Ритейл — это одна из самых динамичных отраслей, которая постоянно развивается и изменяется. На ритейл влияет все — изменения в экономике, изменения в поведении покупателей, технологические инновации и многое другое. Появление маркетплейсов или локдаун во время пандемии — все это приводит к большим изменениям.
Компании-ритейлеры исторически привыкли работать с данными, ведь только так можно понять, что, как и где надо продавать и по какой цене. Промо-акции, прогнозирование спроса, управление запасами, формирование товарной матрицы и ценообразование — это задачи, которые ритейл решал с помощью данных и различных алгоритмов с разной степенью автоматизации.
У современных ритейлеров возможности собирать данные о клиентах, товарах, покупках, заказах и логистике не просто широкие — они практически ограничены только объемами доступных хранилищ. Именно поэтому розничная торговля является одной из ключевых площадок для экспериментов и внедрения ИИ-решений. Сегодня автоматизацией уже никого не удивишь. Рынок требует самонастраивающихся, масштабируемых решений, работающих в режиме реального времени.
Когда я пришел в ритейл в 2003 году, то прогнозирование спроса и расчет запасов в магазинах осуществлялся на базе простейшей формулы — «15 дневных продаж». Праздники, погода, сезонность, данные о конкурентах не учитывались. Из расчета исключались только собственные промо-акции.
Сейчас прогнозирование спроса уже давно вышло за рамки формул и скользящих средних. При использовании глубокого обучения (deep learning) и ансамблей моделей мы можем учесть все возможные факторы и показатели. При этом ИИ-модели обрабатывают временные ряды и обучаются на огромных массивах исторических данных, адаптируясь под изменения в режиме реального времени.
Но прогноза о том, сколько товара нужно, уже недостаточно в современном ритейле — нужно четко понимать, где и когда он должен находиться. В условиях омниканального ритейла, когда товарный запас распределен между физическими магазинами, онлайн-складами, dark-сторами и маркетплейсами, распределение товарных запасов становится одной из наиболее сложных задач, которую ИИ помогает решить.
Современные решения прогнозирования спроса и управления запасами и логистикой на базе ИИ позволяют:
Одним из стоп-факторов может стать сложность обучения моделей и нехватка высококвалифицированных инженеров для работы с ними. Платформы на базе AutoML позволяют автоматизировать процесс обучения и подбора гиперпараметров, снижая требования к квалификации персонала и ускоряя внедрение.
Еще одна распространенная проблема — качество собираемых данных. К сожалению, ИИ бессилен в ситуации, когда на складах или в магазинах работа по актуализации товарного запаса не введена в ежедневную практику. Если правильные данные по товарному запасу находятся только в голове менеджера отдела или кладовщика, то ни одна модель не способна дать верный прогноз.
Стандартная матрица ассортимента большого магазина — это 30-50 тысяч товаров. Если магазин один или их несколько, но в одном городе, то управлять матрицей и ценами можно с помощью табличного файла. А если таких городов несколько? А если магазинов 100? А если их 1000, и менять цены нужно ежедневно?
Применение ИИ для динамического ценообразования уже доказало свою эффективность и постепенно переходит в разряд «коммодити». Алгоритмы анализируют ценовую чувствительность, реакцию покупателей на скидки, цены конкурентов, остатки товара, промо-акции и спрос и на основе этих данных формируют рекомендованные цены по товарам в конкретных магазинах или онлайн-сегментах.
Модели эластичности спроса позволяют выявлять оптимальную цену, при которой прибыль максимальна. Некоторые компании идут дальше и используют персонализированное ценообразование, предлагая разным клиентам индивидуальные скидки или комплексные предложения на основе их поведенческой модели.
Для формирования гибкой, адаптивной товарной матрицы, которая учитывает географию и локальные предпочтения, сезонность, продажи по категориям, а также связи между категориями и cross- и up-сейлы, применяются алгоритмы кластеризации и факторного анализа. Они группируют магазины по схожести поведения покупателей, а товары – по вероятности совместных покупок. Это позволяет централизованно управлять ассортиментом, снижая количество ошибок в закупках.
Например, система может рекомендовать вывод определенных артикулов из ассортимента в конкретном регионе, если продажи нестабильны, и предложить заменить их локальными аналогами, более знакомыми целевой аудитории.
Для реализации функционала применяются модели классификации, коллаборативной фильтрации, рекуррентные нейронные сети (RNN) для предсказания поведения.
Результат применения ИИ — это рост среднего чека, снижение оттока клиентов, увеличение LTV (lifetime value) и конверсии в цифровых каналах.
В физических или «каменных» магазинах все больше применяется компьютерное зрение и wifi-аналитика. Системы видеонаблюдения с ИИ-обработкой позволяют анализировать поведение покупателей в торговом зале: маршруты движения, скопления, взаимодействие с полками, очереди на кассах.
На основе этих данных можно оценивать эффективность кассовой зоны, оптимизировать планограммы и выкладку товаров, рассчитывать коэффициенты конверсии по отделам магазинов и выполнять A/B-тестирование гипотез в реальных условиях.
Отдельно отмечу использование генеративного ИИ для создания персонализированного контента, описаний товаров, рекламных сообщений и перевода контента на иностранные языки при экспансии в другие страны.
Еще один распространенный кейс использования ИИ — создание продающих чат-ботов. Из практики внедрения — MVP консультирующего чат-бота в одном из каналов продаж дал кратное увеличение качества ответов и количества обрабатываемых лидов при сопоставимом уровне конверсии (CR).
Популярен и востребован анализ отзывов и автоотзывы на базе генеративного ИИ.
Таким образом, можно сказать, что ИИ в ритейле уже прошел стадию экспериментов и активно встраивается в цепочку создания ценности — от маркетинга до логистики. В наше время, когда скорость принятия решений критична, выигрывают те ритейлеры, которые опираются на данные и современные инструменты, а не действуют по старинке.
Однако внедрение ИИ требует зрелой ИТ-архитектуры, культуры работы с данными, прозрачности алгоритмов и постоянного развития. Без этого даже самые мощные модели не смогут давать одинаково хороший эффект на средней и длинной дистанциях из-за «дрифта» данных и устаревания самих моделей.
