Несмотря на осторожное отношение торговых сетей к генеративному искусственному интеллекту, он уже используется практически повсеместно для таких задач, как умный поиск по документам, клиентская аналитика и поддержка, помощь в создании маркетинговых кампаний. Согласно исследованию McKinsey & Company, использование генеративного ИИ, основанного на больших языковых моделях, способно принести розничным компаниям экономическую выгоду в диапазоне от 240 до 390 миллиардов долларов. Это может повысить рентабельность отрасли на 1,2%-1,9%. Уже сегодня существует несколько готовых решений, которые демонстрируют потенциал ИИ для повышения эффективности бизнеса, считает руководитель направления ритейла в MTS AI Роман Фомин.
Поисковые системы и аналитика
Одним из ключевых применений ИИ в ритейле являются интеллектуальные поисковые системы, работающие с внутренними базами данных. Такие системы позволяют быстро находить информацию о запасах, продажах, маркетинговых акциях и других аспектах бизнеса. Более того, они способны отвечать на запросы в формате диалога, что значительно упрощает взаимодействие сотрудников с данными. Например, менеджер может задать вопрос о причинах снижения продаж конкретного товара, и система, используя генеративный ИИ, предоставит подробный анализ на основе внутренней информации. Это не только экономит время, но и помогает принимать более обоснованные решения.
Французская торговая площадка Leboncoin использует большие языковые модели для повышения релевантности поиска, автоматически сортируя объявления в оптимальном порядке в зависимости от запроса клиента. Это позволяет пользователям быстрее находить нужные товары или услуги, улучшая их опыт взаимодействия с платформой.
Оптовая онлайн-платформа Faire также активно применяет LLM для улучшения поисковых алгоритмов. С их помощью компания определяет семантическую релевантность запросов — то есть понимает смысл поисковых фраз, даже если они не совпадают дословно с текстом объявлений. Это позволяет более точно ранжировать результаты и учитывать контекст запросов, что не только повышает удовлетворенность пользователей, но и способствует увеличению конверсии, так как клиенты быстрее находят подходящие товары.
ИИ-ассистенты для клиентов
Еще одним перспективным направлением являются ИИ-ассистенты, которые помогают клиентам в магазинах с консультативными продажами. Например, в парфюмерных или мебельных салонах виртуальные помощники могут давать рекомендации по выбору товаров. Клиент или сотрудник формулирует запрос, а ИИ-ассистент анализирует его и предлагает подходящие варианты. Такие решения не только повышают уровень сервиса, но и способствуют росту выручки на 3–5%. Однако пока эта технология не получила массового распространения из-за ограниченного числа компаний, работающих в сегменте консультативных продаж.
Крупные игроки рынка, такие как Amazon, уже активно используют большие языковые модели для улучшения взаимодействия с клиентами. Например, Amazon применяет LLM для анализа запросов покупателей и предоставления персонализированных рекомендаций, которые максимально соответствуют их потребностям. Это позволяет не только повысить удовлетворенность клиентов, но и увеличить средний чек за счет более точного подбора товаров
Другой пример — компания H&M, которая внедрила чат-бота на основе LLM. Этот виртуальный помощник помогает клиентам советами по стилю, дает рекомендации по выбору товаров и позволяет отслеживать заказы. Чат-бот способен понимать естественный язык, что делает взаимодействие с ним простым и интуитивно понятным. Благодаря этому процесс покупок становится более удобным, что положительно влияет на лояльность клиентов и общую эффективность бизнеса.
Клиентская поддержка
Одним из примеров успешного внедрения ИИ в ритейле является автоматизация клиентской поддержки. Генеративный ИИ может категоризировать запросы, направлять их к нужному оператору и даже помогать операторам находить ответы на основе внутренней базы данных компании. Например, если клиент обращается с вопросом о статусе заказа, ИИ-система автоматически анализирует запрос, находит соответствующую информацию в базе данных и предлагает оператору готовый ответ. Это не только ускоряет обработку запросов, но и снижает нагрузку на сотрудников.
Ярким примером такого подхода является компания Wayfair, специализирующаяся на электронной коммерции. Они создали помощника на основе генеративного ИИ, который поддерживает агентов по цифровым продажам. Решение анализирует контекст диалога с клиентом и предоставляет операторам живые релевантные рекомендации по ответам в режиме реального времени. Это позволяет агентам быстрее и точнее реагировать на запросы, улучшая качество обслуживания и повышая удовлетворенность клиентов.
Что дальше?
Чтобы ИИ стал повседневным инструментом в ритейле, необходимо решить две основные задачи. Во-первых, снизить стоимость внедрения, включая затраты на программное обеспечение и вычислительную инфраструктуру. Во-вторых, разработать универсальные «коробочные» решения, которые можно легко интегрировать без сложной настройки. Такие продукты станут шагом к массовому использованию ИИ в отрасли. Пока ИИ остается преимущественно в бэк-офисе, но его выход в торговый зал — лишь вопрос времени.
