Нейросети в ритейле: где они действительно повышают эффективность

Товар закончился в магазине в пятницу вечером, хотя в системе числится достаточный остаток. На складе тем временем накапливается другая позиция, которая плохо продается и скоро потребует скидки. В интернет-магазине карточки товаров заполняются вручную, а покупатели долго ждут ответа поддержки.

Для ритейла это не абстрактные технологические проблемы, а прямые потери: недополученная выручка, замороженные деньги в запасах, списания, лишняя работа сотрудников и снижение лояльности покупателей.

Нейросеть может помочь с каждым из этих процессов, но только в связке с конкретной операционной задачей. Сам по себе доступ к языковой модели не меняет ассортимент, не заказывает товар и не исправляет ценник. Эффект появляется, когда система получает качественные данные, формирует рекомендацию или выполняет разрешенное действие, а сотрудник понимает, что именно нужно проверить.

X5 сообщала, что начала работать с первыми моделями и данными еще в 2019 году, а позже оценила эффект от связанных с искусственным интеллектом технологий примерно в 5 млрд рублей. Это корпоративная оценка конкретной компании, а не универсальный показатель для всего рынка.

Что означает применение нейросетей в ритейле

Под словом «нейросеть» часто объединяют решения с разными задачами. Прогнозная модель рассчитывает будущий спрос, компьютерное зрение анализирует изображение полки, а генеративная модель готовит текст или ответ. Поэтому для каждого сценария нужны свои данные, интеграции и правила контроля.

Прогнозирование спроса и генерация текста требуют разной подготовки. Для прогноза нужны история продаж, промо, сезонность, остатки и внешние факторы. Для карточек товаров — структурированный каталог, правила бренда и проверка достоверности характеристик.

Это влияет и на выбор подрядчика. Если задача состоит в сокращении ошибок пополнения, недостаточно подключить чат-бот. Решение должно быть связано с учетными системами и закупочным процессом. Если ритейлер хочет ускорить подготовку карточек, важнее интеграция с PIM или другим источником товарных данных, ограничения для генерации и проверка фактов.

Пять сценариев, в которых ритейл получает практический эффект

1. Прогнозирование спроса и пополнение запасов

Остаток в учетной системе не всегда показывает, сколько товара действительно доступно покупателю. Часть продукции может быть зарезервирована, повреждена или находиться не в торговом зале. Продажи при этом меняются из-за выходных, праздников, погоды, рекламных кампаний и особенностей конкретного района.

Прогнозная модель объединяет историю продаж, остатки, поставки, цены, промоакции и календарь. Для каждой позиции и торговой точки она рассчитывает ожидаемый спрос на выбранный период. На выходе закупщик получает рекомендацию: сколько товара заказать, когда оформить поставку и где запас может оказаться избыточным.

Автоматически отправлять заказ поставщику после первого расчета рискованно. В закупках действуют ограничения по минимальной партии, срокам поставки, вместимости склада, бюджету и договоренностям с поставщиком. Модель дает прогноз, но ответственный сотрудник должен видеть основания рекомендации и при необходимости скорректировать ее.

Для пилота можно выбрать одну категорию и ограниченный набор магазинов. Затем сравнить прогноз с фактическими продажами и проверить не только точность модели, но и изменения в процессе: стало ли меньше ситуаций, когда товара нет в продаже, уменьшился ли избыточный запас, сократились ли списания и сколько времени закупщик тратит на подготовку заказа.

Важно оценивать обе стороны ошибки. Недооценка спроса приводит к пустой полке и недополученной выручке, а завышенный прогноз — к замороженным деньгам и дополнительным списаниям. Оптимизация только одной метрики может ухудшить общий результат.

2. Цены, промоакции и персональные предложения

Одинаковая скидка не дает одинакового результата во всех магазинах. В одном районе товар продается без дополнительного стимула, в другом промо помогает освободить склад. На результат влияют остатки, срок годности, действия конкурентов и соседство товаров в корзине.

Модели анализируют историю продаж, реакцию на прошлые акции, регион, канал продаж и текущий запас. После этого система может предложить, какие товары включить в промо, где акция вероятнее сработает, какой запас потребуется и какие позиции могут остаться после завершения кампании.

Такую рекомендацию нельзя оценивать только по выручке. Продажи могут вырасти, но маржинальный доход снизится из-за слишком большой скидки. Для товаров с коротким сроком хранения важны списания и скорость оборачиваемости. Для дорогих категорий — валовая маржа, возвраты и влияние предложения на соседние товары.

Исследование о применении нейросетей в маркетинге выделяет динамическое ценообразование, анализ поведения пользователей, персонализацию и генерацию контента как отдельные направления использования AI. Однако выводы маркетингового исследования нельзя напрямую переносить на любой магазин: конкретная модель должна учитывать ассортимент, ценовую политику и доступные данные. [Исследование о нейросетях в маркетинге](https://vaael.ru/ru/article/view?id=3908)

Персонализация работает по схожему принципу. Система анализирует историю покупок и поведение пользователя, а затем выбирает предложение, которое с большей вероятностью окажется релевантным. Но высокий процент кликов сам по себе не доказывает пользу для бизнеса. Если модель продвигает товары с низкой маржой или слишком часто обращается к клиенту, активность может ухудшить клиентский опыт.

Поэтому отдельно смотрят на отклик, дополнительный маржинальный доход и долгосрочное поведение клиента. Такой подход помогает отличить реальный эффект от формального роста взаимодействий.

3. Контроль полок, ценников и выкладки

Директор магазина не может постоянно проверять все полки вручную. Мерчандайзер проходит маршрут, фотографирует выкладку или фиксирует нарушения в приложении. Между проверками товар может закончиться, ценник — не совпасть с учетной системой, а промо-место — оказаться занятым другой позицией.

Компьютерное зрение анализирует фотографии или поток с камер и передает сотруднику конкретный сигнал: товара нет на полке, упаковка стоит не в нужной зоне, ценник отсутствует или расположен неправильно, промо-выкладка не соответствует планограмме.

Главный эффект этого сценария — сокращение времени между появлением проблемы и ее устранением. Система может отправить задачу в рабочее приложение, указать полку и товар, а сотрудник подтвердит нарушение и исправит выкладку. Полностью передавать решение модели необязательно.

До запуска необходимо проверить качество изображений, освещение, расположение камер и разнообразие упаковок. Одна и та же продукция может выглядеть по-разному в разных магазинах. Если модель не учитывает эти варианты, количество ложных сигналов быстро превысит пользу от автоматизации.

В качестве показателей используют время обхода, долю подтвержденных нарушений, скорость устранения, число повторных ошибок и доступность товара на полке. Количество распознанных объектов имеет смысл только тогда, когда оно связано с реальным действием магазина.

4. Карточки товаров, реклама и контент

В каталоге крупного ритейлера тысячи позиций. Для каждой нужны название, описание, характеристики, изображения, сведения о комплектации и иногда разные варианты текста для отдельных каналов. Ручная подготовка замедляет вывод новинок и создает риск разночтений.

Генеративная модель может получить структурированные данные из товарного справочника и подготовить черновик описания, короткий текст для каталога, варианты заголовков, вопросы и ответы для страницы товара или рекламное сообщение.

Но готовый текст не равен достоверному тексту. Модель способна добавить характеристику, которой нет в исходных данных, перепутать материал, комплектацию или совместимость. Для продуктового ритейла такая ошибка может привести к возврату, обращению в поддержку и претензии покупателя.

Надежнее выстраивать процесс по цепочке: PIM или другой источник передает проверенные поля, генерация ограничивается заданным шаблоном, после чего сотрудник проверяет спорные места и публикует результат. Для части товаров можно автоматически принимать тексты, в которых использованы обязательные характеристики и не появились новые факты. Остальные материалы отправляются на ручную проверку.

Практические рекомендации по работе с контентом для маркетплейсов также предлагают использовать нейросеть как помощника для черновика, анализа отзывов и подготовки визуала, сохраняя проверку товара человеком до публикации. [Материал о нейросетях для контента продавцов](https://selsup.ru/blog/top-9-nejrosetej-dlya-marketplejsov-i-sellerov-polnyj-obzor/)

Здесь оценивают время подготовки карточки, долю материалов без существенной переработки, количество ошибок после публикации и срок вывода новой позиции в каталог. Число сгенерированных текстов без проверки качества может стимулировать только рост объема.

5. Поддержка покупателей и помощники сотрудников

В контакт-центр регулярно поступают вопросы о статусе заказа, возврате, изменении цены, графике работы магазина и программе лояльности. Оператор тратит время на поиск ответа в нескольких системах, хотя сам вопрос может быть типовым.

Чат-бот с доступом к актуальной базе знаний способен ответить на простое обращение, запросить номер заказа, найти статус и передать сложный случай оператору. Во внутренней поддержке сценарий выглядит иначе: сотрудник магазина спрашивает, как закрыть кассу или что делать при ошибке оборудования, а помощник показывает соответствующую инструкцию.

Внутренний AI-помощник X5, по описанию компании, используется для подготовки презентаций и писем, проверки кода и формирования простых SQL-запросов. Этот пример показывает разницу между публичным ботом и корпоративным инструментом: второй работает с разграниченными правами, внутренними документами и рабочим контекстом. [Описание внутренних AI-инструментов X5](https://www.x5.ru/ru/publication/kak-nejroseti-i-vysokie-tehnologii-primenyayutsya-v-retejle-uzhe-sejchas/)

Для клиентского бота важна не только доля диалогов, завершенных без оператора. Если система удерживает клиента в разговоре, но не решает вопрос, показатель автоматизации вводит в заблуждение. Нужно отслеживать повторные обращения, переводы на сотрудника, время решения, удовлетворенность и ошибки в ответах.

У помощника для сотрудников есть дополнительный критерий: насколько быстро человек находит инструкцию и выполняет действие без обращения к руководителю или внутренней линии поддержки. Если база знаний устарела, даже хорошо настроенная модель будет регулярно выдавать неверные рекомендации.

Как считать эффект от нейросетей

Фраза «повысить эффективность» слишком широка для решения о внедрении. До пилота процесс нужно связать с деньгами, временем или качеством обслуживания.

Для операционного сценария можно использовать упрощенную формулу:

**Эффект = предотвращенные потери + экономия рабочего времени + дополнительный маржинальный доход − стоимость решения и сопровождения.**

Состав расчета зависит от задачи. В прогнозировании спроса учитывают списания, потери от отсутствия товара, избыточный запас и время закупщиков, высвободившееся благодаря автоматизированной подготовке рекомендаций. Для генерации карточек важны часы редакторов и контент-менеджеров, стоимость исправления ошибок, скорость запуска новых позиций и возвраты из-за неверного описания. Для чат-бота — стоимость обработки обращения оператором, время ответа, повторные обращения и доля диалогов, которые действительно заканчиваются решением вопроса.

Положительные изменения нельзя механически складывать в одну итоговую цифру. Если продажи выросли, нужно проверить, не повлияла ли на них параллельная рекламная кампания. Если обращений в поддержку стало меньше, важно убедиться, что не увеличилась доля нерешенных вопросов. Для сравнения используют контрольную группу, период до запуска или тест на части магазинов и категорий.

В расчет также включают расходы, которые часто остаются за скобками: подготовку данных, интеграцию с ERP, WMS, CRM, PIM или системой поддержки, настройку доступа, хранение и обработку информации, тестирование, контроль рекомендаций, обучение сотрудников, техническое сопровождение и доработки после изменения ассортимента или процесса.

Если эффект нельзя сразу выразить в рублях, начинают с операционных показателей. Например, измеряют сокращение времени подготовки карточки и количество ошибок, а затем переводят результат в стоимость рабочего часа и возможное влияние на продажи.

Какие данные нужны для запуска

Качество модели ограничено качеством исходных данных. Нейросеть не восстановит достоверную историю продаж, если в ней смешаны возвраты, отмены, перемещения и реальные покупки.

Для прогноза спроса обычно нужны продажи по товарам, магазинам и датам, остатки и движения между складами, сроки и фактические даты поставок, цены и промоакции, возвраты и списания. Дополнительно учитывают календарь праздников и сезонных периодов, закрытия магазинов, ремонты, локальные ограничения и корректный товарный справочник.

Для других сценариев набор меняется. Персонализации нужны данные о поведении клиента и правила работы с ними. Контенту — единый источник характеристик товара. Поддержке — актуальная база знаний, история обращений и статусы заказов. Компьютерному зрению — фотографии или видеопотоки с понятными условиями съемки.

До разработки стоит провести аудит данных. Нужно определить владельца каждого набора, место хранения, частоту обновления, обязательные поля, возможность связать записи между системами и перечень сведений, которые разрешено передавать модели. Отдельно назначают ответственного за исправление ошибок.

Сведения о покупателях, коммерческие выгрузки, ключи доступа и внутренние документы нельзя отправлять в публичные сервисы без проверки корпоративных правил и условий обработки данных. Для внешних моделей требуются решения по доступу, обезличиванию, хранению запросов и журналированию.

Как запустить пилот без лишнего риска

Первый пилот выбирают не по принципу самой впечатляющей технологии, а по сочетанию трех условий: проблема повторяется, исходные данные доступны, результат можно проверить.

Для региональной сети таким стартом может стать прогнозирование спроса на одной категории в нескольких магазинах. Для интернет-магазина — подготовка описаний по одному товарному разделу с обязательной проверкой редактора. Для контакт-центра — ответы на ограниченный набор вопросов о доставке и возвратах.

Сначала фиксируют исходное состояние: скорость процесса, число ошибок, стоимость ручной работы и финансовые потери. Затем ограничивают область действия конкретными магазинами, категориями, каналами или типами обращений. Это помогает отделить эффект модели от других изменений.

После этого подключают только необходимые данные и определяют права. Для каждого действия заранее фиксируют, что модель может читать, что может изменять и где требуется подтверждение сотрудника.

На следующем этапе модель переводят в теневой режим. Она формирует прогноз или рекомендацию, но не меняет процесс автоматически. Сотрудник сравнивает результат со своим решением, отмечает ошибки и объясняет причины расхождений.

Там, где данные неполные, уверенность модели ниже заданного уровня или действие влияет на деньги клиента, задача передается человеку. Система должна сохранять историю: какие данные использованы, какой ответ сформирован и кто его подтвердил.

После тестового периода выбранные KPI сравнивают с базовой линией и стоимостью эксплуатации. Если модель точнее, но требует столько ручной проверки, что экономия исчезает, сценарий еще не готов к масштабированию.

Ошибки, из-за которых нейросеть не приносит пользу

Начинать с инструмента, а не с потери

Фраза «нам нужна нейросеть» не описывает задачу. Сначала нужно определить, где компания теряет деньги или время: в закупках, контенте, поддержке, логистике или контроле магазинов. Только после этого выбирают подходящую технологию.

Путать демонстрацию с рабочим решением

Удачный ответ в тестовом чате не означает, что модель готова работать с реальными данными. В боевом процессе есть исключения, недоступные поля, устаревшие документы, ограничения по правам и требования к журналированию.

Автоматически выполнять рискованные действия

Изменение цены, отправка заказа, возврат средств или сообщение клиенту могут иметь финансовые последствия. Для таких действий нужны правила, лимиты, подтверждение и возможность отката.

Оценивать только техническую метрику

Точность распознавания или процент ответов без оператора полезны, но не заменяют бизнес-показатели. Ритейлеру важно понимать, снизились ли потери, ускорился ли процесс и не ухудшилось ли качество обслуживания.

Не назначать владельца результата

Модель может разрабатываться IT-командой, но за товарный запас отвечает закупщик, за контент — редактор или категорийный менеджер, за поддержку — руководитель контакт-центра. Если никто не принимает рекомендации и не исправляет исходные данные, технология остается отдельным экспериментом.

Забывать о сотрудниках

Новая система меняет рабочий процесс. Магазину нужен понятный интерфейс, закупщику — объяснение прогноза, оператору — удобная передача диалога, редактору — список полей, требующих проверки. Обучение и обратная связь должны быть частью проекта с самого начала.

Как выбрать решение и подрядчика

С командой внедрения стоит обсуждать не только используемую модель, но и весь рабочий контур. Важно понять, какой процесс изменится, какие системы придется подключить, где будут храниться данные и какие действия окажутся доступны модели.

Отдельно нужно выяснить, где сохраняется подтверждение сотрудника, как обрабатываются неполные и противоречивые данные, какие KPI фиксируются до старта и как выглядит тестовый и контрольный контур. Не менее важны вопросы сопровождения: кто отвечает за решение после запуска и как оно адаптируется при изменении ассортимента, цен и регламентов.

Для финансовых и цифровых продуктов особенно важны логика процессов, интеграции, права доступа и понятный пользовательский сценарий. Это относится и к ритейлу: нейросеть редко является отдельной кнопкой. Она становится частью цепочки между учетной системой, сотрудником и покупателем.

Например, наша компания Полигант может подключаться к задачам, где требуется спроектировать цифровой сценарий, связать его с текущими системами и определить правила работы AI-инструмента. Предметом проекта становится конкретная проблема ритейлера: прогноз закупок, помощник сотрудника, работа с данными, контентом или обращениями. Модель выбирается после уточнения процесса, источников данных и критериев качества.

И что в итоге

Нейросети в ритейле приносят пользу там, где есть повторяемая операция, доступные данные и понятный ответственный. Они помогают заранее увидеть изменение спроса, найти проблему на полке, подготовить карточку товара, подсказать сотруднику действие или распределить обращения поддержки.

Прибыль возникает не от самого факта использования нейросети. Она появляется, когда решение уменьшает списания, сокращает дефицит, экономит рабочее время, повышает маржинальный доход или помогает быстрее обслуживать покупателя.

Для российского ритейла разумный путь начинается с одного узкого процесса. Сначала фиксируют исходные потери, затем подключают данные, запускают модель в контролируемом режиме и сравнивают результат с базовой линией. Если эффект подтверждается, сценарий можно расширять на другие магазины, категории и каналы.