Российский рынок розничной торговли проходит через глубокую технологическую трансформацию, на которую значительно влияет развитие искусственного интеллекта. Драйверы роста — ИИ-решения в области прогнозирования спроса, оптимизации логистики и персонализации клиентского опыта. Артур Цыкунов, управляющий партнер SCG, рассказывает об особенностях внедрения ИИ в food- и non-food ритейле, рисках и перспективах развития.
По данным исследования Specter Consulting Group (SCG), к 2030 году доля e-commerce может достигнуть 30%.
Для ритейлеров остались в прошлом робкие эксперименты с ИИ. Нейросети — фундаментальная часть операционной модели. Объем рынка розничной торговли достиг 55,8 трлн руб. в 2024 году, при этом доля онлайн-торговли выросла до 22%, что показывает ускоренную цифровизацию потребительских привычек. Для ритейлеров ИИ решает такие задачи как рост выручки, снижение издержек, ускорение оборота капитала. Прикладную эффективность нейросетей подтверждают участники рынка: по данным Retail Touchpoints, 7 из 10 ритейлеров уже видят рост годовых доходов после внедрения ИИ.
Food vs non-food retail: отличия в подходе
Представители продовольственного ритейла применяют ИИ в первую очередь. Как показывает исследование SCG, объем сегмента food достигает 26,4 трлн руб., тогда как non-food — 29,4 трлн руб, то есть 47% оборота розничного рынка приходится на продовольственные товары. 8 из 10 крупнейших российских ритейлеров в сегментах food и non-food применяют ИИ в свои бизнес-процессах, то есть технологии концентрируются в руках ведущих игроков, которые задают стандарты рынка по скорости внедрения. Например, доля X5 Group в food-сегменте составляет 15%, «Магнит» — 11%, Mercury Retail Group — 5%.
Non-food сегмент, который включает одежду, электронику, DIY, товары для детей и др., более диверсифицирован. И особое значение здесь имеет клиентский опыт. Компании используют ИИ для персонализации, повышения конверсии и удержания клиентов, а также для оптимизации ассортимента и контента.
В food-сегменте ИИ решает задачи операционной эффективности: прогнозирование спроса с учетом сезонности и промо, сокращение списаний, оптимизация цепочек поставок и логистики, контроль выкладки и качества скоропортящихся товаров.
В non-food фокус переходит от «борьбы за списания» к борьбе за внимание и релевантность предложения. Ритейлеры используют ряд инструментов, среди которых — динамический таргетинг, предиктивная реклама, персональные рекомендации. Плюс ИИ позволяет улучшать поиск и навигацию в онлайне и омниканальных витринах.
Как используется ИИ в ритейле
Исследование SCG выявило основные практики, которые дают осязаемый финансовый эффект в российских сетях, и потому масштабируются быстрее других.
- Прогнозирование спроса и запасов. Машинное обучение позволяет анализировать исторические продажи, сезонные колебания и внешние факторы, чтобы планировать закупки, оптимизировать запасы и минимизировать дефицит или излишки продукции. Такие системы повышают точность прогнозов на 20–50%, а расходы на хранение, в свою очередь, снижаются на 15–20%.
- Оптимизация логистики. ИИ позволяет планировать оптимальные маршруты доставки, управлять складскими запасами и распределять товары между точками продаж. Благодаря чему ускоряется доставка, а транспортные затраты снижаются на 10–25%.
- Персонализация и аналитика данных. Технологии анализируют поведение покупателей и формируют индивидуальные рекомендации, акции и предложения. Это способствует росту продаж и укреплению лояльности потребителей. Технология положительно влияет на рост выручки, увеличивая ее в среднем на 10–15%, и лояльности (до 25%).
- Визуальные технологии и контроль. Компьютерное зрение применяется для мониторинга качества товаров. С его помощью ритейлеры могут проверять выкладку и автоматизировать контроль на складе и в магазинах. Повышается точность и эффективность процессов, а доступность товаров на полке увеличивается до 95%.
- Генерация контента. Нейросети значительно упрощают создание текстового и визуального контент и разгружают маркетинговые команды. ИИ обеспечивает высокое качество визуальной презентации продукции, включая описания, изображения и карточки товаров.
Особенности внедрения ИИ-решений для разных сегментов
В food-ритейле ИИ внедряется главным образом ради операционной эффективности и контроля рисков — списаний, дефицитов, log-cost. Так, X5 Group использует ИИ для планирования товарных запасов и прогнозирования спроса, чтобы оптимизировать заказы в магазинах и по всей цепочке поставок. В результате на 2% снизилось списание продуктов и на 1% выросла выручка сети. Другой успешный пример у «Ленты»: компания внедрила ИИ-систему прогнозирования спроса для всех форматов магазинов, включая регулярные и промо-товары. Спрос на товары моделируется с помощью многофакторных систем, учитывающих свыше сотни переменных: параметры магазинов, характеристики товаров, чеки, цены, планируемые промо-акции, товары-аналоги и прочее. Все вычисления выполняются с использованием динамического вычислительного кластера и модели больших данных. Как итог — списания по гастрономии стали меньше на 4%, и произошел рост доступности акционных товаров до 5%.
В food-сегменте необходимо учитывать частый и регулярный цикл покупки, высокую чувствительность к срокам годности и запасам, минимальную терпимость потребителя к отсутствию товара.
Для non-food сегмента, напротив, путь к успеху — работа с клиентской ценностью и опытом. Потому компании внедряют персонализированные рекомендации, умный поиск, динамическую сегментацию, эффективную рекламу. ИИ в non-food обеспечивает рост продаж на 10–20% за счет более точного попадания в потребности и повышения удовлетворенности клиентов на 25–45%. В данном случае важнее lifetime value и удержание клиента, чем мгновенная оптимизация списаний. ИИ помогает управлять широкой ассортиментной матрицей и высокой долей возвратов.
При этом существуют и риски использования искусственного интеллекта.
Ключевые риски внедрения ИИ
Человеческий фактор цифровой трансформации
По мировым данным лишь часть ритейлеров достигает измеримого ROI, и зачастую барьер — организационный, а не технологический. Переход к ИИ-модели требует изменения процессов и ролей, а не только покупки технологий. Потенциальные риски включают сопротивление линейного персонала, недостаток компетенций у middle-менеджмента и отсутствие культуры работы с данными в целом.
Сложность интеграции и качество данных
ИИ-модели критически зависят от качественных консистентных данных и интеграции с существующими системами — ERP, WMS, CRM, e-commerce платформами. Зрелость ИИ-практик во многом объясняется накоплением данных и развитостью аналитических платформ.
Среди типовых проблем — «зоопарк систем» внутри компаний, отсутствие единого клиентского профиля, фрагментированная аналитика, а также сложность масштабирования пилотных проектов на всю сеть.
Прогнозы и перспективы развития ИИ в ритейле
Тренд на технологизацию ритейла с помощью ИИ будет лишь усиливаться в ближайшие годы, а вместе с этим — технологическая пропасть между лидерами и остальными игроками. Крупнейшие компании будут забирать все большую часть выручки: доля рынка, приходящаяся на ритейлеров, активно использующих ИИ, вырастет с ~49,6% до ~79,8%. К 2030 году вклад ИИ в выручку топ-100 ритейлеров достигнет 5,5% (5,84 трлн руб.) при CAGR 11,2%. Потому нейросети переходят из категории опционального проекта в обязательное условие конкурентоспособности.
Рекомендации: как ритейлерам внедрять ИИ-решения
- Начинайте стратегию технологизации с «ядра эффективности». Речь идет о прогнозировании спроса, логистики и персонализации, где результат измерим и быстро проявляется.
- Стройте пилотные проекты вокруг четких метрик — списаний, доступности, ROMI, конверсии. И масштабируйте их при доказанном эффекте.
- Опирайтесь на фундаментальные элементы — данные и архитектуру. Необходимы единые витрины вместо локальной Excel-аналитики и инфраструктура, поддерживающая непрерывные решения.
- Делайте ставку на кадры: формируйте кросс-функциональные команды, объединяющие бизнес, IT и аналитику.
- Различайте подход к внедрению ИИ по сегментам. В food делайте акцент на операционной эффективности, в non-food — на клиентском опыте и персонализации.
Фото: предоставлено автором
