ИИ в розничной торговле: с чего начать магазину в Узбекистане

Что на самом деле значит ИИ в рознице

Каждый день магазин копит чеки, движение остатков, акции и данные о посетителях. Обычно владелец и закупщик смотрят на это через опыт: «в Рамазон гречка уходит быстрее», «в Чиланзаре эту марку не берут». Опыт ценен, но он плохо масштабируется: когда магазинов становится несколько, а позиций — тысячи, интуиция начинает ошибаться.

Модели машинного обучения находят закономерности в истории продаж и подсказывают решение: рекомендуемый заказ, цену, состав полки. Важно: это подсказка, а не автопилот. Категорийный менеджер проверяет её своим знанием рынка и принимает итоговое решение. Там, где человек знает, что у соседа открылся новый гипермаркет, модель этого пока не видит.

Где ИИ даёт отдачу: сравнение направлений

Не все задачи одинаково полезны для небольшого бизнеса. Одни можно запустить на обычных данных кассы, другие требуют камер и серьёзной интеграции. Ниже — направления по порядку от простого к сложному.

• Прогноз спроса и автозаказ: нужны история продаж и остатки; эффект виден в деньгах, замороженных в складе, и в пустых полках.
• Анализ ассортимента: какие товары приносят прибыль, какие лежат без движения, что покупают вместе; хватает чеков.
• Ценообразование и уценка: учитывает остатки, сроки годности и цены конкурентов; особенно полезно для скоропорта.
• Персональные предложения: нужна работающая программа лояльности с идентификацией покупателя.
• Контроль выкладки: компьютерное зрение сверяет полки с планограммой; требует камер и аккуратной настройки.
• Посещаемость и очереди: подсчёт людей по часам, конверсия в покупку, планирование смен под нагрузку.

Какие данные нужны до старта

Главный тормоз — не алгоритм, а учёт. Если кассовая программа и склад ведутся небрежно, модель научится на ошибках и будет уверенно их повторять. Прежде чем думать о внедрении, проверьте базу.

Минимум для прогноза спроса: продажи по каждому товару и магазину за год и больше (чтобы увидеть сезонность), достоверные остатки на начало и конец дня, календарь акций и справочник товаров без дублей. Если вы продаёте ещё и через Telegram-канал, Instagram или площадки вроде Uzum и OLX, эти продажи тоже должны попадать в общую картину, иначе спрос будет занижен.

• История продаж минимум за год, лучше дольше
• Правильные остатки, а не «примерные»
• Единый справочник товаров: один товар — одна карточка
• Отметки об акциях, праздниках и поставках
• Интеграция кассы и учётной системы
• Данные Click/Payme и лояльности, если нужны персональные предложения

Пошагово: запускаем прогноз спроса и автозаказ

Для большинства сетей это самый быстрый путь к результату: эффект напрямую связан с остатками и деньгами, и его легко измерить. Порядок действий такой.

• Выберите несколько ключевых категорий, а не весь ассортимент: например, молочную группу и бакалею.
• Выгрузите историю продаж и остатков, почистите дубли и пропуски в справочнике.
• Зафиксируйте текущие показатели: частоту пустых полок, объём списаний, залежавшийся товар.
• Запустите модель в режиме подсказок: она формирует рекомендуемый заказ, а закупщик сравнивает его со своим.
• Разберите расхождения: где прав человек, где модель; добавьте в данные то, что она не знала.
• Через понятный период сравните показатели с исходными и только тогда расширяйте на другие категории и точки.

Пример: сеть магазинов у дома в Ташкенте и регионах

Представим сеть продуктовых магазинов: несколько точек в Ташкенте и пара в областных центрах. Закупщик заказывает молочку и хлеб по привычке и одинаково для всех точек. В спальных районах товар заканчивается к вечеру, а в магазине у делового центра остаётся и портится.

Если свести продажи по часам и дням недели, станет видно, что в спальном районе пик приходится на вечер и выходные, а в офисном — на обед. Прогноз по каждой точке даёт разные заказы, а автоматическая уценка товаров с близким сроком годности уменьшает списания. Дальше можно подключить программу лояльности через Telegram-бота и предлагать скидки на то, что покупатель берёт регулярно.

Типичные ошибки

Большинство неудач связаны не с технологией, а с постановкой задачи и дисциплиной.

• Начинать с самого сложного — камер и персонализации — при том, что остатки в системе не совпадают с реальными.
• Не измерять «до»: через месяц нечем доказать эффект.
• Запускать сразу на всём ассортименте и всех точках.
• Игнорировать мнение закупщиков: без них рекомендации не применяются.
• Не учитывать онлайн-каналы и предзаказы, из-за чего спрос выглядит ниже.
• Считать, что модель обучилась раз и навсегда: рынок и привычки покупателей меняются.

Чек-лист перед запуском

Ответьте на эти вопросы честно: каждое «нет» — это задача на подготовку, а не повод отказаться.

• Есть ли история продаж за год и более?
• Совпадают ли остатки в системе с фактическими после инвентаризации?
• Один ли справочник товаров во всех точках?
• Назначен ли ответственный со стороны закупок?
• Зафиксированы ли исходные показатели: пустые полки, списания, оборачиваемость?
• Определена ли пилотная категория и срок оценки?

Как измерять эффект и где здесь аналитика

ИИ без измерений превращается в дорогую игрушку. Нужно видеть цепочку целиком: откуда пришёл покупатель, что он купил, сколько это принесло и как изменились остатки после новых заказов. Именно для этого строится сквозная аналитика: данные кассы, учёта, рекламы и CRM собираются в одном отчёте.

Если вы хотите понять, с чего начать именно в вашем магазине или сети, команда markdev может разобрать ваши источники данных и собрать отчётность, на которой потом можно запускать и прогноз, и персональные предложения. Напишите нам — обсудим задачу.