ИИ в ритейле и e-commerceОт полки до корзины
Прогноз спроса вместо экстраполяции прошлого месяца, каталог, который заполняется сам, и поддержка, которая не тонет в однотипных вопросах.
Частые проблемы
Не «недостаточная цифровизация», а процессы, которые называют на первой же встрече.
- Заказ считают по прошлому месяцу
- Закупка планируется экстраполяцией и опытом категорийного менеджера. Итог — одновременно неликвид на складе и дефицит по ходовым позициям, причём в одном и том же отчёте.
- Карточки товара заполняются вручную
- Поставщик присылает прайс в своём формате и фотографии без описаний. Контент-менеджер месяцами переносит это в каталог, и половина карточек остаётся без характеристик.
- Поддержка отвечает на одно и то же
- «Где мой заказ», «как вернуть», «подойдёт ли к моей модели» — операторы тратят на это большую часть смены, а сложные обращения ждут в очереди.
- Рекомендации показывают то же, что человек уже купил
- Блок «с этим товаром покупают» собран правилами, написанными однажды и с тех пор не менявшимися. Он не учитывает ни сезон, ни остатки, ни то, что вещь уже в корзине.
- Цену меняют вручную и с опозданием
- Мониторинг конкурентов — это таблица, которую кто-то обновляет по вторникам. К моменту решения рынок уже другой.
Где ИИ окупается
Сценарии, которые в этой отрасли дают измеримый эффект. Каждый ведёт на страницу направления с деталями.
Прогноз спроса по позициям
Модель учитывает историю продаж, сезонность, промо, остатки и дни недели и даёт прогноз на горизонт закупки. Считается не «в среднем по категории», а по позициям и точкам — там, где и принимается решение о заказе.
ML-модели и аналитикаАвтозаполнение карточек товара
Прайс поставщика распознаётся, характеристики извлекаются, описание и SEO-текст генерируются по вашему шаблону и тону. Контент-менеджер вычитывает, а не набирает с нуля.
OCR и обработка документовПерсональные рекомендации
Рекомендации строятся на поведении, а не на статичных правилах, и учитывают остатки: бессмысленно продвигать то, чего нет на складе. Эффект замеряется A/B-тестом, а не ощущением.
Рекомендательные системыАссистент первой линии поддержки
Отвечает по вашим правилам возврата и статусу заказа из учётной системы, а не общими фразами. Всё, в чём не уверен, передаёт оператору вместе с историей диалога.
ИИ чат-ботыПоиск по каталогу, который понимает запрос
«Куртка на весну для мальчика 7 лет недорого» находит товар, даже если этих слов нет в названии. Обычный полнотекстовый поиск на таком запросе отдаёт пустоту, и человек уходит.
RAG-системыСопоставление номенклатуры с конкурентами
Одна и та же позиция у каждого поставщика названа по-своему. Модель сводит их автоматически — это ровно та задача, которую мы решали в металлургии, и в рознице она устроена так же.
ML-модели и аналитикаМодерация отзывов и пользовательского контента
Классификация по тональности и признакам нарушения, выделение повторяющихся жалоб на конкретный товар. Модератор разбирает спорное, а не читает всё подряд.
Внедрение LLMКонтроль выкладки по фото
Снимок полки сравнивается с планограммой: чего не хватает, что стоит не на месте. Задача та же, что контроль качества на линии, только объект — полка.
Компьютерное зрениеОтчётность вопросом на русском
«Какие позиции ушли в минус по марже за последний квартал» — без заявки в аналитику и ожидания выгрузки. Такой инструмент мы делали в строительстве: время до отчёта упало с двух-трёх дней до пяти минут.
Внедрение LLMЕсть ли у нас проектв этой отрасли
Публичного кейса именно в рознице у нас пока нет — говорим об этом прямо. При этом задачи ритейла мы решали в соседних отраслях: сопоставление номенклатуры с конкурентами делали для металлургической компании, отчётность на естественном языке — для строительной, распознавание документов потоком — в оценке дипломов, а контроль по изображению — на производственной линии. Технически это те же самые задачи, отличается предметная область. На диагностике покажем разборы и честно скажем, где опыт переносится напрямую, а где придётся проверять гипотезу с нуля.
Чем эта отрасль отличается
То, что меняет архитектуру решения и смету, — а не только формулировки в презентации.
Ошибка прогноза стоит по-разному
Недозаказ скоропортящегося и перезаказ сезонного — это разные деньги. Модель нужно обучать на несимметричной функции потерь, иначе она будет «в среднем права» и убыточна на практике.
Ассортимент постоянно меняется
У новинки нет истории продаж, а именно по ней важнее всего не ошибиться. Работают признаки товара и аналогии с похожими позициями, а не история конкретного артикула.
Промо ломает историю
Всплеск во время акции — не сигнал спроса, а следствие скидки. Если не размечать промо-периоды, модель выучит акции как норму и будет систематически завышать заказ.
Данные о поведении — персональные
Рекомендации строятся на действиях пользователей, а это обработка персональных данных со всеми требованиями 152-ФЗ: основание, согласие, срок хранения. Закладывать это надо в архитектуру, а не в политику на сайте.
Нагрузка неравномерная
Чёрная пятница даёт трафик в десятки раз выше среднего. Решение, посчитанное по средней нагрузке, ляжет именно в тот день, когда оно нужнее всего.
Эффект надо доказывать А/В-тестом
Выручка растёт и без ИИ — от сезона, рекламы и ассортимента. Без честного сплит-теста невозможно отделить вклад модели от общего роста, и любая цифра эффекта будет спорной.
С чего начинаем
Берём одну товарную категорию и одну задачу — обычно прогноз спроса или карточки. Смотрим выгрузку продаж за два-три года и текущий процесс закупки, за две недели собираем прототип и сравниваем его прогноз с вашим фактическим заказом на прошедшем периоде. Это даёт честную цифру эффекта ещё до внедрения.
Частые вопросы.Короткие ответы.
Практический минимум — два полных года: без них модель не увидит сезонность, а в рознице она определяет почти всё. Год тоже пригоден, но качество прогноза будет заметно ниже, и это надо закладывать в ожидания. Отдельно нужны данные о промо и об отсутствии товара на складе: без них нули в продажах будут прочитаны как отсутствие спроса.
Нет. Одна модель обучается на всём ассортименте и использует признаки товара — категорию, цену, сезонность, аналоги. Это работает лучше тысяч отдельных моделей и не разваливается на новинках, у которых собственной истории ещё нет.
Обычно нет: интеграция идёт через API или обмен файлами. Ограничение появляется, если платформа не отдаёт нужные данные наружу или не позволяет подменить блок рекомендаций. Это выясняется на диагностике за пару дней, до начала работ.
Честный ответ — узнаем на ваших данных. Мы считаем ошибку вашего текущего заказа и ошибку модели на одном и том же прошедшем периоде, которого модель не видела. Если разница не окупает проект, скажем об этом до пилота.
Он отвечает не по «памяти» модели, а по вашим документам и данным из учётной системы, с указанием источника. Формулировки по возвратам и гарантии фиксируются шаблонами, а всё, чего нет в документах, уходит оператору вместо импровизации.
Только сплит-тестом: часть трафика видит новые рекомендации, часть — старые, метрики сравниваются на одном периоде. Любая другая оценка смешает эффект модели с сезоном и рекламой.
Другие отрасли
Начнём с одного участка
Расскажите, какой процесс болит сильнее всего в рознице. Вернёмся с планом прототипа на ваших данных, сроком и вилкой — и скажем, если задача решается без ИИ.