Как генеративный ИИ и продуктовая аналитика меняют правила игры в ритейле

Важный тренд последних лет в сфере розничной торговли — устойчивый рост применения искусственного интеллекта. Ритейлеры активно запускают пилотные проекты, чтобы оценить потенциал ИИ-решений и найти оптимальные способы их интеграции в бизнес-процессы. О перспективных направлениях рассказывают начальник отдела цифрового моделирования IBS Андрей Никитин и руководитель группы клиентской аналитики департамента анализа и моделирования IBS Павел Тарханов.

Возможности ИИ

Искусственный интеллект автоматизирует задачи, для которых ранее требовалось участие человека. Технологии ИИ включают в себя несколько разновидностей: машинное обучение (ML), глубокое обучение (DL), генеративный ИИ и т. д. Залог успешного решения любых задач с использованием ИИ — его адаптация к конкретной предметной области.

Появление мощных лингвистических моделей в 2023 году дало серьезный импульс развитию генеративного ИИ, способного обрабатывать запросы на естественном языке и генерировать контент по запросу (текст, изображения, видео).

Генеративный ИИ работает на основе сложноорганизованной нейросети и обучается на огромных объемах данных.

По прогнозам, к 2030 году объем рынка генеративного ИИ в России превысит 140 млрд рублей при среднегодовом темпе роста в 25%. В сфере розничной торговли реальное использование таких ИИ-решений только с 2023-го по 2024 год увеличилось на 22%.

Генеративный ИИ в ритейле находит применение в различных областях — в оптимизации управления, автоматизации процессов, аналитике, взаимодействии с клиентами. Например, используется для тренд-прогнозирования с учетом данных из соцсетей и медиа, формирования карточек товаров, обработки отзывов. В числе перспективных задач — динамическое ценообразование, оптимизация промоакций и цепочек поставок, гиперперсонализация предложений и прочее.

Прикладные кейсы использования ИИ

Рассмотрим практические примеры применения генеративного ИИ в ритейле.

Цифровой ассистент

На решение о покупке и лояльность клиента влияют многие факторы. Человек может отказаться от приобретения товара, просто не найдя нужной информации о его характеристиках.

Улучшить клиентский опыт позволяет цифровой ассистент. Он способен обрабатывать запросы на естественном языке, разбирается в ассортименте, а при необходимости в формате диалога может уточнить дополнительные параметры. В результате пользователи получают оперативные релевантные рекомендации и круглосуточное обслуживание, а бизнес — рост продаж, снижение нагрузки на службы поддержки и аналитику поведения клиентов.

Маршрутизация запросов SERVICE DESK

Представим территориально распределенную торговую сеть с огромным количеством ИТ-активов. Все обращения в техническую поддержку поступают через единое окно, а затем вручную обрабатываются операторами первой линии, которые распределяют заявки между исполнителями. Однако при таком подходе заявки могут теряться, а решение критичных проблем — затягиваться.

Выходом в этой ситуации может стать внедрение «умного» маршрутизатора на основе модели машинного обучения с модулем дообучения. Система проанализирует запрос и историю предыдущих обращений, определит тип проблемы и назначит ответственного исполнителя, а типовые запросы обработает автоматически. Таким образом можно ускорить первичную обработку обращений, уменьшить влияние человеческого фактора и освободить сотрудников для более важных задач. Внедрение подобной системы позволяет снизить трудозатраты на обработку обращений на первой линии поддержки до 90%, а без привлечения сотрудников компании могут быть автоматически обработаны до 50% запросов.

Обработка первичных интервью с кандидатами

Избыток рутинных операций на этапе первичного отбора создает дополнительную нагрузку на HR-специалистов и замедляет процесс найма. Кроме того, влияние человеческого фактора негативно сказывается на качестве оценки.

Решить эти проблемы может цифровой помощник на базе генеративного ИИ. После проведения интервью рекрутером система преобразует аудиозапись в текст, извлечет из него значимые атрибуты и, сопоставив с заданными критериями, рассчитает рейтинг кандидата. В результате за счет автоматизации снизится нагрузка на специалистов, благодаря прозрачной аналитике повысится качество подбора, а также появится возможность масштабировать процесс при большом потоке кандидатов. Внедрение такой системы позволяет сократить время на заполнение отчета о соискателе на 80%, при этом использование больших лингвистических моделей, адаптированных к предметной области, существенно снижает риск возникновения ошибок из-за человеческого фактора.

Автоматизированное планирование и управление промоакциями

Несогласованность между отделами, включение в акции несовместимых или неуместных категорий товаров, несвоевременный или некорректный расчет скидки, применение неподходящей механики двойного ценообразования, неучет множества факторов в моделях прогнозирования — все это может негативно сказаться на результативности промоакций и привести к упущенной выгоде.

Повысить эффективность промоактивностей можно с помощью внедрения платформы для автоматизированного планирования и управления. Именно такой вариант выбрал один из крупнейших сетевых ритейлеров, а компания IBS выступила в качестве ИТ-партнера.

Ключевыми решениями при внедрении стали два блока работ:

1. Консалтинг по оптимизации производственных процессов планирования промоакций

Он включал формализацию и описание процесса с достаточной детализацией по всем реперным точкам планирования, а также выявление узких мест с дальнейшей корректировкой и улучшением. В рамках этого блока также была реализована автоматизация основных процессов промопланирования с настройкой логики, добавлением автопроверок промоакций и созданием алертов на каждое событие.

2. Внедрение платформы «Управление промоакциями»

Ее основные функции:

• согласование промоакций, повышающее прозрачность процессов и позволяющее контролировать принимаемые решения на всех этапах;
• прогнозирование методами машинного обучения для обеспечения высокой точности с учетом множества факторов, в том числе нелинейных эффектов (например, сезонности);
• управление промогайдлайнами, позволяющее формализовать правила промотирования в соответствии со стратегией компании;
• единое окно для создания и визуализации промоплана в виде диаграммы Ганта, а также управления промокалендарем и гибкими отчетами по оценке эффективности промоакций.

Ожидаемые результаты от внедрения платформы: время подготовки промопланов сократится вдвое, все проверки будут автоматическими, точность прогнозов вырастет на 10 п. п., а ROI промоакций увеличится до 10%. Примерный срок окупаемости проекта — до восьми месяцев.

Активное развитие генеративного ИИ позволяет автоматизированно решать бизнес-задачи, требовавшие значительных трудозатрат сотрудников. Однако не стоит забывать и о других технологиях ИИ. Пример с автоматизированным планированием и управлением промоакциями показывает, что классическое машинное обучение способно решать некоторые задачи лучше.

ИИ уже сегодня способствует росту эффективности и конкурентоспособности бизнеса в ритейле, и есть все основания полагать, что к 2030 году его внедрение станет стандартом отрасли.