Автор: Волнянский А.
Штучний інтелект (ШІ/AI) прямо зараз трансформує сферу роздрібної торгівлі (retail) на всіх рівнях: від оптимізації ланцюжків поставок і нових способів залучення клієнтів до прийняття стратегічних рішень на основі даних, що називають Data-Driven-підходом. Використовуючи алгоритми ШІ та методи машинного навчання (ML), ритейлери адаптуються до ринку, що швидко змінюється, і отримують додаткову конкурентну перевагу. За прогнозами McKinsey, тільки генеративний ШІ може принести від $240 до $390 млрд додаткової вартості ритейлерам за рахунок поліпшення клієнтського досвіду і підвищення ефективності маркетингових операцій. А в Grand View Research прогнозують зростання ринку AI в retail до $40,74 млрд до 2030 року із середньорічним темпом приросту 23% у найближчі п’ять років.
- Які завдання вирішує ШІ в ритейлі
- Які AI-технології використовуються в ритейлі
- Приклади ШІ в роздрібній торгівлі: 12 історій успіху
- З якими викликами стикаються ритейлери при впровадженні ШІ
- Чого чекати від ШІ в ритейлі в майбутньому?
- ШІ в ритейлі: статистика та основні інсайти
Які завдання вирішує ШІ в ритейлі
Можна виділити кілька наступних ключових напрямків ШІ в ритейлі:
- Поліпшення операційних завдань: ШІ бере участь в управлінні запасами, плануванні асортименту, мерчендайзингу та маркетингу.
- Підвищення прибутковості: ШІ допомагає долати труднощі, пов’язані з непередбачуваністю поведінки покупців, шляхом прогнозування їхніх дій і створення гіперперсоналізованих пропозицій.
- Підвищення якості обслуговування клієнтів: ШІ допомагає краще задовольняти клієнтів (через персоналізовані пропозиції, миттєву цілодобову підтримку) і робити їх більш лояльними.
- Прогнозування попиту: ШІ передбачає майбутній попит на окремі товари або категорії товарів, аналізуючи поведінку покупців в реальному часі, їхні уподобання і навіть погоду.
- Автоматизація завдань: ШІ спрощує аналіз великих обсягів даних, автоматизує рутинні завдання, які не вимагають високої кваліфікації співробітників, і «розуміє» природну мову, що спрощує взаємодію людини з машиною. У цьому ключову роль відіграють великі мовні моделі (LLM).
- Додаткові джерела доходу: ШІ аналізує поточні потреби і пропонує варіанти розширення асортименту.
- Швидка адаптація до мінливих умов: аналітика даних за допомогою ШІ допомагає оперативно підлаштовуватися під нові маршрути поставок, перерозподіляти товари між магазинами мережі, знаходити ідеальні локації для нових магазинів.
За даними Forbes, 69% ритейлерів повідомляють про зростання річних доходів після впровадження ШІ, а 72% — про зниження операційних витрат.
Які AI-технології використовуються в ритейлі
Сучасний ритейл використовує екосистему AI-технологій, кожна з яких відіграє важливу роль у цифровій трансформації галузі. В основі цієї екосистеми — системи управління даними. Вони об’єднують сховища даних, озера даних, хмарні платформи та інструменти інтеграції. Саме ці системи забезпечують збір, зберігання та обробку величезних обсягів інформації, необхідної для функціонування всіх інших AI-рішень.
- Машинне навчання (ML) — фундаментальна технологія, що дозволяє системам вчитися на історичних даних і постійно покращувати свою продуктивність. На ML-алгоритмах базується робота рекомендаційних систем, систем прогнозування попиту, динамічного ціноутворення та інших.
- Обробка природної мови (NLP) — відкриває нові можливості взаємодії людини та машини, дозволяючи останній розуміти запити користувача на природній для неї мові. А також аналізувати настрої клієнтів на основі відгуків і коментарів у соціальних мережах.
- Комп’ютерний зір (CV) — інтерпретує візуальну інформацію з фізичного світу, роблячи можливим автоматизоване управління запасами, аналіз поведінки покупців у магазині та безшовний клієнтський досвід, коли купити товар можна без касирів і кас самообслуговування.
- Інтернет речей (IoT) — мережа датчиків, камер та інших пристроїв, які генерують потоки даних у реальному часі. Ці дані стають «паливом» для AI-алгоритмів, які аналізують цю інформацію, щоб оптимізувати операційні процеси та поліпшити клієнтський досвід.
- Роботизована автоматизація процесів (RPA) — виконує складні багатоетапні завдання і робочі процеси, звільняючи працівників від рутинних завдань. Замість цього вони можуть зосередитися на завданнях, що вимагають людського інтелекту і креативності.
Приклади ШІ в роздрібній торгівлі: 12 історій успіху
Подивімося, як вже застосовується штучний інтелект у роздрібній торгівлі, і підкріпимо інформацію про ці методи конкретними прикладами — історіями успіху лідерів ринку.
1. Створення гіперперсоналізованих пропозицій
Штучний інтелект аналізує великі обсяги даних — історію покупок, демографічні ознаки, перегляди в цифрових каналах на зразок онлайн-магазину і в додатку, участь у програмах лояльності, уподобання та багато іншого — щоб створювати високо персоналізовані пропозиції. Доставляючи правильне повідомлення в найбільш відповідний час покупцеві, який з високою ймовірністю буде в ньому зацікавлений, компанія може не тільки збільшувати дохід, але й підвищувати задоволеність клієнтів, їх лояльність і перетворювати їх на амбасадорів бренду.
Приклад: магазин дорожніх сумок BÉIS використовує застосунок на основі ШІ для налаштування таргетингу на певні продукти тоді, коли покупці з високою ймовірністю будуть готові їх придбати.
2. Управління запасами
ШІ в ритейлі допомагає прогнозувати майбутній попит і перерозподіляти запаси швидкопсувних продуктів. Він також аналізує історію продажів і зовнішні фактори — як прогноз погоди, локальні події, торгові обмеження, — щоб приймати рішення про те, які запаси та в якому обсязі необхідно зробити, щоб скоротити втрати.
Приклад: Walmart використовує ШІ для управління запасами, прогнозування попиту і планування обсягів закупівель. А комп’ютерний зір з машинним навчанням допоміг ритейлеру скоротити дефіцит популярних товарів на 16%, відстежуючи їх запаси в реальному часі.
3. Планування асортименту
ШІ вирішує, які товари з тих, що повільно продаються, пропонувати в промоакціях у фізичних магазинах. Також інтелектуальні системи аналізують дані клієнтів, щоб виявляти закономірності та створювати більш персоналізований асортимент.
Приклад: модний магазин Antonioli використовував ШІ для оптимізації своєї стратегії мерчендайзингу і почав створювати персоналізовані добірки продуктів.
4. Управління ланцюгами постачань
За допомогою ШІ ритейлери можуть швидко переключатися на альтернативні маршрути в ланцюгах постачань і контролювати потоки надходження товарів. LLM-моделі обробляють безліч неструктурованих даних — електронні листи постачальників, контракти, накладні з прогнозами погоди та транспортною ситуацією — щоб прогнозувати та знижувати ризики.
Приклад: у Walmart оцифрували ланцюги постачань, використовуючи алгоритми ШІ та машинного навчання для поліпшення прогнозування та розміщення запасів.
5. Динамічне ціноутворення
ШІ допомагає визначити найвищу ціну, за яку може продаватися конкретний товар, аналізуючи дані про ціни конкурентів, демографічну ситуацію в районах, де розташовані фізичні магазини, наявність і ефективність рекламних кампаній, поведінку клієнтів, ринкові тенденції та багато інших факторів.
Приклад: Amazon використовує інструмент динамічного ціноутворення Price Optimizer для коригування цін кілька разів на день.
6. Чат-боти (віртуальні помічники)
Вони відповідають миттєво і доступні цілодобово — обробляють замовлення, відповідають на популярні запити, допомагають з підбором товарів і оформленням повернень. Завдяки обробці природної мови та машинному навчанню віртуальні помічники розуміють запити клієнтів так, якби з ними спілкувалися реальні оператори кол-центру.
Приклад: ритейлер модного одягу H&M використовує чат-боти, щоб перевіряти наявність товарів у магазинах і рекомендувати їх під стиль клієнта — це вже поліпшило процес покупок і допомогло на 30% скоротити кількість «покинутих» кошиків.
7. Безшовний клієнтський досвід
Це те саме, що магазини без традиційних кас: покупець сканує товар або розпізнає його за допомогою ШІ-помічника в додатку, а потім оплачує — без звернення до звичайної каси або каси самообслуговування.
Приклад: у мережі магазинів біля будинку Amazon Go впровадили безшовну технологію оплати Just Walk Out на основі ШІ, датчиків, комп’ютерного зору та RFID (технологія безконтактних радіометок).
8. Боротьба з шахрайством
ШІ в ритейлі допомагає запобігти крадіжці та підміні товарів. Покупці часто беруть дорожчий товар, ніж сканують на касі самообслуговування, а іноді ціну занижують касири за домовленістю з покупцем.
Приклад: мережа аптек Walgreens використовує ШІ для аналізу записів з камер відеоспостереження, щоб мінімізувати ризики крадіжки та підміни товарів у режимі реального часу.
9. Автоматизація атрибуції товарів
Щоб підвищити привабливість товарів, ритейлери використовують ШІ для атрибуції опису, об’єднуючи в одному текстовому блоці найяскравіші та точні характеристики товарів з довгих описів виробників.
Приклад: компанія H&M використовує ШІ-систему Cherry для створення описів своїх товарів.
10. Аналіз настроїв
Вивчаючи відгуки та повідомлення клієнтів у соціальних мережах і в службі підтримки, великі ритейлери виявляють серед них закономірності та оцінюють сприйняття бренду.
Приклад: магазин косметики Sephora використовує ШІ для аналізу відгуків клієнтів, щоб покращувати свою рекомендаційну систему та планування у фізичних магазинах.
11. Віртуальні примірочні
ШІ-додатки допомагають знаходити потрібні товари за фото і дозволяють приміряти їх віртуально, без відвідування фізичних примірочних.
Приклад: Sephora подарувала клієнтам можливість «приміряти» макіяж за допомогою фронтальної камери смартфона. А розумні примірочні Rebecca Minkoff підтримують ще й інтерактивні функції.
12. Написання програмного коду
Такі інструменти як Copilot стають «другими пілотами» у відділі розробки ПЗ, допомагаючи скорочувати час на рутинні операції з написання коду.
Приклад: Компанія Mercado Libre використовує Copilot для підвищення продуктивності команд розробників через автоматизацію рутинних завдань.
З якими викликами стикаються ритейлери при впровадженні ШІ
Попри очевидні переваги, шлях до успішної інтеграції ШІ в ритейлі супроводжується рядом перешкод, які необхідно подолати. Розглянемо основні з них.
- Проблеми якості та збору даних. Для ефективної роботи AI-систем у ритейлі необхідні дані високої якості в достатньому обсязі, інакше аналітика буде неточною і неповною.
- Конфіденційність і безпека даних. Це, а також точність і достовірність контенту, який генерує штучний інтелект, вже викликає серйозні побоювання.
- Високі витрати на впровадження. Інвестиції будуть потрібні не тільки в технічну інфраструктуру та програмне забезпечення, але й в навчання персоналу, інтеграцію з існуючими системами та постійну технічну підтримку.
- Нестача кваліфікованих фахівців і експертизи. Ритейлери стикаються з гострим дефіцитом data scientist’ів, ML-інженерів і фахівців з інтеграції систем, здатних ефективно впроваджувати та підтримувати ШІ-технології.
- Алгоритмічні упередження. Оскільки ШІ-системи навчаються на історичних даних, вони можуть ненавмисно відтворювати та посилювати існуючі забобони та дискримінаційні практики.
- Складність інтерпретації. Часто виникає проблема «чорного ящика», коли керівники не розуміють логіку прийняття рішень системою. Це ускладнює довіру до технології та процес оптимізації алгоритмів.
Чого чекати від ШІ в ритейлі в майбутньому?
З високою ймовірністю ритейлери, які зацікавлені в інноваціях, будуть шукати нові способи використання ШІ в ритейлі — для поліпшення асортименту, оптимізації маркетингу, будь-яких бізнес-операцій. Крім того, можна очікувати, що:
- лідери ринку за допомогою ШІ та периферійних обчислень будуть формувати персоналізовані пропозиції для тих, хто знаходиться поблизу магазинів;
- ШІ допоможе поліпшити візуальний пошук, дозволяючи знаходити більш точні збіги з бажаним товаром;
- ШІ зможе виявляти та «зчитувати» емоції покупця, що в поєднанні з предиктивною аналітикою допоможе створювати ще більш гіперперсоналізовані пропозиції;
- омніканальне спілкування стане ще більш ефективним завдяки ШІ, який інтегрується в різні канали продажів, і великим мовним моделям, що роблять взаємодію більш природною;
- за допомогою ШІ ритейлери зможуть оптимізувати використання ресурсів і сприяти сталому розвитку;
- ШІ поліпшить користувацький досвід завдяки появі в офлайн-магазинах інтеграцій цифрових середовищ з фізичними — наприклад, розумних дзеркал та інтерактивних кіосків.
Марія Цвід, Product Owner в Colobridge GmbH:
«Сьогодні гіперперсоналізація — це ключ до успіху в ритейлі. Ми перетворюємо дані в точні прогнози та унікальні пропозиції, які безпосередньо впливають на продажі. Colobridge об’єднує потенціал генеративної ШІ в роздрібній торгівлі для створення релевантного контенту, машинного навчання для розуміння клієнта і прогнозної аналітики для виявлення неочевидних інсайтів. Це дозволяє нашим клієнтам-ритейлерам бути на крок попереду, пропонуючи саме те, що потрібно кожному покупцеві».
ШІ в ритейлі: статистика та основні інсайти
- ШІ вже трансформував галузь, що підтверджують успішні кейси найбільших ритейлерів.
- 69% ритейлерів відзначають зростання доходів і 72% — зниження операційних витрат після впровадження ШІ (Forbes).
- Розміри ринку AI в retail досягнуть $40,74 млрд до 2030 року (Grand View Research).
- Генеративний ШІ може принести ритейлу від $240 до $390 млрд додаткової вартості (McKinsey).
- ШІ оптимізує управління запасами, планування асортименту та маркетинг.
- ШІ покращує якість обслуговування клієнтів і їх лояльність через персоналізацію і цілодобову підтримку.
- Автоматизація рутинних завдань за допомогою ШІ спрощує процеси та прискорює аналіз великих даних.
- За допомогою ШІ ритейлери підвищують прибутковість, точно прогнозуючи поведінку покупців.
- Гіперперсоналізація є ключовим драйвером продажів у ритейлі.
- Успішне впровадження ШІ в ритейлі вимагає комплексної технологічної екосистеми та якісних даних.
- Нестача кваліфікованих фахівців з ШІ та високі витрати на впровадження залишаються головними бар’єрами для ритейлерів.
Дізнайтеся у фахівців Colobridge, яке IT-рішення на основі ШІ з розгортанням у хмарі підійде саме вашому бізнесу — з мінімальними початковими інвестиціями завдяки послузі AI Engine aaS.
