ИИ в ритейле и e-commerce: как искусственный интеллект увеличивает продажи

ИИ в ритейле давно вышел за пределы пилотных проектов. Рынок e-commerce Казахстана вырос на 19% год к году в первом полугодии 2025 года и достиг 1,7 трлн тенге, а доля электронной торговли в розничном обороте поднялась до 17,1%. Число транзакций при этом растёт быстрее выручки — на 27% год к году, а средний чек снижается. Покупатели чаще делают небольшие покупки, активнее сравнивают предложения и быстрее переключаются между продавцами. Стоимость привлечения растёт, маржа с каждой транзакции сокращается.

Одновременно увеличиваются ассортимент и объём клиентских данных, которые нужно обрабатывать, чтобы точно прогнозировать спрос и быстро реагировать на его изменения. В Казахстане ИИ в ритейле внедряют не ради технологии как таковой, а потому, что вручную уже сложно поддерживать персонализацию, ценообразование и логистику при растущем объёме данных.

Искусственный интеллект влияет на продажи через закупки, управление запасами, логистику, клиентскую поддержку, маркетинг и предотвращение потерь — всю цепочку, от которой зависит маржинальность бизнеса. В статье разберём десять сценариев применения ИИ в ритейле и e-commerce, их метрики и требования к инфраструктуре, способной выдержать нагрузку во время пиковых продаж.

Любой заявленный эффект нужно измерять относительно контрольной группы, а не сравнивать продажи до и после запуска модели. Иначе сезонность, рост рынка или рекламную кампанию легко ошибочно приписать алгоритму. У каждого из десяти сценариев ниже — собственная метрика и границы применимости.

Как ИИ влияет на продажи: ключевые направления

1. Персонализированные рекомендации товаров

Рекомендательная система использует историю покупок, просмотров, поисковых запросов и поведение пользователя в текущей сессии: товары в корзине, применённые фильтры, время на карточке товара. Классическая коллаборативная фильтрация ищет покупателей с похожим поведением, контентная анализирует свойства товаров, а гибридные модели учитывают контекст сессии: время суток, устройство и недавно просмотренные карточки.

Персонализация с помощью ИИ — это не статичная витрина с хитами продаж, а подборка, которая меняется от визита к визиту. Такие модели работают не только на сайте: они формируют триггерные email- и push-рассылки, например «товар снова в наличии» или «вы смотрели, но не купили», а также меняют порядок карточек в мобильном приложении для конкретного пользователя.

Эффект проявляется в трёх точках воронки: конверсии из карточки товара в корзину, среднем чеке за счёт cross-sell-блоков «с этим покупают» и повторных покупках, которые формируют LTV. Компании с наиболее зрелой персонализацией получают на 40% больше выручки от этой активности, чем средние игроки рынка.

Ограничение — cold start. У новых пользователей и в категориях с редкими покупками, например мебели или техники, поведенческих данных недостаточно. На старте модель опирается на контентную фильтрацию и общие подборки бестселлеров, а точность рекомендаций растёт по мере накопления данных о сессиях и покупках.

2. Динамическое ценообразование

Модель оценивает спрос, остатки на складе, сезонность, чувствительность аудитории к цене и цены конкурентов, после чего предлагает ценовой сценарий — обычно диапазон, а не автоматически установленную цену. Между рекомендацией модели и ценой на витрине действуют бизнес-правила: минимальная маржа, ограничения по товарным категориям, согласованные условия с поставщиками.

Автоматически менять цену без контроля человека или заранее заданных ограничений рискованно с репутационной и юридической точки зрения. В зрелых внедрениях модель предлагает варианты, а окончательное решение принимает категорийный менеджер либо алгоритм, работающий в жёстко определённом коридоре.

Обычно внедрение начинают в рекомендательном режиме. Модель предлагает диапазон цены и прогнозирует влияние каждого варианта на спрос и маржу, а категорийный менеджер утверждает финальное значение. Система фиксирует принятые и отклонённые рекомендации, чтобы использовать их при следующей итерации модели. По мере роста доверия к прогнозу часть решений в узких и предсказуемых категориях можно передать алгоритму, но только в пределах заранее согласованных границ.

Эффект измеряют не ростом цены, а изменением маржинальности и оборачиваемости конкретной товарной группы при сохранении доли рынка и лояльности постоянных покупателей, чувствительных к частым колебаниям цен. Модель лучше работает там, где есть история продаж при разных ценах. Для новых SKU, эксклюзивных товаров и категорий с регулируемыми ценами ей не на чем учиться, поэтому решение остаётся за категорийным менеджером.

3. Прогнозирование спроса и управление запасами

Прогноз спроса строится на истории продаж, сезонности, календаре промоакций и региональных особенностях. Для Казахстана это, например, различия в спросе между Алматы, Астаной и другими регионами. Задача модели — снизить число out-of-stock по ходовым позициям и сократить избыточные запасы, которые замораживают оборотный капитал.

Прогноз влияет на закупки и логистику: чем он точнее, тем реже нужны экстренные довозы и тем меньше товара приходится распродавать в конце сезона со скидкой. Помимо истории продаж модель может учитывать погоду для сезонных категорий, национальные праздники — Наурыз, Курбан-айт, Новый год — и разовые факторы, например крупные распродажи конкурентов.

На основе прогноза система рассчитывает точку заказа и страховой запас для каждого SKU и склада. В систему закупок и планирования логистики поступает не общий сигнал о росте продаж, а конкретная рекомендация: сколько товара и к какому сроку заказать у поставщика по каждой позиции.

Точность прогноза измеряют через MAPE, MAE или RMSE. MAPE подходит для оценки средней ошибки в процентах, а RMSE сильнее штрафует редкие, но крупные промахи. Для новых товаров без истории продаж модель использует аналоги из той же категории, и такой прогноз обычно менее точен, чем для SKU с историей от 12 месяцев. Резкие структурные изменения спроса, например во время валютных скачков, также снижают точность моделей, обученных на более стабильном периоде, и требуют ручной корректировки.

4. Чат-боты и ИИ-поддержка

ИИ-ассистент закрывает типовые обращения: сообщает статус заказа, объясняет условия возврата, помогает найти товар в каталоге и отвечает на вопросы о характеристиках. Часть нагрузки снимают ещё до обращения клиента: проактивные уведомления о статусе заказа или задержке доставки отвечают на вопрос, с которым покупатель иначе обратился бы в поддержку.

Это первая линия, которая сохраняет одинаковое время ответа независимо от загрузки. Особенно заметен эффект в периоды распродаж, когда поток обращений растёт быстрее, чем команда поддержки. Сложные или эмоционально нагруженные случаи — спорные возвраты, жалобы, нестандартные ситуации — нужно передавать оператору. Попытка закрывать их ботом обычно снижает удовлетворённость клиентов и не даёт ожидаемой экономии.

Для казахстанского рынка важно работать в каналах, где общаются покупатели. WhatsApp и Telegram могут быть не менее востребованы, чем чат на сайте. Бот также должен корректно понимать обращения на русском и казахском языках. В архитектуре нужна чёткая логика передачи диалога оператору: если бот не уверен в ответе или клиент выражает раздражение, разговор должен перейти к человеку без повторного объяснения проблемы.

Основные метрики: доля обращений, закрытых без участия оператора, время первого ответа и стоимость одного обращения. Качество работы зависит от базы знаний и товарного каталога. Если данные о товарах неполные или устаревшие, бот будет с той же уверенностью воспроизводить ошибки, что и давать корректные ответы. Поэтому перед запуском нужно проверить и актуализировать контент, а не ограничиваться настройкой модели.

5. Визуальный поиск и распознавание товаров

Компьютерное зрение позволяет искать товар по фотографии. Покупатель может сфотографировать вещь на улице, в интерьере, у блогера или в другом каталоге и получить похожие позиции в магазине. Такой сценарий полезен там, где товар проще показать, чем описать текстом.

Визуальный поиск особенно востребован в fashion-ритейле и на маркетплейсах, где название и описание не передают фасон, принт, оттенок и другие визуальные характеристики. Модель классифицирует изображение и ищет близкие товары по эмбеддингам, а не по ключевым словам в карточке.

Модель компьютерного зрения преобразует изображение в числовой вектор, после чего система находит в каталоге товары с ближайшими векторами. Это быстрее и точнее прямого сравнения изображений. Тот же подход используют для показа похожих, но более дешёвых товаров, а также для автоматической классификации новых поступлений без ручной разметки каждой карточки.

Для такого сценария нужны хранение и индексация больших объёмов изображений, а также вычислительные ресурсы для инференса. Точность поиска напрямую зависит от качества фотографий в каталоге. Модель, обученная на студийных снимках с однородным фоном, хуже находит аналоги по любительским фотографиям при слабом освещении или необычном ракурсе. Поэтому эффект от визуального поиска ограничен качеством каталога изображений.

6. Борьба с мошенничеством и злоупотреблением возвратами

Антифрод-модель выявляет аномальные паттерны: подозрительные схемы возвратов, массовое создание аккаунтов на одни реквизиты, злоупотребление промокодами и покупки, статистически не похожие на обычное поведение клиента. В отличие от rule-based-подхода с жёсткими правилами вроде «больше трёх возвратов в месяц — блокировка», ML-модель учитывает сочетание признаков и может адаптироваться к изменению схем мошенничества.

На практике модель объединяет несколько типов сигналов:

• Скорость и частоту действий: например, слишком много заказов с одного устройства за короткий период.
• Связи между аккаунтами через общие платёжные реквизиты или адреса доставки.
• Отклонение конкретной транзакции от типичного профиля покупателя.

Именно сочетание признаков отличает ML-подход от набора простых правил и помогает реже блокировать добросовестных клиентов. Нестандартное поведение не всегда означает злоупотребление: частые возвраты одежды из-за неподходящего размера могут быть обычной особенностью покупок в этой категории. Слишком агрессивная модель в таком случае принесёт больше вреда, чем пользы, если начнёт ограничивать лояльных покупателей.

Метрики — объём предотвращённых потерь, доля ложных срабатываний, или false positive rate, и доля выявленных аномалий от общего количества инцидентов. Модель обучается на исторических случаях мошенничества, поэтому в первые недели может хуже распознавать принципиально новые схемы. В таких случаях антифрод-систему обычно дополняют ручной проверкой спорных операций.

7. Оптимизация логистики последней мили

Прогноз количества заказов на ближайшие дни и часы помогает заранее спланировать доставку: определить нужное число курьеров, распределить заказы по зонам и выбрать временные окна, которые можно предложить клиентам. Модель оптимизации маршрутов сокращает пробег и время в пути с учётом дорожной ситуации и плотности заказов.

Продажи, склад и доставка здесь образуют единую цепочку. Рост продаж без пересчёта логистики приводит к срывам сроков именно в периоды пиковой нагрузки: во время распродаж и праздников. Помимо маршрутизации модель распределяет заказы между курьерами, складами и дарксторами с учётом фактического наличия товара и стоимости разных способов доставки: курьером, в пункт выдачи или самовывозом.

Прогноз временных окон доставки, который покупатель видит при оформлении заказа, строится на той же модели. Система оценивает ожидаемую нагрузку на курьеров в выбранный интервал и не предлагает слот, который не сможет выполнить. В сегменте быстрой доставки эта логика помогает решить, из какого даркстора или ближайшего магазина выгоднее собрать заказ.

Основная метрика — себестоимость доставки на заказ, а не только скорость. Более быстрая доставка почти всегда обходится дороже, а чрезмерная оптимизация по времени может свести на нет эффект от роста продаж. Алгоритмы маршрутизации лучше работают в городах с достаточной плотностью заказов. В малонаселённых регионах эффект может быть меньше, чем от более простого укрупнения доставок по расписанию.

8. Анализ отзывов и тональности

Sentiment-анализ автоматически размечает отзывы, обращения в поддержку и оценки по тональности и темам. Он помогает быстрее ручного мониторинга выявлять повторяющиеся жалобы на качество товаров, сроки доставки или работу сервиса. NLP-анализ отзывов можно сопоставлять с данными о возвратах, рейтингах и обращениях в поддержку. Если по одному SKU одновременно растёт число негативных отзывов и возвратов, категорийный менеджер получает сигнал до того, как проблема заметно повлияет на продажи.

Модель не ограничивается оценкой «положительный» или «отрицательный» отзыв. Она выделяет тему внутри текста: жалобу на упаковку, несоответствие фотографии, описание товара или скорость работы конкретной службы доставки. Это позволяет локализовать проблему на уровне конкретного аспекта и передать её поставщику, службе доставки или команде, отвечающей за карточки товаров.

Метрики — доля проблемных тем, выявленных до массовых возвратов, и скорость реакции категорийного менеджмента на сигнал. Модель обычно уверенно различает явно позитивные и негативные отзывы, но хуже справляется с иронией, смешанными оценками вроде «товар хороший, но упаковка ужасная» и специфичным сленгом. Для казахстанского рынка особенно важна настройка на русский и казахский языки: без неё часть тональности и тем будет определяться неточно.

9. Компьютерное зрение в офлайн-рознице

В офлайн-магазинах компьютерное зрение используют для касс самообслуживания, контроля заполненности полок, проверки наличия товара и выявления операционных потерь: краж, ошибок выкладки и порчи. Модель анализирует видеопоток с камер, сравнивает текущее состояние полки с эталонным и сигнализирует, когда товар заканчивается или находится не на своём месте.

Кассы самообслуживания могут использовать компьютерное зрение, чтобы сверять отсканированный товар с тем, что лежит в корзине или на весах. Это снижает число случайных ошибок при сканировании и помогает выявлять осознанные злоупотребления.

Мониторинг торгового пространства даёт агрегированную аналитику по загруженности зон и очередям у касс. Без таких данных сложнее планировать расстановку персонала в часы пик и открывать дополнительные кассы до того, как очередь начнёт отпугивать покупателей.

Операционный контроль полок стоит отделять от технологий идентификации покупателей. Распознавание лиц и постоянное отслеживание конкретных посетителей относятся к отдельной категории с собственными юридическими и этическими ограничениями. В типовых сценариях контроля полок и анализа загруженности используют обезличенные агрегированные данные, а не идентификацию конкретного человека. При работе с персональными данными в компьютерном зрении нужно учитывать требования законодательства РК о защите персональных данных.

Метрики — сокращение времени реакции на отсутствие товара на полке и снижение операционных потерь от краж, порчи и ошибок выкладки. Точность анализа зависит от освещения и расположения камер. Установка и калибровка системы в работающем магазине обычно требуют заметно больше времени, чем развёртывание и тестирование той же модели в лаборатории на контролируемых данных.

10. Таргетированный маркетинг и сегментация аудитории

Propensity-модели прогнозируют вероятность отклика конкретного покупателя на конкретное предложение. Аудиторию можно сегментировать не по демографии, а по ожидаемому поведению: кому скидка действительно повысит вероятность покупки, а кто купит товар и по полной цене.

Такой подход меняет распределение маркетингового бюджета. Вместо массового охвата всей базы кампания концентрируется на сегментах, где контакт даст наибольший прирост продаж. Модель также может рекомендовать next-best-offer — предложение, которое с наибольшей вероятностью сработает для конкретного клиента, — и ограничивать частоту показов, чтобы не утомлять пользователя повторяющейся рекламой.

Propensity-модели помогают распределять бюджет между каналами. Если определённый сегмент лучше реагирует на email, чем на платную рекламу, расходы целесообразно перенести в канал с более высокой приростной конверсией на каждый потраченный тенге. Их также используют для построения lookalike-сегментов — поиска новых клиентов, похожих по поведению на наиболее прибыльных существующих покупателей. Это может снизить стоимость привлечения по сравнению с широким демографическим таргетингом.

Метрики — ROMI, CAC, LTV и приростная конверсия кампании относительно контрольной группы, которой предложение не показывали. Только так можно оценить, сколько продаж кампания добавила сверх органического спроса. Propensity-моделям нужен достаточный объём исторических данных о реакции на прошлые кампании. На новом канале, для нового продукта или недавно вышедшего на рынок бренда точность будет ниже, пока не накопится собственная история взаимодействий.

Из этих десяти сценариев видно, что ИИ в e-commerce редко представляет собой одну универсальную модель. Это набор узких инструментов, каждый из которых решает отдельную бизнес-задачу и предъявляет свои требования к данным. Общий принцип один: без корректно выбранной метрики нельзя отличить полезный сценарий от красивой, но нерентабельной технологии.

Как измерить эффект от ИИ в ритейле

ИИ в ритейле оценивают через бизнес-метрики, а не только по техническому качеству модели. Даже точная модель не создаёт ценности, если не меняет поведение клиентов, расходы бизнеса или финансовый результат. Для каждого сценария нужна пара метрик: техническая показывает, работает ли модель так, как задумано, а бизнесовая — приносит ли это деньги.

Продажи. Конверсия, средний чек, выручка на пользователя, LTV.

Рекомендации. CTR блока, conversion rate после клика, доля покупок после показа рекомендации, incremental revenue — выручка сверх той, что была бы без рекомендаций.

Прогнозирование. MAPE как базовая метрика точности, MAE или RMSE в зависимости от чувствительности к выбросам, доля out-of-stock и объём избыточных запасов.

Поддержка. Стоимость одного обращения, доля обращений, закрытых без оператора, время ответа, CSAT.

Антифрод. Объём предотвращённых потерь, false positive rate, доля выявленных аномалий от общего числа инцидентов.

Эти показатели нельзя рассматривать изолированно. Рост конверсии от рекомендаций нужно сопоставлять с CAC и LTV, чтобы убедиться, что модель не просто чаще продаёт дешёвые товары, а увеличивает ценность клиента. Точный прогноз спроса без сокращения out-of-stock на полке или витрине указывает на разрыв не в модели, а в закупках или логистике, которые не успевают отрабатывать прогноз.

Главная методологическая задача — отличить корреляцию от доказанного эффекта. Продажи могли вырасти из-за сезонности или рекламной кампании, а не благодаря новой рекомендательной модели. Там, где это возможно, эффект проверяют A/B-тестированием: одна часть трафика видит рекомендации или новую цену, другая — нет, после чего метрики сравнивают между группами, а не до и после запуска.

В офлайн-сценариях случайно разделить трафик на группы сложнее. Например, компьютерное зрение на полках одного магазина нельзя включить только для части посетителей. В таких случаях используют geo-эксперименты: сравнивают магазины или регионы с похожим профилем, где новый сценарий включили, с аналогичными точками без него. Этот метод менее строгий, чем классический A/B-тест, но надёжнее сравнения показателей одного магазина до и после запуска, на которое влияют сезонность и множество внешних факторов.

Такой подход позволяет показать руководству не просто, что модель работает, а что она даёт прирост выручки сверх органического роста. Именно этим зрелое внедрение ИИ отличается от пилота, эффект которого после запуска никто не смог подтвердить.

Масштабируйте ML-модели для рекомендаций и прогноза спроса на VK Cloud — зарегистрируйтесь на vkcloud.kz, чтобы протестировать инфраструктуру под задачи ритейла.

Инфраструктура для ИИ в ритейле: что нужно учесть

Бизнес-эффект от AI-сценариев в ритейле зависит от инфраструктуры, на которой они работают. Даже точная модель теряет часть ценности, если в момент распродажи отвечает с заметной задержкой и покупатель не успевает увидеть рекомендацию.

Инференс. Рекомендательные системы и персонализация работают в реальном времени при каждом визите пользователя. Им нужны низкая задержка ответа, высокая пропускная способность и стабильность при резком росте нагрузки — особенно во время распродаж и крупных рекламных кампаний, когда трафик на сайт может вырасти кратно за несколько часов.

Пиковые нагрузки. Сезонные распродажи, крупные маркетинговые кампании и праздничные периоды создают нагрузку на несколько дней, а не на весь год. Постоянно держать инфраструктуру под такой максимум нерентабельно. Один из вариантов — cloud bursting для пиковых нагрузок в распродажи: во время пика часть нагрузки переносится в облако, а базовая инфраструктура в обычные периоды остаётся компактной. Это не единственная и не обязательная архитектура: выбор зависит от структуры трафика конкретного бизнеса.

Данные. Рекомендации, антифрод, прогнозирование спроса и другие сценарии используют одни и те же типы данных: транзакции, каталог, поведение пользователей, изображения, отзывы и логи. Платформа для хранения и обработки данных должна закрывать полный цикл — от приёма и хранения до аналитики и разработки ML-моделей.

Например, VK Data Platform строится на компонентах Cloud Storage, Cloud Kafka, Cloud Spark, Cloud Flink и Cloud ML Platform, разворачивается на Kubernetes и поддерживает архитектуры Data Warehouse, Data Lake, LakeHouse и Data Mesh, а также MLOps-конвейеры. Cloud ML Platform — преднастроенная среда с JupyterHub, MLflow и MLflow Deploy для обучения моделей и вывода их в продакшен без ручной настройки инфраструктуры. В Казахстане платформа доступна пользователям VK Cloud.

GPU. Графические ускорители особенно нужны для компьютерного зрения: визуального поиска, анализа полок в офлайн-рознице, обучения глубоких моделей и генеративного ИИ. Рекомендательные системы на классическом машинном обучении и прогнозирование спроса на табличных данных в большинстве случаев работают без GPU. Переплата за GPU-инстансы там, где достаточно CPU, — частая ошибка при планировании инфраструктуры.

Если GPU необходим, можно арендовать полную карту или её часть. Например, VK Cloud предоставляет GPU вплоть до NVIDIA H200 и дробную аренду vGPU от 1/24 карты L4. Это позволяет выбрать ресурсы под конкретную задачу инференса и не оплачивать целую карту, когда она не нужна.

Production. Продакшен-контур AI-сценария должен включать мониторинг качества inference в реальном времени: метрики модели могут ухудшаться не только из-за ошибок в коде, но и из-за изменений в поведении покупателей. Также нужны версионирование моделей для быстрого отката при деградации, автоматическое масштабирование под нагрузку, изоляция тестовых сред от боевого трафика и защита данных о клиентах и транзакциях на всех этапах конвейера.

Заключение

ИИ в ритейле влияет на продажи, клиентский опыт, ассортимент, запасы, логистику и маркетинг, но его не стоит рассматривать как единый проект. Это набор сценариев с разной стоимостью внедрения, сложностью и окупаемостью.

Разумно начинать с задач, где эффект проще измерить и отделить от рыночных колебаний: рекомендаций, прогноза спроса и автоматизации первой линии поддержки. После того как ROI таких сценариев подтверждён A/B-тестами или контрольными группами, можно масштабировать ИИ в e-commerce Казахстана на более сложные и капиталоёмкие направления: компьютерное зрение, антифрод, глубокую персонализацию, оптимизацию логистики и маркетинговую аналитику.

Каждый следующий этап требует более серьёзной инфраструктуры: GPU для компьютерного зрения, платформы данных для MLOps-конвейеров, ресурсов для высоконагруженного инференса. Планировать их стоит заранее, а не после того, как первый рабочий сценарий упрётся в ограничения по мощности.

Главная ошибка — пытаться запустить всё одновременно, не подтвердив ROI хотя бы для одного сценария. В таком случае бюджет распыляется, а через год сложно понять, какой из пилотов действительно окупился. Рабочий подход — последовательное масштабирование: сначала довести один сценарий до измеримого эффекта и стабильной работы в продакшене, затем переходить к следующему.

VK Cloud предоставляет инфраструктуру для этого пути: от Cloud ML Platform для первых экспериментов с рекомендациями и прогнозированием спроса до Cloud GPU для масштабирования компьютерного зрения и генеративных сценариев после подтверждения экономики первых пилотов.