Контроль качества 2.0: как ритейл переходит на предиктивное управление и экономит миллиарды

О том, как ритейл переходит от ручных проверок к комплексной автоматизации и что это дает бизнесу, рассказал менеджер решения «Сайбокс» направления Т1 ИИ (ИТ-холдинг Т1) Виктор Попов.

Почему поиск просрочки — это только верхушка айсберга 

Долгое время под контролем качества понимали проверку товара на финальном этапе — поиск испорченной продукции, просрочки или явного брака. Сегодня современные ИТ-решения охватывают весь жизненный цикл товара, независимо от того, идет речь о продуктах питания, товарах повседневного спроса, одежде, обуви.

Автоматизация теперь распространяется на всю цепочку — от поставки или производства до распределения по магазинам, выкладки на полку и момента продажи. В систему встроен широкий набор параметров, включая температуру, влажность, вес, сроки годности, скорость оборачиваемости, условия хранения и фактическое наличие товара на полке. Это особенно критично для категорий, чувствительных к срокам и режимам хранения на складе. 

Показательный пример — «Пятерочка», которая внедряет ИИ-решения для непрерывного мониторинга стеллажей: система фиксирует отсутствие ценников и пустоты в выкладке. Такие инструменты меняют саму логику работы с качеством — ритейл переходит от реактивной модели, где проблема обнаруживается постфактум, к предиктивной, когда ее пытаются устранить до того, как товар придется списать.

Сколько ритейл теряет на контроле качества 

Цена ошибок в fresh-сегменте особенно высока. Компании списывают порядка 9-12% оборота — и это считается нормой, заложенной в стоимость товаров. Причина в том, что спрос на натуральные продукты с коротким сроком годности сложно предсказать с высокой точностью.

Отдельная зона потерь связана с планированием товарных остатков. Продукция уже едет или поступает на склад, а место под нее не подготовлено; спрос спрогнозирован неточно, и возникают излишки. На подобные сбои рынок закладывает до 5% оборота. 

Основные причины — человеческий фактор и разрозненность ИТ-систем. Сотрудники оценивают состояние продукции визуально и нередко ошибаются: неудачное освещение, тень на упаковке или нестандартный дизайн могут привести к необоснованному списанию целой партии. В результате возникают коллизии, которые обходятся бизнесу дороже, чем внедрение единой платформы.


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

Три задачи, с которыми ИИ справляется лучше человека

Первое направление — детекция дефектов и отклонений. Вместо того чтобы ждать появления брака на финальном этапе, система выявляет факторы, которые к нему приводят. Если вовремя зафиксировать перегрев молока или передержанное тесто, объем брака на выходе заметно сократится.

Как подготовить бренд к нейропоиску: инструкция для бизнеса

Второе — прогнозирование сроков реализации, спроса и остатков. Такие модели напрямую влияют на закупки, логистику и затраты на хранение. К новогодним праздникам алгоритм рекомендует увеличить заказы, а в сезон отпусков разгрузить склад, чтобы не арендовать дополнительные площади. 

Третье — оптимизация распределения товара между магазинами. От поставщика приходит одинаковый объем продукции, но спрос на категории в разных регионах отличается. ИИ помогает направить товар туда, где он продастся быстрее, а не зависнет на полке.

Набирают популярность и цифровые двойники магазинов и складов — модели, которые позволяют заранее просчитать последствия управленческих решений: изменение ассортимента, акции, перераспределение мощностей. А ИИ-ассистенты в реальном времени отслеживают показатели и подсказывают менеджеру, когда нужно вмешаться.

Как автоматизация превращается в прибыль

Главный показатель окупаемости таких проектов — снижение списаний. Если автоматизация помогает сократить потери во фреш-категориях, к примеру, с 10% до 5%, то для крупной сети это уже измеряется миллиардами рублей в год. 

Второй фактор — сокращение издержек на хранение и управление запасами: меньше перезатаривания, перегруженных складов и каскадных ошибок в поставках. Например, в X5 именно такие модели вошли в число ключевых драйверов экономического эффекта от ИИ, который по итогам 2025 года составил около 5 млрд рублей прироста операционной прибыли.

Третий измеримый результат — рост продаж за счет контроля наличия товара на стеллажах. Пустая полка в ходовой категории напрямую снижает выручку, и автоматический мониторинг помогает своевременно пополнять запас.

Четвертый — операционный эффект по персоналу. ИИ помогает наращивать бизнес без существенного увеличения штата, высвобождая ресурсы сотрудников для более приоритетных задач: работы с клиентами, консультаций по ассортименту и повышения качества сервиса. 


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

Какие ошибки мешают окупаемости ИТ-решений

Слабое место большинства проектов — не сама технология, а способ ее внедрения. Первая типичная ошибка — некачественные входные данные. Если камеры настроены неверно, направлены не на полку, а на проход, или разметка и информация о продажах ведутся с искажениями, даже самая точная модель не даст результата. Показателен реальный пример: на упаковку хлеба добавили зеленый принт, который выглядел как плесень, и всю партию списали.

Вторая ошибка — автоматизация одного узкого участка без перестройки соседних этапов. Компания устраняет одно «бутылочное горлышко», но следующее звено цепочки оказывается перегружено. Деньги на проект потрачены, а общий бизнес-процесс не стал эффективнее.

---

Читайте также: Как нейросети меняют коммуникации брендов: выводы Недели российского ритейла

---

Комплексный подход — главное условие окупаемости

Окупаются прежде всего проекты, где автоматизация рассматривается не как точечное решение, а как часть всей операционной цепочки. При этом важную роль играет подготовительный этап, который включает в себя аудит процессов, оценку качества данных, интеграцию систем и готовность персонала работать в новой модели. Стоит учитывать и человеческий фактор: сотрудники не всегда спокойно воспринимают внедрение ИИ, опасаясь сокращений, поэтому важно объяснять команде, что технология берет на себя рутину, а не заменяет экспертизу людей.

Если подготовительная работа проведена качественно, первые результаты можно увидеть уже через несколько месяцев. Полная окупаемость обычно укладывается в горизонт от полугода до полутора-двух лет. Более долгие сроки чаще всего связаны с ошибками на этапе проектирования, когда данные с камер или датчиков оказались низкого качества, а ключевые «узкие места» так и остались неавтоматизированными.

Виктор Попов,
менеджер решения «Сайбокс» направления Т1 ИИ (ИТ-холдинг Т1).

Для NEW RETAIL