ИИ в управлении торговыми сетями: ценообразование, выкладка и предсказание трафика

«Пятёрочка» с 20 000+ магазинами принимает миллионы ценовых решений каждую неделю. Какова оптимальная цена на молоко в конкретном магазине в конкретный день недели с учётом конкурентов в радиусе 500 метров? Без AI — интуиция категорийного менеджера. С AI — оптимальная цена, рассчитанная из данных миллионов транзакций.

Кейс 1. X5 Group («Пятёрочка», «Перекрёсток») — AI-ценообразование

Инструменты

• ML-модели динамического ценообразования (тысячи SKU, тысячи магазинов)
• Данные конкурентов (мониторинг цен в режиме реального времени)
• Предсказание эластичности спроса по SKU и локации
• Автоматизированное внесение ценовых изменений через ERP

Что происходит

X5 использует ML для оптимизации цен на тысячи SKU ежедневно. Алгоритм знает: молоко в «Пятёрочке» у метро в центре Москвы и молоко в «Пятёрочке» в спальном районе — разная эластичность спроса. Подъём цены на 3% в центре — пройдут мимо, купят в Азбуке. В спальном районе — купят всё равно.

Мониторинг конкурентов: ML-боты ежедневно парсят цены «Магнита», «ВкусВилла», «Ленты» в каждой зоне присутствия. Если конкурент снизил цену — алгоритм мгновенно реагирует.

Результаты

• Gross margin X5 Group: +0,8 п.п. за 2 года внедрения AI-ценообразования (при масштабе X5 это миллиарды рублей)
• Скорость реакции на изменения цен конкурентов: с 3–5 дней до часов
• X5 Group: ежегодная выручка >₽3,5 трлн — AI-ценообразование напрямую влияет на эту цифру

Кейс 2. AI-мерчандайзинг: умная выкладка и планограммы

Инструменты

• CV-анализ полочного пространства (соответствие планограмме)
• ML-оптимизация планограмм (что куда поставить для максимальных продаж)
• Предсказание out-of-stock по данным камер (полка пустая)
• Анализ поведения покупателей в зале через анонимное CV

Что происходит

Традиционная аудит планограммы: представитель поставщика объезжает магазины и проверяет, правильно ли выставлен товар. Это дорого и медленно.

CV-система: камеры в магазине фиксируют полки → ML сравнивает с эталонной планограммой → автоматически видит несоответствия (не тот продукт на полке, нарушена зонировка, пустые ячейки). Алерт менеджеру торгового зала.

Оптимизация планограмм: ML анализирует, какие позиции лучше продаются с каких полочных позиций (с полки уровня глаз vs снизу), какие соседи по полке увеличивают чек (сыр рядом с вином → кросс-продажи).

Результаты

• Выполнение планограмм с CV-контролем: рост с ~68% до ~89%
• Продажи при оптимизированном планограмме: рост ~5–12% для переставленных категорий
• Out-of-stock события: снижение на ~30% при CV-мониторинге

Кейс 3. AI-предсказание трафика для планирования персонала

Инструменты

• ML-прогноз посещаемости по часам (горизонт 24–48 часов)
• Данные: история трафика, погода, праздники, акции, события в районе
• Автоматическое расписание кассиров и сотрудников зала
• Real-time мониторинг очередей через CV

Что происходит

Суперфишка: пятничный вечер перед длинными выходными — нагрузка вырастает в 3 раза. ML-модель знает это. И за 3 дня уже предупреждает: нужно вызвать 4 дополнительных кассира на пятницу 17:00–21:00. Вместо ситуации «внезапно очереди — звоним всем подряд».

CV-мониторинг очередей: камера над кассами считает людей в очереди → если >5 человек → автоматический вызов дополнительной кассы.

Результаты

• Среднее время ожидания в кассе с AI-планированием: снижение на ~25%
• Переработки и неявки: снижение на ~20% (лучшее планирование)
• Затраты на персонал (при том же качестве обслуживания): снижение на ~8–10%

Источники: X5 Group Annual Report 2023, Nielsen «AI in Retail 2024», McKinsey «The Future of Retail», Placer.ai retail analytics.