Как украинский ритейл использует AI для прогнозирования спроса

25.08.2026, 11:18 delo.ua

Искусственный интеллект помогает ритейлерам более точно прогнозировать продажи и уменьшать потери от списаний. В то же время украинские сети пока уступают крупным европейским игрокам по масштабу внедрения АИ из-за проблем с данными, интеграцией и нехваткой специалистов. В крупных компаниях АИ-проекты могут окупиться ориентировочно за 12-18 месяцев, хотя фактический срок зависит от масштаба и глубины внедрения технологии.

Об этом Delo.ua рассказал глава Ассоциации ритейлеров Украины Андрей Жук.

Для прогнозирования спроса, искусственный интеллект анализирует историю продаж на уровне конкретного товара, магазина, региона и канала сбыта. К этому добавляются данные о сезонности, акциях, ценах, остатках, сроках поставки и поведении покупателей, пояснил Жук .

На основе такого анализа система прогнозирует, сколько единиц определённого товара может потребоваться конкретному магазину в определенный день или период. Далее прогноз может использоваться для формирования заказов, распределения товаров между складами и магазинами, планирования акций и управления запасами.

"Важно, что современные решения не просто формируют общий прогноз продаж. Они могут отдельно учитывать спрос во время акций, сезонные колебания, появление товаров-заменителей, риск дефицита или избыточных остатков. В продуктовом ритейле это особенно важно для свежих и скоропортящихся категорий", - отметил эксперт.

AI может снижать издержки конкретного ритейлера. Более точное прогнозирование помогает сократить списание, избыточные запасы, срочные поставки и потери от отсутствия товара на полке.

В отдельных международных кейсах эффект может быть достаточно значительным: к примеру, норвежский продуктовый онлайн-ритейлер Oda сообщал о сокращении доли испорченных товаров на 49% после внедрения системы прогнозирования, рассказал Жук.

Не менее важный эффект – уменьшение ситуаций, когда нужного товара нет на полке. Для покупателя это вопрос сервиса, а для ритейлера – утраченных продаж и лояльности.

В непродовольственном ритейле более ощутимой может оказаться оптимизация запасов и высвобождение оборотного капитала. Компании не нужно хранить избыточное количество медленно оборотных товаров, а денежные средства можно направлять на ассортимент с более высоким спросом.

Однако некорректно переносить этот показатель на все расходы ритейлера, указал Жук.

"Для украинского рынка пока нет подтвержденной статистики, позволяющей сказать, что AI в среднем снижает операционные расходы сетей, например, на 5%, 10% или 15%", - сказал эксперт.

Поэтому уместно оценивать экономический эффект отдельно для конкретных процессов – управление запасами, списаний, логистики, персонала или промо.

Европейский ритейл пока опережает украинский по масштабу и системности использования AI. Крупные европейские сети уже интегрируют прогнозирование спроса с автоматическим пополнением запасов, ценообразованием, планированием акций, логистикой и управлением персоналом, рассказал глава Ассоциации ритейлеров.

По данным Eurostat, в 2025 году технологии AI использовали 20% предприятий ЕС с 10 и более работниками. Среди европейских ритейлеров, применяющих AI, одним из главных направлений остается маркетинг и продажи. В то же время, по словам Жука, даже в ЕС использование AI еще не стало стандартом для абсолютно каждой компании.

В Украине нет отдельной официальной статистики, которая позволяла бы корректно сравнить долю использующих AI ритейлеров с показателями ЕС, заявил глава ассоциации.

По практике рынка можно сказать, что крупнейшие украинские сети работают уже с прогнозной аналитикой, автоматизацией заказов, персонализацией предложений и анализом поведения клиентов. Например, Brocard публично сообщал о применении AI для прогнозирования поведения покупателей и формирования персонализированных рекомендаций, а EVA – о намерении углублять интеграцию AI на уровне ERP, в частности, для аналитики и прогнозирования спроса.

В то же время , западные сети пока имеют преимущество по объему данных и комплексности интеграции. Для малого бизнеса главным препятствием часто является не стоимость AI, а качество данных: без достоверной информации о продажах, остатках, ценах, акциях и поставках качественный прогноз невозможен.

Кроме истории продаж, AI-модели могут учитывать погоду, сезонность, календарные и государственные праздники, цены и промоакции, локальные события и логистику.

Модель может учитывать практически любой фактор, если он имеет измеряемую связь со спросом и компания может регулярно получать качественные данные. Это позволяет более точно прогнозировать спрос в конкретном магазине или регионе.

Для украинского ритейла потенциально важны и специфические факторы:

"Но это не означает, что все украинские сети уже системно используют такие данные. Они должны быть структурированы, регулярно обновляться и улучшать точность прогноза", - отметил эксперт.

Новинный фон также можно анализировать, однако он является более сложным фактором, добавил он.

Система должна не просто фиксировать количество новостей, а определять какие события реально влияют на поведение покупателей.

Как пример Жук отметил, что сообщение о возможном дефиците определенного товара может повлечь за собой краткосрочный ажиотажный спрос, но такие ситуации сложно прогнозировать только на основе исторических данных.

В ближайшее время AI-агенты могут сменить украинский ритейл.

По словам Жука, они будут не только анализировать данные, но и выполнять часть операционных задач:

Перспективными направлениями также динамичное ценообразование и управление уценкой. AI сможет определять оптимальный момент и размер скидки с учетом остатков, срока годности и прогноза спроса, рассказал эксперт.

Еще одно направление – компьютерное зрение для контроля наличия товаров на полках, выкладки, очередей и загруженность касс.

"Также будут активно развиваться персональные цифровые помощники покупателя, голосовые ассистенты для работников, автоматизированное планирование рабочих смен и прогнозное обслуживание оборудования", - отметил Жук.

Универсальной стоимости внедрения АI в ритейле нет. Она зависит от количества магазинов, товарных позиций, каналов продаж, качества данных, уровня автоматизации и интеграции с ERP (системами планирования ресурсов предприятия), складскими и учетными системами.

Расходы охватывают не только лицензию, но и подготовку данных, интеграцию, настройку моделей, обучение команды и изменение процессов. Для небольшой сети это может быть компактный облачный пилот. Для крупного ритейлера с сотнями магазинов и десятками тысяч товарных позиций полноценный трансформационный проект.

По словам Жука, международные поставщики ориентируют крупный бизнес на окупаемость AI-проектов примерно за 12-18 месяцев, но это не гарантированный срок.

Экономический эффект значительно выше, если AI интегрирован в закупки и управление запасами, а не используется только для аналитических отчетов.

Главный барьер для внедрения АИ в ритейле – не сама технология, а качество и доступность данных.

Информация о продажах, остатках, ценах, акциях и поставках часто хранятся в различных системах, а неполные или некорректные данные могут привести к ошибочному прогнозу, отметил Жук.

Второй барьер – интеграция AI с ERP, складскими, учетными и кассовыми системами. Если прогноз остается лишь отдельным аналитическим отчетом, а заказы и пополнения запасов продолжаются вручную, экономический эффект от технологии будет ограничен.

По словам Жука, есть и риск чрезмерного доверия к алгоритму. АИ может ошибаться при различных изменениях спроса, вызванных перебоями с логистикой, миграцией, проблемами с электроснабжением или другими форс-мажорами. В таких условиях исторические данные могут не описывать текущее поведение покупателей, рассказал глава ассоциации.

Отдельной проблемой может стать непрозрачность рекомендаций: менеджер не всегда понимает почему система предлагает сократить заказ, увеличить запас или изменить цену. Поэтому на этапе внедрения АИ целесообразно использовать в качестве инструмента поддержки решений, а критические рекомендации оставить под контролем человека, подытожил Жук.