Пока рынок обсуждает рост ИИ-трафика на маркетплейсы и покупки через ChatGPT, ритейлеры продолжают терять значительную долю выручки на более простых этапах – на приемке, на складе, на доставке до полки. Артем Милосердов, Senior Product Manager в Walmart, отвечает за ML-платформу In-Stock Assistant, которая управляет доступностью товара примерно в 10 тыс. магазинов по всему миру. В августе А. Милосердов вошел в число 30 победителей международной премии Product Builder Awards 2026, которую ежегодно вручает Products That Count – глобальное сообщество продакт-менеджеров, объединяющее более 600 тыс. специалистов. Победителей отобрали из 5 тыс. номинантов.
 
Retail.ru Артем рассказал, как развиваются технологии в ритейле в США и в России, как инновации масштабируются в бигтехе и что отечественные ритейлеры могут позаимствовать у американских компаний. Ранее А. Милосердов руководил международным приложением приемки товара в Walmart, занимался B2B-продуктами в «Ситимобиле» и развивал цифровой профиль Sber ID в «Сбере».

– Наличие товара на полке – одна из главных задач автоматизации в российском ритейле уже много лет. Что сегодня принципиально нового делают американские системы?

– Ритейлеры в России и в США давно используют прогнозирование спроса, автозаказ, компьютерное зрение и поиск расхождений в остатках. Принципиально новое в том, что система начинает сама управлять процессом. Платформа, за которую я отвечаю, In-Stock Assistant, – это система, использующая классическое machine learning (машинное обучение). Она не просто находит пустую полку, но и говорит сотруднику, что именно сделать. Например, если остаток ненулевой, а продажи товара внезапно упали до нуля, система сопоставляет продажи, движение запасов и историю приемки. Она также может сама найти фантомный остаток.

Более того, рынок в США смещается в сторону платформенности: отдельные инструменты объединяют в одно приложение с единым набором функций. И еще добавлю: доставка дронами, динамические цены и ИИ-ассистенты для покупателей и сотрудников – уже не будущее, а текущая практика, и внедряется она быстро. Walmart, например, вместе с Wing выполнил больше миллиона доставок дронами, и такие проекты дают измеримый эффект уже на пилотах.

– Получается, российский ритейл в этой области отстает?

– Разница скорее не в технологиях, а в бизнес-процессах. Российская розница технологически достаточно развита: крупные сети давно автоматизируют прогнозы, логистику и работу с ценами. Компании в России обычно быстрее проходят путь от идеи до пилота, принимают решения и охотнее запускают полезное решение, даже если оно еще неидеально. Причина – высокая конкуренция, дефицит персонала и постоянное давление на операционную эффективность.

Сильная сторона крупных американских компаний – дисциплина масштабирования технологий: когда у тебя тысячи торговых точек по всему миру, качество интеграций, единые платформы, безопасность и управление данными должны быть на самом высоком уровне. Например, при раскатке любого решения есть контрольные группы, на которых все тестируется и сверяется бизнес-эффект. В России из-за требований к скорости пилот нередко масштабируют сразу на всю сеть, и это существенно повышает риск провала.

– Почему успешный пилот нередко разваливается при масштабировании на всю сеть?

– Я вижу это и в своих проектах, и как член жюри международных отраслевых премий CODiE Awards, I-COM Global Awards, где за год через меня проходят десятки проектов. В пилоте почти всегда есть проектная команда, которая чистит данные и быстро отвечает на вопросы. При масштабировании выясняется, что отличаются оборудование, регламенты, привычки директоров. Без внимания команды автоматизация не получается.

Вторая причина – сто отдельных пилотов не складываются в платформу. В российских компаниях часто скорость развития пилота и мешает дальнейшему прогрессу. Американские корпорации обычно больше инвестируют именно в такую платформенную дисциплину, в итоге в перспективе все интегрируется быстрее. Я отвечаю за десятки интеграций своего продукта и вижу, насколько качественная документация и процессы влияют на скорость раскатки.

– Давайте подробнее про In-Stock Assistant, о котором вы упомянули. Как устроена система?

– Классическое машинное обучение помогает определить, какой грузовик разгружать первым, какую палету открыть в приоритетном порядке и какую поставку проверить внимательнее. Для этого система может учитывать текущие пробелы на полке, состав поставки, историю расхождений, особенности поставщика, сезонность и скорость продаж. Если в одной из палет находится товар, которого уже нет в торговом зале, ее логично обработать раньше, чем менее срочный груз. На российском рынке развивается та же логика. Например, «Лента» внедрила удаленную приемку овощей и фруктов.

Бизнес-эффект зависит не от количества найденных аномалий, а от того, какие из них сотрудник успеет исправить. В магазине можно обнаружить сотни отклонений, но внимание линейного персонала ограничено.

Если показать человеку все, он либо не выполнит ничего, либо выберет задачи случайно. Поэтому система должна ранжировать задачи по ожидаемому экономическому эффекту: потенциальной потерянной выручке, скорости продаж, вероятности дефицита и времени, необходимом для исправления.

В рабочем приложении сотрудник видит короткий список действий с наибольшей ожидаемой отдачей: проверить конкретный товар, вынести его из подсобки, подтвердить расхождение или исправить ценник. ИИ должен снижать когнитивную нагрузку и не создавать еще один экран с сотней уведомлений. Поэтому я считаю точность модели переоцененной метрикой.

– Почему переоцененной?

– Потому что экономический результат – это цепочка. Точность модели нужно умножить на долю сигналов, которые дошли до сотрудника, долю задач, выполненных вовремя, и долю действий, выполненных правильно.

Модель с точностью 90%, рекомендациям которой следуют только в 20% случаев, может принести меньше пользы, чем модель с точностью 70%, рекомендациям которой следуют в 90% случаев.

Поэтому важны метрики «последней мили»: например, время от сигнала до действия, доля закрытых в срок задач, частота отказа от рекомендаций, изменение доступности товара и восстановленная продажа. Высокая доля отказов – необязательно проблема сотрудников. Чаще это сигнал, что рекомендации неточны, плохо объяснены или не встроены в реальный процесс магазина.

– Что здесь добавляет генеративный ИИ, если прогнозы и приоритизацию уже делает классическое машинное обучение?

– Классический ML решает, куда смотреть. Генеративный ИИ меняет способ взаимодействия сотрудника с системой. На приемке это особенно важно, потому что у человека заняты руки и ему неудобно переключаться между приложениями, искать регламенты и т.д.

Как пример автоматизации – сотрудник фотографирует поврежденную палету, система распознает товар, извлекает данные, создает структурированную запись о расхождении и готовит черновик претензии поставщику.

Другой сценарий – голосовой вопрос: «Что делать, если срок годности короче нормы?» Система находит нужный пункт регламента и предлагает решение. Она также может объяснить, почему конкретная палета или задача получила высокий приоритет.

– Как определить, что ИИ в магазине можно доверить делать самостоятельно, а что нельзя?

– Я выстроил для этого простое правило: главный критерий – обратимость. ИИ может самостоятельно выполнять действия, которые легко отменить. Например, расставлять приоритеты задач, прогнозировать дефицит товара или предлагать очередность пополнения полок. Чем ближе решение к деньгам, юридическим последствиям и безопасности, тем больше требуется контроля, поэтому такие решения, как и нестандартные ситуации, пока остаются за человеком. На практике лучший результат дает схема, при которой ИИ принимает тысячи небольших операционных решений, а сотрудник подтверждает только важные исключения.

– Есть ли в российском ритейле категории, где такой подход особенно востребован?

– Да, например, готовая еда. В этой сфере сразу много сложных факторов – скоропорт, нестабильный спрос, быстрое изменение цен. Ошибка в готовой еде ударит по марже уже к концу дня. Поэтому здесь система должна быстро считывать сигналы и давать команды изменить объем производства, ускорить выкладку или вовремя применить уценку.

– Что бы вы посоветовали российскому ритейлеру проверить до запуска ИИ-пилота?

– Задать себе ряд вопросов. Какую конкретно операцию мы улучшаем? Доступны ли все необходимые данные для принятия решений? Сколько стоит ложная тревога и сколько – пропущенная проблема? Можно ли отменить действие, если система ошиблась? И как эффект дойдет до P&L? Если хотя бы на три вопроса ответа нет – это не пилот, а дорогостоящее исследование.

При этом не менее важно после запуска продолжать измерять эффективность модели. По моему опыту, наилучший способ – сравнивать идентичные магазины, где ИИ работал и где нет. Сезонность, акции и внешние факторы искажают результат. Поэтому мы берем контрольные группы и сравниваем все этапы работы магазинов. Нельзя сразу внедрять инновацию во все магазины без четкой оценки эффективности пилотов.Источник - www.retail.ru Новость добавлена superbiznes
08.09.2026 08:24