Журнал / Кирилл Наумов
AI для ассортимента в ритейле: список побольше — не всегда список получше
Как использовать AI при планировании ассортимента и учитывать выбор покупателей, замены, наличие товара, маржу и опыт команды магазина.
Автор: Кирилл Наумов ·
Вопрос об ассортименте — не только «какие товары продаются лучше». У ритейлера ограничены полка, оборотные средства и внимание покупателя. Нужно выбрать набор товаров для конкретных клиентов, канала и магазина — и понимать, что изменится, если какой-то позиции не будет или её уберут. AI помогает увидеть закономерности, но сам по себе не отменяет эти компромиссы.
Дайте модели задачу, на которую она может ответить
Начните с одной категории и конкретного решения: какие варианты оставить, сколько места выделить или что предложить на замену, если товара нет. Учитывайте вместе продажи, цену, акции, возвраты, наличие, сезон, формат магазина и онлайн-поведение. Товар с высоким оборотом и постоянными уценками может оказаться не таким привлекательным, как кажется. А нишевая позиция может собирать корзину или быть важной для группы покупателей, которую рейтинг только по продажам не заметит.
Отделите спрос от фактического наличия
Наблюдаемые продажи — не то же самое, что спрос, если товара не было на полке, его иначе выкладывали или его трудно найти. Проверьте, видит ли модель именно тот ассортимент, который был предложен покупателю в конкретном месте и в конкретное время. Следите за связью между товаром и его вариантами. Если синюю вещь размера S система считает взаимозаменяемой с синей вещью размера XL, вывод может быть уверенным — и совершенно бесполезным.
Сделайте замены частью расчёта
Если убрать товар, его покупатели не обязательно перейдут на одну и ту же альтернативу. Кто-то выберет другой бренд, кто-то — размер, а кто-то уйдёт из категории или магазина. В исследовании 2026 года в Operations Research изучается оптимизация ассортимента при риске отсутствия товара и возможности предложить замену на данных Instacart. Это конкретная аналитическая работа, а не обещание результата для любого ритейлера: https://pubsonline.informs.org/doi/10.1287/opre.2024.1074. Практический вопрос — хватает ли именно ваших данных о заменах, чтобы принять такое решение.
Оставьте в процессе человека, отвечающего за полку
В полевом эксперименте Management Science с розничным бизнесом изучали, как сотрудники следуют рекомендациям алгоритма по ассортименту. Авторы отмечают, что готовность принять совет зависела от контекста и от того, как алгоритм использовал прогнозы работников: https://pubsonline.informs.org/doi/10.1287/mnsc.2020.3599. Значит, система должна объяснять рекомендацию, давать категорийной команде возможность указать локальные ограничения, а несогласие с моделью фиксировать как полезную информацию, а не как непослушание.
Проверяйте изменение в работе, а не красоту панели
По возможности тестируйте изменение на сопоставимых магазинах, категориях или периодах. До старта договоритесь, как считать маржу после уценок, наличие, списания, замены, влияние на корзину и жалобы. Учитывайте и работу, необходимую для поддержки нового ассортимента. Если продажи меняются, проверьте, не изменились ли одновременно цена, акция, погода, действия конкурентов или наличие. Расширяйте тест, только если результат оправдывает дополнительную сложность и понятен людям, которые выполняют решение.
Это практический подход, а не отчёт о клиентском внедрении. На [AI for Retail workshop](https://www.kirillnaumovai.com/workshops/ai-retail-november) разбираем, как выбирать и проверять AI-сценарии для ритейла, продаж, обучения и программ лояльности.