ИИ для ритейла и розничных сетей: спрос, автозаказ, цены и списания

Розница живет на тонкой марже, поэтому каждый процент списаний и каждая пустая полка заметны в прибыли. Крупные сети уже считают, что дает ИИ: X5 оценила дополнительную операционную прибыль от ИИ-решений за 2025 год примерно в 5 млрд ₽, и главный вклад, по данным компании, дали прогнозирование спроса и пополнение запасов, формирование цен, управление ассортиментом и рекомендации. На этой странице: где розничная сеть теряет деньги, какие ИИ-решения окупаются у сетей среднего размера, что мы уже сделали в смежных отраслях и как начать без риска.

Где розничная сеть теряет деньги

Потери розницы распределены по всей цепочке: от заказа поставщику до полки и кассы.

• Списания. Скоропорт, кулинария, фрукты и овощи. Товар заказали «как на прошлой неделе», спрос не пришел, срок годности закончился.
• Пустые полки (out-of-stock). Обратная сторона списаний: ходовой товар закончился в субботу, покупатель берет аналог у конкурента. Эта потерянная выручка не видна ни в одном акте.
• Лишний запас. Чтобы не было пустых полок, товаровед заказывает с запасом. Деньги лежат на складе, место занято, часть товара уходит в уценку.
• Цены и промо. Скидку ставят по календарю, а не по эластичности спроса. Промо съедает маржу, а после акции продажи проседают.
• Ассортимент. Позиции, которые почти не продаются, занимают полку, а спрос на новинки и локальные товары не замечают.
• Рутина персонала. Сотрудники магазина ищут ответы в регламентах, покупатели не получают консультацию, пока продавец занят.

В сети каждая потеря умножается на число магазинов. При этом магазины не одинаковы: то, что работает в центре города, не работает у трассы.

Какие ИИ-решения в рознице окупаются

Мы начинаем с потери, которую можно посчитать в рублях, и под нее подбираем решение.

Основа большинства строк одна: прогноз спроса. Прогноз «выручки магазина на неделю» товароведу почти ничего не дает. Ему нужна цифра по каждой позиции в каждом магазине, и не в отдельном отчете, а в черновике заказа, который он правит утром. Как устроены методы прогноза и почему ошибка считается по-разному для разных товаров, мы разобрали в статье о прогнозировании спроса.

Крупные сети строят такие системы годами. «Магнит» в 2025 году начал внедрять собственную систему прогнозирования спроса и пополнения F&R: до конца года на расчет в ней планировали перевести больше 4 тыс. товаров, а эффект компания ожидает в десятки миллиардов рублей за несколько лет.

Сети среднего размера не нужна своя команда данных такого масштаба. Достаточно прогноза на одной категории, который доказал точность на ваших данных, и понятного пути, как он попадает в заказ.

Наш опыт: смежные отрасли

Публичного кейса в розничной сети у нас пока нет, и мы не будем его придумывать. Ближайшие проекты из других отраслей, где задача устроена так же:

Прогноз продаж для сети ресторанов (HoReCa). В проекте прогноза продаж блюд мы собрали историю продаж по каждой позиции за 3 года, добавили погоду, отзывы и праздники и вывели прогноз туда, где кухня принимает решение: в план заготовок и закупок. Точность прогноза выше 90%, пищевые отходы снизились на 20%, проект занял 6,5 месяца. По сути это та же задача, что автозаказ скоропорта в магазине: прогноз по позиции и точке, связанный с заказом.

Аналитика для селлеров маркетплейсов (e-commerce). Мы делаем сервис для продавцов на Uzum, Ozon, Wildberries и Яндекс Маркете: аналитика продаж, карточки товаров, ИИ-ассистент, который отвечает на вопросы по цифрам кабинета, и WMS для управления собственными складами селлера. Для розницы отсюда применимы складской учет, связка продаж с остатками и ассистент, который объясняет цифры обычными словами.

Цифровой помощник по базе знаний. Telegram-бот по документам компании ищет нужный документ в 7 раз быстрее. В рознице это регламенты, стандарты выкладки и инструкции для новых сотрудников магазина.

С какими системами связываем

Прогноз полезен, только если он доходит до заказа. Мы работаем с системами, которые у сети уже есть: 1С и учетными системами розницы, кассовыми данными, WMS, таблицами закупок, сайтом и мессенджерами для ассистентов. Если прямой выгрузки нет, начинаем с регулярных файлов, а интеграцию делаем после того, как модель докажет точность. Менять учетную систему ради ИИ не нужно.

Работаем под NDA. Для прогноза и автозаказа персональные данные покупателей не нужны. Там, где они есть (лояльность, обращения, ассистент), обезличиваем их до отправки в модель, а чувствительное держим на моделях в контуре сети.

С чего начать

• Бесплатный разбор на 30-40 минут. Смотрим, где у вас уходят деньги: списания, пустые полки, запас, промо. Прикидываем эффект по вашим цифрам.
• Пилот на одной категории и группе магазинов. Лучше брать категорию, где потери видны сразу: скоропорт, кулинария, сезонный товар. Строим прогноз и черновик автозаказа, каждый день сравниваем с фактом.
• Решение по цифрам. Показатели «было» фиксируем до старта. По итогам пилота видно, насколько точен прогноз и сколько он экономит. Только после этого имеет смысл подключать остальные категории, цены и ассортимент.

Срок пилота фиксируем после разбора: он зависит от качества истории продаж и числа систем, которые нужно связать.

Сколько стоит

Разбор процесса бесплатный. Пилот стоит от 300 000 ₽. Точную цену называем после разбора: она зависит от числа магазинов и категорий в пилоте, систем учета и задач, которые в него входят. Отдельно оцениваем поддержку модели после запуска: ассортимент, цены и поведение покупателей меняются, и прогноз нужно регулярно переобучать.