Почему ИИ становится все актуальнее: вызовы отрасли
Уровень цифровой зрелости российского продуктового ритейла сегодня очень высокий, и с этим связан первый вызов отрасли — разница между цифровым и физическим покупателем постепенно схлопывается, и ожидания клиентов от офлайн-магазинов растут. Традиционные ритейлеры все сильнее конкурируют с маркетплейсами — и часто проигрывают, так как не могут позволить себе такие низкие цены на товары, разнообразный ассортимент, дешевую и быструю доставку потребителю и удобные цифровые платформы для взаимодействия с ним. Второй вызов — большой дефицит на рынке труда во всех сферах, особенно в сферах персонала, работающего с покупателями, с товарами в распределительных центрах. Отвечать на эти вызовы помогает искусственный интеллект, который уже научился хорошо работать с изображениями, с аналитикой полок и товаров, позволяя управлять ассортиментом, прогнозировать спрос и ценообразование, оптимизировать трудозатраты. Все эти технологии повышают эффективность процессов и отличают на рынке одни компании от других.
Кейс 1: В “Магните” самостоятельно разрабатывают систему для прогнозирования и пополнения - CPFR (Collaborative Planning, Forecasting, and Replenishment), которая, с одной стороны, представляет собой комбинацию машинного обучения и искусственного интеллекта, а с другой, сложную логику пополнения и обработки заказов. Еще один ИИ-проект - система, которая занимается аналитикой продаж, следит за полками и выдает сигналы продавцам и работникам в магазине, чтобы они выложили новый товар. Также ритейлер работает над ИИ-системой, которая генерирует персональное предложение покупателя.
Почти все крупные ритейлеры сегодня используют инструменты машинного обучения - без структурирования таких огромных объемов данных обойтись сегодня просто невозможно.
Такие решения используются в управлении ассортиментом, в автопополнении товара и прогнозировании товародвижения. LLM-модели применяют для распределения товара по объектам, выбора точек для развития открытия магазинов, в маркетинге, управлении отчетностью. Как правило, здесь у торговых сетей большой объем данных, что позволяет получать предиктивную аналитику.
Как ритейл применяет нейросети
После волны хайпа применение генеративного искусственного интеллекта начало кристаллизоваться вокруг конкретных бизнес-задач с понятными эффектами. Крупные ритейлеры сегодня фокусируется вокруг типовых задач - прежде всего, это оптимизация работы контакт-центров, клиентской и ИТ-поддержки. Именно здесь нейросети дают самый предсказуемый результат.
С помощью ИИ также генерируются рекламные картинки и тексты - речь о генерации изображений карточек товаров, описания товаров. Есть данные, что отклик клиента на них даже выше.
Нейросеть помогает “прокачать” ритейлерам платформы самообслуживания, предлагая возможность работы с естественными языками. Пользовательский путь в таком случае меняется - сотрудник магазина может просто попросить систему спрогнозировать продажи на следующий месяц.
ИИ помогает наладить работу корпоративных чат-ботов. Например, можно создать бот для новых работников магазинов, который простым языком отвечает на самые популярные вопросы новичков: «Как закрыть кассу?», «Что делать, если не выходит пробить товар?»
Кейс 2: в X5 Group развивают свою языковую модель, при этом сотрудничая с российскими разработчиками - Just AI, GigaChat, с Яндекс GPТ и другими. Генеративный ИИ помогает в автоматизации работы с документами, подачи претензий - и дает возможность решить проблему кадрового дефицита, когда речь идет о бизнес-аналитиках, системных аналитиках, которые составляют внутренние нормативные документы, проводят бизнес-интервью. Нейросеть же сама отбирает ключевые тезисы по итогам беседы, рисует блок-схему, формирует требования и внутренние документы. Также генеративный ИИ помогает спроектировать взаимосвязанные таблицы, отчеты и визуализировать это в виде диаграммы или дашборда.
Кейс 3: В “Ленте” сейчас активно применяют ИИ в команде, которая создает обучающие курсы для сотрудников. Используют нейросети также для создания описаний товаров на сайте lenta.com, в поддержке пользователей через чат-бот с технологиями искусственного интеллекта. Также в “Ленте” развивают направление ИИ-разработчиков - написание кода с помощью ИИ. Эксперименты пока демонстрируют очень хорошие результаты, удивляя скоростью и качеством.
В то же время стоит понимать, что инвестиции в генеративный ИИ могут быть значительными, а выгоду от использования нейросетей подсчитать пока трудно - экономический эффект сейчас проще подсчитать от классических систем искусственного интеллекта, связанных с распознаванием товаров на полках или с выдачей сигналов персоналу.
С нейросетями остается и другая проблема - нет четкого понимания, когда ИИ говорит правильные вещи, а когда галлюцинирует. И даже если в рекомендательных системах ИИ отлично работает, все равно остается супервизия - люди, которые проверяют результат. Также необходимо обучать людей работе с ним, нужны партнеры и консультанты, которые готовы «под ключ» предложить ритейлеру прокачать экспертизу.
Проблема доступа к большим ИИ-моделям
Нужно признать, что у российского бизнеса в целом на сегодняшний день есть проблемы с доступом к внешним языковым моделям, которые продолжают развиваться в Китае, в западных странах - и ритейлеры здесь находятся ровно в том же положении. Темп работы с большими языковыми моделями за рубежом высокий, а в России не так много компаний, которые могут себе позволить заниматься созданием и обсчетом больших моделей.
Кроме того, русские языковые модели отстают от английских. Сами ритейлеры, как правило, создают свои модели - у них большой массив данных по клиентским транзакциям, по ассортименту, по продажам, по магазинам. Также торговые сети заключают партнерства с организациями и из других отраслей, чтобы обогащать свои данные.
Основные области применения ИИ в ритейле
Подведем итог: искусственный интеллект в ритейле умеет:
- предсказывать активность покупателей;
- определять самые востребованные группы товаров и своевременно пополнять запасы;
- проводить качественный мерчандайзинг;
- искать и корректировать неточности на ценниках;
- анализировать продажи и на основе этих данных давать рекомендации по ценообразованию (предлагать скидки на те или иные товары, повышать цену на те, которых осталось мало, чтобы уйти от дефицита);
- планировать поставки в различные розничные точки, учитывая активность покупателей;
- персонализировать цены для клиента: изучая историю покупок каждого человека, ИИ может предлагать ему товары, которые, скорее всего, заинтересуют покупателя (активнее всего сегодня это применяют маркетплейсы);
- делать чат-боты умнее - при обращении к онлайн-консультанту или в техническую поддержку интернет-магазина человек даже не сразу понимает, что беседует с роботом.
Таким образом, почти любая область бизнеса ритейлеров может быть качественно улучшена при помощи ИИ, который год от года становится все умнее. Вопрос в том, готовы ли компании к экспериментам, “пилотам”, перестройке собственных процессов и, конечно, к инвестициям.
