Искусственный интеллект против продуктовых потерь: как современные технологии спасают еду от утилизации

Современные технологии внедряются в самые различные сферы деятельности человека. Не является исключением и работа продуктовых торговых сетей. Однако для этого ритейл-компаниям необходимы специальные технологии. О них в интервью «Аргументам недели» рассказал Алексей Артемов, архитектор данных и ИИ-решений.

— Алексей, как с помощью современных технологий снизить потери продуктов в торговых сетях?

— На продукты с истекающим сроком годности в продовольственных сетях, как правило, снижают цены. И сделать это можно автоматически.

Для расчета оптимального уровня снижения нужно учесть множество факторов: объем остатков, оборачиваемость товара и то, в какие дни/часы их лучше покупают. Например, магазины, расположенные где-то рядом с офисными комплексами, должны иметь в своем ассортименте много готовой еды, которую в основном покупают в обеденный перерыв. Либо гипермаркет может быть расположен на въезде в спальный район, и многие люди могут заезжать по пути домой в магазин, чтобы купить готовой еды на ужин. В этом случае нужно внимательно контролировать объем остатков, и с какого времени должно начаться снижение цены, чтобы максимизировать прибыль и снизить списания.

Для реализации кластеризации магазинов в 2015 году мне пришлось выбирать и покупать дополнительную систему к нашей аналитической платформе, которая могла проводить этот анализ     на основе множества параметров, а затем мы реализовали ML-модели по расчету оптимальной цены на товары с истекающим сроком годности.

— Какие ещё «умные» решения применяются в продуктовых сетях?

— Продукты с истекающим сроком годности, как мы уже говорили, зачастую продаются по акции. Для уведомления клиентов могут быть использованы push-уведомления через клиентские приложения. Причём в современных компаниях это делают на основе клиентских предпочтений.

Системы с использованием компьютерного зрения помогают отслеживать наличие товара на полке. Они дают сигналы о необходимости пополнения полки, ведь если товар лежит на складе магазина, а полка пустая, то его никто не купит.

До эпохи компьютерного зрения для выявления таких ситуаций пользовались достаточно изощрёнными методами. Поскольку зачастую из имеющейся информации, на основе которой можно принять решение (пустая полка или нет), были только данные об остатках в магазине на начало дня или конец дня. Чтобы хоть как-то отследить отсутствие товара, приходилось рассчитывать почасовые остатки. После этого, на основе истории продаж и множества других факторов (погода, день недели, расположение магазина), нужно было оценивать предполагаемые продажи по часам. Соответственно, если между фактическими продажами по часам и расчетными имеется серьезная разница, то с высокой долей вероятности можно предположить, что товар отсутствовал на полке.

Для расчета прогноза продаж по часам использовались ML-модели. Они и сейчас продолжают использоваться, поскольку поставить камеры во всех магазинах, чтобы они отслеживали все полки — это довольно дорого. Решения с компьютерным зрением обычно используются для наиболее маржинальных позиций.

— Расскажите о своих достижениях в работе с ритейл-компаниями.

— Работая в российской торговой сети в 2014 году мы с коллегами произвели фурор, когда создали механизмы расчета почасовых остатков для каждого магазина и товара, что на момент реализации было достаточно дорого — как с точки зрения хранения такого объема данных, так и необходимых вычислительных ресурсов для произведения расчета. Ко всему прочему, приходилось пересчитывать предыдущие периоды регулярно. Уже на основе почасовых остатков, продаж и других параметров эволюционно была реализована ML-модель контроля остатков на полке и улучшена модель продаж по часам. В итоге это привело к изменениям в моделях, отвечающих за пополнение товарных остатков, но это было реализовано уже к 2016 году. Для выполнения задачи мы ещё в 2011 году реализовали загрузку чеков магазинов в аналитическую систему с задержкой в несколько минут. Причём в своё время это было сделано для других задач, однако впоследствии пригодилось для реализации расчёта почасовых остатков.

Во время работы на должности главного архитектора решений, отвечающего за дата-проекты компании в крупной международной торговой сети, ко мне в 2022 году для проведения архитектурного анализа принесли проект покупки продукта от внешнего вендора. Данный продукт представлял довольно сложную систему, но ключевым там было то, что для его работы компания должна была на регулярной основе передавать все свои данные по чекам, приходам, списаниям, остаткам (в т.ч. исторические) вендору, где он должен был их обрабатывать и выдавать нам готовые результаты. С одной стороны, я понимал, что такие данные являются наибольшей ценностью компании, и их нельзя передавать наружу в полном объеме, с другой — у меня был опыт реализации системы по оптимизации потерь. Я дал отрицательное заключение по данному проекту, а также представил описание быстрого решения, которое можно было реализовать своими силами и получить быстрый бизнес-результат. Что в конечном итоге и было сделано.

— Как задействован персонал магазина при работе ритейлеров с «умными» технологиями?

— Думаю, мы понимаем, что сотрудники магазина должны контролировать наличие товара на полке, но часто возникают ситуации, что они этого не делают или делают некачественно. Таким образом, мы не рассматриваем возможность побудить сотрудников выполнять эту работу полноценно. В больших торговых сетях нужен также простой способ убедиться, что персонал в магазине выполняет свою работу качественно, что без должного контроля не работает.

В целом, контроль списаний по сроку годности — довольно сложная задача. К примеру, европейские торговые сети предпочитают иметь в магазине меньше товара с небольшим сроком годности. Его могут привезти утром, а уже к 18-19 часам у них все распродано. С одной стороны, это стимулирует покупателей приходить в магазин в первой половине дня, а с другой — торговые сети имеют недополученную прибыль, поскольку люди, пришедшие в магазин вечером, уже не могут купить отсутствующие товары. Но при такой стратегии и списаний меньше. И тут, конечно, им важно иметь качественный прогноз продаж.

По факту, контроль истекших сроков годности является ручным процессом. Сотрудники магазина просматривают каждую товарную позицию и сверяют сроки годности. Для товаров с истекающим сроком годности они наклеивают стикеры со скидкой. Автоматизировать такой процесс достаточно проблематично. К примеру, использование технологий rfid-меток является дорогим решением. Для этого многие торговые сети разработали мобильные приложения, помогающие сотрудникам выявлять товары, которые близки к потере потребительских свойств.

Для обучения персонала достаточно эффективно может использоваться искусственный интеллект (AI). В том числе генеративный. Регулярные обучения и проверка знаний — это то, где GenAI проявляет себя в настоящее время очень хорошо.

Например, персонал должен быть хорошо знаком с системой «cold chain».  Когда в магазин поступает охлажденная рыба, курица или мясо, сотрудники должны измерить температуру продуктов и убедиться, что на протяжении всего пути в машине работала холодильная установка. И если доставлен продукт несоответствующей температуры или есть признаки дефектов, то его принимать нельзя.

С другой стороны, отказ от приёмки товара может нести для торговых сетей дополнительную упущенную прибыль, что может быть соблазном для приёмки продуктов с несоответствующей температурой. И тут нам на помощь снова приходит AI, который может определить тип товара, оценить визуальные дефекты, даже температуру товара при помощи тепловизора, что может быть затруднительно для человека. Это хорошее решение, поскольку использование GenAI обходится гораздо дешевле, чем проведение очных тренингов.  

Алексей Артемов занимается созданием систем обработки больших данных для крупных ритейл-компаний. Имеет опыт работы с международными ритейл-гигантами, включая Магнит, ALDI и Schwarz Group. Специализируется на разработке интеллектуальных платформ, которые помогают компаниям эффективнее использовать данные при соблюдении всех требований к безопасности и конфиденциальности.

Источник: argumenti.ru