Решения для ритейла и производства

Эффект от внедрения ИИ в сетях часто оценивают через сокращение ФОТ. Но настоящие деньги не там. Они в потерях, которые сеть не успевает предотвратить: с момента «обнаружили отклонение» до «проблема решена» проходят недели. Нашли, вынесли на оперком, приняли решение, проверили. Всё это время потери копятся. Это и есть стоимость управленческого цикла: статья расходов, которую редко считают. ➡️ 12 сентября на Осенней стратегической сессии Академии ритейла Олег Костерин, основатель и CEO InfoVizion, покажет, как её сократить с помощью ИИ-агентов: 🔵как должен работать агент, чтобы его выводам можно было доверять 🔵что нужно, чтобы он помогал людям в зале и в офисе, а не добавлял им работы. На реальной сводке из действующих пилотов — без слайдов «про будущее ИИ». ⭐По итогам выступления соберём тезисы доклада и карту потерь, где в цикле утекают деньги. Напишите «хочу материалы» — пришлём после сессии.

75% точности прогноза промо — не в среднем по акции, а по каждой позиции в каждом магазине на каждый день. UMAI Group, крупнейший продовольственный ритейлер Кыргызстана, проверила это на пилоте с InfoVizion и Imprice и планирует использовать прогнозы для борьбы с OOS в промо, который может доходить до 8,5% при ручном заказе. В кейсе показали, как в связке с Быстродел.Офис.Промо модель Imprice считает промо-uplift и разворачивает промо-комитет с «что поставим в акцию» на «сколько на этом заработаем». С графиками по позициям. ➡️ Смотреть интервью здесь. Там же полный кейс с цифрами, цитатами и скриншотами решения. Хотите разбор своего промо? Напишите «хочу разбор» — сделаем анализ ваших акций за 3 рабочих дня.

За неделю — два ритейл-события, Redis Business Class и ИТ-форум, и ИИ-агенты почти в каждом докладе. Все уже видели статистику: по данным McKinsey State of AI, 89% компаний используют ИИ хотя бы в одной функции, а доля тех, кто масштабировал именно агентов, за год выросла с 27% до 40%. На деле ситуация интереснее. ИИ уверенно прижился там, где цена ошибки невелика: тексты, картинки, черновики, переписка. С аналитикой иначе. Многие сети, с которыми мы общаемся, сталкивались с тем, что цифры у агента не сходятся с управленческой отчётностью, повторный вопрос даёт другие числа, а каждый вывод приходится перепроверять руками и на перепроверку уходит больше времени, чем агент сэкономил. Получается, что в таких случаях ИИ скорее отвлекает, чем помогает. На наш взгляд, дело не в конкретной модели. Дело в том, что модели дали считать. Наш подход, который исключает галлюцинации: агент не производит расчёты сам. Все цифры он берёт из выверенного семантического слоя — того самого, на котором держится управленческая отчётность сети. Модель формулирует вывод, ищет причину и определяет приоритет. По выверенной методологии. Отсюда воспроизводимость: повторный вопрос даёт те же цифры, и любой вывод прослеживается до строки в исходных данных. Этот слой данных мы в InfoVizion строили 14 лет вместе с 40+ сетями. Поэтому первые выводы появляются за часы, а не за месяцы внедрения. На таком фундаменте агент берёт на себя сбор данных, проверяет ваши гипотезы, предлагает собственные и превращает в конкретные задачи с ответственным и сроком. Решения и их результаты остаются в системе: через месяц видно, какие решения были приняты и какие из них сработали. ➡️ Сейчас у нас около десятка агентов — для коммерческого блока, для операций и отдельно сводка для первого лица. Часть уже в пилотах, часть идет в пилоты в ближайшее время. Между тем, как событие произошло, как его заметили и как по нему приняли решение, проходит время. Чем длиннее эти интервалы, тем больше денег теряет бизнес. Агент их сокращает. ⭐Напишите нам. На встрече покажем на реальной сводке, как это выглядит: где агент находит отклонение, до какой причины доходит — цена, поставщик, отток лояльных покупателей — и как превращает вывод в задачу с ответственным и сроком.

Команда InfoVizion на Форуме ИТ и инноваций в ритейле. Стенд №20, Центр событий РБК. На стенде показываем ИИ-агентов. Обычная аналитика отвечает на вопросы, которые вы ей задали. Наш агент задаёт их сам: находит отклонение, называет причину, ставит задачу на исправление и проверяет эффект. Не таблица, а готовый вывод — что просело, из-за чего и что делать. Любую цифру можно провалить до первоисточника — до магазина, товара, чека. Считает не ИИ — он только делает выводы, поэтому не фантазирует. А также решения для управления операционным блоком, неликвидами, промо, производством готовой еды. ➡️ Подходите к стенду №20 — покажем на живых данных и разберём, какие сценарии подходят вашей сети.