или заполните форму
разработка
ИИ в ритейле: на каких задачах он окупается и как это посчитать
Максим Жуков
Сооснователь ecommerce-агентства KISLOROD
Под ИИ в ритейле понимают разные технологии: они прогнозируют спрос, распознают изображения, пишут тексты и отвечают покупателям. Выбирать инструмент стоит после того, как бизнес нашел конкретную потерю в деньгах или рабочих часах.
Разбираем пять таких задач на российских кейсах и показываем, как проверить решение на пилоте.
Что такое искусственный интеллект в розничной торговле и AI в ритейле
Искусственный интеллект в ритейле (AI в ритейле) — это не одна большая нейросеть. Прогноз спроса обычно строят классические алгоритмы машинного обучения. Для каждой задачи нужны свои данные и метрики, от них зависят исходные данные, цена ошибки и способ проверки.
1. Прогноз спроса с помощью ИИ
У магазина две дорогие ошибки. Заказать мало — потерять продажи на пустой полке. Заказать много — заморозить деньги в запасах, а в скоропортящихся категориях еще и оплатить списание. Простая формула по продажам прошлой недели плохо переносит жару, праздники, промо и временное отсутствие товара.
Модель машинного обучения перебирает больше факторов и находит связи, которые тяжело удержать в ручном расчете. Он должен вовремя превратиться в заявку поставщику, пройти ограничения по упаковкам и срокам, вернуться в учетную систему и не сломать привычную работу магазина.
Ошибку прогноза стоит смотреть вместе с наличием на полке, оборачиваемостью и списаниями. В противном случае модель научится держать высокий запас и формально победит дефицит за счет переполненного склада.
В доставке тот же принцип
Алгоритм может выбирать склад, собирать рейсы и пересчитывать маршрут после нового заказа. Но километры на карте — промежуточная цифра. Ритейлеру важны стоимость доставленного заказа, соблюдение интервала и доля повторных выездов. Быстрый маршрут, после которого курьер приезжает раньше покупателя, экономии не дает.
2. Поиск и рекомендации на ИИ
Обычный поиск ищет совпадение слов. Покупатель пишет «тихий пылесос для квартиры с кошкой», а в карточках стоят мощность, тип фильтра и уровень шума. Слова разные, потребность одна. Смысловой поиск переводит бытовую формулировку в параметры каталога, уточняет детали и ранжирует подходящие товары.
Для большого ассортимента это полезнее еще одного ряда фильтров. Для каталога из двухсот понятных позиций — не обязательно. Там опечатки, синонимы и аккуратная навигация могут закрыть задачу дешевле.
Рекомендательная система решает соседнюю задачу: не ищет товар, а предлагает уместное продолжение покупки. Например, для интернет-магазина товаров для сада настроили рекомендации для каталога более чем из 12 тысяч позиций. Система учитывала просмотры, заказы, состав корзины, повторные покупки и сезон. За три месяца средний чек вырос на 14%, число товаров в заказе — на 18%, а конверсия рекомендательных блоков составила 7,6%.
Под персонализацией часто понимают любое обращение по имени. Для продаж этого мало. Полезная персонализация меняет сам выбор: не показывает зимнюю лопату после ее покупки, учитывает город и сезон, не советует дополнение, которого нет на ближайшем складе. Чем точнее предложение, тем больше служебных систем приходится связать с моделью.
С поддержкой похожая история. ИИ можно отдать справочные вопросы, ответ на которые уже записан в каталоге, заказе или базе знаний. Сложное обращение уходит сотруднику вместе с перепиской. Здесь считают долю диалогов, решенных без оператора, время после передачи и качество ответа. Общее число разговоров ни о чем не говорит: помощник может как разгрузить поддержку, так и открыть перед ней новую очередь.
У рекомендаций есть бесполезная победа: показать дорогие товары и поднять средний чек у нескольких покупателей. Проверять надо общую маржу на посетителя. Она учитывает и размер заказа, и долю тех, кто вообще дошел до оплаты.
3. Контент
В крупном магазине новая позиция может появиться на складе раньше, чем у нее будет внятное описание. Контент-команда получает сотни однотипных задач, подрядчик — таблицу, покупатель — пустую карточку. Тут генеративный ИИ полезен своей буквальной неутомимостью: берет характеристики и собирает из них черновик.
Так, например, работает процесс в «Лемана ПРО». Модели передают название товара и его параметры, затем текст автоматически проверяют по SEO-правилам и отдают редактору. По данным компании, стоимость подготовки одной карточки снизилась более чем на 95%, а описание теперь можно выпустить в день появления товара; раньше ожидание занимало не меньше двух недель. Человека из цепочки не убрали. Во время тестов модель успела придумать цену, которой не было во входных данных.
Из этого кейса легко вынести приятный вывод, что бизнесу пора подключить языковую модель и сократить редакцию. Но на самом деле первым делом придется привести в порядок характеристики. Если в системе управления товарными данными, PIM, перепутаны материалы, размеры или единицы измерения, нейросеть быстро размножит ошибку.
Подготовку контента лучше делить по риску:
- заголовки, краткие описания и варианты для рекламы можно проверять выборочно, если ошибка легко исправляется;
- состав, совместимость, условия применения и другие значимые свойства требуют сверки с первичными данными;
- цены, гарантии и юридически чувствительные обещания модель не должна сочинять ни при каких настройках.
Считайте не количество сгенерированных текстов, а стоимость принятой карточки: данные собрали, черновик сделали, редактор проверил, ошибки исправили, материал опубликовали.
4. Компьютерное зрение в ритейле
Если в магазине полка опустела, камера это видит и дальше работает по двум возможным сценариям. В первом сотрудник торгового зала получает сигнал и выносит товар. Во втором система присылает десятки уведомлений, и через неделю чат отключают.
В 2026 году «Магнит» сообщил о внедрении видеоаналитики в 430 супермаркетах «Магнит Семейный» и суперсторах «Магнит Экстра». Алгоритмы проверяют выкладку и доступность отдельных категорий, следят за присутствием сотрудников в сервисных зонах, количеством тележек и возможными очередями. Система использует действующие камеры; при отклонении руководитель магазина получает сообщение в корпоративном мессенджере. Компания говорит о положительном влиянии на операционные показатели, товарооборот и потери, но точных значений не раскрывает.
Для пилота одной точности распознавания не хватит. Предположим, камера верно замечает пустое место в девяти случаях из десяти, но сообщение приходит через полчаса или на него некому ответить. С технической стороны все работает; покупатель все равно уходит без товара.
Рекомендуем посчитать время от сигнала до исправления, число полезных уведомлений, продолжительность отсутствия товара на полке, длину очереди. А потом продажи и потери в тех категориях и магазинах, где шел опыт. Так можно отделить эффект системы от промо, сезона и общей динамики сети.
5. Обучение сотрудников с ИИ
Розничные сети постоянно вводят новых людей в работу. Голосовой тренажер может учить стажеров: программа берет роль покупателя, ведет диалог по сценарию и сразу разбирает ошибки.
«Пятерочка» использует такой инструмент для подготовки сотрудников. По данным сети, время занятия сократилось с полутора часов до 25 минут, а годовая экономия составила 8,5 тысячи человеко-часов. В сообщении о проекте также приведены рост NPS и товарооборота, снижение числа конфликтов.
Освободившиеся часы должны превратиться во что-то полезное: сотрудник раньше выходит в смену, наставник обучает больше людей, сеть меньше платит за внешние занятия. Если график и штатное расписание не изменились, экономия пока существует на словах.
Как посчитать деньги до разработки
У проектов с ИИ расходная часть шире счета за модель. Данные надо выгрузить и очистить, систему — связать с 1С, сайтом, PIM или CRM, ответы — проверять, качество — отслеживать после запуска. Еще меняется ассортимент, сезон и поведение покупателей; модель приходится обновлять.
Для первой оценки хватит простой схемы:
Эффект за месяц = дополнительная маржа + предотвращенные потери + сэкономленный труд − ежемесячные расходы на систему.
Дополнительно стоят запуск и интеграция. Их можно разделить на ожидаемый срок использования решения, но лучше показать руководителю и полной суммой.
Источники выгоды зависят от процесса:
Труднее всего посчитать высвободившееся время. Стоит проверить, уменьшились ли сверхурочные, внешний подряд, срок выполнения работы или потребность расширять штат. Если нет, у проекта может быть организационная польза, но пока ей рано приписывать экономию.
Что чаще всего мешает проекту
Выбрали технологию раньше задачи
Иногда компания сначала решает, что ей нужен генеративный ИИ, и только потом придумывает для него работу. Например, поручает языковой модели прогнозировать спрос, хотя обычные алгоритмы справятся дешевле, а проверить их проще.
Лучше начинать с конкретной задачи: сократить ежедневную проверку заказов с пяти часов до одного или выпускать карточки за день, удерживая долю ошибок ниже 0,5%.
Не зафиксировали исходную точку
Допустим, после запуска выросла конверсия. Это помог ИИ или просто начался сезон? Чтобы не гадать, заранее фиксируют показатели на выбранном участке: время работы, ошибки, списания. А затем сравнивают с магазинами или категориями, где все осталось по-старому.
Данные есть, но им нельзя верить
Данные перед запуском часто приходится приводить в порядок. Если товара две недели не было в наличии, продажи не покажут реальный спрос. Один крупный заказ, наоборот, сильно поднимет цифры. Даже размеры в карточках могут быть записаны по-разному: 42, M или «российский 42».
Обычно такие проблемы находят уже во время пилота. Тогда сначала исправляют учет и только потом запускают модель.
Смотрят на удобную метрику
Десять тысяч диалогов с ботом и миллион показов рекомендаций хорошо смотрятся в отчете. Но магазин зарабатывает не на них. Даже рост времени на сайте ничего не доказывает: возможно, покупатель просто дольше искал товар.
Смотреть нужно на оплаченные и выкупленные заказы, а еще на расходы, которые удалось сократить.
Никто не отвечает за решение после запуска
У модели меняется качество, у каталога — ассортимент, у бизнеса — правила. Нужен владелец процесса, который видит отклонения и может остановить автоматическое действие.
Как внедрить ИИ в ритейле: пошаговый алгоритм
У каждого бизнеса будут свои этапы и бизнес-процессы. Собрали универсальный алгоритм:
1. Найти работу, которая повторяется каждый день
Сотрудники вручную поправляют заказы, ищут замену отсутствующему товару, отвечают на одни и те же вопросы или проверяют полки. С одной такой задачи и стоит начинать. Здесь уже есть история для обучения, а результат можно посчитать.
2. Понять, во что эта работа обходится сейчас
Запишите, сколько людей ею занято, сколько времени она отнимает и во что обходятся ошибки. Иначе после запуска сравнивать будет не с чем: останутся только отзывы сотрудников и красивые графики.
3. Разобраться с данными и интеграциями
Где хранятся продажи и остатки? Можно ли доверять характеристикам товаров? Куда система передаст готовый прогноз или рекомендацию?
Модель может правильно рассчитать заказ. Но если менеджеру придется вручную переносить его из отдельного кабинета в 1С, половина пользы пропадет по дороге.
4. На несколько дней сделать вид, что система уже работает
До начала разработки аналитик может вручную готовить подборки, собирать черновики заказов или искать ответы в базе знаний. Сотрудники получат результат в том виде, в котором его позже будет выдавать ИИ.
За несколько дней станет понятно, нужен ли такой инструмент, хватает ли данных и удобно ли им пользоваться.
5. Запустить пилот на небольшом участке
Для начала хватит одной категории, нескольких магазинов или части посетителей сайта. Другую часть лучше оставить без изменений, чтобы было с чем сравнить.
Заранее определите, какой результат устроит бизнес и сколько ошибок можно допустить.
6. Пересчитать результат в деньги
Расходы не заканчиваются оплатой модели. В смету входят интеграции, проверка ответов, исправление ошибок и дальнейшая поддержка. Если экономия и дополнительная маржа покрывают эти затраты, решение можно расширять.
Когда можно обойтись без собственной разработки
Магазину с небольшим и понятным каталогом смысловой поиск может не понадобиться. Иногда достаточно добавить синонимы, настроить исправление опечаток и привести в порядок фильтры. Если команда выпускает десять карточек в месяц, отдельный генератор текстов тоже вряд ли окупится, проще взять готовый сервис.
Сначала стоит проверить возможности CMS, CRM и других систем, которыми компания уже пользуется. Возможно, нужная функция входит в тариф или подключается отдельно.
Своя разработка нужна, если задача возникает часто, ошибки обходятся дорого, а готовые решения не подходят.
Часто задаваемые вопросы
С чего начать внедрение ИИ в розничной торговле?
Выберите одну повторяющуюся операцию с понятной ценой: ручной заказ, подготовку карточек, поиск товара, проверку полок. Измерьте нынешние затраты и ошибки. Только после этого оценивайте данные и варианты технологии.
Какие данные понадобятся?
Для прогноза — история продаж, остатки, промо, календарь и ограничения поставок. Для поиска и рекомендаций — каталог, наличие, поведение посетителей и заказы. Для генерации контента — проверенные характеристики и редакционные правила. Нужный объем зависит не от моды на «большие данные», а от конкретной операции.
Как оценить результат внедрения?
Сравнить пилот с исходным процессом и контрольной группой. Техническую метрику надо довести до деловой: ошибку прогноза — до списаний и наличия, клики по рекомендации — до маржи на посетителя, скорость генерации — до стоимости принятой карточки.
Подойдет ли ИИ небольшому магазину?
Да, если задача возникает часто и обходится заметно дороже готового решения. Начинать разумнее со встроенного инструмента или узкого облачного сервиса. Своя модель нужна не ради статуса, а когда типовые продукты не учитывают процесс магазина.
Чем генеративный ИИ отличается от других технологий?
Генеративная модель создает текст, изображение или ответ. Классическое машинное обучение чаще прогнозирует число или выбирает вариант: спрос, вероятность покупки, порядок товаров. Компьютерное зрение разбирает изображение с камеры. В одном розничном процессе эти технологии могут работать вместе, но проверять и оплачивать их придется по-разному.
Сколько длится пилот?
Универсального срока нет. Он должен захватить достаточно событий для сравнения: заказы, обращения, обновления карточек или смены в магазине. Сезонный спрос нельзя честно проверить за спокойную неделю, а генерацию карточек — можно. Срок задает бизнес-цикл, не календарь подрядчика.
До выбора модели стоит разобраться с обычной работой: где компания теряет деньги, кто будет пользоваться новым инструментом и что после его запуска должно измениться. Если у вас есть процесс, который хочется передать ИИ, команда KISLOROD поможет проверить данные, посчитать экономику и запустить пилот.
Чем AI в ритейле отличается от классического ИИ?
AI в ритейле — это общее название технологий искусственного интеллекта, применяемых в рознице. Классическое машинное обучение чаще прогнозирует число или выбирает вариант, генеративный ИИ создает текст или изображение, компьютерное зрение разбирает изображение с камеры. В одном процессе эти технологии работают вместе, но проверяются и оплачиваются по-разному.
Получайте полезный контент от KISLOROD в любом из мессенджеров
При переходе в одну из указанных социальных сетей вы автоматически даете согласие на обработку персональных данных и согласие на получение рекламной рассылки. Подробнее об обработке данных в Политике конфиденциальности.
Рекомендованные статьи
Скачайте 17 точек роста и 100 + чекеров для роста конверсии и прибыли интернет-магазина
При переходе в одну из указанных социальных сетей вы автоматически даете согласие на обработку персональных данных и согласие на получение рекламной рассылки. Подробнее об обработке данных в Политике конфиденциальности.
Мы проанализировали ведущие интернет-магазины, результаты исследований, свой опыт и собрали важные моменты в одно руководство. Делаем e-commerce лучше, поэтому не только пользуемся сами, но и делимся с вами.
Выберите удобный мессенджер и получите чек-лист прямо сейчас:
