Искусственный интеллект помогает ритейлерам более точно прогнозировать продажи и уменьшать потери от списаний. В то же время украинские сети пока уступают крупным европейским игрокам по масштабу внедрения АИ из-за проблем с данными, интеграцией и нехваткой специалистов. В крупных компаниях АИ-проекты могут окупиться ориентировочно за 12-18 месяцев, хотя фактический срок зависит от масштаба и глубины внедрения технологии.
Об этом Delo.ua рассказал глава Ассоциации ритейлеров Украины Андрей Жук.
AI уже прогнозирует, сколько товара нужно магазину
Для прогнозирования спроса, искусственный интеллект анализирует историю продаж на уровне конкретного товара, магазина, региона и канала сбыта. К этому добавляются данные о сезонности, акциях, ценах, остатках, сроках поставки и поведении покупателей, пояснил Жук .
На основе такого анализа система прогнозирует, сколько единиц определённого товара может потребоваться конкретному магазину в определенный день или период. Далее прогноз может использоваться для формирования заказов, распределения товаров между складами и магазинами, планирования акций и управления запасами.
«Важно, что современные решения не просто формируют общий прогноз продаж. Они могут отдельно учитывать спрос во время акций, сезонные колебания, появление товаров-заменителей, риск дефицита или избыточных остатков. В продуктовом ритейле это особенно важно для свежих и скоропортящихся категорий», — отметил эксперт.
Главный экономический эффект – меньше запасов и списаний
AI может снижать издержки конкретного ритейлера. Более точное прогнозирование помогает сократить списание, избыточные запасы, срочные поставки и потери от отсутствия товара на полке.
В отдельных международных кейсах эффект может быть достаточно значительным: к примеру, норвежский продуктовый онлайн-ритейлер Oda сообщал о сокращении доли испорченных товаров на 49% после внедрения системы прогнозирования, рассказал Жук.
Не менее важный эффект – уменьшение ситуаций, когда нужного товара нет на полке. Для покупателя это вопрос сервиса, а для ритейлера – утраченных продаж и лояльности.
В непродовольственном ритейле более ощутимой может оказаться оптимизация запасов и высвобождение оборотного капитала. Компании не нужно хранить избыточное количество медленно оборотных товаров, а денежные средства можно направлять на ассортимент с более высоким спросом.
Однако некорректно переносить этот показатель на все расходы ритейлера, указал Жук.
«Для украинского рынка пока нет подтвержденной статистики, позволяющей сказать, что AI в среднем снижает операционные расходы сетей, например, на 5%, 10% или 15%», — сказал эксперт.
Поэтому уместно оценивать экономический эффект отдельно для конкретных процессов – управление запасами, списаний, логистики, персонала или промо.
Украина отстает от Европы по использованию AI в ритейле, но разрыв сокращается
Европейский ритейл пока опережает украинский по масштабу и системности использования AI. Крупные европейские сети уже интегрируют прогнозирование спроса с автоматическим пополнением запасов, ценообразованием, планированием акций, логистикой и управлением персоналом, рассказал глава Ассоциации ритейлеров.
По данным Eurostat, в 2025 году технологии AI использовали 20% предприятий ЕС с 10 и более работниками. Среди европейских ритейлеров, применяющих AI, одним из главных направлений остается маркетинг и продажи. В то же время, по словам Жука, даже в ЕС использование AI еще не стало стандартом для абсолютно каждой компании.
В Украине нет отдельной официальной статистики, которая позволяла бы корректно сравнить долю использующих AI ритейлеров с показателями ЕС, заявил глава ассоциации.
По практике рынка можно сказать, что крупнейшие украинские сети работают уже с прогнозной аналитикой, автоматизацией заказов, персонализацией предложений и анализом поведения клиентов. Например, Brocard публично сообщал о применении AI для прогнозирования поведения покупателей и формирования персонализированных рекомендаций, а EVA – о намерении углублять интеграцию AI на уровне ERP, в частности, для аналитики и прогнозирования спроса.
В то же время , западные сети пока имеют преимущество по объему данных и комплексности интеграции. Для малого бизнеса главным препятствием часто является не стоимость AI, а качество данных: без достоверной информации о продажах, остатках, ценах, акциях и поставках качественный прогноз невозможен.
Какие внешние факторы могут учитывать современные AI-модели
Кроме истории продаж, AI-модели могут учитывать погоду, сезонность, календарные и государственные праздники, цены и промоакции, локальные события и логистику.
Модель может учитывать практически любой фактор, если он имеет измеряемую связь со спросом и компания может регулярно получать качественные данные. Это позволяет более точно прогнозировать спрос в конкретном магазине или регионе.
Для украинского ритейла потенциально важны и специфические факторы:
- воздушные тревоги;
- графики отключений электроэнергии;
- перемещение населения или изменения ситуации безопасности.
«Но это не означает, что все украинские сети уже системно используют такие данные. Они должны быть структурированы, регулярно обновляться и улучшать точность прогноза», — отметил эксперт.
Новинный фон также можно анализировать, однако он является более сложным фактором, добавил он.
Система должна не просто фиксировать количество новостей, а определять какие события реально влияют на поведение покупателей.
Как пример Жук отметил, что сообщение о возможном дефиците определенного товара может повлечь за собой краткосрочный ажиотажный спрос, но такие ситуации сложно прогнозировать только на основе исторических данных.
Какие новые AI-решения могут в ближайшее время сменить украинский ритейл
В ближайшее время AI-агенты могут сменить украинский ритейл.
По словам Жука, они будут не только анализировать данные, но и выполнять часть операционных задач:
- будут формировать заказы;
- будут предлагать перемещение товара между магазинами;
- будут выявлять риски дефицита;
- будут автоматически обращать внимание менеджера на отклонения.
Перспективными направлениями также динамичное ценообразование и управление уценкой. AI сможет определять оптимальный момент и размер скидки с учетом остатков, срока годности и прогноза спроса, рассказал эксперт.
Еще одно направление – компьютерное зрение для контроля наличия товаров на полках, выкладки, очередей и загруженность касс.
«Также будут активно развиваться персональные цифровые помощники покупателя, голосовые ассистенты для работников, автоматизированное планирование рабочих смен и прогнозное обслуживание оборудования», — отметил Жук.
Какие инвестиции нужны и когда АI-проект окупается
Универсальной стоимости внедрения АI в ритейле нет. Она зависит от количества магазинов, товарных позиций, каналов продаж, качества данных, уровня автоматизации и интеграции с ERP (системами планирования ресурсов предприятия), складскими и учетными системами.
Расходы охватывают не только лицензию, но и подготовку данных, интеграцию, настройку моделей, обучение команды и изменение процессов. Для небольшой сети это может быть компактный облачный пилот. Для крупного ритейлера с сотнями магазинов и десятками тысяч товарных позиций полноценный трансформационный проект.
По словам Жука, международные поставщики ориентируют крупный бизнес на окупаемость AI-проектов примерно за 12-18 месяцев, но это не гарантированный срок.
Экономический эффект значительно выше, если AI интегрирован в закупки и управление запасами, а не используется только для аналитических отчетов.
Барьеры и риск использования АИ в ритейле
Главный барьер для внедрения АИ в ритейле – не сама технология, а качество и доступность данных.
Информация о продажах, остатках, ценах, акциях и поставках часто хранятся в различных системах, а неполные или некорректные данные могут привести к ошибочному прогнозу, отметил Жук.
Второй барьер – интеграция AI с ERP, складскими, учетными и кассовыми системами. Если прогноз остается лишь отдельным аналитическим отчетом, а заказы и пополнения запасов продолжаются вручную, экономический эффект от технологии будет ограничен.
По словам Жука, есть и риск чрезмерного доверия к алгоритму. АИ может ошибаться при различных изменениях спроса, вызванных перебоями с логистикой, миграцией, проблемами с электроснабжением или другими форс-мажорами. В таких условиях исторические данные могут не описывать текущее поведение покупателей, рассказал глава ассоциации.
Отдельной проблемой может стать непрозрачность рекомендаций: менеджер не всегда понимает почему система предлагает сократить заказ, увеличить запас или изменить цену. Поэтому на этапе внедрения АИ целесообразно использовать в качестве инструмента поддержки решений, а критические рекомендации оставить под контролем человека, подытожил Жук.