Вы наверняка замечали эту странную вещь в обычных магазинах. Заходишь за молоком, а полка пустая. Или наоборот — проходишь мимо стеллажа, а там стоят коробки с каким-то товаром, покрытые слоем пыли. Кажется, что это просто недосмотр, чья-то ошибка. Но если копнуть глубже, становится понятно: за этим стоит огромная проблема, с которой бьются ритейлеры любого масштаба. Речь о том, чтобы угадать, сколько товара нужно привезти завтра, через неделю или к праздникам.
Казалось бы, что тут сложного? Посмотрели, сколько продали в прошлом году, добавили пару процентов на рост и заказали. Но практика показывает, что так работает только в учебниках по экономике. В реальной жизни всё куда запутаннее.
При общении с людьми, которые занимаются закупками всплывает следующая картина: часто решение принимается не на основе цифр, а на основе интуиции. «Мне кажется, этот йогурт пойдет», «А вот эту крупу брать не будем, она плохо стояла». Проблема в том, что человеческая память избирательна. Мы склонны запоминать яркие случаи. Например, если однажды перед праздником закончился шампанское, менеджер может в следующем году заказать его втридорога, чтобы не повторить ошибку. В итоге деньги заморожены в товаре, который лежит мертвым грузом.
Именно здесь начинается история про автоматизацию и прогнозирование. Но давайте сразу договоримся: никаких волшебных таблеток не существует. Нет такой кнопки «Нажми и склад пуст», как иногда любят рисовать в презентациях вендоров. Это тяжелая, иногда скучная работа с данными.
Суть процесса примерно следующая. Система собирает историю продаж. Не просто «продали 100 штук», а с привязкой к календарю, погоде, акциям и даже дням выплаты зарплат в районе. Да, это имеет значение. В жилых спальных районах покупки часто зависят от того, когда людям приходят деньги. В туристических местах — от сезона и погоды.
Человек не может удержать в голове все эти зависимости. Мы не способны одновременно анализировать продажи за три года, учитывать прогноз погоды на следующую неделю и помнить, что в прошлом месяце была акция «два по цене одного», которая искусственно раздула спрос. Компьютер может. Он не устает и не подвержен эмоциям.
Но тут возникает другой вопрос. А если данные плохие? Это классическая проблема. Если в системе бардак, если товары неправильно категоризированы или истории продаж нет вовсе, то никакой умный алгоритм не поможет. Получится как в поговорке: мусор на входе — мусор на выходе. Поэтому прежде чем внедрять какие-то инструменты прогнозирования, многим компаниям приходится просто наводить порядок в учете. И это часто занимает больше времени, чем сама настройка софта.
Еще один момент, о котором редко говорят вслух — сопротивление персонала. Представьте себе опытного закупщика, который работает на месте десять лет. Он знает поставщиков, знает товар, знает покупателей. И тут приходит внедренец и говорит: «Теперь заказывать будешь не ты, а программа». Естественно, это вызывает отторжение. Люди боятся, что их заменят, или просто не верят в «бездушную машину».
Иногда они правы. Бывают ситуации, которые алгоритм не учитывает. Например, рядом с магазином начали ремонтировать дорогу, и поток людей резко упал. Или наоборот — открылась новая станция метро. Система будет прогнозировать спрос на прошлых данных, а реальность уже изменилась. Поэтому полностью исключать человека из процесса нельзя. Лучший вариант — это когда система дает рекомендацию, а человек ее корректирует, исходя из своей локальной экспертизы. Но не придумывает цифры с потолка, а именно корректирует.
Что это дает в сухом остатке? Главное — деньги. Товар на складе — это замороженные деньги. Пока коробка лежит на полке, она не приносит прибыли, но требует места, охраны, учета. Если товар портится (как еда) или устаревает (как электроника), это прямые убытки. Снижение излишков даже на несколько процентов для крупной сети — это огромные суммы. Для маленького магазина — вопрос выживания.
Кстати, о маленьком бизнесе. Часто кажется, что такие инструменты только для гигантов вроде федеральных сетей. Но сейчас появляется много облачных сервисов, которые доступны и для небольшой точки. Не нужно строить свой дата-центр. Достаточно подключить кассу к сервису, который начнет анализировать чеки. Конечно, там не будет нейросетей уровня больших корпораций, но базовую логику «товар А хорошо продается вместе с товаром Б» или «по воскресеньям спрос падает» это покажет.
Важно понимать, что прогнозирование — это не про точность до единицы. Невозможно сказать, что завтра купят ровно 15 буханок хлеба. Речь идет о вероятностях. Система говорит: «С вероятностью 80% вам понадобится от 10 до 20 штук». И задача менеджера — решить, готов ли он рискнуть остаться без товара ради экономии на складских запасах, или лучше перестраховаться.
Интересно наблюдать, как меняется подход к ассортименту. Раньше закупали «на всякий случай». Теперь стараются закупать под подтвержденный спрос. Это меняет отношения с поставщиками. Если ты можешь сказать поставщику: «Мне нужно будет 500 штук через две недели», и ты уверен в этом на 90%, ты можешь договориться о лучшей цене. Поставщик тоже планирует свое производство, и ему выгодна определенность.
Конечно, бывают сбои. Пандемия, например, показала, насколько хрупкими могут быть цепочки поставок. Никакой алгоритм не мог предсказать глобальную остановку логистики. В такие моменты правила игры меняются, и старые модели перестают работать. Приходится учиться быстро. Но даже в кризис те, у кого был порядок в данных и понятная аналитика, адаптировались быстрее. Они хотя бы видели, где именно провал, а не гадали на кофейной гуще.
В общем, если задуматься, вся эта цифровизация — не про роботов, которые захватят мир. Это про то, чтобы перестать делать рутинную работу вручную и перестать терять деньги на ошибках, которые можно видеть. Просто взять и посчитать.
Иногда мне кажется, что мы слишком усложняем. Не обязательно сразу внедрять искусственный интеллект. Иногда достаточно просто начать внимательно смотреть на свои отчеты, не через месяц, а каждую неделю. Замечать закономерности. Но когда товаров тысячи, вручную это делать невозможно. Тут и приходят на помощь инструменты автоматизации. Они не принимают решения за вас, но они подсветят фонариком там, где обычно темно.
В конечном счете, цель одна — чтобы покупатель нашел то, за чем пришел, а магазин не превратился в склад ненужных вещей. Баланс между «пусто» и «густо» найти трудно, но современные технологии делают эту задачу чуть менее невыполнимой.
В следующей статье мы рассмотрим тему: «ИИ для анализа тональности отзывов в реальном времени»
Если статья была полезной — поставьте лайк 👍
Это помогает понять, какие темы вам действительно интересны.
Подписывайтесь на канал, здесь регулярно выходят материалы про автоматизацию и ИИ — и для бизнеса, и для личного пользования.
#ритейл #бизнес #автоматизация #логистика #управление #товары #аналитика