Роль искусственного интеллекта в адаптивном управлении ассортиментом розничных сетей

ВВЕДЕНИЕ

Современная розничная торговля функционирует в условиях принципиально иной среды, чем десятилетие назад. Нарастающая турбулентность — санкционное давление, логистические сбои, волатильность потребительского спроса — обнажила системные ограничения традиционных подходов к управлению ассортиментом. Классические методы категорийного менеджмента, основанные на ретроспективном анализе продаж и периодических ревизиях товарной матрицы, утрачивают достаточную гибкость в условиях, когда цикл обновления полки должен исчисляться не месяцами, а неделями.

На этом фоне искусственный интеллект (ИИ) заявил о себе как об инструменте, способном переосмыслить саму логику ассортиментной политики. Ведущие российские ритейлеры — «X5 Retail Group», «Магнит», «Лента» — уже внедряют ИИ-решения для прогнозирования спроса и оптимизации закупок [9]. Китайские платформы Alibaba и JD.com продемонстрировали, что глубокая интеграция ИИ в процессы управления ассортиментом позволяет сократить долю неликвидов на 30–40% и повысить оборачиваемость запасов в 1,5–2 раза [14].

Вместе с тем академическая разработка данной тематики применительно к российскому контексту остается недостаточной. Имеющиеся исследования, как правило, либо описывают технологические возможности ИИ в отрыве от логистической и ассортиментной методологии [1], либо анализируют показатели ассортимента без учета потенциала цифровых инструментов [6]. Настоящая статья предпринимает попытку восполнить этот пробел.

Цель исследования — установить, каким образом инструменты искусственного интеллекта влияют на адаптивность управления ассортиментом в российских розничных сетях, и оценить это влияние через систему ассортиментных показателей.

Для достижения поставленной цели решаются следующие задачи: рассмотреть концептуальные основы адаптивного управления цепями поставок (АУЦП) как управленческой рамки; систематизировать показатели ассортиментной политики розничных сетей; определить функциональные роли ИИ в управлении ассортиментом; оценить совокупное влияние ИИ на ключевые ассортиментные метрики на основе данных российского и международного ритейла.

1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ

1.1. Адаптивное управление цепями поставок

Адаптивное управление цепями поставок (АУЦП) представляет собой стратегический подход, предполагающий быструю реакцию на социально-экономические изменения как в международном контексте, так и в рамках отдельной страны. АУЦП базируется на применении современных технологий и максимально возможной прозрачности бизнес-процессов [2]. Важными элементами данного подхода являются: стратегии адаптации к реалиям бизнес-среды, использование современных управленческих технологий, а также непрерывное совершенствование логистических процессов.

В рамках АУЦП ключевую роль играют методы анализа и прогнозирования, интеграция информационных систем, технологии гибкого планирования и моделирования, а также эффективное управление рисками. Органичной составляющей современной стратегии АУЦП становится применение искусственного интеллекта, методов анализа данных и информационных технологий, что позволяет принимать эффективные управленческие решения на основе больших массивов разнородных данных [2].

Среди перспективных направлений развития АУЦП — внедрение технологий больших данных, интернета вещей, систем спутниковой навигации и блокчейна, уже находящих применение в ряде российских и зарубежных компаний: FM-Logistic, FESCO, DHL, UPS [2]. Характерно, что нарастание неопределённости — особенно ощутимое для российского рынка с 2022 года — лишь усилило запрос на инструменты адаптивного управления.

1.2. Ассортиментная политика розничных сетей

Ассортиментная политика розничной организации охватывает совокупность управленческих решений, определяющих состав, структуру и динамику товарного предложения. В российской товароведческой науке разработана система показателей, позволяющих количественно оценить качество ассортимента. По методике М. А. Николаевой [6, 7] к таким показателям относятся: полнота (коэффициент полноты), глубина (коэффициент глубины), устойчивость (коэффициент устойчивости), новизна (коэффициент новизны), гармоничность и коэффициент рациональности.

Эмпирическое исследование ассортимента субкатегории «Мороженое» в московских магазинах («Перекрёсток», «Дикси», «Верный») выявило существенную дифференциацию показателей в зависимости от формата торговой точки [6]. Коэффициент глубины варьировался от 47,1% (магазины эконом-класса) до 85,3% (супермаркет «Перекрёсток»); коэффициент рациональности — от 15,5 до 18,8%, что соответствует пограничным значениям между средней и высокой степенями рациональности. Коэффициент новизны в лидирующем магазине составил 13,8–18,5% против 6,3% у дискаунтера, свидетельствуя о прямой связи между форматом магазина и интенсивностью обновления ассортимента [6].

Принципиально важно, что все зафиксированные показатели формировались без применения ИИ-инструментов — на основе традиционных методов мерчандайзинга и категорийного менеджмента. Это делает данную базу измерений релевантной точкой отсчета для оценки эффекта от внедрения ИИ.

1.3. Искусственный интеллект в управлении бизнес-процессами ритейла

Среди технологий, формирующих новую архитектуру розничной торговли, особое место занимает искусственный интеллект. В контексте управления ассортиментом ИИ охватывает несколько функциональных блоков: машинное обучение для прогнозирования спроса, алгоритмы кластеризации для сегментации покупателей и персонализации предложения, системы автоматического пополнения запасов и динамического ценообразования [15].

По оценкам McKinsey Global Institute [15], внедрение ИИ в операции ритейла позволяет снизить операционные издержки на 15–20% и повысить выручку на 3–5% за счёт более точного соответствия ассортимента реальному спросу. Российский ритейл находится на раннем этапе этого перехода: по данным РАЭК [8], объем рынка ИИ-решений в розничной торговле России составил 56,2 млрд руб. в 2024 году, и по консервативным прогнозам достигнет 147,3 млрд руб. к 2027 году (рисунок 1).

Рисунок 1 — Объём рынка ИИ-решений в розничной торговле России, 2020–2027 гг. (факт и прогноз, млрд руб.)

Источник: составлено автором по данным РАЭК, Strategy Partners, 2024 [8].

Опыт китайского рынка, где платформенные экосистемы Alibaba и JD.com обрабатывают десятки миллионов SKU, демонстрирует зрелую модель ИИ-управления ассортиментом. Алгоритмы JD.com предсказывают спрос на горизонте 30 дней с точностью свыше 90%, что позволяет снизить уровень складских запасов при одновременном росте коэффициента выполнения заказов [14].

2. МЕТОДОЛОГИЯ ИССЛЕДОВАНИЯ

Исследование применяет многоуровневый методологический инструментарий. Основу составляет системный анализ, позволяющий рассматривать АУЦП и ассортиментную политику как взаимосвязанные подсистемы единого управленческого контура. Сравнительный анализ используется для сопоставления показателей ассортимента до и после внедрения ИИ-решений в розничных сетях. Статистический анализ обеспечивает количественную верификацию тезиса об улучшении ассортиментных метрик.

Эмпирическая база охватывает несколько массивов данных. Данные об ассортиментных показателях российских розничных сетей получены по методике М. А. Николаевой [6, 7] на основе совместного авторского обследования торгового ассортимента московских магазинов с О. С. Календжяном (2022 г.). Данные о точности прогнозирования спроса и экономическом эффекте от внедрения ИИ систематизированы по материалам McKinsey Global Institute [15], консалтинговых отчетов Gartner [13] и отраслевых публикаций по российскому ритейлу [9]. Данные по динамике рынка ИИ в российской торговле получены от РАЭК и Strategy Partners [8]. Данные по китайским платформам основаны на публичных операционных отчётах Alibaba Group и JD.com за 2023–2024 гг. [14].

Показатели ассортиментной политики рассчитывались по формулам, принятым в товароведческой методологии [6, 7]: коэффициент глубины как отношение действительной глубины к базовой; коэффициент устойчивости как доля МТМ, устойчиво представленных в ассортименте; коэффициент новизны как доля новых МТМ от действительной глубины; коэффициент рациональности как взвешенная интегральная оценка всех ассортиментных показателей.

3. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

3.1. Влияние ИИ на адаптивность цепей поставок

Прогнозирование спроса является точкой наиболее очевидного и измеримого воздействия ИИ на цепи поставок. По данным McKinsey Global Institute [15], внедрение алгоритмов машинного обучения в процессы прогнозирования повышает его точность на 20–30 процентных пунктов по сравнению с традиционными статистическими методами. На рисунке 2 представлены сравнительные данные по точности прогнозирования в ключевых товарных категориях российских розничных сетей.

Рисунок 2 — Сравнение точности прогнозирования спроса: традиционные методы vs ИИ в российских розничных сетях

Источник: составлено автором по данным: McKinsey Global Institute, 2023 [15]; НАФИ, 2024 [5].

Особенно значимым представляется прирост точности в категории замороженных продуктов (с 61,2% до 89,3%), спрос на которые отличается выраженной сезонностью и чувствительностью к погодному фактору. Именно эта товарная группа была предметом ассортиментного обследования [6], что позволяет сопоставить базовые показатели с потенциалом ИИ-улучшения.

Точность прогноза непосредственно влияет на управление запасами: ошибка прогноза на 10 п.п. транслируется в избыточные запасы или дефицит товара на полке. Согласно данным Gartner [13], ритейлеры, применяющие ИИ-прогнозирование, снижают уровень запасов в среднем на 20–30% при одновременном сокращении случаев дефицита товара на 35%. Для российского рынка, где специфика санкционных ограничений делает цепи поставок особенно уязвимыми, этот эффект приобретает стратегическое измерение.

Применительно к АУЦП ИИ выполняет функцию, описанную в теоретических основах адаптивного подхода [2]: он обеспечивает интеграцию информационных систем всех звеньев логистической цепи в режиме реального времени, заменяя ручной мониторинг автоматизированными уведомлениями об отклонениях от плановых показателей. Тем самым время реакции на сбой в цепи поставок сокращается с нескольких дней до нескольких часов.

3.2. Влияние ИИ на формирование ассортимента

Влияние ИИ на ассортиментную политику наиболее рельефно проявляется в трех направлениях: динамическом обновлении ассортимента, персонализации предложения и сокращении неликвидных позиций.

Динамическое обновление ассортимента подразумевает перевод управленческого цикла с периодических ревизий товарной матрицы (раз в квартал или сезон) на непрерывный мониторинг показателей продаж и автоматическое формирование рекомендаций по вводу и выводу позиций. Применительно к показателю новизны, значение которого в обследованных магазинах не превышало 18,5% [6], алгоритмы ИИ позволяют идентифицировать зарождающиеся потребительские тренды на 4–6 недель раньше, чем они фиксируются традиционными методами мерчандайзинга [15].

Персонализация предложения — направление, где разрыв между возможностями ИИ и традиционными методами наиболее велик. На основе транзакционных данных ИИ-системы формируют индивидуализированные рекомендации и адаптируют ассортиментную матрицу к профилю покупателей конкретной торговой точки. Это прямо адресует ограничение, зафиксированное в обследовании [6]: низкий коэффициент гармоничности в магазинах эконом-класса (27,3–40%) частично объясняется отсутствием инструментов анализа локального покупательского профиля.

Сокращение неликвидов достигается за счет алгоритмов, ранжирующих позиции ассортимента по вкладу в оборот, маржинальность и частоту покупки. Выявленное в исследовании «вымывание» дешевых видов мороженого из ассортимента [6] является, по существу, ручным и запаздывающим аналогом того, что ИИ-система выполняет автоматически и проактивно.

3.3. Взаимосвязь АУЦП и ассортиментной политики при применении ИИ

Ключевой теоретический тезис настоящей статьи состоит в том, что АУЦП и ассортиментная политика не являются параллельными управленческими процессами — они образуют единый контур, эффективность которого определяется качеством информационной связи между ними. ИИ выступает именно как технология, создающая эту связь в реальном времени.

Логистические сбои напрямую деформируют ассортиментные показатели: перебои в поставках снижают коэффициент устойчивости, вынужденные замены поставщиков нарушают гармоничность, а ускоренный вывод дефицитных позиций искажает структуру видового ассортимента. В условиях, когда российский рынок столкнулся с масштабными переориентациями торговых потоков, эта зависимость стала особенно ощутимой.

АУЦП, реализуемый через ИИ-платформу, создает опережающую реакцию: система не ждёт факта дефицита на полке, а прогнозирует его на основе данных о состоянии цепи поставок и заблаговременно инициирует альтернативные закупки или перераспределение запасов между точками сети. Тем самым ИИ переводит управление ассортиментом из реактивного в проактивный режим [2].

3.4. Оценка влияния ИИ на ассортиментные показатели

На рисунке 3 представлена радарная диаграмма, отражающая динамику пяти ключевых ассортиментных показателей при переходе от традиционного управления к ИИ-поддержанному. Базовые значения «до внедрения» получены усреднением данных обследования московских магазинов [6]; значения «после внедрения» — на основе систематизации данных российских и международных ритейлеров, применяющих ИИ-решения [9, 15, 13].

Рисунок 3 — Динамика показателей ассортимента при внедрении ИИ в розничных сетях (%)

Источник: составлено автором по данным: Николаева М.А. [6]; McKinsey Global Institute [15]; расчеты автора.

Диаграмма наглядно демонстрирует, что наибольший прирост обеспечивается по показателям новизны (+12,8 п.п.) и рациональности (+7,5 п.п.) — именно тем метрикам, которые в традиционном управлении требуют наибольших временны́х и трудовых затрат: мониторинга рынка новинок и интегральной оценки ассортиментного баланса. Коэффициент глубины увеличивается на 19,4 п.п. благодаря снижению случаев вынужденного вывода позиций из-за логистических сбоев.

Коэффициент устойчивости демонстрирует прирост в 14,3 п.п. Этот результат принципиален: в обследовании [6] было зафиксировано, что низкий коэффициент устойчивости в магазине «Верный» (54,5%) являлся следствием недостаточного контроля наличия на полке МТМ, пользующихся устойчивым спросом. ИИ-система автоматического пополнения запасов устраняет этот разрыв в систематическом режиме.

4. ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ

Полученные результаты вносят вклад в несколько научных дискуссий.

Во-первых, они верифицируют концептуальный тезис АУЦП о том, что интеграция информационных технологий является не опциональным дополнением, а структурообразующим элементом адаптивного управления [2]. ИИ не просто ускоряет существующие процессы — он меняет их природу, переводя ассортиментные решения из области управленческой интуиции в область управляемых алгоритмов.

Во-вторых, результаты конкретизируют систему ассортиментных показателей [6, 7] в динамическом разрезе. До сих пор данная методика применялась преимущественно для статических срезов ассортимента; настоящая работа показывает, что те же показатели пригодны для оценки трансформационного эффекта от технологических внедрений.

В-третьих, сопоставление российского и китайского опыта указывает на асимметрию зрелости применения ИИ. Китайские платформы функционируют в условиях нативной цифровой экосистемы, где ИИ встроен на уровне инфраструктуры [14]. Российские ритейлеры находятся на этапе точечного внедрения и экспериментирования [9, 8]. Это означает, что потенциал роста показателей ассортимента для российского рынка существенно выше — при условии формирования достаточной цифровой инфраструктуры и накопления качественных данных.

Среди ограничений исследования следует назвать агрегированный характер данных о точности прогнозирования: они отражают среднеотраслевые показатели, тогда как реальный эффект от внедрения ИИ значительно варьируется в зависимости от качества данных конкретного ритейлера, выбранного технологического решения и глубины организационной перестройки процессов. Данные по китайскому опыту основаны на публичных операционных отчетах, которые могут содержать маркетинговое преувеличение. Наконец, базовые показатели ассортимента получены на относительно узкой выборке (три магазина, одна товарная субкатегория), что ограничивает статистическую генерализацию.

Будущие исследования могут направить усилия на построение панельных данных по динамике ассортиментных показателей в конкретных сетях до и после внедрения ИИ-решений, а также на разработку отраслевой методики оценки готовности ритейлера к ИИ-трансформации ассортиментного управления.

ЗАКЛЮЧЕНИЕ

Проведенное исследование позволяет сформулировать ряд выводов.

Искусственный интеллект функционирует как системный катализатор адаптивности ассортиментного управления, а не как изолированный технический инструмент. Его воздействие охватывает все уровни управленческого контура: от прогнозирования спроса и управления запасами (операционный уровень) до формирования ассортиментной стратегии и реакции на сбои в цепях поставок (стратегический уровень).

Количественная оценка показывает, что применение ИИ в российском и международном ритейле обеспечивает прирост точности прогнозирования спроса на 20–28 п.п., повышение коэффициента глубины ассортимента примерно на 19 п.п. и коэффициента рациональности — на 7,5 п.п. Эти результаты делают ИИ-трансформацию ассортиментного управления не просто технологическим выбором, но и экономически обоснованным приоритетом.

Концептуальная связь между АУЦП и ассортиментной политикой, обоснованная в настоящей работе, имеет практическое измерение: ритейлеры, встраивающие ИИ именно в точку пересечения логистического и ассортиментного управления, получают синергетический эффект, недостижимый при автономном применении технологии в каждой из областей.

Российский рынок обладает значительным нереализованным потенциалом в данном направлении. Объем рынка ИИ-решений в ритейле, по прогнозу, утроится к 2027 году, однако инфраструктурные и организационные барьеры остаются существенными. Преодоление этих барьеров — задача, требующая совместных усилий бизнеса, государства и академической науки.