Потребители становятся требовательнее, цепочки поставок — сложнее, а конкуренция — жестче. Ошибка в прогнозах пользовательских ожиданий может стоить миллионы, именно поэтому искусственный интеллект (ИИ), способный анализировать огромные массивы данных и оперативно улавливать закономерности, становится важным стратегическим инструментом ритейлеров.
Как эффективно использовать ИИ для этой и других задач, а также с какими сложностями сталкиваются компании при внедрении данной технологии, рассказал Евгений Лящук, коммерческий директор «Сбер Бизнес Софт».
Прогнозирование спроса — ядро эффективности бизнеса
Ритейлеры активно внедряют ИИ в ключевые бизнес-процессы, оптимизируя прогнозирование спроса, управление запасами, ценообразование, маркетинг и клиентский сервис. Помимо этого, ИИ широко используется для автоматизации обслуживания клиентов и управления магазинами.
Чат-боты и голосовые помощники заменяют операторов в рутинных запросах, обеспечивая круглосуточную поддержку без увеличения расходов на персонал, системы умного видеонаблюдения анализируют поведение покупателей, помогая оптимизировать выкладку товаров и предотвращать кражи, а технологии компьютерного зрения позволяют контролировать запасы на полках. Эти изменения не только повышают операционную эффективность, но и формируют новый стандарт клиентского опыта, делая процесс покупки более удобным и персонализированным.
При всей важности автоматизации и персонализации, основой успешного ритейла остается эффективное прогнозирование спроса, которое влияет сразу на множество других бизнес-составляющих, таких как:
- Управление цепочкой поставок. Грамотное прогнозирование спроса обеспечивает своевременные закупки, распределение товаров и управление запасами, что снижает издержки, минимизирует риски дефицита или перепроизводства и повышает эффективность всей цепочки поставок. Например, одна из федеральных сетей хозяйственных магазинов за счет внедрения ИИ-прогнозирования сократила объемы избыточных закупок на 18% и улучшила координацию поставок между регионами;
- Продажи. Если желаемого товара нет в наличии, это приводит к упущенной прибыли, впрочем как и переизбыток невостребованного товара, особенно скоропортящегося, приводит убыткам. Так, агрокомплекс по производству продуктов питания с помощью ИИ-модели прогнозирования смог на 15% снизить списания просроченной продукции;
- Управление маркетингом. Понимая, какие товары пользуются спросом и как клиенты реагируют на акции, компания может точнее выстраивать стратегию продвижения. Один из производителей алкогольной продукции применяет ИИ для анализа потребительского поведения: алгоритмы изучают предпочтения гостей заведений и предлагают персонализированные рекомендации по винам на основе цифрового каталога, что помогает увеличить продажи премиальных позиций.
До широкого внедрения ИИ в ритейле использовались традиционные методы прогнозирования: экспертные оценки (основанные на опыте сотрудников), статистические методы (например, линейная регрессия и скользящая средняя). Хотя эти методы работали, они часто давали низкую точность прогнозов и не учитывали сложные факторы, такие как сезонность, промоакции и эластичность спроса.
По данным дистрибьютора косметики «Градиент», внедрившего ИИ-модель прогнозирования спроса, точность прогнозирования стала на треть выше по сравнению со статистическими методами, что позволило более эффективно управлять товарными запасами и снижать издержки.
ИИ-модели позволяют ритейлерам и производителям более точно прогнозировать спрос, снижая ошибки прогнозирования на 5–30% по сравнению с традиционными методами. Это достигается за счет учета большого количества факторов (цены, промо, сезонность, тренды), автоматической обработки данных в реальном времени, самообучающихся алгоритмов, повышающих точность с каждой итерацией.
Например, холдинг по производству свинины и продуктов из нее, входящий в десятку крупнейших мясо-колбасных компаний России, столкнулся с проблемой прогнозирования спроса на линейку товарной продукции на месяц вперед, по дням и в разрезе дистрибьюторов и районных центров. Отклонения в прогнозах достигали 20%. Внедрение ИИ-модели, учитывающей сезонность и другие параметры, позволило снизить ошибки до 9–11% и сократить расходы на списания.
Кроме того, в отличие от традиционных методов, ИИ может выявлять взаимосвязи между товарами и другие закономерности, анализируя чеки. Таким образом, выявляя зависимости между товарами, например, видя, что определенный сыр покупают вместе с определенным видом колбасы, компания может запускать кросс-промо, пересматривать товарную матрицу и оптимизировать выкладку, добиваясь роста среднего чека и увеличения конверсии на полке.
Именно поэтому все больше компаний начинает использовать нейросети и модели на базе машинного обучения (ML-модели), которые позволяют анализировать гораздо больше данных, учитывать сложные зависимости и разнообразие факторов (промо-акции, наличие товара на складе, изменения рыночных условий, сезонность, динамика покупательского трафика и т. п.), выявлять закономерности и делать это намного быстрее.
От прогнозирования спроса к управлению товарооборотом
Прогнозирование спроса играет ключевую роль в закупке товаров и управлении товарными запасами. Неверный прогноз может привести либо к пустым полкам, либо перегруженным складам. Например, проблема излишков товара обостряется в периоды высокого спроса — накануне праздников.
Ажиотаж вокруг тематических товаров — украшений, подарочных наборов, сезонных продуктов — заставляет ритейлеров делать крупные заказы, а производителей — наращивать объемы выпуска продукции. Ошибка в расчетах оборачивается убытками — непроданные товары после праздников быстро теряют свою актуальность, а их реализация требует значительных скидок либо длительного хранения до следующего сезона, когда товар может быть уже неактуальным.
Точное прогнозирование спроса в такие периоды становится не просто важным, а критически необходимым для поддержания прибыльности бизнеса.
Так в одной российской компании, занимающейся продажей и доставкой готовой еды, внедрение ML-модели, которая учитывала колебания спроса, позволило повысить точность прогноза и обеспечить прирост экономического эффекта порядка 70 тыс. рублей в неделю на одну точку, а у компании их 50. Благодаря более точным, по сравнению со статистической моделью, расчетам удалось скорректировать объемы поставок и снизить риски дефицита или избыточных остатков, особенно в периоды повышенной активности.
Именно поэтому модель прогнозирования спроса должна быть неотъемлемой частью всей цепочки управления товарными потоками: анализировать данные о текущих остатках на складах и в торговых точках, отслеживать движение товаров в логистической сети, автоматически рассчитывать потребность в закупках с учетом сезонных трендов, акций и исторических данных продаж, формировать заказы на основе прогнозных данных и контрактных обязательств. Такая интеграция значительно снижает вероятность дефицита или излишков, оптимизируя запасы под реальные потребности рынка.
Например, группа компаний «Абрау-Дюрсо», благодаря внедрению модели прогнозирования спроса на базе ИИ, смогла более точно планировать загрузку производства и объемы поставок сырья, а также существенно сократить расходы на хранение и утилизацию испорченных товаров.
Помимо этого, на основе прогнозов ИИ-модель помогает формировать рекомендации для закупщиков и логистов. Например, она может предложить оптимальные объемы закупок, сроки поставок, стратегии управления запасами и т. п. Дальнейшая интеграция с системами управления складом, заказами и другими бизнес-процессами позволяет автоматизировать процесс принятия решений и обеспечить более точное и своевременное управление запасами и поставками.
Сложности внедрения ИИ и рекомендации
Несмотря на очевидные преимущества и рост интереса к ИИ, по данным Accenture, лишь 12% компаний увидели эффект от использования этого инструмента. Основная проблема — нехватка качественных данных. Это связано, прежде всего, с низкой оцифровкой бизнес-процессов и отсутствием системы сбора и хранения данных — многие компании не имеют детализированной информации по продажам, остаткам, сезонным колебаниям, промо-акциям, или эта информация собрана в разрезе недели/месяца, что совершенно не подходит. Для качественного прогноза нужна детализация по дням.
Для того чтобы обучить модель, нужны данные минимум за 2 года, которые отражают сезонность, закономерности. Мало компаний пока что обладают такими объемами данных и, соответственно, не могут в полную мощь использовать потенциал ИИ.
Еще одним барьером является сложное и затратное внедрение ИИ в текущую инфраструктуру компании, в том числе связанное с дефицитом квалифицированных специалистов в области ИИ на стороне компании.
Кроме того, внедрение ИИ требует культурных изменений внутри организаций. Сотрудники должны понимать преимущество ИИ и то, как он может улучшить их рабочие процессы, а не бояться того, что нейросеть лишит их работы. Сопротивление изменениям является распространенным барьером, и компаниям необходимо управлять этим процессом, продвигая культуру инноваций и непрерывного совершенствования.
Чтобы успешно внедрить прогнозирование спроса на базе ИИ, компаниям нужно:
- Оцифровать все бизнес-процессы и хранить данные в структурированном виде, фиксируя не только продажи, но и любые действия пользователей и компании, которые могут повлиять на спрос.
- Убедиться, что данные собираются в едином формате, где все таблицы и базы данных взаимосвязаны через уникальные идентификаторы (ID-шники) или унифицированные наименования товаров.
- Собрать данные по продажам, остаткам, чекам, промо и маркетинговым акциям с высокой степенью детализации — например, записывать каждую продажу отдельной строкой, указывая время, цену и применение промоакций.
- Минимизировать агрегацию данных, сохраняя максимальную детализацию по дням, чтобы более точно анализировать спрос и выявлять сезонные колебания.
Чем более детальные и структурированные данные собирает компания, тем точнее будут прогнозы, что приведет к снижению потерь и увеличению эффективности закупок.