Журнал / Кирилл Наумов
ИИ в предотвращении потерь: ищите сбой процесса, а не подозреваемого
Как анализировать потери в ритейле: начать с конкретной проблемы процесса, проверять сигналы и оставлять важные решения за людьми.
Автор: Кирилл Наумов ·
«Потери» — слово одно, а причины совсем разные: ошибка при пересчёте, повреждённый товар, расхождение при приёмке, сбой процесса, кража, мошенничество или данные, которые пришли с опозданием. Если обучить AI на таком сборном показателе, он может уверенно отвечать не на тот вопрос. А последствия затронут покупателя, кассира или всю команду магазина.
Исследование Национальной федерации розничной торговли США за 2026 год показывает, почему полезно разделять категории: респонденты сообщили о снижении числа случаев магазинных краж и краж товаров в 2025 году по сравнению с 2024-м, но о росте нескольких других видов краж, мошенничества и схем обмана. «Потери» — не синоним магазинной кражи. Применение ИИ стоит начинать с определения конкретного события, которое нужно понять.
Начните с события, а не с модели
Выберите один вопрос: в каких поставках повторяются расхождения по количеству? В каких корректировках запасов не указана причина или нет второй проверки? Какие возвраты создают лишнюю работу? Где фактические остатки расходятся с системой после изменения процедуры? Это вопросы о транзакциях и процессах, а не о лице, одежде или предполагаемой личности человека.
Для первого шага может вообще не понадобиться предиктивная модель. Чёткий отчёт об исключениях, понятные коды причин или правило, которое замечает повторяющиеся расхождения, иногда полезнее. ИИ оправдан, если помогает расставить приоритеты в большой очереди проверок, кратко изложить утверждённые записи или подсветить закономерность, которую человек может перепроверить. Если задачу решает простой отчёт, сложный инструмент пока не заслужил своё место.
Относитесь к сигналу как к вопросу
Хорошее уведомление объясняет, что заметила система, какие записи использовала и что проверять дальше. Например: «В этой поставке повторяется расхождение с историей приёмки; сравните накладную, журнал сканирования и запись о корректировке». Это полезнее, чем ярлык «сотрудник с высоким риском» или «вероятная кража».
Доказательства должны быть рядом с сигналом. Проверяющий должен открыть исходные записи, увидеть период и порог срабатывания и записать, почему он согласился с выводом или не согласился. Если нельзя объяснить, откуда взялся значимый сигнал, ему нельзя запускать серьёзные последствия.
Выбрать полку для пересчёта — не то же самое, что остановить покупателя. ИИ может помочь определить, какой участок, поставку или процесс проверить первым. Но сам по себе он не должен приводить к остановке, досмотру, обвинению, дисциплинарному взысканию или отказу в обслуживании. Для этого нужны понятный человеческий процесс и проверяемые основания.
Не путайте закономерность с нарушением
Акция, задержка поставки, замена товара, новый сотрудник, который осваивает процедуру, сбой системы или местное мероприятие — всё это может создавать необычные закономерности. То, что вчера считалось «нормой», сегодня может оказаться разумным исключением. Если сигнал ошибочный, зафиксируйте причину, а не стирайте случай. Иначе команда не сможет улучшить данные, правило или сам процесс.
С биометрией и видеоаналитикой нужна особая осторожность. Для распознавания лиц в Великобритании регулятор ICO просит обосновать законность и необходимость, задокументировать решение и проверить менее вмешивающиеся альтернативы; руководство пересматривается после изменений законодательства. Проверяйте действующие требования для конкретной страны и сценария. Эта статья не является юридической консультацией.
Продумайте человеческую проверку до пилота
В AI Risk Management Framework NIST выделены четыре функции: управление, описание контекста риска, измерение и управление рисками. Для пилота магазина это можно перевести в практические правила: назначить ответственного; определить, что система вправе расставлять по приоритету и какие решения остаются за обученным человеком; фиксировать доказательства, ручные исправления, жалобы и ошибки; проверять ложные сигналы в разных типах магазинов, сменах и ролях; заранее установить условия остановки теста.
Это не бумажная работа ради отчёта. Так становится понятно, помогает ли система работе или просто добавляет задач под более футуристичным названием. Проверяющий должен уметь объяснить сигнал и действительно влиять на дальнейшее решение.
Оценивайте процесс, а не уверенность модели
Сначала зафиксируйте исходный уровень. В зависимости от сценария измеряйте время разбора расхождения, долю подтверждённых сигналов, повторяемость проблемы, частоту отмены уведомлений и сообщения сотрудников или покупателей о вреде. Учитывайте стоимость проверок наряду с изменением потерь: панель с множеством алертов — ещё не бизнес-результат.
Сравнивайте сопоставимые магазины и периоды, учитывайте сезонность и акции, проверяйте выборку случаев, которые система не отметила. Иначе она будет казаться точной просто потому, что никто не искал пропуски. Пересматривайте категории и допущения, когда меняется сама работа.
Лучший первый эксперимент с ИИ в предотвращении потерь может быть негламурным: аккуратная очередь исключений, понятная передача информации между приёмкой и учётом или отчёт, который помогает менеджеру выбрать, какое расхождение проверить до следующей смены. Начните с этого. Если система не помогает честно и понятно разбираться в процессе, ей рано судить людей. Практические применения ИИ в ритейле, продажах, обучении сотрудников и программах лояльности разбираем на AI for Retail workshop.
Подробнее об AI for Retail workshop → · Начать с практической диагностики
Полезные материалы: Исследование NRF о потерях и безопасности в ритейле · NIST AI Risk Management Framework · Руководство ICO по распознаванию лиц.