Как FMCG-компании выбрать ИИ-проект и спрогнозировать его реальный бизнес-эффект

Объясняет Дарья Суппес, руководитель AI&ML департамента в диджитал-продакшене Далее. В конце бонус — 39 идей для ИИ-проектов с описанием задач и технологий.

С каких задач стоит начинать внедрение ИИ в FMCG

В FMCG почти любой участок операционной цепочки можно назвать потенциальным кандидатом для внедрения ИИ: прогнозирование спроса, управление запасами, обработка заказов, контроль выкладки, работа с поставщиками, анализ отзывов и т. д. Но большое количество возможных сценариев чаще усложняет выбор, чем помогает. Поэтому стоит последовательно подойти к задачам на старте такого проекта.

1. Начните с процесса с понятной экономикой

Для первого проекта лучше брать не самую сложную или амбициозную задачу, а ту, где есть высокая повторяемость и понятный baseline: сколько времени занимает задача сейчас, сколько стоит ее выполнение, сколько ошибок возникает.

Для FMCG это могут быть обработка заказов от торговых сетей, сверка документов с поставщиками, подготовка регулярной отчетности, контроль выкладки или обработка типовых обращений. В таких сценариях проще сравнить результат до и после внедрения, а цена ошибки обычно ниже, чем в стратегических решениях.

2. Проверьте гипотезу до разработки

До начала разработки полезно провести рабочую сессию с бизнес-командой и вендором и ответить на несколько вопросов о проекте:

● измерим ли бизнес-эффект;

● доступны ли необходимые данные;

● можно ли решить задачу проще и дешевле без ИИ;

● кто будет владельцем/инвестором проекта внутри компании;

● есть ли бюджет на проект/инфраструктуру, а также дальнейшее развитие решения.

3. Сравните гипотезы по единой модели

Для сравнения нескольких гипотез можно использовать взвешенную модель приоритизации на основе ICE. Помимо стандартных критериев, в нее могут входить дополнительные пункты: качество данных, масштабируемость и наличие спонсора внутри компании.



Каждая гипотеза оценивается по единой шкале. Балл по каждому критерию умножается на его вес, после чего рассчитывается общая сумма взвешенных оценок. Веса и правила выставления баллов следует определить заранее с учетом целей компании и особенностей конкретного портфеля проектов.

Итоговый рейтинг помогает увидеть приоритетные гипотезы. Но до принятия решения о запуске необходимо отдельно проверить блокирующие ограничения: требования законодательства и информационной безопасности, доступность данных, наличие бизнес-спонсора, бюджета и ресурсов для внедрения.

Как оценить эффективность запуска ИИ-решения: четыре уровня метрик

Универсального набора показателей эффективности для ИИ не существует. Нельзя взять один шаблон и одинаково применять его к чат-боту, прогнозированию спроса и системе компьютерного зрения. 

Группа метрик	Что показывает	Для каких задач
Качество модели	Насколько точно работает ИИ	Точность прогноза спроса, распознавания товаров или анализа отзывов
Продуктовые метрики	Влияние на процессы	Скорость подготовки отчетов, снижение ручного труда, ускорение принятия решений
Инфраструктурные	Стабильность работы решения	Скорость ответа, стоимость обработки запросов, надежность интеграций
Бизнес-метрики	Финансовый эффект	Рост продаж, снижение out-of-stock, сокращение списаний, снижение логистических затрат, ROI

Распространенная ошибка — считать эффект по самому факту запуска. Компания сообщает, что ИИ обработал 1000 обращений, оформил 150 заказов или сгенерировал 70 отчетов за день. Но эти цифры ничего не говорят о пользе для бизнеса.

Считать нужно то, насколько система сократила затраты, ускорила процессы или увеличила продажи. Например, если раньше обработка одного клиентского обращения стоила 300 руб., а после внедрения ИИ стала обходиться в 80 руб., то это уже понятный результат. Или если заказ оформлялся 10 минут, а теперь 2 минуты — эффект тоже измерим. 

Однако также важно обратить внимание, что качество обслуживания осталось на требуемом уровне, а во время оформления заказа проверить влияние на конверсию, количество ошибок и общую удовлетворенность пользователей.

Ключевое правило — до запуска зафиксировать исходные показатели, целевые значения и методику измерения результата. После внедрения показатели необходимо сравнивать на сопоставимом объеме данных и, по возможности, отделять влияние ИИ от сезонности и других внешних факторов. Без этого доказать бизнес-эффект от внедрения инструмента практически невозможно.

Отдельно следует рассчитывать TCO (Total Cost of Ownership) — полную стоимость владения решением за выбранный период. Она может включать подготовку и хранение данных, инфраструктуру, поддержку, мониторинг, обучение пользователей и дальнейшее масштабирование. Именно эти расходы оказываются самой дорогой частью проекта и могут доходить до 70% затрат.


@Freepik (лицензия INV-C-2024-8250540)

Агенты и RPA: когда ИИ не только анализирует, но и действует

Выбор первого ИИ-проекта и измерение его эффекта особенно важны еще и потому, что следующий этап автоматизации уже выходит за пределы анализа данных и генерации рекомендаций. ИИ-агенты могут не только подсказать сотруднику, что делать, но и выполнить часть действий самостоятельно.

Если упростить, то эта эволюция выглядит так:

● ML удешевляет анализ и прогнозирование;

● LLM удешевляют суждение и рекомендации;

● агенты и RPA (Robotic Process Automation — роботизированная автоматизация процессов) удешевляют исполнение задач.

Для FMCG с высокой операционной нагрузкой именно на исполнении рутины теряется больше всего времени. 

Практически это может выглядеть так. Модель спрогнозировала дефицит по SKU в регионе — агент проверил остатки в ERP, сформировал заказ поставщику и направил его на согласование менеджеру. Или: агент ежедневно мониторит цены конкурентов на маркетплейсах, сверяет с внутренними правилами ценообразования и готовит точечные корректировки с обоснованием. Или закрывает типовые претензии от торговых сетей по заданному алгоритму — без участия менеджера на каждом шаге.

ИИ-агенты наиболее эффективно работают в процессах с понятными границами, доступными данными и формализованными правилами выполнения действий. При этом данные не обязательно должны быть полностью структурированными: агент может работать с документами, перепиской и корпоративными базами знаний, если качество источников позволяет проверять результат.

Степень самостоятельности агента должна зависеть от риска конкретного действия. В стандартных и обратимых сценариях он может выполнять операции автоматически. Для спорных, нестандартных или критически важных случаев необходимо предусмотреть передачу задачи человеку на проверку или подтверждение.

Полноценное внедрение агентов требует зрелой архитектуры данных, устойчивых интеграций между системами, журналирование действий и т. д. Чем шире полномочия агента и выше цена ошибки, тем строже должны быть механизмы контроля. Поэтому для большинства российских ритейлеров и производителей — это скорее следующий этап развития после успешных ИИ-пилотов, чем отправная точка для цифровой трансформации.

---

Читайте также: Запасы, ритейл и доверие: почему цифровизация планирования в FMCG работает не всегда, и как это исправить

---

ИИ в FMCG — это не отдельный проект, а последовательная трансформация процессов

Искусственный интеллект действительно может приносить FMCG-компаниям измеримый результат: помогать точнее прогнозировать спрос, снижать операционные затраты, ускорять аналитику, автоматизировать рутинные процессы и улучшать клиентский опыт.

По данным совместного исследования «Яков и Партнёры» и Nielsen, внедрение генеративного ИИ может принести российскому ритейлу и интернет-торговле до 160 млрд рублей дополнительной операционной прибыли ежегодно к 2030 году, из которых 60–100 млрд рублей — в сегменте потребительских товаров (CPG).

Но зачастую речь идет не о быстром запуске нового инструмента. ИИ не работает как универсальная надстройка над существующими операционными задачами. Он не исправляет хаотичные процессы и не убирает необходимость в управленческих решениях.

Для FMCG это особенно чувствительно, потому что цена ошибок быстро становится измеримой: в потерянных продажах, избыточных запасах, неэффективных маркетинговых расходах и дорогостоящих пилотах без продолжения.

Для тех, кто находится в поиске рабочих идей и сценариев, делимся кратким путеводителем на базе 9 ключевых ИИ-технологий. В нем вы найдете 39 способов реализации гипотез — с описанием автоматизируемых задач и алгоритмами работы: 39 решений для ИИ в FMCG.

Дарья Суппес, 
руководитель AI&ML департамента в диджитал-продакшене Далее.

Для NEW RETAIL