Очень трудно поклеить обои, не имея стен: как создать условия для работающего ИИ

Искусственный интеллект стал частью стратегических планов практически каждой розничной сети. Инвестиции в AI, ML и автоматизацию растут с каждым годом, а технологии вроде прогнозирования спроса, оптимизации ассортимента или персонализированных рекомендаций обещают ритейлерам прорыв в точности решений.

Однако за этой волной оптимизма скрывается менее приятная реальность: по опыту внедрений и согласно отраслевым исследованиям, подавляющая часть AI-проектов не достигает ожидаемой эффективности. Модели остаются на этапе тестирования, прогнозы сильно колеблются, бизнес не доверяет новым инструментам, а ROI оказывается значительно ниже плановых показателей. Если данные:

• рассредоточены по системам,
• противоречат друг другу,
• опаздывают,
• имеют пробелы и ошибки,
• не имеют владельцев и правил управления,

то даже самый совершенный алгоритм не способен превратить их в устойчивый источник ценности. В лучшем случае он работает фрагментарно, в худшем — масштабно тиражирует ошибки.

Подобные выводы также отражены в исследованиях McKinsey и Gartner, которые отмечают, что большинство AI-инициатив не достигают масштабного бизнес-эффекта из-за проблем с данными и процессами.

В этой статье мы разберем:

• почему AI-проекты проваливаются чаще, чем удаются;
• на каких уровнях происходит «сбой»;
• какие структурные предпосылки необходимы для успешной аналитики;
• как выглядит реальная, а не декларативная готовность ритейла к AI.

Это не о теории и не об очередной модной технологии. Это практический, системный взгляд на то, как создать фундамент, на котором AI действительно работает.

1. Главная ошибка AI в ритейле: почему проекты не взлетают

На рынке существует распространенное убеждение: как только компания внедрит AI — бизнес сразу станет более точным, эффективным и предсказуемым. Это создает ложные ожидания, будто «технология» является ключевым элементом успеха. Но на практике именно здесь и возникает главный парадокс:

По нашему практическому опыту, AI-проекты чаще всего проваливаются не из-за алгоритмов. Алгоритмы — это наименее проблемная часть системы.

Алгоритмы уже перестали быть дефицитом

Сегодня любая компания имеет доступ к огромному количеству готовых AI-моделей, библиотек, фреймворков и облачных сервисов. Прогнозирование спроса, модели лояльности, классификация клиентов, NLP — все это давно не эксклюзивные технологии.

Ценность не в модели. Ценность — в способности компании построить процесс, который позволяет этой модели работать стабильно, ежедневно, на реальных данных.

Основная причина провалов — хаос в данных

Ритейл работает с одним из самых сложных массивов данных среди всех отраслей:

• десятки источников (POS, ERP, WMS, CRM, e-commerce, программы лояльности);
• сотни тысяч SKU;
• высокая динамика акцийности;
• сезонность, региональные различия;
• различные форматы, стандарты и модели данных.

Проблемы начинаются задолго до первой строки кода:

• прогнозы искажаются из-за дубликатов и пропусков в описаниях товаров;
• модели «путаются», потому что в истории продаж есть отрицательные значения;
• рекомендации становятся некорректными из-за разных версий данных в POS и ERP.

Другая причина — неправильная последовательность инвестиций

Подавляющее большинство компаний вкладывают деньги в AI с «верхушки»: покупают модели, решения, платформы — в надежде, что технология сама «приведет в порядок» бизнес.

Но логика здесь другая: AI — это последний этап зрелой аналитической экосистемы, а не ее начало.

Когда фундамент не готов, AI-проекты не просто не работают — они создают дополнительные риски:

• неправильно подобранный ассортимент;
• ошибочные рекомендации;
• некорректное прогнозирование спроса;
• финансовые потери из-за ошибочных решений.

Опасная иллюзия «пилот работает — значит все хорошо»

Еще одна типичная ловушка — успешный пилот. Пилотные модели работают в контролируемых условиях:

• на выборочных данных,
• в выгодных сегментах,
• под наблюдением дата-специалиста,
• часто — на очищенной выборке.

В продакшне все иначе:

• данные «живые», шумные, неполные;
• процессы меняются еженедельно;
• количество пользователей растет;
• модель должна работать автоматически, без ручной поддержки.

Именно поэтому лишь небольшая часть пилотных AI-решений реально доходит до промышленного использования.

2. Пирамида потребностей для AI: модель, которая объясняет все

Большинство дискуссий об AI в ритейле фокусируются на технологиях — алгоритмах прогнозирования, моделях классификации, LLM-ассистентах, инструментах оптимизации. Но в реальном бизнесе успех или провал AI-внедрения определяется не технологией, а готовностью организации работать с данными системно.

Именно поэтому в практике AI-трансформаций потребности AI удобно представлять в виде пирамиды — аналогии, которая показывает, какие уровни должны быть выстроены до запуска масштабных AI-инициатив.

Это самая четкая модель, которая объясняет, где именно рушатся AI-проекты и что нужно сделать, чтобы они стали источником реального экономического эффекта.

Пирамида состоит из пяти уровней:

1. Архитектура и инфраструктура данных
2. Качество данных и Data Governance
3. Культура данных и навыки работы с ними
4. AI/ML-модели и приложения
5. Бизнес-ценность и масштабирование

Эти уровни формируют последовательность, без которой AI не дает ожидаемой ценности: сильный фундамент в данных определяет, сможет ли любая модель работать стабильно и приносить бизнес-результат. И первый уровень, с которого начинается любая AI-система — это архитектура данных.

3. Архитектура данных: фундамент, на котором стоит любой AI

В ритейле часто считают, что внедрение AI начинается с модели. Но на самом деле оно начинается с архитектуры данных — того слоя, который большинство руководителей «не видят», но именно он определяет, будет ли AI работать ежедневно, а не только на презентации или в пилоте.

Правило простое: если нет архитектуры — нет AI. Есть только демонстрация возможностей.

Почему ритейлу нужна сильная архитектура

Ритейл — одна из самых «данными интенсивных» отраслей. Ежедневно в ритейле генерируются различные типы операционных и аналитических данных, в частности:

• транзакции продаж в POS;
• данные складов и логистики;
• активности e-commerce;
• данные программ лояльности;
• информация о промо, акциях и изменениях цен;
• данные о персонале;
• обновление ассортимента;
• показатели каналов и локаций.

POS, ERP, WMS, e-commerce, программа лояльности — каждая система генерирует свой поток данных, в своем формате, со своей задержкой. Именно поэтому первый шаг к работающему AI — не модель, а единая архитектура, где все эти потоки сходятся в согласованную картину.

Проблемы, которые невозможно решить моделями

Без правильной архитектуры AI сталкивается с реальностью. Данные о товарах и продажах часто не согласованы между системами — POS, ERP, e-commerce. В такой среде модель видит противоречивую картину и воспроизводит ее в прогнозах. То есть модель не может «догадаться», какие данные правильные. Она просто воспроизводит ту картину мира, которую видит — даже если она ошибочна.

Что означает «современная архитектура данных»

Современная архитектура — это не просто Data Warehouse. Это платформа, которая обеспечивает:

1. Единый источник правды (Single Source of Truth). Все системы читают одинаковые данные, согласованные по моделям и атрибутам.
2. Быстрое обновление (near-real-time). Данные доступны тогда, когда они нужны, а не на следующее утро.
3. Модульность и масштабируемость. Можно добавить новый источник данных, модель или сервис без перестройки всей системы.
4. Интеграция с BI, ML и LLM-сервисами. Архитектура не тормозит развитие — она становится его ускорителем.
5. Управление потоками данных и версиями. Любой аналитический продукт можно воспроизвести, проверить и объяснить.

Почему роль платформы важна

От отчетности к операционному центру

Традиционно BI воспринимается как «конечная остановка» для данных — место, где формируются отчеты и дашборды. Но современные аналитические платформы выходят далеко за эти пределы: они становятся операционным ядром, вокруг которого строится работа с данными.

Такая платформа не просто визуализирует — она интегрирует данные из разных источников в единую модель, позволяет подключать ML-сервисы и AI-ассистентов, и превращает аналитику из «просмотра истории» в инструмент ежедневных решений. Именно это позволяет перейти от статических отчетов к предиктивной аналитике и автоматизированному планированию.

Осознание ключевого факта

AI — не стартер, а ускоритель. Но ускорять он может только то, что уже работает.

Именно архитектура определяет, смогут ли данные, модели и аналитика стабильно работать в реальных бизнес-процессах.

4. Качество данных: шесть характеристик, определяющих успех AI

После построения архитектуры следующий критический шаг — оценка качества данных. Именно на этом уровне возникает большинство проблем, которые впоследствии воспринимаются как «ошибки модели».

Шесть ключевых характеристик качественных данных в ритейле

Наличие этих шести характеристик определяет, сможет ли AI работать стабильно и давать достоверные результаты, или останется на уровне эксперимента.

5. Культура и навыки работы с данными: почему Data Literacy важнее технологий

Даже качественные данные и современная архитектура не гарантируют успеха AI, если в организации отсутствует культура работы с данными. Именно на этом уровне чаще всего возникает барьер между потенциалом аналитики и реальным использованием в повседневных бизнес-процессах.

Data Literacy — это не о технике, а о поведении

Ритейл живет в высокой динамике: цены, спрос, ассортимент, промо, поведение клиентов — все меняется каждый день. Чтобы использовать данные в таких условиях, командам нужны не только инструменты, но и навыки:

• понимать, как читать данные;
• знать, что означают ключевые показатели;
• правильно интерпретировать прогнозы и аномалии;
• принимать решения, опираясь на аналитику.

Без этих навыков даже точные модели не становятся частью операционной работы.

Основные барьеры Data Literacy в ритейле

• Данные доступны, но люди не знают, как их использовать.
• Модели работают, но мало кто понимает, как их интерпретировать.
• Отчеты есть, но решения все равно принимаются «интуитивно».
• Аналитика локализована в одном департаменте, а не распространена по всей организации.

В результате инвестиции в аналитику не масштабируются — данные остаются в презентациях, а не в повседневных процессах.

Какова роль инструментов демократизации данных

Одним из ключевых инструментов повышения Data Literacy являются решения, которые:

• упрощают доступ к аналитике;
• снимают технические барьеры;
• позволяют задавать вопросы данным в естественной форме.

На этом уровне особенно ценными становятся AI-ассистенты и аналитические боты — инструменты, которые делают аналитику доступной. В современных ритейл-компаниях эту роль могут выполнять решения типа AskQ (интеллектуальный бот-аналитик), позволяющие задавать вопросы данным на естественном языке.

Аналитики Gartner и Forrester отдельно подчеркивают, что отсутствие data literacy является одним из ключевых барьеров между аналитикой и реальными управленческими решениями.

Без Data Literacy компания не может масштабировать аналитику, даже если все предыдущие уровни построены правильно. Именно культура формирует ту среду, в которой данные начинают влиять на решения и результаты.

6. AI/ML-модели: почему из 100 идей в продакшн доходит только одна

На этом уровне большинство компаний ожидают наибольшего эффекта: модели прогнозирования спроса, оптимизации ассортимента, управления лояльностью, прогнозирования оттока, рекомендательные системы и т. д. Именно эти инструменты считают «сердцем AI».

Но практика показывает другое: количество ML-пилотов в компаниях невелико, а количество тех, кто работает в продакшне, — еще меньше.

Причина не в недостатке технологий. Причина в том, что модели — это не продукт. Модели — это лишь компонент продукта.

Между исследованием и производством — пропасть

В лабораторных условиях модели часто показывают хорошие результаты:

• используется очищенная выборка,
• четко определенный контекст,
• дата-сайентист контролирует каждый этап,
• цели подстроены под данные.

В продакшне все иначе:

• данные меняются ежедневно,
• бизнес-процессы нестабильны,
• параметры спроса резко колеблются,
• требуется автоматизация, контроль версий и мониторинг качества модели (MLOps).

Без этого модель деградирует уже через несколько недель.

Знание бизнеса важнее алгоритма

Сегодня алгоритмы прогнозирования — не дефицит. Библиотеки открыты, облачные сервисы доступны, базовые модели можно запустить за неделю. Но алгоритм видит только цифры — он не знает, что этот всплеск продаж был из-за промо, а тот провал — из-за ремонта дороги возле магазина.

Именно поэтому качество модели определяется не математикой, а тем, насколько в нее «вшито» понимание ритейла: как промо влияет на соседние товары, почему продажи в понедельник отличаются от субботы, почему один SKU — трафикогенератор, а другой — маржинальный якорь. Без этого контекста модель выдает формально правильные, но практически бесполезные прогнозы.

Модель без процесса — это эксперимент

Точность прогноза — необходимое, но недостаточное условие. Модель может выдавать идеальные цифры, которые никто не использует: закупки работают по старым шаблонам, мерчендайзинг не видит рекомендаций, маркетинг планирует кампании отдельно от прогнозов поведения клиентов. В таком случае AI существует в компании, но не влияет на нее.

Другая типичная проблема — модель, которая работала на старте, постепенно теряет точность. Данные меняются, сезонность сдвигается, ассортимент обновляется — а модель остается статичной. Без регулярного переобучения и мониторинга качества любая модель «стареет» за несколько месяцев.

Чтобы AI давал стабильный результат, нужны три вещи: автоматическое обновление данных, встроенность в конкретные решения (заказы, планирование, промо) и измерение не только точности прогноза, но и экономического эффекта. Без этого модель остается дорогостоящим экспериментом.

7. Бизнес-ценность: когда AI перестает быть экспериментом и начинает приносить деньги

Единственный критерий — влияние на бизнес

В большинстве компаний AI-проекты оценивают по тому, насколько «умной» выглядит модель: какой алгоритм, какая точность в пилоте, сколько параметров учтено. Но для ритейла это ошибочная метрика. Значение имеет только одно: изменились ли бизнес-показатели.

Успешный AI — это не точная модель. Это модель, результаты которой ежедневно влияют на решения. Когда прогнозы встроены в закупки — уменьшаются избыточные запасы и дефицит на полках. Когда ассортиментом управляют данные, а не интуиция — растет оборачиваемость и маржа. Когда маркетинг видит прогноз поведения клиентов — конверсия кампаний растет вдвое.

Экономический эффект возникает не там, где модель «работает», а там, где она меняет повседневное поведение бизнеса.

Типичные результаты для компаний, которые построили фундамент правильно

Что это означает в цифрах

Эти результаты — не теоретические расчеты. Они основаны на опыте внедрений в розничных сетях от 100 магазинов:

• Точность прогнозирования возрастает с типичных 35–40% ошибки до 15–18% (по метрике MAPE на горизонте 4–6 недель). Это не заслуга алгоритма — это результат качественных данных и стабильной архитектуры.
• Избыточные запасы сокращаются на 15–25%, что для сети с оборотом $50–100 млн означает высвобождение $1–3 млн оборотного капитала.
• Дефицит на полках (out-of-stock) снижается на 30–50% — с прямым влиянием на выручку и удовлетворенность клиентов.
• ROI в первый год составляет 200–400%, когда AI интегрирован в ежедневные процессы закупок и планирования.
• Эти эффекты — не бонус технологии. Это следствие правильной последовательности: сначала фундамент, затем модель.

Почему ROI зависит от фундамента

AI не исправляет плохие процессы — он их ускоряет. Если данные хаотичны, модель масштабирует хаос. Если процессы неэффективны, автоматизация делает их быстрее, но не лучше. Именно поэтому компании с одинаковыми алгоритмами получают радикально разные результаты.

По данным McKinsey (State of AI, 2024), организации, которые интегрируют AI в ключевые бизнес-процессы, а не ограничиваются пилотными проектами, получают в 3–5 раз более высокий ROI. Наш опыт это подтверждает: инвестиции в фундамент данных сокращают время до результата в разы.

Заключение

Поклеить обои без стен невозможно. Точно так же невозможно получить ценность от AI без фундамента: архитектуры данных, их качества и культуры работы с ними.

Большинство AI-проектов проваливаются не из-за слабых алгоритмов, а из-за попытки начать с финиша. Ритейлеры, которые это понимают, инвестируют в последовательность — и получают ROI, который измеряется не точностью модели, а финансовым результатом.

Именно об этом мы говорили на RAU Summit 2025. Ритейл готов к AI. Вопрос только в том, готов ли фундамент.