Дуже важко поклеїти шпалери, не маючи стін: як створити умови для AI, що працює

Штучний інтелект став частиною стратегічних планів практично кожної роздрібної мережі. Інвестиції в AI, ML та автоматизацію зростають щороку, а технології на кшталт прогнозування попиту, оптимізації асортименту чи персоналізованих рекомендацій обіцяють ритейлерам прорив у точності рішень.

Однак за цією хвилею оптимізму приховується менш приємна реальність: за досвідом впроваджень та згідно з галузевими дослідженнями, переважна частина AI-проєктів не досягає очікуваної ефективності. Моделі залишаються на етапі тестування, прогнози сильно коливаються, бізнес не довіряє новим інструментам, а ROI виявляється значно нижчим за планові показники. Якщо дані:

• розкидані по системах,
• суперечать одне одному,
• запізнюються,
• мають прогалини й помилки,
• не мають власників і правил управління,

то навіть найдосконаліший алгоритм не здатен перетворити їх на стійке джерело цінності. У кращому випадку він працює фрагментарно, у гіршому — масштабно тиражує помилки.

Подібні висновки також відображені у дослідженнях McKinsey та Gartner, які зазначають, що більшість AI-ініціатив не доходять до масштабного бізнес-ефекту через проблеми з даними та процесами.

У цій статті ми розберемо:

• чому AI-проєкти провалюються частіше, ніж вдаються;
• на яких рівнях відбувається «злам»;
• які структурні передумови необхідні для успішної аналітики;
• як виглядає реальна, а не декларативна готовність ритейлу до AI.

Це не про теорію й не про чергову модну технологію. Це практичний, системний погляд на те, як створити фундамент, на якому AI дійсно працює.

1. Головна помилка AI у ритейлі: чому проєкти не злітають

На ринку існує популярне переконання: щойно компанія впровадить AI — бізнес одразу стане точнішим, ефективнішим і більш передбачуваним. Це створює хибне очікування, ніби «технологія» є ключовим елементом успіху. Але на практиці саме тут і виникає головний парадокс:

За нашим практичним досвідом, AI-проєкти найчастіше провалюються не через алгоритми. Алгоритми — це найменш проблемна частина системи.

Алгоритми вже перестали бути дефіцитом

Сьогодні будь-яка компанія має доступ до величезної кількості готових AI-моделей, бібліотек, фреймворків і хмарних сервісів. Прогнозування попиту, моделі лояльності, класифікація клієнтів, NLP — усе це давно не ексклюзивні технології.

Цінність не в моделі. Цінність — у здатності компанії побудувати процес, який дозволяє цій моделі працювати стабільно, щодня, на реальних даних.

Основна причина провалів — хаос у даних

Ритейл працює з одним із найскладніших масивів даних серед усіх галузей:

• десятки джерел (POS, ERP, WMS, CRM, e-commerce, програми лояльності);
• сотні тисяч SKU;
• висока динаміка акційності;
• сезонність, регіональні відмінності;
• різні формати, стандарти та моделі даних.

Проблеми починаються задовго до першого рядка коду:

• прогнози спотворюються через дублікати і пропуски в описах товарів;
• моделі «плутаються», бо в історії продажів є негативні значення;
• рекомендації стають некоректними через різні версії даних у POS і ERP.

Інша причина — неправильна послідовність інвестицій

Переважна більшість компаній вкладають гроші в AI з «верхівки»: купують моделі, рішення, платформи — у надії, що технологія сама «впорядкує» бізнес.

Але логіка тут інша: AI — це останній етап зрілої аналітичної екосистеми, а не її початок.

Коли фундамент не готовий, AI-проєкти не просто не працюють — вони створюють додаткові ризики:

• неправильно підібраний асортимент;
• помилкові рекомендації;
• некоректне прогнозування попиту;
• фінансові втрати через хибні рішення.

Небезпечна ілюзія “пілот працює — значить все добре”

Ще одна типова пастка — успішний пілот.
Пілотні моделі працюють у контрольованих умовах:

• на вибіркових даних,
• у вигідних сегментах,
• під наглядом дата-фахівця,
• часто — на очищеній вибірці.

У продакшні все інакше:

• дані «живі», шумні, неповні;
• процеси змінюються щотижня;
• кількість користувачів зростає;
• модель повинна працювати автоматично, без ручної підтримки.

Саме тому лише невелика частина пілотних AI-рішень реально доходить до промислового використання. 

2. Піраміда потреб для AI: модель, яка пояснює все

Більшість дискусій про AI у ритейлі фокусуються на технологіях — алгоритмах прогнозування, моделях класифікації, LLM-асистентах, інструментах оптимізації. Але в реальному бізнесі успіх або провал AI-впровадження визначається не технологією, а готовністю організації працювати з даними системно.

Саме тому у практиці AI-трансформацій потреби AI зручно уявляти у вигляді піраміди — аналогії, яка показує, які рівні мають бути вибудовані до запуску масштабних AI-ініціатив.

Це найчіткіша модель, яка пояснює, де саме руйнуються AI-проєкти та що потрібно зробити, аби вони стали джерелом реального економічного ефекту.

Піраміда складається з п’яти рівнів:

1. Архітектура та інфраструктура даних
2. Якість даних і Data Governance
3. Культура даних і навички роботи з ними
4. AI/ML-моделі та застосунки
5. Бізнес-цінність і масштабування

Ці рівні формують послідовність, без якої AI не дає очікуваної цінності: сильний фундамент у даних визначає те, чи зможе будь-яка модель працювати стабільно та приносити бізнес-результат. І перший рівень, з якого починається будь-яка AI-система — це архітектура даних.

3. Архітектура даних: фундамент, на якому стоїть будь-який AI

У ритейлі часто вважають, що впровадження AI починається з моделі. Але насправді воно починається з архітектури даних — того шару, який більшість керівників «не бачать», але саме він визначає, чи буде AI працювати щодня, а не лише на презентації чи у пілоті.

Правило просте: якщо немає архітектури — немає AI. Є лише демонстрація можливостей.

Чому ритейлу потрібна сильна архітектура

Ритейл — одна з найбільш “даноінтенсивних” галузей. Щодня в ритейлі генеруються різні типи операційних та аналітичних даних, зокрема:

• транзакції продажів у POS;
• дані складів і логістики;
• активності e-commerce;
• дані програм лояльності;
• інформація про промо, акції та зміни цін;
• дані про персонал;
• оновлення асортименту;
• показники каналів і локацій.

POS, ERP, WMS, e-commerce, програма лояльності — кожна система генерує свій потік даних, у своєму форматі, зі своєю затримкою. Саме тому перший крок до працюючого AI — не модель, а єдина архітектура, де всі ці потоки сходяться в узгоджену картину.

Проблеми, які неможливо вирішити моделями

Без правильної архітектури AI стикається з реальністю. Дані про товари та продажі часто неузгоджені між системами — POS, ERP, e-commerce. У такому середовищі модель бачить суперечливу картину й відтворює її у прогнозах. Тобто модель не може «здогадатися», які дані правильні. Вона просто відтворює ту картину світу, яку бачить — навіть якщо вона помилкова.

Що означає “сучасна архітектура даних”

Сучасна архітектура — це не просто Data Warehouse.  Це платформа, яка забезпечує:

1. Єдине джерело правди (Single Source of Truth). Усі системи читають однакові дані, узгоджені за моделями та атрибутами.
2. Швидке оновлення (near-real-time). Дані доступні тоді, коли вони потрібні — а не наступного ранку.
3. Модульність та масштабованість. Можна додати нове джерело даних, модель або сервіс без перебудови всієї системи.
4. Інтеграцію з BI, ML та LLM-сервісами. Архітектура не гальмує розвиток — вона стає його прискорювачем.
5. Керування потоками даних та версіями. Будь-який аналітичний продукт можна відтворити, перевірити й пояснити.

Чому роль платформи важлива

Від звітності до операційного центру

Традиційно BI сприймається як “кінцева зупинка” для даних — місце, де формуються звіти та дашборди. Але сучасні аналітичні платформи виходять далеко за ці межі: вони стають операційним ядром, навколо якого будується робота з даними.

Така платформа не просто візуалізує — вона інтегрує дані з різних джерел в єдину модель, дає змогу підключати ML-сервіси та AI-асистентів, і перетворює аналітику з “перегляду історії” на інструмент щоденних рішень. Саме це дозволяє перейти від статичних звітів до предиктивної аналітики та автоматизованого планування.

Усвідомлення ключового факту

AI — не стартер, а прискорювач. Але прискорювати він може лише те, що вже працює.

Саме архітектура визначає, чи зможуть дані, моделі та аналітика працювати стабільно в реальних бізнес-процесах.

4. Якість даних: шість характеристик, що визначають успіх AI

Після побудови архітектури наступний критичний крок — оцінка якості даних. Саме на цьому рівні виникає більшість проблем, які згодом сприймаються як «помилки моделі».

Шість ключових характеристик якісних даних у ритейлі

Наявність цих шести характеристик визначає, чи зможе AI працювати стабільно та давати достовірні результати, чи залишиться на рівні експерименту.

5. Культура та навички роботи з даними: чому Data Literacy важливіша за технології

Навіть якісні дані та сучасна архітектура не гарантують успіху AI, якщо в організації відсутня культура роботи з даними. Саме на цьому рівні найчастіше виникає бар’єр між потенціалом аналітики та реальним використанням у повсякденних бізнес-процесах.

Data Literacy — це не про техніку, а про поведінку

Ритейл живе у високій динаміці: ціни, попит, асортимент, промо, поведінка клієнтів — усе змінюється щодня. Щоб використовувати дані у таких умовах, командам потрібні не лише інструменти, а й навички:

• розуміти, як читати дані;
• знати, що означають ключові показники;
• правильно інтерпретувати прогнози та аномалії;
• приймати рішення, спираючись на аналітику.

Без цих навичок навіть точні моделі не стають частиною операційної роботи.

Основні бар’єри Data Literacy у ритейлі

• Дані доступні, але люди не знають, як їх використовувати.
• Моделі працюють, але мало хто розуміє, як їх інтерпретувати.
• Звіти є, але рішення все одно приймаються «інтуїтивно».
• Аналітика локалізована в одному департаменті, а не поширена по всій організації.

У результаті інвестиції в аналітику не масштабуються — дані залишаються у презентаціях, а не у повсякденних процесах.

Яка роль інструментів демократизації даних

Одним із ключових інструментів підвищення Data Literacy є рішення, які:

• спрощують доступ до аналітики;
• знімають технічні бар’єри;
• дозволяють ставити запитання даним у природній формі.

На цьому рівні особливо цінними стають AI-асистенти та аналітичні боти — інструменти, які роблять аналітику доступною. У сучасних ритейл-компаніях цю роль можуть виконувати рішення на кшталт AskQ (інтелектуальний бот-аналітик), що дозволяють ставити запитання даним природною мовою.

Аналітики Gartner і Forrester окремо підкреслюють, що відсутність data literacy є одним із ключових бар’єрів між аналітикою та реальними управлінськими рішеннями.

Без Data Literacy компанія не може масштабувати аналітику, навіть якщо всі попередні рівні побудовані правильно. Саме культура формує те середовище, в якому дані починають впливати на рішення та результати.

6. AI/ML-моделі: чому зі 100 ідей у продакшн доходить лише одна

На цьому рівні більшість компаній очікують найбільшого ефекту: моделі прогнозування попиту, оптимізації асортименту, управління лояльністю, прогнозування відтоку, рекомендаційні системи тощо. Саме ці інструменти вважають “серцем AI”.

Але практика показує інше: кількість ML-пілотів у компаніях невелика, а кількість тих, що працюють у продакшні — ще менша.
Причина не у нестачі технологій. Причина у тому, що моделі — це не продукт. Моделі — це лише компонент продукту.

Між Research і Production — прірва

У лабораторних умовах моделі часто показують хороші результати:

• використовується очищена вибірка,
• чітко визначений контекст,
• дата-сайєнтист контролює кожен етап,
• цілі підлаштовані під дані.

У продакшні все інакше:

• дані змінюються щодня,
• бізнес-процеси нестабільні,
• параметри попиту різко коливаються,
• потрібна автоматизація, контроль версій і моніторинг якості моделі (MLOps).

Без цього модель деградує вже через кілька тижнів.

Знання бізнесу важливіше за алгоритм

Сьогодні алгоритми прогнозування — не дефіцит. Бібліотеки відкриті, хмарні сервіси доступні, базові моделі можна запустити за тиждень. Але алгоритм бачить лише цифри — він не знає, що цей сплеск продажів був через промо, а той провал — через ремонт дороги біля магазину.

Саме тому якість моделі визначається не математикою, а тим, наскільки в неї “вшито” розуміння ритейлу: як промо впливає на сусідні товари, чому продажі в понеділок відрізняються від суботи, чому один SKU — трафікогенератор, а інший — маржинальний якір. Без цього контексту модель видає формально правильні, але практично марні прогнози.

Модель без процесу — це експеримент

Точність прогнозу — необхідна, але недостатня умова. Модель може видавати ідеальні цифри, які ніхто не використовує: закупівлі працюють за старими шаблонами, мерчендайзинг не бачить рекомендацій, маркетинг планує кампанії окремо від прогнозів поведінки клієнтів. У такому випадку AI існує в компанії, але не впливає на неї.

Інша типова проблема — модель, яка працювала на старті, поступово втрачає точність. Дані змінюються, сезонність зсувається, асортимент оновлюється — а модель залишається статичною. Без регулярного перенавчання та моніторингу якості будь-яка модель “старіє” за кілька місяців.

Щоб AI давав стабільний результат, потрібні три речі: автоматичне оновлення даних, вбудованість у конкретні рішення (замовлення, планування, промо) та вимірювання не лише точності прогнозу, а й економічного ефекту. Без цього модель залишається дорогим експериментом.

7. Бізнес-цінність: коли AI перестає бути експериментом і починає приносити гроші

Єдиний критерій — вплив на бізнес

У більшості компаній AI-проєкти оцінюють за тим, наскільки “розумною” виглядає модель: який алгоритм, яка точність у пілоті, скільки параметрів враховано. Але для ритейлу це хибна метрика. Значення має лише одне: чи змінилися бізнес-показники.

Успішний AI — це не точна модель. Це модель, результати якої щодня впливають на рішення. Коли прогнози вбудовані в закупівлі — зменшуються надлишкові запаси і дефіцит на полицях. Коли асортиментом керують дані, а не інтуїція — зростає оборотність і маржа. Коли маркетинг бачить прогноз поведінки клієнтів — конверсія кампаній зростає вдвічі.

Економічний ефект виникає не там, де модель “працює”, а там, де вона змінює щоденну поведінку бізнесу.

Типові результати для компаній, які побудували фундамент правильно

Що це означає в цифрах

Ці результати — не теоретичні розрахунки. Вони базуються на досвіді впроваджень у роздрібних мережах від 100 магазинів:

• Точність прогнозування зростає з типових 35–40% помилки до 15–18% (за метрикою MAPE на горизонті 4–6 тижнів). Це не заслуга алгоритму — це результат якісних даних і стабільної архітектури.
• Надлишкові запаси скорочуються на 15–25%, що для мережі з оборотом $50–100 млн означає вивільнення $1–3 млн оборотного капіталу.
• Дефіцит на полицях (out-of-stock) знижується на 30–50% — з прямим впливом на виручку та задоволеність клієнтів.
• ROI у перший рік становить 200–400%, коли AI інтегрований у щоденні процеси закупівель і планування.
• Ці ефекти — не бонус технології. Це наслідок правильної послідовності: спочатку фундамент, потім модель.

Чому ROI залежить від фундаменту

AI не виправляє погані процеси — він їх прискорює. Якщо дані хаотичні, модель масштабує хаос. Якщо процеси неефективні, автоматизація робить їх швидшими, але не кращими. Саме тому компанії з однаковими алгоритмами отримують радикально різні результати.

За даними McKinsey (State of AI, 2024), організації, які інтегрують AI у ключові бізнес-процеси, а не обмежуються пілотами, отримують у 3–5 разів вищий ROI. Наш досвід це підтверджує: інвестиція у фундамент даних скорочує час до результату в рази.

Висновок

Поклеїти шпалери без стін неможливо. Так само неможливо отримати цінність від AI без фундаменту: архітектури даних, їхньої якості та культури роботи з ними.

Більшість AI-проєктів провалюються не через слабкі алгоритми, а через спробу почати з фінішу. Ритейлери, які це розуміють, інвестують у послідовність — і отримують ROI, який вимірюється не точністю моделі, а фінансовим результатом.

Саме про це ми говорили на RAU Summit 2025. Ритейл готовий до AI. Питання лише в тому, чи готовий фундамент.