Нейросети для ритейла Робот-кассир и другие примеры внедрения ИИ в продажах

Сфера розничной торговли одной из первых адаптирует новые технологии. Согласно прогнозу Statista, к 2028 году объем мирового рынка робототехники превысит 45 млрд долларов. Эксперты предсказывают, что более половины этого объема будет приходиться на сферу розничной торговли.

РОБоТИЗАЦИЯ

Благодаря цифровизации ретейл приобретает множество различных форм: к розничным торговым точкам добавляются большие и малые интернет-магазины, огромные маркетплейсы, магазины самообслуживания, сервисы подписки. Так или иначе, перемещение вещей от производителей к покупателям предполагает большое количество рутинного ручного труда, в котором человеческий фактор играет исключительно отрицательную роль.

Аппарат 3D-сканирования покупателей

Разработчик: Texel

Терминал трехмерного сканирования включает в себя вращающийся стол, на который становится человек, и подвижные камеры, которые фотографируют клиента с разных ракурсов. Система создает 3D-модель тела, а также снимает более 100 обмеров в разных точках. Зная свой точный размер, люди реже ошибаются с выбором и возвращают товар. Кроме того, услуга сама по себе привлекает посетителей и побуждает их скорее стать покупателями.

Роботизированный склад PICK-BY-LINE

Разработчики: RMS, Ronavi

Заказчик: Faberlic

Разработчик Robotics Management Systems (RMS) интегрировал роботов Ronavi в компьютерную систему управления складом. После приемки товаров с грузовика самодвижущиеся платформы перевозят палеты к стеллажам высотного хранения. Система обеспечивает эффективное и безаварийное перемещение множества роботов одновременно. Для безопасности рабочих роботы оборудованы подсветкой, при движении издают звуковой сигнал.

Автопилот для складской и производственной техники

Разработчик: RoboCV

Заказчики: «Камаз», «Пяте­рочка» и др.

Система устанавливается на обычные складские машины (погрузчики, тягачи), превращая их в беспилотных роботов. Комплекс состоит из автопилота с компьютерным зрением, который ставится непосредственно на технику, и сервера, который интегрируется с центральной систе­мой управления складом. Роботы способны работать среди людей, не создавая опасности, объезжать препятствия, точно определять положение груза.

Робот-кассир LUNCH FASTPASS

Разработчик: «СМАРТ МИЛ СЕРВИС»

Заказчики: «Му-Му», «Кейте­ринг Сервис» и др.

Робот-кассир по-максимуму использует возможности компьютерного зрения. Он распознает виды блюд на подносе клиента, так что нет необходимости вводить их названия вручную, и поддерживает «оплату лицом». Несколько терминалов обходятся дешевле, чем годовая зарплата кассира-человека. Таким образом, роботизация делает обслуживание быс­трее, а очереди — ​короче, способствуя эпидемиологической безопасности.

Шаттловая система хранения SberShuttle

Разработчики: «Специальные технологии контроля», Центр робототехники ПАО «Сбербанк»

Автоматизированная система сбора заказов для маркетплейсов обрабатывает заявки в 5–10 раз быстрее сборщиков-людей. При этом исключается человеческий фактор, характерный для складских операций высокой интенсивности. Система хранения с роботами-манипуляторами позволяет в два-три раза уменьшить площадь склада, а производительность повышается с 60 до 400–1000 операций в час.

МАШИННОЕ ЗРЕНИЕ

Мы привыкли, что каждый товар снабжается машиночитаемой маркировкой — ​штрихкодом и QR-кодом. Системы машинного зрения позволяют компьютерам идентифицировать предметы без дополнительных приспособлений, ярлыков и сканеров. Способность различать товары на вид помогает машинам взять на себя роль кассиров, мерчандайзеров, сборщиков, контролеров и даже бухгалтеров и юристов. В сочетании с технологиями дополненной реальности (AR) машинное зрение дает покупателям возможность примерить и протестировать товар в виртуальном мире.

Контроль состояния водителя на транспорте

Разработчики: КСОР, «Лидинг альянс»

Заказчики: «Сбер», X5, «Мосгортранс», «Полюс логистика»

Видеокамера, направленная на водителя, включается автоматически вместе с запуском двигателя. Система машинного зрения анализирует состояние водителя по более чем 60 точкам на лице. Комплекс оценивает больше 10 параметров: частота моргания, положение и поворот головы, изменения в мимике. Обнаружив признаки усталости или отвлечения внимания, программа подает водителю сигнал и отправляет информацию в круглосуточный центр мониторинга.

Мониторинг полок в магазине

Разработчик: «Смарт Мерч»

Заказчики: «Белуга групп», «Боржоми»

Мобильное приложение с функцией распознавания продуктов на полках магазина повышает точность учета до 96 %. Программа помогает в кратчайшие сроки формировать отчеты о наличии товаров как на уровне магазина, так и в масштабах торговой сети. Подготовка отчета занимает не более суток.

Видеоаналитика качест­ва обслуживания

Разработчик: «Цера маркетинг»

Заказчик: «Верный»

Алгоритмы компьютерного зрения способны распо­знавать очереди, несвое­временную и неправильную выкладку товара, отсутствие ценников, долгую разгрузку машин. При выявлении нарушения система немедленно дает сигнал руководителю торговой точки. Если недостатки в работе не устраняются в заданный срок, сигнал эскалируется до супервайзера магазина.

Сервисы на основе биометрии

Разработчик: VisionLabs

Заказчики: МТС, X5

«Оплата лицом» — ​это удобство и экономия времени для покупателя. С точки зрения продавца биометрическая идентификация клиентов позволяет анализировать поведение пользователей, создавать персональные предложения, прогнозировать товарные запасы. Идентификация сотрудников помогает точнее учитывать рабочее время и предотвращать мошенничество.

Автоматизация обработ­ки первичной документации

Разработчики: Dbrain, Beorg

Заказчики: «Спортмастер», «Авилон», ВЭБ.РФ

Сервис предназначен для перевода бумажных документов в цифровую форму и включения их в общую бухгалтерскую и управленческую отчетность. Программа распознает 99 % изображений любого формата и проверяет полноту заполнения форм (пустые графы), наличие подписей и печатей, а также следов редактирования изображения, например в Photoshop. Работает локально и в облаке, интегрируется в 1С и любую другую систему по API.

ПОВЕДЕНЧЕСКАЯ АНАЛиТИКА

Персональные данные и информация о действиях покупателей давно приобрели статус высоко востребованного товара. Их продают, покупают и иногда тщетно пытаются защитить. Можно взглянуть на это с другой стороны: именно большие данные помогают продавцам предлагать людям подходящие товары в нужное время и в нужном месте. Они делают рынок прозрачным, значительно снижая шансы недобросовестных ретейлеров продать некачественную вещь по завышенной цене.

Поиск «горячей» ауди­тории без рекламы

Разработчик: Flocktory

Заказчик: Askona

Искусственный интеллект анализирует поведение пользователя на разных онлайн-платформах и выявляет людей, которые ищут товары для спальни (кровати, матрасы). Вместо рекламных кампаний, нацеленных на широкую аудиторию, продавец концентрируется на персональной коммуникации с клиентами, которым действительно нужен его товар. Так можно в шесть раз снизить расходы на рекламу.

Прогнозирование наилучшего дополнительного товара

Разработчик: DCS

Заказчики: «Сбермегамаркет», «Лента»

Программа решает задачу повышения среднего чека и частоты повторных покупок. Модель машинного обучения анализирует данные клиента и сопоставляет его покупки с корзинами других покупателей, чтобы предложить товары, которые могли бы ему понравиться. В результате внедрения системы средний чек возрастает на 10 %, а количество новых позиций в корзине — ​на 35 %.

Борьба с фейковыми скидками

Заказчик: Wildberries

Всем известен трюк, когда в обычные дни товар стоит 5 руб­лей, а в «черную пятницу» — ​50 рублей, но со скидкой 90 %. Маркетплейс Wildberries борется с фальшивыми скидками с помощью алгоритма: сервис разрешает продавцу заявить о дисконте только в том случае, если новая цена действительно отличается от средней по рынку более чем на 5 %.

Выбор оптимального места для открытия бизнеса

Разработчик: Platforma

Открытие торговой точки в «непроходном» месте влечет за собой риск потери от 30 до 50 % инвестиций. Неправильный выбор локации сводит на нет эффект наружной рекламы. Сервис Geo.Platforma собирает большие данные из самых разнообразных источников (банки, операторы связи, бюро кредитных историй) и с помощью ИИ формирует «тепловые карты» для поиска самых «горячих» мест.

Предсказание оттока клиентов

Разработчик: DCS

Заказчики: «Лента», «Джамилько», «Модис»

Когда постоянный клиент решает уйти, его еще можно остановить. Своевременный звонок и доверительный разговор помогают вернуть и даже повысить лояльность разочаровавшегося покупателя. Но для этого нужно сперва узнать, что человек решил отказаться от сервиса. Система поведенческого анализа на основе ИИ позволяет спрогнозировать этот момент.

ИИ-МЕНЕДЖМЕНТ

Искусственный интеллект не может принимать осознанные решения. Однако у него есть сильные стороны: способность одновременно учесть множество факторов и охватить огромный объем информации. Применение машинного обучения в планировании позволяет руководителю предприятия буквально заглянуть в будущее. ИИ готов спрогнозировать спрос на товар, отток персонала, качество поставщиков и контрагентов. Машине вполне можно доверить контрольные функции, которые раньше брали на себя менеджеры среднего звена.

Выявление зон высокого спроса на доставку

Разработчик: DCS

Заказчики: «Лента», «Сбермаркет»

Неправильное распределение курьеров по территории в часы пикового спроса приводит к увеличению времени заказов, недовольству клиентов и снижению выручки. Система машинного обучения прогнозирует периоды максимальной загрузки по районам на основе исторических данных и рассчитывает оптимальное количество курьеров на каждом направлении.

Прогнозирование спроса и складских запасов

Разработчик: DCS

Заказчики: «Лента», «Еапте­ка», «Модис»

Как заказать у оптовиков столько товара, чтобы полностью удовлетворить спрос покупателей, но при этом не создать излишек? Планирование складских остатков затрудняется необязательностью поставщиков, которые не всегда поставляют заказы вовремя. Искусственный интеллект учитывает все эти факторы и подсказывает оптимальные нормы запасов. При этом на 20 % снижаются расходы на утилизацию продукции и на 4 % увеличивается выручка.

Предсказание увольнения сотрудников

Разработчик: DCS

Заказчик: «Лента»

Решение на базе машинного обучения сравнивает накопленные данные действующих и уволившихся сотрудников. Учитываются такие факторы, как активность во внутренних и внешних рабочих сетях, информация о посещаемости. Модель заблаговременно вычисляет вероятность ухода сотрудника из компании, давая менеджменту возможность стимулировать его остаться или подыскать замену.

Тотальный контроль качества телефонных консультаций

Разработчик: 3iTech

Заказчик: HOLODILNIK.RU

Проследить, насколько вежливо и компетентно телефонные консультанты общаются с клиентами, — ​трудоемкая задача, которая ранее решалась только методом выборочной прослушки. Сервис речевой аналитики на основе ИИ проверяет 100 % телефонных и текстовых разговоров с клиентами на предмет соответствия корпоративным стандартам. Система помогла снизить отток клиентов на 10 % и вдвое повысить конверсию звонков за два месяца после внедрения.

Магазин без касс

Разработчик: Neurus

Заказчик: «Вкусвилл»

В минимаркете «Вкусвилл» на Тестовской улице в Москве нет касс. Заходя в магазин через турникет, покупатель сканирует QR-код приложения «Вкусвилл». Собрав нужные продукты, человек просто выходит: распознавание и учет выбранных товаров ведет система с машинным зрением. Оплата автоматически списыва­ется с банковской карты покупателя.

Алексей Сидорюк, директор по направлению «Цифровая трансформация отраслей» АНО «Цифровая экономика»

Сфера ретейла неоднородна, и стоит разделять офлайн- и онлайн-сегменты. Онлайн-ретейл создавался изначально на цифровой платформенной основе, благодаря чему накоплены большие массивы данных, и искусственный интеллект применяется там уже давно, начиная с использования рекомендательных алгоритмов, продаж up-sale и cross-sale, автоматического перевода текста, динамического ценообразования, генерации контента карточек и обработки массовых запросов клиентов. С офлайн-ретейлом все сложнее. Компании относительно недавно начали накапливать большие массивы данных, размечать их и использовать алгоритмы машинного обучения. Цель данного отчета — ​показать крупным офлайн-ретейлерам, какие отечественные решения есть на рынке и какие эффекты дает их применение.

Читайте также, как работает первый в России робот-складомат: