Как ритейл выводит трендовые новинки на полку с помощью генеративного ИИ

Ассортимент в современном ритейле обновляется непрерывно, но покупательский спрос меняется еще быстрее. Новый вкус, формат упаковки или целая категория способны выйти на пик популярности и уйти в спад за считанные недели. Заметить новинку, пока она только набирает обороты, и успеть ввести ее в ассортиментную матрицу до того, как интерес достигнет максимума, — конкурентное преимущество, за которое борются сети. 

Екатерина Наконечная, продакт-менеджер Lenta Tech, рассказывает, как генеративный ИИ помогает распознавать восходящие тренды и быстро довести товар до полки.

Почему полка не успевает за спросом

Классический процесс ввода ассортимента опирается на ретроспективу продаж и экспертизу категорийных менеджеров. Оба инструмента используются и сейчас, но уже не успевают за современными реалиями и темпами. Пока накопится статистика, подтверждающая, что спрос на товар вырос, тренд нередко уже проходит пик. В результате сеть вводит новинку на нисходящей волне, когда основную выручку уже получили те, кто среагировал раньше. 

В категориях с короткими жизненными циклами, где мода на продукт живет один-два сезона, такая задержка обходится особенно дорого. При этом место на полке и в матрице тоже не резиновое. Каждая новая позиция конкурирует за него с другими, и цена ошибочного или запоздалого выбора — это и недополученная выручка, и упущенная альтернатива.

Проблема заключается не только в скорости, но и в природе самих сигналов. Они приходят из десятков разрозненных источников. Это и поисковые запросы покупателей, и поведение аудитории в собственных цифровых каналах, и отзывы, и изменения во внешней среде. 

По отдельности каждый из них дает лишь фрагмент картины, а свести их в обоснованное решение вручную практически невозможно. Аналитик может потратить часы на разбор одной товарной категории, сопоставляя выгрузки из разных систем, и все равно остается риск упустить момент, потому что за это время рыночная ситуация успевает измениться. 

Интуиция опытного менеджера, разумеется, не теряет своей ценности, но объем данных, которые приходится учитывать, попросту слишком велик. Иными словами, ручные методы уперлись в потолок. Данных стало слишком много, а времени на реакцию — слишком мало. Сегодня нужен инструмент, который собирает сигналы раньше человека и превращает их в готовую рекомендацию. Эту роль и взял на себя генеративный ИИ.

Как генеративный ИИ распознает восходящий тренд

Чтобы ИИ мог распознать восходящий тренд, он должен ориентироваться не на один индикатор, а на всю доступную картину спроса. Поэтому в основе его использования лежит простая идея: собрать воедино все сигналы о том, что покупатель начинает чаще искать и брать тот или иной товар, и дать модели оценить, куда этот товар движется. Картина складывается из внешних сигналов рынка, которые раньше всего отражают всплески интереса к новинкам.

Однако главный вызов заключается не в сборе данных как таковых, а в их корректном сопоставлении. Один и тот же товар в разных источниках называется по-разному, поэтому первым делом система сводит эти разрозненные записи в единую сущность, чтобы дальше считать спрос, отзывы и динамику по конкретному товару независимо от площадок, на которых он присутствует. Здесь и раскрывается ценность генеративных моделей. 

Там, где жесткие правила и классические алгоритмы путаются в синонимах, сокращениях и маркетинговых формулировках, языковая модель понимает смысл названия и относит товар к нужной категории. 


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

Дальше система смотрит на динамику и отдельно анализирует поисковый спрос. Его необходимо учитывать в первую очередь, поскольку он растет раньше продаж. Если запросов по товару становится больше, а покупки только начинают подтягиваться, это сигнализирует о том, что к позиции стоит присмотреться. А отделить устойчивый рост от сезонного всплеска или разового шума позволяют временные ряды. Так ИИ помогает определить, на какой стадии находится внимание к товару, зарождается ли оно или уже угасает, и в какую сторону движется — вверх или вниз. 

При этом модель не выносит окончательный вердикт самостоятельно: она отбирает и ранжирует кандидатов, а решение остается за человеком. От этого зависит работоспособность всей системы — насколько прозрачно обоснована рекомендация и насколько категорийный менеджер готов ей доверять. Если доверия нет, он начнет перепроверять все вручную, и выигрыш во времени превратится в проигрыш. 

Поэтому итог работы модели важно подавать в виде аргументированного списка. Он показывает, какие новинки стоит рассмотреть как кандидатов на включение в ассортимент и почему именно их. Только после этого список попадает в коммерческий отдел, чтобы новые товары вскоре появились на полке. 

---

Читайте также: Как меняется работа клиентского менеджера, когда AI-ассистент появляется у каждого сотрудника

---

От сигнала к вводу в ассортимент

Когда система выдает подборку перспективных позиций, за дело берется отдел закупок, и здесь рыночный сигнал впервые сталкивается с ограничениями реального магазина. Растущий спрос сам по себе еще не повод выводить товар на полку. Нужно найти поставщика, который отгрузит нужный объем в нужный срок, свести цену закупки с целевой наценкой и понять, впишется ли позиция в логистику сети. Ввод новинки означает, что она займет место другого товара — поэтому важно, чтобы новое было выигрышнее замещенного.  

Как это устроено на практике, можно увидеть на опыте Lenta tech. Для поиска растущих товаров мы создали отдельную платформу, которая сводит в одном интерфейсе продажи, поисковый спрос, отзывы, рейтинги и динамику по позициям и присваивает каждой стадию тренда — от зарождения и роста до взрывного всплеска и угасания. Технические специалисты разрабатывали ее совместно со специалистами из коммерческих подразделений, чтобы инструмент решал их реальные задачи. Благодаря этому инструменту на основе генеративного ИИ предварительная оценка категории, прежде отнимавшая часы, теперь требует несколько минут. 

Сегодня платформой пользуются более 200 сотрудников коммерческой службы, а с ее помощью на полки выведено свыше 150 трендовых позиций. На уровне сети проект дал прирост розничного товарооборота, и мы продолжаем его развивать. Устойчивость такого результата держится на выстроенном процессе, и организовать его помогают несколько практических шагов.


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

Дорожная карта: как выстроить процесс

Дорожная карта вышеописанного процесса складывается из нескольких обязательных этапов. Каждый следующий опирается на результат предыдущего, поэтому пропуск любого звена ослабляет всю цепочку. Без повышения качества данных бесполезны методы анализа, без заранее заданных метрик модель выдает числа без выводов. Напротив, масштаб при этом вторичен. Начать можно с узкой товарной категории и пары источников данных, а затем расширять охват, сохраняя ту же логику. 

Такой подход превращает отдельные удачные вводы в управляемый и воспроизводимый результат — при условии, что целиком пройдена вся цепочка, состоящая из следующих шагов. 

1. Свести воедино источники спроса, внутренние и внешние. Продажи, поисковые запросы в собственных каналах, данные лояльности и сигналы внешнего рынка должны попадать в единый контур.

2. Навести порядок в данных: привести разнородные записи к сопоставимому виду, соотнести один и тот же товар в разных источниках, провести корректную классификацию. Очень важно минимизировать ошибки на этом этапе, иначе результаты будут недостоверными.

3. Подобрать гибрид методов под задачу, а не полагаться на одно универсальное решение. Строгие правила, машинное обучение и генеративные модели закрывают разные типы задач, и сила подхода заключается именно в их сочетании.

4. Заранее договориться о метриках и стадиях тренда: что считать ростом, как отличать сезонность от устойчивого спроса, при каком сигнале товар выносится на рассмотрение. Без этих определений система выдает цифры, но не выводы.

5. Оставить человека в контуре. ИИ отбирает и оценивает кандидатов, но окончательное решение принимает эксперт; этот же принцип формирует доверие команды к инструменту.

6. Встроить инструмент в реальный процесс ввода товаров. Ценность появляется тогда, когда рекомендация напрямую влияет на решения коммерческого отдела.

7. Измерять эффект и постепенно расширять охват сигналов: добавлять источники, повышать точность ранней детекции, уточнять классификацию сложных категорий.

За этими шагами стоит простая логика. Генеративный ИИ не подменяет категорийного менеджера и отраслевую экспертизу, но он сокращает путь от сигнала к решению и снимает с людей рутину сбора данных. В ритейле, где окно возможностей у каждой новинки довольно узкое, ценность ИИ при выводе новых товаров на полку отражается именно в скорости и обоснованности решений, которые в итоге видит покупатель. 

Екатерина Наконечная, 
продакт-менеджер Lenta Tech.

Для NEW RETAIL