01 Вступительное слово/резюме
Тема применения технологий ИИ находится в центре внимания не только благодаря появлению самих технологий, но и из-за сложного и неоднозначного пути их интеграции в бизнес-процессы компаний. Неоднозначность связана с:
- разочарованием после первых экспериментов с ИИ, когда результаты не соответствуют изначально оптимистичным ожиданиям; * высокой стоимостью внедрения ИИ в бизнес-процессы; * сложностью оценки эффекта и генерации возможных бизнес-кейсов по внедрению ИИ.
Сектор потребительских товаров и розничной торговли не является исключением. Скорее наоборот: поскольку эффективность розничного бизнеса зависит от большого числа факторов, влияние которых сложно формализовать и прогнозировать, применение технологий ИИ является инструментом, позволяющим контролировать процессы, которые ранее считались случайными или не до конца управляемыми. Именно поэтому в нашем исследовании мы сделали акцент на ритейл как на один из наиболее быстро реагирующих и адаптивных рынков.
Распространение технологий ИИ охватывает все бизнес-процессы современного ритейла и производства потребительских товаров, а их применение обеспечивает снижение затрат, повышение производительности труда и рост продаж. Внедрение технологий ИИ в бизнес-процессы — не просто модное направление ИТ, а один из факторов повышения операционной эффективности бизнеса.
Для того чтобы сделать результаты внедрения ИИ более предсказуемыми, минимизировать риск ошибок и соблюсти требования информационной безопасности, важное значение имеют оценка эффективности внедрения технологий ИИ «на берегу» и детальная подготовка проектов внедрения. Российские компании потребительского сектора уже имеют положительный опыт применения технологий ИИ, который может стать стимулом для дальнейшего развития отрасли.
02 Подход к проведению исследования
Целью проведения исследования является изучение опыта использования технологий ИИ в сфере потребительских товаров, преимущественно в розничной торговле. В рамках исследования решались задачи определения основных бизнес-процессов, в которые компании внедряют технологии ИИ, влияния технологий ИИ на операционную деятельность компаний и эффектов от их внедрения.
Для изучения опыта внедрения ИИ была сформирована карта бизнес-процессов, содержащая основные этапы операционной деятельности. Бизнес-процессы разделены на основные и поддерживающие.
Этапы исследования:
- Выделение основных бизнес-процессов в сфере ритейла. Определение ключевых направлений операционной деятельности.
- Определение географии исследования. Выбор основывается на наличии передовых разработок и намерении показать менее известные примеры. Фокус сделан на странах: Россия, Китай, Сингапур, Республика Корея. В качестве бенчмарка приведен опыт крупнейших международных компаний.
- Сбор примеров внедрения технологий ИИ. Использованы материалы из публичных источников и результаты опроса экспертов.
- Подведение итогов исследования для каждого бизнес-процесса. Выделение ключевых эффектов, которые компании получили или планируют получить.
03 Существующие ограничения в использовании ИИ
Внедрение искусственного интеллекта в корпоративную среду сопровождается не только значительными преимуществами, но и рядом специфических рисков и ограничений, которые требуют системного подхода к управлению и контролю.
Корпоративные риски
- Нарушение конфиденциальности и утечка данных, включая несанкционированный доступ к коммерчески чувствительной информации.
- Кража интеллектуальной собственности, которая может привести к финансовым и репутационным потерям.
- Использование сотрудниками неавторизованных или неподдерживаемых инструментов ИИ (Shadow AI), в результате чего корпоративные данные могут быть раскрыты через личные аккаунты.
- Уязвимость данных цепочек поставок, включая логистические маршруты и уровни запасов, что увеличивает риск сбоев.
- Нарушение отраслевых стандартов и требований комплаенса при автоматизации бизнес-процессов.
Функциональные риски
Эффективность ИИ во многом определяется качеством и полнотой исходных данных. К функциональным ограничениям относятся:
- Технические сбои и ошибки: генерация недостоверных данных (галлюцинации), отравление данных (data poisoning), дрейф моделей (model drift).
- Ограниченная способность моделей адаптироваться к быстрым изменениям рыночных условий или потребительских предпочтений.
- Риски, связанные с недостаточной прозрачностью работы моделей («черный ящик») и невозможностью объяснить принимаемые решения.
- Ограниченность обучающей выборки: модели работают только с той информацией, которая была использована при их обучении.
- Недостаточное внимание к локальным особенностям (региональные предпочтения, сезонность), что может привести к ошибочным решениям.
04 Подход к оценке целесообразности и эффективности внедрения ИИ
Внедрение ИИ должно основываться на бизнес-потребностях. Во многих случаях интеграция ИИ не требуется для решения задачи — достаточно инструментов малой автоматизации. Для снижения рисков Kept использует подход на базе CPMAI™ (Cognitive Project Management in AI).
Основные этапы подготовки проекта:
- Бизнес-анализ и обучение: определение целей, диагностика зрелости, выбор инструмента и оценка финансового эффекта.
- Анализ данных: определение данных для разработки, оценка их доступности и качества.
- Подготовка данных: трансформация «сырых» данных для обучения моделей.
- Моделирование: выбор алгоритма, обучение, валидация и тестирование.
- Оценка модели: проверка соответствия эффективности поставленным бизнес-целям.
- Вывод в эксплуатацию: интеграция с системами компании и регулярный мониторинг результатов.
Компоненты финансового эффекта:
| Эффект от внедрения | Затраты |
|---|---|
| Экономия человеческих ресурсов (перераспределение трудозатрат) | Стоимость проверки гипотезы |
| Сокращение расходов | Стоимость внедрения |
| Увеличение прибыли / выручки (повышение эффективности) | Стоимость эксплуатации решения |
| Стоимость инфраструктуры |
05 Технологическая классификация
Искусственный интеллект — это комплекс технологий, направленных на то, чтобы машины могли выполнять задачи, требующие человеческого интеллекта (обучаемость, логическое рассуждение, восприятие мира, понимание речи).
| Технология | Описание |
|---|---|
| Машинное обучение (ML) | Раздел ИИ, изучающий алгоритмы, позволяющие компьютерам обучаться на основе данных без явного программирования. |
| Глубокое обучение | Подраздел ML, использующий многослойные нейронные сети для анализа данных, имитирующие структуру человеческого мозга. |
| Нейронная сеть | Вычислительная модель, вдохновленная структурой и функциями биологических нейронных сетей мозга. |
| Сверточная нейронная сеть (CNN) | Специальная архитектура для эффективного распознавания образов, в первую очередь изображений и видео. |
| Рекуррентные нейронные сети (RNN) | Класс сетей для обработки последовательных данных, где порядок элементов имеет значение. |
| Автокодировщики | Тип нейронной сети для обучения без учителя, позволяющий сжимать и восстанавливать данные. |
| Компьютерное зрение | Область ИИ, позволяющая компьютерам «видеть» и извлекать информацию из изображений и видео. |
| Обработка естественного языка (NLP) | Технологии, позволяющие понимать, интерпретировать и генерировать человеческий язык в текстовой и устной формах. |
| Роботизация (RPA) | Автоматизация бизнес-процессов с помощью программных роботов, имитирующих действия человека в цифровых системах. |
Практика использования ИИ компаниями потребительского сектора
Внедрение технологий ИИ в России
Федеральные компании в сфере ритейла используют технологии ИИ для повышения эффективности операционной деятельности. Основные выводы по рынку:
- 100% компаний в топ-10 федеральных сетей используют технологии ИИ.
- Размер бизнеса не оказывает влияния на намерение использовать технологии ИИ.
- Все компании подтверждают положительный эффект от внедрения технологий ИИ.
- Размер эффекта составляет около 1–2% от выручки компании. Эффект достигается за счет повышения точности планирования и сокращения расходов.
Основные задачи, решаемые с помощью технологий ИИ
| Направление | Задачи |
|---|---|
| Прогнозирование спроса | Анализ поведения покупателей, определение ассортимента торгового зала |
| Управление запасами | Контроль товарных запасов, роботизация складов |
| Управление персоналом | Разработка должностных инструкций, обучение персонала |
| Контроль качества | Соблюдение санитарных норм, контроль качества фруктов и овощей |
| Ведение документооборота | Распознавание первичных документов, обмен документами с контрагентами |
| Взаимодействие с покупателями | Голосовые помощники, рекомендательные сервисы и персонализация предложений |
| Создание маркетингового контента | Создание видеороликов, визуализация товаров |
06 Внедрение ИИ ведущими международными компаниями потребительского сектора
| Компания | Сферы внедрения ИИ | Технологии ИИ | Регионы внедрения |
|---|---|---|---|
| Walmart (оборот 628 млрд долл. США) | Роботы для сканирования полок, прогнозирование спроса, автоматизация складов, ИИ-чат-бот для переговоров с поставщиками | Компьютерное зрение, предиктивная аналитика, ML-алгоритмы | США (все 42 региональных центра), подразделения в 11 странах, включая Сингапур, Китай |
| McDonald’s (оборот 26 млрд долл. США) | Прогнозирование заказов, предиктивное обслуживание оборудования, распознавание голоса покупателей, персонализация рекомендаций | Компьютерное зрение, голосовые ИИ-помощники, роботизированные системы, ML-алгоритмы | США, Китай |
| Nestlé (оборот 95 млрд долл. США) | Разработка продуктов, оптимизация рецептур, анализ контрактов поставщиков, прогнозирование запасов | Генеративный ИИ, цифровые двойники, компьютерное моделирование | На всех рынках присутствия |
| Unilever (оборот 59 млрд долл. США) | Разработка продуктов, контроль качества, прогнозирование вкуса, экономия электроэнергии | Компьютерное моделирование, цифровые двойники, рекомендательные AI/ML-технологии | На всех рынках присутствия |
| Coca-Cola (оборот 46 млрд долл. США) | Прогнозирование спроса, оптимизация цепочки поставок, анализ социальных сетей, персонализация маркетинга | ML-алгоритмы, компьютерное зрение, ИИ-вендинг-машины | Глобальное внедрение, особенно активно в США |
| Danone (оборот 30 млрд долл. США) | Предиктивное обслуживание оборудования, круглосуточное производство, контроль качества, оптимизация цепочки поставок | Генеративный ИИ, цифровые двойники, ML-алгоритмы | 57 стран |
| Starbucks (оборот 36 млрд долл. США) | Персонализация промоакций, анализ покупательского поведения, мониторинг качества продукции, анализ трафика магазинов | Генеративный ИИ, ML-алгоритмы, компьютерное зрение | США, Канада, Китай, Япония, Корея, Европа |
| Tesco (оборот 85 млрд долл. США) | Прогнозирование спроса, повышение точности учета запасов, персонализированные промоакции, ИИ-кассы самообслуживания | Компьютерное зрение, ML-алгоритмы, аналитика в реальном времени, IoT-платформа | Великобритания, Ирландия, Центральная Европа, Азия |
| Target (оборот 40 млрд долл. США) | Сегментация покупателей, персонализация маркетинга, создание описаний продуктов, упрощение поиска продуктов | ML-алгоритмы, генеративный ИИ, компьютерное зрение | США |
| PepsiCo (оборот 86 млрд долл. США) | Роботы доставки, прогнозирование спроса, оптимизация производства | Компьютерное зрение, видеоаналитика, распознавание лиц, ML-алгоритмы | США, планы расширения в более чем 200 странах |
07 Бизнес-процессы в ритейле и результат применения технологий ИИ
Основной монетизированный эффект от использования ИИ достигается за счет снижения затрат во всех ключевых бизнес-процессах компании.
Основные бизнес-процессы
| Процесс | Ожидаемые эффекты и примеры применения |
|---|---|
| Управление закупками | Сокращение расходов на закупки, оптимизация поиска и выбора поставщиков, тайминг заказов, автоматизация заказов и категоризации товаров |
| Производство и контроль качества | Оптимизация использования сырья, предиктивное обслуживание оборудования, снижение брака, мониторинг соблюдения пищевых стандартов |
| Логистика и управление запасами | Оптимизация запасов, гибкое управление маршрутами, минимизация просроченных товаров |
| Продажа товаров, обслуживание клиентов | Повышение точности прогнозирования продаж, круглосуточная поддержка (чат-боты), индивидуальные программы лояльности, динамическое ценообразование |
| Маркетинг | Рост конверсии в продажу за счет персонализации и сегментации клиентов, геймификация взаимодействия, сокращение затрат и времени на рекламный контент |
Поддерживающие бизнес-процессы
| Процесс | Ожидаемые эффекты и примеры применения |
|---|---|
| Управление рисками | Контроль операционных рисков (выявление аномалий), мониторинг подозрительных транзакций, автоматизированный анализ регуляторных изменений |
| R&D и инновации | Ускоренная разработка продуктов, прогнозирование реакции потребителей, дизайн упаковки, моделирование экологического следа |
| Корпоративное управление | Финансовая аналитика, мониторинг ESG, оптимизация процессов подготовки отчетности и внутреннего аудита |
| Управление персоналом | Сокращение времени на подбор персонала, персонализированные программы обучения, прогнозирование кадровых потребностей |
| ИТ | Кибербезопасность, ускоренная разработка цифровых решений, предиктивный мониторинг сбоев серверов и сетей |
08 Избранные кейсы использования технологий ИИ в основных бизнес-процессах
Управление закупками
Основной эффект от внедрения технологий ИИ в управление закупками — повышение скорости оборачиваемости оборотного капитала в результате повышения точности объема закупок.
| Направления внедрения | Страна | Компания | Технология ИИ | Эффект от внедрения |
|---|---|---|---|---|
| Прогнозирование закупок | Россия | «ВкусВилл» | ML-алгоритмы | Повышение точности прогноза необходимого размера заказа |
| Автоматизация категоризации товаров | Россия | Портал поставщиков г. Москвы | ML-алгоритмы | Отказ от ручной обработки каталогов товаров |
| Выбор поставщиков | Китай | Yonghui Superstores | ML-алгоритмы | Снижение показателя отсутствия товаров на складе (OOS) на 10–20% |
| Оценка поставщиков | Израиль | AgriTask | ML-алгоритмы | Точное определение размера и сроков заказа, предотвращение закупки продукции ненадлежащего качества |
| Контрактный менеджмент | Япония | Asahi Group | ML-алгоритмы | Сокращение времени обработки документов, снижение числа ошибок |
| Автоматизация закупок | Малайзия | Food Market Hub | Алгоритмы предиктивной аналитики | Автоматизация до 80% рабочих процессов в сфере закупок |
Кейс: «ВкусВилл» (Россия)
Российская сеть магазинов продуктов для здорового питания использует модели на основе ИИ для прогнозирования закупок. Алгоритм производит анализ продаж на основе исторических данных, которые оценивают продажи товаров в магазинах сети с учетом сезонных колебаний, погодных условий, праздников и событий в зоне тяготения отдельных магазинов. В результате модель формирует точный прогноз спроса на товары в магазине или дарксторе на несколько дней, что позволяет оптимизировать закупки у поставщиков. При этом сохраняется контроль специалистами, которые проверяют точность прогноза и принимают окончательные решения.
Кейс: Портал поставщиков (Россия)
Информационная система для администрирования закупок в Москве использует ИИ для следующих задач:
- Определение категорий товара: Нейросеть на основе ML-алгоритмов распознает изображения товаров и распределяет их по категориям, что позволяет отказаться от ручного труда.
- Умные помощники: Чат-бот на базе 700 статей консультирует пользователей в режиме реального времени, подбирает документы и снижает нагрузку на службу поддержки.
Результаты внедрения:
- Экономия человеческих ресурсов (перераспределение трудозатрат).
- Сокращение расходов.
- Увеличение прибыли/выручки (повышение эффективности).
Кейс: AgriTask и Walmart
Израильский разработчик ИИ-решений в сфере сельского хозяйства AgriTask в 2024 г. подписал соглашение о сотрудничестве с ритейлером Walmart по использованию решений компании для оптимизации закупки сезонных фруктовых культур. Платформа позволяет в режиме реального времени предоставлять информацию о сроках, задержках или опережениях ожидаемого урожая, а также оповещать о рисках поставки. В результате использование алгоритма AgriTask позволяет управлять закупками овощей и фруктов так, чтобы избежать дефицита или закупки продукции ненадлежащего качества.
Основные возможности алгоритмов AgriTask:
| Функция | Описание |
|---|---|
| Прогнозирование спроса | Анализ исторических данных и рыночных факторов. |
| Оценка поставщиков | Анализ репутации, надежности и ценовых предложений. Автоматизация процесса аккредитации. |
| Оптимизация цен | Определение оптимальных условий закупки на основе анализа рыночных данных. |
| Автоматизация категоризации | Сопоставление товарных позиций разных поставщиков с внутренней номенклатурой для ускорения учета. |
| Управление рисками | Прогнозирование сбоев на основе анализа факторов внешней среды. |
Кейс: Yonghui Superstores (Китай)
Китайская сеть супермаркетов использует ИИ для оптимизации цепочки поставок и управления запасами. Алгоритмы предиктивной аналитики анализируют исторические данные о продажах, тенденции рынка и внешние факторы (погода, экономические показатели), чтобы точно предсказать объем закупок. Интеграция IoT и ИИ обеспечивает мониторинг товаров на всех этапах — от происхождения до доставки в конкретный магазин. Это позволяет оперативно выявлять узкие места и выбирать оптимальных поставщиков.
Автоматизация контрактного менеджмента
Обеспечивает управление взаимоотношениями с поставщиками, включая оценку качества товаров, соблюдение сроков и автоматический расчет штрафов, пеней или начисление бонусов.
Кейс: Asahi Group (Япония)
Ведущий японский производитель напитков использует платформу GEP SMART. Алгоритмы ИИ ищут поставщиков, анализируют каталоги, формируют договоры и заявки. Система автоматизирует обработку счетов, анализирует расходы для их сокращения и выделяет ключевые условия договоров (срок, штрафы, риски). Это повышает эффективность управления закупками и снижает количество ошибок в документообороте.
Кейс: Food Market Hub
Разработчик облачной платформы для ресторанного бизнеса и ритейла создал систему закупок на базе ИИ. Алгоритмы изучают поведение посетителей и внешние факторы для прогноза потребления, на основе которого формируются заказы. Система позволяет автоматизировать до 80% рабочих процессов в сфере закупок, что особенно востребовано в сегменте малого и среднего бизнеса.
Производство и контроль качества
Использование ИИ обеспечивает снижение затрат за счет сокращения непроизводительных расходов, а также повышение производительности труда.
| Направления внедрения | Страна | Компания | Технология ИИ | Эффект от внедрения |
|---|---|---|---|---|
| Оптимизация производственного процесса | Россия | ГК «Черкизово» | Видеоаналитика | Повышение производительности труда на 15% |
| Предиктивное обслуживание оборудования | Россия | Производитель молочной продукции | IoT, ML-алгоритмы | Снижение простоев на 73%; Увеличение срока службы на 15–20% |
| Энергоэффективность | Сингапур | Energy Vanguard | IoT, ML-алгоритмы | Снижение энергопотребления на 20% |
| Контроль качества продукции | Тайвань | Производитель замороженных продуктов | Компьютерное зрение | Снижение расходов от человеческих ошибок |
| Контроль качества продукции | Китай | Unilever | - | Сохранение качественных характеристик продукции |
| Контроль качества продукции | Южная Корея | Lotte Mart | Компьютерное зрение | Сокращение жалоб потребителей на 30% |
| Контроль качества продукции | Япония | Fujitsu | Компьютерное зрение | Сокращение времени проверки продукции на 80% |
Предиктивное обслуживание оборудования
Российский производитель молочной продукции внедрил систему предиктивной аналитики. Датчики контролируют температуру и вибрацию на критически важных узлах. Алгоритм выявляет отклонения и прогнозирует поломки. Это позволило снизить внеплановые простои на 73%, увеличить срок службы оборудования на 15–20% и сократить затраты на ремонты на 35%.
Оптимизация производственного процесса
ГК «Черкизово» использует систему видеоаналитики Morigan.Lean для контроля ручного труда на конвейере. Система оценивает выработку операторов в реальном времени и помогает формировать эффективные бригады. Результат — рост производительности труда на 15%. Также компания использует полностью роботизированные предприятия, где компьютерное зрение контролирует качество на всех этапах — от приемки сырья до отгрузки.
Контроль качества
- Lotte Mart (Южная Корея): В 2022 г. внедрена система сортировки фруктов на базе глубокого обучения. ИИ анализирует снимки плодов на конвейере, определяя их сладость и внутреннее состояние. Продажи выросли на 7 млн долл. США, а количество жалоб сократилось на 30%.
- Energy Vanguard (Сингапур): IoT-решения для ритейла мониторят температуру и состояние холодильников. Технология снижает энергопотребление на 20% и предотвращает простои.
- META-aivi (Тайвань): Использование очков дополненной реальности и IP-камер для детекции посторонних предметов в сырье и контроля температуры продуктов. Это повышает безопасность труда и снижает влияние человеческого фактора.
- Unilever (Китай): ИИ контролирует условия хранения мороженого по всей цепочке. Покупатель может отсканировать товар и проверить температурный режим. «Умные» морозильные камеры адаптируют работу под внешнюю среду, сохраняя качество и экономя электроэнергию.
- Fujitsu (Япония): Устройство на базе ИИ анализирует ультразвуковые волны в мясе тунца для оценки содержания жира. Это позволило заменить выборочный визуальный осмотр полным контролем партии, сократив время проверки на 80%.
Логистика и управление запасами
Благодаря использованию ИИ сокращаются расходы на логистику и формирование запасов, снижается размер недополученной из-за отсутствия товаров выручки.
| Направления внедрения | Страна | Компания | Технология ИИ | Эффект от внедрения |
|---|---|---|---|---|
| Автоматизированный склад | Россия | «Яндекс» | Robotic Process Automation | Увеличение скорости комплектации на 30% |
| Управление запасами | Южная Корея | Сеть CU | Компьютерное зрение, нейросети | Снижение показателя OOS на 10–20% |
| Управление запасами | Китай | FamilyMart | ML-алгоритмы | Снижение показателя OOS на 10–20% |
| Минимизация просрочки | Сингапур | Lumitics | IoT, ML-алгоритмы | Сокращение пищевых отходов до 40% |
| Управление маршрутами | Япония | Lawson | ML-алгоритмы | Сокращение избыточных запасов на 30% |
Автоматизированный склад
«Яндекс» реализует проект роботизации складов с помощью системы Yandex RMS. Роботы и «Роборука» с самообучающейся нейросетью способны перемещать грузы до 35 кг и выполнять более 250 заданий в час. Применение роботов обеспечивает:
- Сокращение на 30–80% стоимости отбора товаров.
- Снижение количества ошибок при комплектовании заказов.
- Увеличение производительности перемещений на 30%.
Управление запасами и полками
Сеть CU (Южная Корея) использует ИИ и видеоаналитику для отслеживания наличия товаров на полках и чистоты зон в режиме реального времени. Это сократило время проверки остатков до 1 часа в день, снизило показатель отсутствия товаров (OOS) на 20,8% и увеличило продажи на 4,8%.
Китайские сети China Resources Vanguard и FamilyMart используют систему Guandata. ИИ-модуль прогнозирует спрос с точностью выше 92%, учитывая погоду и трафик. Внедрение позволило снизить потери свежих продуктов с 23% до 9%, повысить эффективность оборота запасов на 38%, а в FamilyMart — снизить OOS с 8,3% до 1,7%.
Минимизация потерь и оптимизация маршрутов
- Lumitics (Сингапур): Умные мусорные баки с ИИ-трекерами анализируют выбрасываемые продукты. Данные помогают шеф-поварам точнее планировать закупки, что сокращает отходы на 40%.
- Treatsure и TreeDots (Сингапур): ИИ связывает поставщиков излишков еды с покупателями. TreeDots за три года передала потребителям около 2 300 тонн невостребованных продуктов.
- Lawson (Япония): Сервис от Mitsubishi использует ИИ для прогнозирования спроса и поиска оптимальных маршрутов доставки «точно в срок». Это позволило снизить объем запасов в среднем на 30%, а в отдельных случаях — на 40%.
Маркетинг
Использование ИИ в маркетинге обеспечивает расширение клиентской базы, повышение узнаваемости бренда и рост эффективности промоакций.
| Направления внедрения | Страна | Компания | Технология ИИ | Эффект от внедрения |
|---|---|---|---|---|
| Персонализация взаимодействия с покупателями | Россия | «ВкусВилл» | Боты-помощники на основании GPT-4 и YandexGPT | Повышение вовлеченности в продуктовый каталог на 10%, увеличение продаж, рост удержания покупателей |
| Геймификация | Сингапур | FairPrice | Нейросети | Увеличение конверсии продаж на 15% |
| Персонализация и сегментация клиентов | Япония | Aruk Mitajiri | Компьютерное зрение, ML-алгоритмы | Повышение лояльности покупателей |
| Улучшение пользовательского опыта | Китай | Meituan | Компьютерное зрение | Сокращение времени на совершение покупки |
| Создание контента | Китай | Jing Dian Dian | Нейросети | Снижение стоимости создания контента на 90% |
| Геймификация, улучшение пользовательского опыта | Южная Корея | Baemin Minjok | Нейросети | Увеличение конверсии заказов на 80% |
Персонализация взаимодействия с покупателями и геймификация
Российская сеть магазинов продуктов для здорового питания «ВкусВилл» использует бота-помощника «пИИрожок» на базе ИИ, который помогает клиентам выбирать готовые блюда, основываясь на их предпочтениях. Нейросеть GPT-4 от OpenAI отвечает за алгоритм подбора товаров, а YandexGPT — за коммуникацию с покупателями. Бот задает клиенту несколько вопросов и на основе ответов предлагает ряд блюд. Если подборка не понравилась, можно попросить бота предложить другую. Также «пИИрожок» может напомнить о необходимости позавтракать или пообедать. Бот помог десяткам тысяч пользователей находить нужные блюда быстрее, что повысило вовлеченность в продуктовый каталог на 10% и привлекло новых клиентов.
Также «ВкусВилл» придумал игру на базе Telegram с механикой, похожей на Fruit Ninja, чтобы рассказать о чистых составах своих продуктов и повысить средний чек. В игре была подключена нейронная сеть для управления через веб-камеру и жесты с целью облегчения игры на десктопе. В результате 25,5% пользователей возвращались к игре повторно, 6,2% делились ею с друзьями, а средний чек вырос на 1 178 рублей. Игра привлекла новых клиентов и вернула к покупкам «спящих» пользователей, а ROMI составил 180%.
Крупнейшая сингапурская сеть супермаркетов FairPrice использует ИИ-платформу для предоставления персонализированных геймифицированных промоакций для покупателей. FairPrice внедрила передовой маркетинговый персонализационный движок, использующий искусственный интеллект для прогнозирования пожеланий и потребностей клиентов. Благодаря анализу данных о предыдущих покупках система формирует индивидуальные предложения, что привело к увеличению конверсии продаж на 15%. Кроме того, FairPrice тестирует «умные» тележки со встроенными дисплеями, которые помогают покупателям ориентироваться в магазине, получать персональные рекомендации и оплачивать товары прямо на ходу.
Создание контента и улучшение пользовательского опыта
Платформа на основе ИИ Jing Dian Dian (используется крупнейшей китайской компанией JD.com) применяется для создания коротких роликов с демонстрацией товара. Система автоматически удаляет фон с загруженного изображения и рекомендует подходящие шаблоны для генерации высококачественных изображений. Также платформа позволяет создавать маркетинговые копии на основе номера SKU или названия продуктов. По оценкам компании, на февраль 2025 г. платформу ежедневно используют более 350 тысяч продавцов JD. Использование платформы позволило снизить стоимость создания контента более чем на 90% по сравнению со стандартными решениями.
Японская сеть супермаркетов Aruk Mitajiri использует ИИ-модуль, который с помощью технологии распознавания людей анализирует поведение покупателей в магазине. На основе этих данных система создает настраиваемые аватары и рекламный контент на цифровых вывесках, реагируя на жесты и интерес клиентов (например, предлагает десерт при обнаружении усталости в голосе). Ожидается, что такой подход повысит эффективность акций и поможет покупателям быстрее принимать решения.
Китайская компания по доставке еды Meituan разработала ИИ-функцию «моментальное фото» для заказа еды. Технология распознает блюда через камеру и автоматически отображает опции меню. Эта функция сократила время заказа с 4 минут 12 секунд до 1 минуты 8 секунд, что представляет собой 74%-ное улучшение пользовательского опыта. При этом доля пользователей старше 55 лет увеличилась до 19%, что свидетельствует о преодолении возрастных барьеров.
Китайский KFC разрабатывает ресторан, использующий технологию распознавания лиц для определения характеристик клиента (возраст, пол, настроение). Система предлагает блюда до того, как клиент сделает выбор, и сохраняет историю для предоставления персональных рекомендаций при повторных визитах.
Южнокорейская компания Baemin Minjok совместно с Google провела акцию для поколения Z: пользователи создавали изображения сервировки стола с помощью ИИ-помощника. Акция привлекла новых пользователей и увеличила узнаваемость бренда. Кроме того, внедренная в Baemin функция персонализированных рекомендаций меню на основе истории заказов позволила увеличить конверсию заказов на 80%.
Продажа товаров и клиентский сервис
Использование ИИ в продажах и сервисе обеспечивает повышение доступности товаров на полках, автоматизацию клиентской поддержки и оптимизацию ценовой политики.
| Направления внедрения | Компания | Технология ИИ | Эффект от внедрения |
|---|---|---|---|
| Улучшение торгового пространства | «Магнит» | Компьютерное зрение | Увеличение доступности товаров на полке до 95% |
| Улучшение торгового пространства | «ВкусВилл» | Умные корзины | Повышение частоты покупок на 21% |
| Взаимодействие с покупателем | FairPrice | Чат-бот на основе ИИ | Автоматизация обработки 80% клиентских обращений |
| Динамическое ценообразование | Shenzhen Rainbow | ML-алгоритмы | Рост среднего чека на 15%, снижение потерь свежих продуктов в два раза |
| Динамическое ценообразование, прогнозирование продаж | Trial | Умные ценники, компьютерное зрение, нейросети | Повышение точности прогнозов и эффективное управление ассортиментом |
| Динамическое ценообразование | Baemin Minjok | ML-алгоритмы | Снижение затрат для потребителей, повышение гибкости и прозрачности стоимости доставки |
Улучшение торгового пространства
Российская сеть «Магнит» использует технологию Image Recognition для распознавания товаров на полке. Приложение анализирует соответствие выкладки планограмме, определяет отсутствующий товар и процент фактического соответствия. Использование приложения позволило увеличить доступность товаров на полке до 95%, повысить уровень соответствия планограмме до 75% и получить достоверный анализ по 20 тыс. наименований. Технология применяется в форматах «Магнит Семейный», «Магнит Экстра», «Магнит Косметик» и «Магнит у дома».
«ВкусВилл» совместно со стартапом Paycon внедряет корзины-роботы. Покупатель авторизуется в системе, самостоятельно сканирует штрихкоды, а информация отображается на экране корзины. Оплата производится на смартфоне или стойке, что исключает очереди. По результатам тестирования частота покупок постоянных клиентов увеличилась на 21%, средний чек вырос на 24%, а 20% выручки магазина стало проходить через тележки Paycon Scan.
Динамическое ценообразование и клиентский опыт
Японская сеть Trial внедрила систему динамического ценообразования. Каждый товар оснащен электронным ценником, что позволяет мгновенно менять цены в зависимости от спроса и данных конкурентов. С помощью ИИ-камер Trial также анализирует маршруты покупателей и взаимодействие с товарами, что помогает корректировать выкладку и максимизировать прибыль.
Сингапурская сеть FairPrice внедрила чат-бот, который круглосуточно обрабатывает типовые запросы (перенос доставки, изменение заказа). 80% обращений решаются без операторов. Использование ИИ повысило долю решения вопросов с первого обращения до 90% и снизило стоимость одного обращения на 10%.
Южнокорейская компания Baemin Minjok использует ИИ-модель для динамического регулирования стоимости доставки и цен ресторанов в зависимости от пробок и погоды. Сервис Altteul Delivery оптимизирует маршруты и объединяет заказы, делая доставку более дешевой и прозрачной для пользователей.
Китайская сеть Shenzhen Rainbow разработала вертикальную ИИ-модель для оптимизации ассортимента. В пилотном проекте система снизила потери свежих продуктов с 12% до 7% и увеличила средний чек на 15%. Исследования показали, что возможность проследить путь товара по QR-коду увеличивает активность мозга покупателей на 40% (рост доверия), а внедрение «умных полок» привело к росту повторных покупок продуктов на 28%.
09 Избранные кейсы использования технологий ИИ в поддерживающих бизнес-процессах
Управление персоналом
X5 Group внедрила инструмент прогнозирования потребности в персонале на базе технологии ИИ «Калькулятор ресурсной потребности». Решение используется в магазинах сети «Перекресток». Алгоритм работает на основе ML, собирая данные в цифровом формате из информационных систем компании. Он учитывает более 20 параметров, рассчитывает будущую загруженность персонала в зависимости от спроса, технических особенностей и профиля каждого магазина. На основании собранных данных и прогноза спроса алгоритм строит прогноз объема работ, загруженности персонала и количества необходимых смен. Для каждого магазина выстраивается свой план по этим параметрам. Использование алгоритма позволяет избежать привлечения лишних сотрудников либо недостатка персонала в период более высокой посещаемости магазинов сети.
Китайская сеть кофеен Luckin Coffee внедрила систему ИИ-составления расписаний, которая требует строгого соответствия фактического дежурства персонала плану ИИ-системы. Система анализирует исторические данные продаж и эффективность сотрудников для прогнозирования объема заказов и соответствующего распределения персонала. Планирование на основе ИИ значительно сокращает работу менеджеров магазинов, позволяя им сосредоточиться на более важных задачах. Также это позволяет гибко распределять рабочую силу в соответствии с динамическими потребностями магазинов и перераспределять сотрудников между разными точками.
Разработка дизайна упаковки и улучшение торгового пространства
Японские компании — производители продуктов питания, включая производителя соусов Otafuku Sauce и производителя чая Ito En, внедрили системы дизайна упаковки с помощью ИИ.
- Otafuku Sauce использовала ИИ для создания упаковки для Yakisoba Sauce Adult Spicy и обновленного соуса Okonomiyaki Sauce Adult Spicy. Целью обновления дизайна было сообщить потребителям об остроте соуса. Для выбора итогового варианта оформления компания провела голосование в социальных сетях.
- Ito En применила генеративный ИИ для разработки упаковки продукта в категории здорового питания — Oi Ocha Catechin Green Tea, а также использовала сгенерированное нейросетью изображение модели в рекламном ролике. Применение ИИ позволило значительно снизить расходы на создание упаковки, рекламного ролика, а также сократить время разработки.
Мониторинг ESG
Промышленно-технический исследовательский институт Тайваня разработал «Гибкую систему управления энергопотреблением с функцией реагирования на спрос», которая используется в китайских магазинах крупных сетей (7-ELEVEN, FamilyMart и Carrefour). Система применяет ИИ для мониторинга потребления электроэнергии в реальном времени и автоматической регулировки температуры кондиционеров и холодильников на основе количества посетителей и погодных условий.
Трансформация ИТ-инфраструктуры
P&G Japan заключила соглашение о партнерстве с Microsoft в рамках трансформации цифровой производственной платформы компании. P&G Japan совместно с Microsoft будет внедрять промышленный интернет вещей (IIoT), цифровые двойники, данные и ИИ для создания будущего цифрового производства. Компания уже запустила пилотные проекты в Египте, Индии, Японии и США, используя Azure IoT Hub и IoT Edge для помощи производственным техникам в анализе данных для улучшения производства товаров по уходу за детьми и бумажных изделий.
НИОКР и ускоренная разработка продуктов
Израильский стартап Imagindairy использует ИИ для обучения микроорганизмов созданию молочных белков, идентичных белкам коровьего молока, но без использования животных жиров. Технология использует модели ИИ, которые усиливают экспрессию белка. С помощью этой технологии Imagindairy предлагает инновационные молочные продукты (молоко, сливочный сыр, мороженое и йогурт) без ущерба для вкуса, цены или качества. Компания уже приобрела линии для производства высокоточной ферментации в промышленных масштабах и получила статус FDA GRAS.
Kirin Holdings разработала систему для автоматизации создания рецептов пива, которая генерирует рецепты для пивоваров на основе желаемых результатов, используя десятилетия накопленных знаний в базе данных системы. Это облегчает нагрузку на пивоваров и позволяет передавать технические навыки.
Sapporo Holdings также использует ИИ для разработки новых продуктов, чтобы идти в ногу с постоянно меняющимися тенденциями на рынке готовых коктейлей.
Ключевые показатели эффективности внедрения ИИ в бизнес-процессы
| Компания / Сеть | Технология / Решение | Результат внедрения |
|---|---|---|
| Luckin Coffee | ИИ-составление расписаний | Рост производительности на 9,9% выше Starbucks (1,33 чашки в минуту на сотрудника) |
| 7-ELEVEN, FamilyMart, Carrefour | Гибкая система управления энергопотреблением | Экономия электроэнергии на 15–20% |
| Sapporo Holdings | ИИ-разработка продуктов | Сокращение времени разработки новых продуктов в 2 раза |
| X5 Group (Перекресток) | Калькулятор ресурсной потребности | Оптимизация количества смен на основе 20+ параметров |
| Imagindairy | ИИ-модели экспрессии белка | Удовлетворение прогнозируемого удвоения спроса на белок к 2050 г. |
Контакты
- Георгий Патарая, Партнер, Руководитель практики по работе с компаниями потребительского сектора: gpataraya@kept.ru * Екатерина Рогачева, Партнер, Департамент аудиторских услуг: erogacheva@kept.ru * Дарья Максимова, Директор, Группа цифровых решений: dmaximova@kept.ru * Дмитрий Калиниченко, Менеджер, Группа рыночных исследований: dkalinichenko@kept.ru * Елена Первышина, Менеджер, Практика по оказанию консультационных услуг: epervyshina@kept.ru * Венера Юсупова, Супервайзер, Практика по работе с компаниями потребительского сектора: vyusupova@kept.ru