ИИ для магазина: что внедрять в рознице, интернет-магазине и на маркетплейсах

ИИ в ритейле: что работает сейчас

Речь про инструменты, которые уже продаются на рынке и работают в магазинах сегодня, без всяких «в перспективе». Первые четыре касаются любой розницы. Поиск, рекомендации и чат для покупателей отдельно разобраны в разделе про интернет-магазин ниже.

Прогноз спроса. Модель смотрит на историю продаж и сезонность, на праздники, остатки и даже погоду, которая для продуктов питания и одежды важна, и выдаёт прогноз по каждому SKU на несколько недель вперёд. Факторов в расчёте она держит больше, чем закупщик с калькулятором, поэтому на массовых позициях ошибается реже и неликвида оставляет меньше.

Динамическое ценообразование. Алгоритм двигает цену в зависимости от остатков и цен конкурентов, времени суток и поведения покупателей. Для небольшого ритейла звучит как что-то из мира крупных онлайн-площадок, хотя сервисы мониторинга цен есть и для небольших сетей с широким ассортиментом. Окупится ли это у вас, зависит от ассортимента, и считать это надо на пилоте.

Персонализация в программах лояльности. Вместо дежурной «скидки 5% на день рождения» покупатель получает предложение конкретного товара в тот момент, когда он, судя по истории, готов его купить. Переход от сегментированных рассылок к поведенческим рекомендациям поднимает средний чек, но только если в базе уже накоплена история покупок.

Антикражные системы на видеоаналитике. Камеры с алгоритмом распознают подозрительное поведение, вынос товара мимо кассы и подмену ценников. Для сетей с большим числом точек экономия на потерях может покрыть внедрение при одном условии: потери измерили до запуска, иначе сравнивать будет не с чем.

Перечень внушительный. Неудобная часть начинается там, где всё это внедряют.

Где ритейлеры теряют деньги на ИИ

Провалы с ИИ в рознице упираются в порядок работ. Внедряют то, что эффектно смотрится на выставке, в той точке, где результат не измерить, и в такой последовательности, при которой фундамент кладут последним.

Ошибка первая: начинать с «умных полок» и компьютерного зрения. Технологически такие решения впечатляют, но стоят дорого, требуют инфраструктуры и дают результат, который трудно измерить в рублях. Начинать с них всё равно что покупать CRM до того, как разобрались с отделом продаж.

Ошибка вторая: внедрять ИИ без нормальной базы данных. Если данные по продажам в учётной системе введены криво, с дырами и ошибками, ИИ выдаст на них мусор, и правило «garbage in, garbage out» тут никто не отменял. Перед запуском прогнозной модели нужна чистая история продаж в разрезе SKU, точек и дней, не короче полного сезонного цикла.

Ошибка третья: делегировать весь ассортимент алгоритму без контроля. ИИ хорошо работает с большими числами и повторяющимися паттернами, только он понятия не имеет, что поставщик закрывается, в городе открывается конкурент, а вы на прошлой неделе договорились о совместной акции с соседним бизнесом. Поэтому прогноз проверяют и правят руками.

Ошибка четвёртая: покупать монолитное «ИИ-решение для ритейла» за миллионы. Рынок полон вендоров, которые продают платформу с десятком функций, когда вам нужны две. Платите за всё, пользуетесь малой частью, а через год не можете сказать, что это вам дало.

Правильная последовательность другая, и она скучнее, чем хочется.

Пошаговый план: как собственнику магазина или сети начать с ИИ

Шаг 1. Посчитать стоимость проблемы, которую будете решать

Прежде чем выбирать инструмент, надо понять, сколько денег стоит проблема, которую вы собираетесь решать.

На трекинге у продавца на маркетплейсах, который возит товар под своими брендами, цель на программу звучала как рост выручки в четыре раза за квартал. Всю серию встреч я возвращал его к одному вопросу: где он возьмёт деньги на товар. Мы прикинули остатки у одного из лидеров его категории, и вышло, что под такую выручку в товаре держат десятки миллионов, а у него на складе и в пути лежало в разы меньше. Про дешёвые карточки, SEO и мелкие пробные партии я тогда сказал прямо: «пока ты эту задачу не решишь, всё остальное белый шум». К четвёртой встрече он сам переписал цель на удвоение. Поэтому разговор о прогнозе спроса начинают с суммы, которая уже заморожена в товаре, а программу выбирают потом.

Начните с неликвида. Возьмите объём средств, замороженных в неликвиде на конец каждого квартала за последний год, и умножьте на стоимость финансирования или на упущенную прибыль от товара, который хочется продать, но не на что купить. Получится верхняя граница того, сколько имеет смысл вложить в прогнозирование.

По дефициту посчитайте случаи «out of stock» за квартал по ключевым позициям и умножьте на упущенную маржу.

Третья строка, потери, складывается из инвентаризационных недостач и возвратов. Если они заметны на фоне выручки, антикражные решения на видеоаналитике стоит считать в первую очередь.

Только с этими цифрами на руках можно осмысленно говорить с вендором о ROI, потому что иначе вы сравниваете его обещания с пустотой и выбираете по тому, у кого слайды ярче.

Шаг 2. Привести в порядок учётную систему

Шаг скучный. Его часто пропускают, а потом разочаровываются в ИИ и говорят, что технология не работает, хотя она всего лишь честно показала, что лежит у вас в учёте.

Минимальный набор данных для запуска прогноза спроса:

• история продаж поартикульно минимум за полный сезонный цикл
• остатки на конец каждого дня
• данные о промоакциях и ценовых изменениях с датами, иначе модель примет акционный всплеск за обычный спрос
• разбивка по точкам продаж (если сеть)

Интернет-магазину к этому списку добавляется ещё три пункта: цели электронной коммерции в аналитике сайта (просмотры карточек, корзина, покупка), единый идентификатор покупателя между сайтом и CRM и заполненные характеристики в карточках товаров. Без них поиск и рекомендации работают вслепую.

Если 1С ведётся аккуратно, данные у вас уже есть. Если нет, сначала наводят порядок в учёте, и это дешевле, чем платить за прогноз, который будет ошибаться вместе с учётом.

Кривые данные не всегда выглядят кривыми. С тем же продавцом мы разбирали на экране сервис аналитики маркетплейса, и цифра, подписанная как продажи, на деле считала заказы. В его основной категории до покупки доходит примерно треть заказов, так что настоящая выручка была кратно меньше той, что показывал сервис. Обучите прогноз на таких «продажах», и модель будет уверенно советовать закупку под покупателей, которые его не выкупят.

Шаг 3. Выбрать одну задачу, не четыре

При первом внедрении очень хочется автоматизировать всё сразу. Когда одновременно запускают прогнозирование, ценообразование, персонализацию и аналитику выкладки, получается хаос с размытой ответственностью, и потом уже невозможно понять, что из этого дало результат, а что просто съело бюджет.

Начинать стоит с одной задачи, той, что закрывает самую дорогую проблему. Для небольших ритейлеров это почти всегда прогноз спроса и управление запасами. Там деньги лежат ближе всего.

Шаг 4. Протестировать на части ассортимента

Весь ассортимент сразу переводить под алгоритм незачем. Возьмите ключевые позиции, которые дают основную часть выручки, запустите на них прогноз и поработайте с ним несколько месяцев, а потом сравните результат с тем, что было до.

Сравнивать с прошлым кварталом нельзя, потому что сезон и акции уже другие. Честная схема для любого ИИ-блока на сайте: половина покупателей видит новое, половина старое, и так три-четыре недели. Для прогноза остатков такого разделения нет, поэтому берут часть ассортимента под алгоритм, а похожую часть оставляют на ручной закупке.

Если точность прогноза по ключевым SKU выросла и неликвид сократился, масштабируете. Если нет, разбираетесь, где виноваты кривые данные, а где модель просто не подходит под ваш ассортиментный профиль.

Шаг 5. Назначить ответственного

ИИ «в воздух» не внедряется. У него должен быть хозяин. Кто-то каждый день работает с прогнозами, то есть проверяет аномалии, вносит корректировки на основании информации, которой у алгоритма нет, и формирует заявки поставщикам по модели, хотя рука по привычке тянется заказать как в прошлом году.

Обычно это закупщик или категорийный менеджер. Работа у него меняется. Заказы на глаз он больше не составляет. С алгоритмом он работает как соавтор. Где алгоритм знает больше, закупщик ему доверяет, а где у самого закупщика есть контекст, которого модель не видит, корректирует.

Где здесь проходит граница, я спорил с собственницей сервисной компании на несколько десятков человек, и спор был тот же самый, хотя товара там нет. Таблицу план-факта ей собрали, но столбец плана в ней стоял пустым, и вписывать цифры руками она не хотела: собиралась тянуть всё автоматически из CRM. Я возразил, что автоматизировать рано, пока непонятно, для чего эта таблица, ведь в середине месяца по ней нельзя было сказать, что происходит с компанией. Выгрузка экономит время, когда уже решено, какой вопрос задаётся цифре и кто по ней принимает решение. С закупщиком так же: цифры пусть собираются автоматически, а разбор отклонений остаётся за человеком.

ИИ для интернет-магазина: что внедрять первым

У магазина с сайтом есть то, чего нет у точки на улице: каждый поисковый запрос, клик и брошенная корзина записаны. Поэтому первые задачи в онлайне касаются каталога и покупателя, а не полки. Прогноз остатков идёт следом, когда нужно высвободить деньги из товара.

Поиск по каталогу

Обычный поиск ищет совпадение слов. Покупатель пишет «кроссы найк» или «белые кеды под платье», получает пустую страницу и уходит к конкуренту, хотя в карточке написано «кеды белые, унисекс». ИИ-поиск понимает смысл запроса, опечатки и разговорные названия. Проверить до покупки просто: выгрузите запросы, которые люди вводят в поиск на вашем сайте, и найдите те, что вернули пустую выдачу. Если таких много, поиск стоит первым в очереди.

Рекомендации в карточке и корзине

Блок «с этим покупают», собранный вручную по правилам, показывает всем одно и то же. Покупатель, который в четвёртый раз открывает ноутбуки, хочет сравнение, а не чехол. Рекомендательная модель смотрит, что человек просматривал и что покупали похожие на него, и подстраивает витрину. Условие одно: нужна история заказов. В молодом магазине модель гадает, и там лучше работают рекомендации по характеристикам товара, то есть по категории и бренду.

Карточки, описания и фото

Это самое дешёвое место для старта, потому что ошибка стоит мало: описание можно поправить за минуту. Языковая модель пишет текст по характеристикам, а нейросети готовят и чистят фото. Ловушка в том, что модель достраивает характеристики, которых в карточке поставщика нет: состав, размер, совместимость. Покупатель вернёт товар, претензию получит магазин. Описание сверяют с данными поставщика до публикации, особенно в одежде и электронике.

Чат поддержки

Большая часть обращений в онлайне однотипна. Покупатели спрашивают, где заказ, можно ли вернуть и есть ли нужный размер. Чат на языковой модели, подключённый к статусу заказа, отвечает на такое без оператора. Дерево кнопок раздражает покупателей и не заменяет его. Без базы знаний и связи с учётной системой получится бот, который отвечает «сейчас уточню» и всё равно зовёт человека. Претензии и возврат денег остаются за сотрудником.

Где ИИ в интернет-магазине ошибается

Первое: пустые карточки. У части товаров нет характеристик, а фото одинаковые, а поиск и рекомендации опираются как раз на описания. Каталог приводят в порядок параллельно с запуском. Второе: ожидание результата через две недели. Рекомендациям нужен живой трафик, первые выводы разумно делать не раньше месяца. Третье: цели «просмотров карточек стало больше». Мерят рост конверсии из поиска, средний чек и стоимость обращения в поддержку, и цифры фиксируют до запуска, а не после.

ИИ в e-commerce: маркетплейсы, цены и мошенничество

Продавцу на Wildberries и Ozon часть задач решает сама площадка, часть остаётся на нём. Набор встроенных инструментов у площадок меняется, актуальный смотрите в личном кабинете. Остальное закрывают сторонние сервисы.

Цены на маркетплейсе

Алгоритм получает цены конкурентов, остаток на складе, спрос по позиции и вашу целевую маржу, а возвращает рекомендованную цену. Следить за ценовым коридором площадки вручную на нескольких сотнях позиций не получится физически. Одно правило обязательно: нижняя граница маржи. Закупочных цен алгоритм не знает, пока вы их не передали, и однажды опустит цену ниже себестоимости. Границы проверяют до включения автоматики.

Аналитика спроса

Сторонние сервисы аналитики маркетплейсов собирают динамику спроса и цены конкурентов. Здесь работает ловушка из шага 2: цифра «продажи» может считать заказы, а не выкупы. Перед закупкой по прогнозу сверьте её с отчётом самой площадки.

Рассылки и брошенные корзины

Триггерная рассылка «вы забыли товары» существует давно и ИИ для неё не нужен. Модель добавляет выбор момента, канала (почта, пуш, SMS) и товара, который купят с наибольшей вероятностью. Скидку получает тот, кто без неё не вернулся бы. Иначе вы раздаёте маржу покупателям, которые вернулись бы сами.

Мошенничество

В магазине с заметным оборотом появляются фиктивные заказы, возвратные платежи и накрутка отзывов. Модель находит аномалии: много заказов с одного устройства на разные адреса, всплеск возвратов после акции. Это сигнал, и отмену заказа подтверждает сотрудник, иначе вместе с мошенниками отрежете живых покупателей.

Инструменты, которые используют в российском небольшом ритейле

Крупные ИИ-платформы для ритейла рассчитаны на сети с ИТ-отделом и большим бюджетом. Для бизнеса они тяжелы и по цене, и по сложности внедрения, поэтому в малом ритейле работают классы инструментов попроще.

Прогноз спроса с интеграцией в 1С. Бывают отдельным сервисом. Бывают модулем к учёту. Стоимость и точность на ваших данных проверяйте на пилоте.

Аналитические платформы для сетей с модулем прогноза, аналитикой по полкам и промоакциям. Смысл в них появляется, когда точек несколько.

Сервисы мониторинга цен. Собирают цены конкурентов и дают рекомендации по своим. Доступность для российской компании и демо на реальных данных уточняйте у вендора до переговоров о цене.

Платформы лояльности и рассылок. Чистым ИИ их не назовёшь. Рекомендации в них встроены.

Видеоаналитика. Российские решения с распознаванием аномалий есть. Цена зависит от числа камер и точек.

Для интернет-магазина готовые облачные сервисы закрывают поиск по каталогу, рекомендации и чат на языковой модели. Для магазина до нескольких десятков тысяч позиций собственная команда data science не нужна.

Одна оговорка. Любой из этих инструментов требует времени на настройку и обучение команды, а цифры из коммерческого предложения вендора описывают максимум в идеальных условиях, так что результат у вас будет ниже. Положительным он остаётся, если задача выбрана правильно и команде дали время на настройку, а эффекта с первой недели никто не ждёт.

Распространённые ошибки при оценке ИИ-инструментов

«Посмотрим на демо, потом решим» без пилота на своих данных. Демо собирают на идеальном датасете. На ваших данных картина будет другой.

Выбор по функциональному богатству вместо задачи. У системы десятки модулей, из них нужны два, а платите вы за все.

Недооценка затрат на интеграцию. Если в предложении вендора написано «интеграция с 1С в течение 2 недель», уточните, сколько занимает интеграция у клиентов с похожей конфигурацией 1С. Ответ часто отличается от обещания.

Отказ от пилота в пользу полного развёртывания. «Раз уже платим, давайте сразу всё». Соблазн понятный. Только пилот нужен как раз для того, чтобы понять, как алгоритм ведёт себя на вашем ассортименте, пока на него ещё не переведены все закупки.

Ожидание, что ИИ заменит закупщика. Закупщика он не заменит. Хороший закупщик с ИИ-инструментом работает сильнее, чем без него, а плохой испортит данные и заодно дискредитирует технологию в глазах всей команды.

Качество данных ни за кем не закреплено. ИИ отражает ваши данные, и только их. Если регулярно следить за качеством учёта некому, прогноз со временем деградирует, и заметят это, когда склад снова забьётся.

Частые вопросы об ИИ в магазине и розничной торговле

Как ИИ применяется в рознице?

Четыре основных направления: прогноз спроса и управление запасами, динамическое ценообразование, персонализация программ лояльности и видеоаналитика (антикражные системы, анализ поведения покупателей в торговом зале). Для небольших магазинов и сетей наибольший измеримый эффект даёт прогноз спроса: именно там самые большие потери денег из-за неликвида и дефицита.

Как ИИ управляет запасами в магазине?

Алгоритм анализирует историю продаж по каждому артикулу, учитывает сезонность, промоакции, дни недели и другие факторы. На выходе прогноз продаж на несколько недель вперёд с рекомендацией по точке заказа и объёму. Закупщик видит это в виде готовых рекомендаций, которые можно принять, скорректировать или отклонить с указанием причины (эта информация также улучшает модель). Ключевое условие: в учётной системе должна быть чистая история продаж поартикульно минимум за полный сезонный цикл.

Что такое умный ритейл?

Термин широкий: под ним объединяют использование данных и алгоритмов для автоматизации решений в торговле. В практическом смысле для бизнеса он включает прогнозное управление запасами, персонализированные коммуникации с покупателями, автоматический мониторинг цен конкурентов и видеоаналитику в торговом зале. Продавцы и закупщики остаются на местах, просто решения принимаются по данным.

Как ИИ прогнозирует спрос в магазине?

Машинное обучение выявляет паттерны в исторических данных о продажах, которые человек не заметил бы: например, что продажи конкретного артикула растут раньше праздника, чем принято считать. К ним добавляются внешние факторы вроде погоды, календаря и активности конкурентов. Модель обучается на ваших данных и постепенно уточняется. Точность растёт с объёмом данных и стабильностью учёта.

ИИ и ценообразование в рознице: как это работает?

Алгоритм мониторит цены конкурентов (парсинг сайтов, маркетплейсов), анализирует эластичность спроса по каждой категории и рекомендует цену, при которой прибыль максимальна. Для офлайн-ритейла это работает иначе, чем для онлайна: менять ценник много раз в день нереально. Поэтому чаще применяется еженедельная или двухнедельная коррекция по категориям на основе рекомендаций алгоритма. Эффект заметен на товарах, где есть ценовая эластичность.

ИИ и кассовые операции: что уже автоматизировано?

Компьютерное зрение для самостоятельного сканирования (self-checkout), автоматическое распознавание весового товара без PLU-кода, контроль кассира на предмет отмен и скидок. Self-checkout требует капитальных вложений на каждый кассовый узел и окупается только при высоком трафике. При небольшом потоке покупателей ROI сомнителен.

Сколько стоит ИИ для магазина?

Диапазон большой. Простой инструмент прогнозирования спроса стоит заметно дешевле комплексной платформы для сети с персонализацией и ценообразованием. Стоимость видеоаналитики зависит от количества камер и точек. Важнее стоимости подписки стоимость интеграции: она единоразовая и растёт со сложностью учётной системы. Точные цифры даёт коммерческое предложение вендора под ваш ассортимент.

Есть ли смысл в ИИ для небольшой торговой точки?

Для одной небольшой точки экономика ИИ-инструментов сходится плохо. Прогнозные инструменты начинают окупаться при достаточной выручке и широкой матрице активных SKU. Ниже этого порога ценнее нормально настроенная 1С, дисциплина учёта и аналитика в Excel или Google Sheets с базовыми формулами.

Как ИИ помогает с выкладкой товара?

Компьютерное зрение анализирует фотографии полок и сравнивает их с планограммой, показывая позиции не на своём месте, пустые зоны и отступления от стандарта. Так снижается нагрузка на мерчандайзинговый контроль в сетях. Такие системы, в том числе российские, позволяют проверять полки без обхода мерчандайзером. Для крупных сетей автоматизация мерчандайзингового контроля даёт ощутимый результат; для небольших это необязательная оптимизация.

ИИ и антикражные системы в ритейле?

Видеоаналитика фиксирует аномальное поведение: длительное нахождение у стеллажей без чека, движение к выходу с товаром без прохождения кассы, подмену ценников. Системы не обвиняют, они дают сигнал охране или оператору для ручной проверки. Потери от краж и недостач стоит измерить до выбора системы: сравнение годовых потерь со стоимостью видеоаналитики показывает, окупится ли она.

ИИ и лояльность покупателей в рознице?

Классические программы лояльности работают как «одна скидка для всех». ИИ персонализирует: анализирует покупательское поведение каждого клиента, предсказывает, что именно ему интересно и когда он готов купить. Такие функции встроены в платформы лояльности и рассылок. Условие: достаточная база активных клиентов с историей покупок минимум за год.

С чего начать ИИ в магазине?

Три конкретных шага. Сначала посчитайте, сколько денег вы теряете на неликвиде, дефиците и воровстве, и эта сумма станет вашим бюджетом на решение. Потом убедитесь, что в учётной системе есть чистые данные по продажам поартикульно минимум за полный сезонный цикл. И только затем выберите одну задачу, почти всегда это прогноз спроса, и запросите пилот у нескольких вендоров на ваших реальных данных, демо тут не в счёт.

Как ИИ улучшает поиск по каталогу интернет-магазина?

Он понимает смысл запроса, а не точное совпадение слов: опечатку «кроссы найк», разговорное «белые кеды под платье», синоним. Пустая выдача на такие запросы превращается в список товаров. Проверка на своём сайте занимает вечер: возьмите двадцать настоящих запросов покупателей и посмотрите, сколько вернули пустую страницу.

ИИ-чат для поддержки интернет-магазина: когда он оправдан?

Когда в поддержку пишут часто, вопросы типовые (где заказ, можно ли вернуть, есть ли размер), а у бота есть доступ к статусу заказа. При небольшом потоке обращений дешевле и надёжнее отвечать самим. Претензии и возврат денег в любом случае остаются за сотрудником.

Как использовать ИИ на Wildberries и Ozon?

Начните с цен и аналитики. Сервисы аналитики маркетплейсов дают динамику спроса и цены конкурентов, алгоритм цен предлагает цену с учётом вашей маржи. Нижнюю границу маржи задают до включения автоматики. Встроенные инструменты площадок меняются, актуальный список смотрите в личном кабинете.

Как ИИ возвращает брошенные корзины?

Он выбирает время письма, канал (почта, пуш, SMS), товар, который купят с наибольшей вероятностью, и решает, нужна ли скидка. Базовая триггерная рассылка настраивается без ИИ, модель добавляет выбор момента и товара. Скидку получает только тот покупатель, кто без неё не вернулся бы.

Чем персонализация отличается от сегментации?

Сегментация делит людей на группы, например «мужчины 25-40 лет из большого города». Персонализация работает с одним человеком: тот, кто за неделю трижды открывал беговые кроссовки, видит их на главной при следующем визите.

Как отличить эффект ИИ от сезона?

Разделите трафик. Половина посетителей видит новый блок, половина старый, тест идёт три-четыре недели. Сравнение с прошлым кварталом ничего не доказывает, потому что сезон и трафик уже другие.

Как ИИ ловит мошенничество в интернет-магазине?

Находит аномалии: много заказов с одного устройства на разные адреса, всплеск возвратных платежей, одинаковые отзывы с новых аккаунтов. Модель даёт сигнал, а заказ отменяет сотрудник после проверки.

Можно ли публиковать ИИ-описания товаров без проверки?

Нельзя. Модель достраивает характеристики, которых нет в карточке поставщика, например состав или размер. Покупатель вернёт товар, претензию получит магазин. Сверяйте описание с данными поставщика до публикации.

Что после первого прогноза

Прогнозирование спроса даёт ритейлеру удобную точку входа в ИИ, хотя управление запасами закрывает только часть проблемы. Следом встаёт вопрос, как выстроить операционную систему вокруг алгоритмов, чтобы команда с ними действительно работала и прогнозы не пылились в отчётах. Такая задача решается на операционном уровне, одним инструментом её не закрыть, и о порядке этой работы мы пишем на странице про внедрение ИИ в бизнес.

Ещё по теме:

• ИИ для бизнеса: с чего начать внедрение, обзор ИИ-инструментов по отраслям и задачам
• Диагностика бизнеса: как понять, где теряются деньги, до внедрения любых инструментов