. Как правило, для MVP чаще всего достаточно найти уже готовую модель или вовсе использовать API.
При работе через API важно логировать все запросы, так как чуть позже возможно на ответах условного ChatGPT обучить свою миниатюрную модель и больше не платить за запросы. Кстати, по слухам, похожим образом поступили разработчики DeepSeek. Такой подход, при котором компактная модель обучается на выходах большой, называется "дистилляция" модели.
1. Определение правильного бизнес-процесса
Коротко скажу, что не всё что угодно можно скинуть на ИИ, если важен качественный результат. Под ИИ-автоматизацию не подойдут творческие процессы или задачи, где необходимо совмещать множество контекстов. На входе и на выходе должен быть цифровой артефакт - изображение, таблица, текст. Например, если цель убрать ручную проверку выкладки товаров, то на вход подаются эталонное изображение и фото того, что получилось, а на выходе отчёт с указанием ошибок.
2. Декомпозиция
Важно отметить, что далеко не все задачи решаются в лоб. Так, например, при контроле выкладки на самом деле под капотом будет набор из алгоритмов компьютерного зрения. Они находят товар, сопоставляют с БД, проверяют соответствие внешнего вида, правильность расположения, число упаковок на полке...
Другими словами, одного "умного ИИ-мозга" в системе нет, а значит, чтобы справиться со сложной задачей, её следует разбить на несколько простых. Такая декомпозиция повышает качество результата и прозрачность процесса.
3. Выбор инструмента или партнёра
Существует множество готовых ML-решений. Однако, в раде случаев они не подходят: из-за отсутствия возможности размещения в закрытом контуре или отсутствия возможности интеграции с корпоративными системами. В таком случае придётся обратиться к кастомной разработке. Важно, чтобы у подрядчика был опыт схожих проектов - стоит запросить у него возможные варианты решения и примерные сроки реализации.
4. Обучать свою модель или брать готовую?
Если повезёт, рядом окажется инженер, который не позволит тратить силы на обучение собственных алгоритмов там, где уже существуют качественные готовые решения. Как правило, для MVP чаще всего достаточно найти уже готовую модель или вовсе использовать API.
При работе через API важно логировать все запросы, так как чуть позже возможно на ответах условного ChatGPT обучить свою миниатюрную модель и больше не платить за запросы. Кстати, по слухам, похожим образом поступили разработчики DeepSeek. Такой подход, при котором компактная модель обучается на выходах большой, называется "дистилляция" модели.