Мы привыкли считать, что в России крутой финтех. Условный житель Италии может подумать, что вы его разыгрываете, рассказывая, как за 10 секунд купили тысячу фунтов стерлингов в своем русском онлайн-банке. Еще у нас высокий уровень налогового администрирования — благодаря онлайн-кассам ФНС знает массу интересной информации и старательно анализирует ее для повышения своей эффективности. Недавно Financial Times назвал технологии ФНС «мечтой налоговиков». А вот наш ретейл, чьи данные используют налоговики, нельзя назвать самым технологичным на планете. 

Никто в ретейле не получает и половины пользы из данных о том, кто, что и когда у них покупает. Даже огромные федеральные сети только учатся это делать, проверяя и анализируя гипотезы типа: «Мы видим, что 80% клиентов вместе с творогом покупают сметану. Давайте между творогом и сметаной положим этот замечательный энергетик — его наконец заметят, и продажи вырастут на 30%». 

Чтобы получать максимум пользы от данных, должны быть тысячи гипотез, а факторов для каждой — десятки и сотни. Справиться с таким объемом информации могут только алгоритмы машинного обучения. Для краткости их называют ИИ — искусственным интеллектом, хотя это и не самый корректный термин.

Пока российский ретейл редко использует ИИ. Вот пять основных причин, почему так.

1

Бизнес опасается непостижимости алгоритмов.

Компании более-менее разобрались с RPA (Robotic process automation) и считают, что это «туповатый» заменитель людей на рутинных операциях: что прикажешь — то и сделает. А от ИИ чего ждать? Вдруг дойдем до точки сингулярности в отдельно взятой федеральной сети (доведение сети до максимальной эффективности и автоматизации, в том числе, и аналитических и экспертных функции).

В реальности система учится на логике аналитиков, ее предсказуемость равна предсказуемости людей. Более того, система настраивается так, что она предлагает решения, а последнее слово остается за человеком.

2

Бизнес не верит в возможности алгоритмов.

Мой знакомый из компании-интегратора принес клиенту пилотные результаты работы с ИИ. Цифры получились красивыми, ответ клиента был коротким: «Так не бывает». На том и разошлись. Иногда можно услышать такое: «40 наших аналитиков тратят 1600 часов в неделю на эту задачу, а вы мне говорите, что ваш алгоритм справится за 4 часа. Что за шутки?» Что тут скажешь — убедить помогут только кейсы сетей, которые внедрили ИИ. Чем больше кейсов, тем лучше.

3

Бизнес думает, что это очень дорого.

Наверное, такое мнение связано с текущими реалиями: ради качественной аналитики компании нанимают дорогих специалистов, знающих Python и R, покупают много серверов. На деле все не так грустно. И мощности нужны не запредельные, и система часто окупается через 3-4 месяца — выручка увеличивается на несколько процентов за счет более точных прогнозов.

4

Бизнес опасается, что ИИ «всех нас тут заменит».

Конечно, есть примеры, когда автоматизация на 90% сокращала call-центры, отделы кадров и бухгалтерии. Но, как правило, в этих случаях обходилось без ИИ. Профессии телефонисток и извозчиков тоже исчезли без помощи ИИ. Так почему ИИ «виноватее» других технологий?

ИИ, в ретейле уж точно, без людей не работает — именно они придумывают гипотезы, «кормят» алгоритмы данными и оценивают результаты. Более того, реальный спрос на анализ данных такой, что ИИ, по мере понимания его возможностей, создает новые рабочие места. Вы же наверняка читали статьи про перспективность профессии «дата-сайентист». И среди ваших знакомых, скорее всего, есть программист, который решил переквалифицироваться в дата-сайентиста. Так что ИИ и аналитик (ну или дата-сайентист) — братья навек.

5

Бизнес плохо собирает данные.

А вот это настоящая проблема. Если в CRM или учетной системе нет данных о продажах хотя бы за 2 года — нет смысла заводить систему с ИИ.

В каких-то торговых компаниях встречается одна причина, которая мешает использовать данные по полной, где-то — сразу две-три. Но когда возражения против ИИ снимаются, ретейлеры получают пользу от алгоритмов. Приведу два примера из моей практики.



Пример 1. Сеть пекарен (больше 50) с производственным цехом. Средняя выручка одной пекарни — 1,5 млн рублей в месяц. Системы лояльности нет — только фиксированная скидка в последние полчаса работы. Маржа сети — 40%, чистая прибыль — 10%. 

Как было. Каждая пекарня самостоятельно ежедневно определяла необходимое количество товара к поставке. Все, что не продали за сутки, списывают. В среднем списывали 35%. Почему так много? Потому что сотрудники должны выполнять KPI — не просто минимизировать объем списанного товара (в идеале до 10%), но и обеспечить ассортимент в достаточном количестве до конца рабочего дня. 

Что сделали. Внедрили систему, которая прогнозирует спрос и управляет остатками. Взяли из «1С» статистику продаж за 2,5 года и обучили алгоритмы специфике: прогноз нужно давать на 4 дня вперед (на такой срок расписывают заказы для цеха) и учесть, что нет переходящих остатков на следующий день. Фактически использовали минимум возможной информации — то, что есть в учетной системе и что видят покупатели в чеках.

Что получили. Точность прогноза достигла 90%. Списывать стали не более 15% вместо 35%. Расходы на сырье сократились на 12%. Маржа увеличилась до 52%. 



Пример 2. Городская сеть магазинов продуктов, больше 100 точек. Ассортимент — около 10 тыс. SKU. Есть система лояльности — сеть бесплатно раздает дисконтные карты.

Как было. Сеть время от времени устраивала акцию «Скидка 10% на покупки с 9:00 до 12:00». Акция должна привлекать покупателей в часы с низкой загрузкой и стимулировать продажу товаров с подходящими к концу сроками годности. Покупателей оповещали sms-сообщениями, эффективность кампаний не мерили. 

Что сделали. «Скормили» системе истории покупок клиентов: как часто покупают, как давно были в магазине, какой средний чек, какие популярные сочетания товаров в чеке, что покупают по акции и так далее. Если постоянный клиент не смотрит на скидки, система высылает информацию о завозе свежих продуктов, которые он предпочитает. Или сообщает о скидке на товары, которые он покупает редко. 

Если клиент покупает только по акции, ему сообщают о начале акции по «сливу» товара, который скоро придется списать. Всего система учитывала больше десятка портретов покупателей и для каждого формировала персональное предложение.

Что получили. В течение квартала зафиксировали увеличение доли повторных клиентов на 80%. Маржа выросла на 10%, чистая прибыль — на 2 процентных пункта.

Еще интереснее примеры использования данных в онлайн-торговле. Но об этом в другой раз.