Цифровая трансформация в России – это в первую очередь про ритейл. Мегаконкурентная сфера, в которой рынок сам двигает развитие инноваций, больше всего подвержена этому тренду. О том, как хозяйственные магазины цифровизуются и превращаются в полноценный IT-бизнес, рассказывает Александр Соколовский, СТO «Леруа Мерлен».
Это первая часть интервью. Их будет три.
– Сейчас вы реализуете мероприятия, связанные с искусственным интеллектом и большими данными. Что именно вы делаете, как это будет выглядеть в ближайшей перспективе?
– Искусственный интеллект – не просто рыночный хайп. Для нас это совокупность технологий разного уровня зрелости, которые помогают улучшать продукты и услуги для наших клиентов. Еще мы уделяем много внимания технологиям машинного обучения. Например, планируем строить новый максимально роботизированный склад, который будет сильно отличаться от существующих складов. Это важный рывок с точки зрения логистики.
Также мы смотрим на технологии, связанные с распознаванием видео и речи, так называемыми диалогами, голосовыми помощниками. Понятно, что эти технологии находятся в стадии созревания и движутся вперед, но какие-то бенефиты пока не дают. И вот мы управляем этим портфелем технологий искусственного интеллекта, постепенно внедряя его, экспериментируя с подходом MVP (minimum viable product, минимально жизнеспособный продукт). Начинаем применять в бизнесе, смотрим на результаты, анализируем, принимаем решения, двигаемся дальше, откладываем и продолжаем развивать то направление, которое показывает хорошие результаты.
– Сейчас у вас в работе есть какие-то яркие технологии или инновации, которые дают новые преимущества? Возможно, видеонаблюдение в программе лояльности или что-то в этом духе?
– Пожалуй, слово «яркие» употреблять рано, но есть другие определения – эффективность и экономический фактор. В этом плане хорошо себя показали технологии машинного обучения. Мы активно используем их на веб-сайте и в мобильном приложении. Благодаря machine learning мы делаем персонализированные предложения нашим клиентам – предлагаем то, что им действительно нужно и потенциально будет востребовано. Для этого система анализирует интересы: на что клиент смотрит, какие продукты сравнивает, какие покупки совершал раньше и т. п.
– А с точки зрения big data заметны ли какие-то технологические изменения, связанные с обработкой данных? Возможно, вы их стали по-другому обрабатывать или получили пользу, которой раньше не было? Я имею в виду новые аналитические инструменты.
– Это как раз второе наше направление, «D» – data. Мы не используем термин big data в компании – для нас это просто data, он менее хайповый. Плюс не столько размер имеет значение, сколько ценность данных, их частота и умение с ними работать. Это ключевые моменты.
Искусственный интеллект не может работать без данных, и для этого мы выделили второе направление. Здесь вопрос не столько в технологиях, сколько в том, чтобы сделать компанию data driving. Такой, которая считает data конкурентным преимуществом, умеет работать с данными и с их помощью делает продукты и услуги более эффективными. И здесь есть важные аспекты. Первый – культурный: люди, которые имеют прямое отношение к бизнесу, и вообще вся компания, должны понять ценность данных. Второй – технологический: это строительство data-платформы, она же платформа данных.
Мы хорошо продвинулись вперед, и у нас отличная команда – к нам присоединились действительно сильные ребята. Сейчас мы де-факто завершили строительство пилотного проекта NVP data platform. В этом году запустили data-акселераторы – это когда бизнес-подразделения формулируют кейсы, которые они могли бы реализовать с помощью данных, а мы помогаем им это сделать самостоятельно. Идея платформы в том, чтобы дать некий инструмент, с помощью которого специалисты всех подразделений – не только IT – умели бы работать с данными и извлекать из них пользу.
У нас был интересный опыт в этой сфере, в том числе с российскими стартапами. Например, возьмем видеоаналитику для отслеживания очередей на кассах. Как на них реагировать? Можно автоматически увеличивать емкость касс в случае с большими очередями или, наоборот, снижать емкость в обратной ситуации. У нас было пилотное решение, которое проработало несколько месяцев, показало хорошие результаты и, насколько я знаю, развивается дальше. Мы работаем над тем, чтобы с помощью видеоаналитики сделать комфортно и удобно нашим клиентам в магазине и по максимуму сократить очереди.
– В программах лояльности уже используется распознавание клиентов?
– Да, но это уже следующий этап, мы об этом думали.
Оригинал статьи: https://mcs.mail.ru/blog/kak-set-gipermarketov-okazalas-v-ehpicentre-cifrovoj-transformacii/