Почему аналитика в рознице упирается в потолок — и при чём тут ИИ
У большинства розничных сетей аналитика уже есть. Дашборды построены, данные собираются, отчёты генерируются. Проблема в другом: между отчётом и действием — человек. Он должен открыть отчёт, прочитать его, понять, что именно не так, определить причину, решить, что делать, поставить задачу исполнителю и проконтролировать результат. На каждом шаге — потеря времени, внимания и точности.
В сети из 100+ магазинов с тысячами товарных позиций и десятками поставщиков этот процесс физически не масштабируется. На встречах с сетями мы снова и снова слышим один и тот же отклик: отчётов много, а посмотреть их и сделать вывод некому. Ни один категорийный менеджер не успевает каждый день просматривать OOS по каждому SKU в каждом магазине; ни один территориальный директор не объедет все точки и не разберёт отчёты по каждой. В результате проблемы, которые аналитика фиксирует, неделями остаются без реакции — не потому что данных нет, а потому что до них не доходят руки.
ИИ-агенты меняют именно эту часть цепочки. Не сбор данных и не визуализацию — а путь от сигнала до действия.
Что такое ИИ-агент в контексте розничных операций
ИИ-агент — это не чат-бот и не дашборд с элементами машинного обучения. Это система, которая работает поверх аналитической платформы и снимает с человека рутину: находит отклонение в данных, определяет его причину, формирует задачу с указанием ответственного и контролирует её выполнение.
Принципиальное отличие от обычной отчётности: система не показывает ситуацию — она запускает процесс. Не «вот дашборд, разберитесь», а «вот проблема, вот причина, вот задача, вот дедлайн, вот ответственный».
При этом агент работает не на сырых данных. Это важный технический момент, который часто упускают в разговорах об ИИ в рознице. ИИ, подключённый напрямую к базе данных через API, на наш взгляд, ненадёжен в продакшене: он может галлюцинировать, неправильно интерпретировать контекст, давать рекомендации, которые не учитывают специфику конкретной сети. Нужен промежуточный слой — выверенная аналитическая модель с правильными сценариями, декомпозицией и бизнес-правилами. Агент работает поверх этого слоя, а не вместо него.
Четыре слоя, без которых ИИ-агент не работает
Чтобы агент приносил результат, а не генерировал шум, нужна архитектура из четырёх слоёв.
Данные. Хранилище компании: коммерция, чеки, логистика, финансы, HR. Это топливо для всей системы. Без качественных данных агент автоматизирует ошибки — стабильно, быстро и на всю сеть.
Аналитика. Выверенный слой: где, что и как смотреть, правильные сценарии и декомпозиция. Агент оперирует не сырыми таблицами, а подготовленными показателями с пороговыми значениями и бизнес-контекстом.
Процессы. Найдя критичную ситуацию, система не показывает её на экране, а запускает процесс: задача ответственному с дедлайном. Если у ответственного не дошли руки, задача не теряется — она сама поднимается на уровень выше. Смысл здесь не в надзоре за человеком, а в разгрузке: система добивает зоны, до которых сотрудник физически не успевает, а не вешает их на него и не собирает компромат.
Дообучение. Обратная связь от сотрудников и история принятых решений делают модель точнее. Агент учится на том, какие решения сработали, а какие были признаны невалидными. Это петля самоулучшения, которая отличает систему от статического алгоритма. Для самого сотрудника это ещё и подстраховка: при разборе видно, что и когда было предложено и на каком основании.
Как это выглядит на практике: опыт сети «Реми»
Розничная сеть «Реми» — около 120 магазинов в Приморье, Хабаровском крае и Сахалинской области — в августе 2026 года запустила пилотный проект по внедрению ИИ-агентов совместно с InfoVizion.
Контекст проекта: «Реми» на протяжении нескольких лет использует цифровую платформу InfoVizion для управления ключевыми процессами — от контроля доступности и сроков годности в торговом зале до управления промоакциями и собственным производством. ИИ-агенты встраиваются в уже работающие процессы, а не создают параллельную систему.
В пилот вошли два сценария.
Сценарий 1: Распричинка OOS
Дефицит товара на полке — одна из самых дорогих проблем в рознице. При этом сам факт OOS — это только верхушка. За каждым случаем стоит конкретная причина: поставщик не привёз, заказ не сформировали, логистика задержала, товар есть на складе, но не выставлен по планограмме. Причин может быть 20 и больше, и для каждой нужно разное действие от разного ответственного.
Агент работает так: ежедневно анализирует товары с дефицитом по топ-SKU, оценивает упущенную выручку в рублях, автоматически определяет корень проблемы (поставка, заказ, логистика, планограмма), группирует отклонения по поставщикам для переговоров и формирует задачу для категорийного менеджера. Не отчёт — а задачу: с конкретной позицией, суммой упущенной прибыли, причиной и ожидаемым действием.
После того как категорийный менеджер принимает решение, агент автоматически отслеживает результат. Если ситуация признана невалидной (например, агент ошибся в причине), он обучается на этой обратной связи. Мы сознательно не прячем этот момент: агент может ошибаться, и решение всегда остаётся за человеком — задача системы в том, чтобы находить причину быстрее и на всей глубине истории, а не подменять менеджера.
Сценарий 2: Приоритизация визитов в магазины
Система приоритизации визитов в розничных сетях обычно существует: по расписанию, по исполнительской дисциплине, по числу инцидентов. Но график почти никогда не учитывает, какая поездка даст большую отдачу в деньгах. Чтобы это посчитать, территориальному директору пришлось бы свести данные из десятков отчётов.
Агент решает эту задачу: ранжирует магазины по потенциалу продаж и собирает по каждому готовый чек-лист — какие категории проседают, что нужно сделать, кто отвечает. При этом каждое отклонение помечено масштабом: проблема только в этой точке, по всему городу или по всей сети. Территориальный директор сразу понимает, где его зона ответственности, а где нужна помощь категорийного менеджера.
Супервайзер при визите открывает готовый план действий вместо того, чтобы разбирать отчёты на месте. После визита фиксируются принятые решения — и агент использует эту обратную связь для настройки следующих визитов.
Что дальше с проектом
Проект «Реми» стартовал недавно, конкретные результаты будут опубликованы по мере накопления данных. Но направление уже очевидно: два первых сценария — это не эксперимент ради эксперимента, а проверка подхода на процессах, где потери видны сразу и в рублях. Если агент стабильно находит причины дефицита точнее и быстрее, чем человек, — следующими будут сценарии по неликвидам, промо и собственному производству, где та же логика применима на уже собранных данных. Всё, что описано ниже, — сценарии, которые агенты InfoVizion уже выполняют в рознице.
Что агенты InfoVizion уже умеют за пределами этих двух сценариев
Помимо распричинки OOS и приоритизации визитов, ИИ-агенты InfoVizion в розничных сетях уже работают в нескольких направлениях. Ключевое здесь — не охват, а фильтр: агент показывает не всё, что видит, а то, что требует решения по выбранным сетью приоритетным направлениям. Три примера, где это заметнее всего.
Сводка для CEO. Не дашборд, а готовый разбор за неделю, месяц или квартал: что произошло, почему и что требует решения. Первое лицо получает не таблицу с сотней показателей, а короткий список ред-флагов по приоритетным категориям и городам — с причиной и предлагаемым действием по каждому. Детализация уходит тем, кому она нужна: коммерции и операциям.
Контроль товарных задач. Сотрудник магазина фотографирует полку в рамках обычной задачи. Нейросеть распознаёт упаковку и ценник, проверяет соответствие товара задаче и корректность цены. Никакой новой работы для сотрудника — распознавание встроено в тот же процесс фотофиксации. Менеджер видит только исключения: нечитаемое фото, несколько товаров в кадре, цена не определилась, товар не на полке. Всё остальное, где нейросеть уверена, проверять вручную не нужно.
Мониторинг цен конкурентов. Сотрудник фотографирует полку конкурента. Нейросеть определяет товар, привязывает его к справочнику номенклатуры и передаёт цены в учётную систему. Ручное сопоставление фото со справочником превращается в проверку готового результата.
Вопрос безопасности: как устроена работа с данными
Один из главных барьеров при обсуждении ИИ в рознице — безопасность данных. Передавать реальные названия магазинов, товаров и поставщиков во внешнюю модель — неприемлемый риск для большинства сетей.
Решение InfoVizion: обезличивание до передачи. За пределы периметра компании уходит только обезличенный срез данных: регионы, города, магазины, сотрудники и товары заменяются нейтральными токенами. Единственная таблица «токен → реальное значение» хранится внутри периметра клиента и никогда не передаётся. Модель видит только токены — восстановить реальные названия на стороне исполнителя нельзя, таблицы соответствия у него просто нет. Реальные названия подставляет локальный скрипт клиента, без доступа к интернету.
Почему нельзя просто «подключить ChatGPT к данным»
Этот вопрос звучит на каждой второй встрече. Ответ: можно, но результат будет ненадёжным и нестабильным.
ИИ напрямую на сырых данных ненадёжен и создаёт зависимость от конкретной модели. Для работы в продакшене нужны: комплексная модель данных, агенты, оркестрирующие сценарии, бизнес-правила, пороговые значения и эскалационные цепочки. Система отвечает только на то, что есть в готовых данных и что соркестрировано в агентах.
Есть и причина, по которой выводам агента можно доверять: в InfoVizion мы не даём ему ничего считать. Все расчёты делает выверенная аналитическая модель, а агент только формулирует выводы на готовых цифрах — ему нечего выдумывать.
Экономика тоже на стороне этого подхода. На периметре 100+ магазинов и десятков тысяч SKU связка «выверенный аналитический слой + агент поверх него» обходится по токенам в суммы порядка десятков тысяч рублей в месяц — против примерно миллиона, если гонять весь объём данных через модель напрямую. Разница — в десятки раз. При этом окно возможности сейчас открыто: пока подписка на ведущие ИИ-модели недорогая, есть возможность перенести наработки в собственное хранилище и модель данных, оставив за ИИ функцию анализа. Это путь к независимости от конкретной модели и снижению стоимости владения.
Куда движется рынок
Разрыв между «данные есть» и «данные работают» — главная нерешённая задача розничной аналитики последних лет. Дашборды построены у всех, но между сигналом и действием по-прежнему стоит перегруженный человек, у которого параллельно десятки других задач.
ИИ-агенты закрывают именно этот разрыв — не заменяя людей, а забирая у них рутину анализа и доведения до задачи. При этом ключевой фактор — не сам ИИ, а качество аналитического слоя, на котором он работает. Именно на этом строятся агенты InfoVizion: агент на сырых данных генерирует шум, агент на выверенной модели с бизнес-правилами и эскалационной логикой — генерирует результат.
Сети, которые начинают сейчас, получают преимущество: пока стоимость ИИ-моделей невысока, есть возможность накопить опыт, обкатать сценарии и перенести наработки в собственную инфраструктуру. Те, кто ждут «пока технология созреет», рискуют обнаружить, что созрели конкуренты.
