#заметки с конференции IT Retail Day от TAdviser, 🗓12.03.2026 г.
#заметки с конференции IT Retail Day от TAdviser, 🗓12.03.2026 г. Напомню, что на подобных конференциях обычно выступают спикеры из компаний «среднего звена» и рассказывают «земные» кейсы, в отличие от тех конференций, где собираются самые крупные и богатые Спойлер: судя по выступлению разного плана директоров компаний этого уровня, самый топовый кейс внедрения ИИ – это ИИ в контактном центре и речевая аналитика в разных интерпретациях Тануки, автоматизация контактного центра Сделали гибридную архитектуру: сценарный бот - 80% типовых обращений AI маршрутизатор - понимает свободную форму запроса и перенаправляет, точность 95% AI агент – «обработка эмоционально заряженных сценариев (жалобы, опаздания)» с «человеческим» подходом Итог: 65% чаты, 35% голос (в 2024 было больше голоса, чем текста) 70% (72 тыс.) обращений решаются автоматически Среднее время решения сократилось в 5 раз Текучесть существенно снизилась (не знаю до скольки, в 2024 была 200%) Проще стали проходить пиковые даты Численность сократилась до 41 чел. (в 2024 было 62 чел) Кофемания, кейс про автоматизацию (не без помощи ИИ, конечно) планирования поставок комментарий от меня: интересно, т.к. факторы и условия для планирования численности в HoReCa похожи Особенности планирования • Краткосрочный горизонт прогноза (до 3 дней) — высокая точность vs. долгосрочная неопределённость • 2 места приготовления: кухня ресторана + центральное производство — разные тех карты и сроки • технология приготовления: время готовки, сложность, перекрёстное использование ингредиентов в зависимости от рецепта (где-то нужен целый огурец, а где-то лучше привезти уже нарезанные) • высокие издержки из-за высоких списаний продуктов • поставки 2 раза в день Эволюция похода: 1 – экспертная оценка шеф-поваров (субъективно, не масштабируемо) 2 – простые стат методы в excel (не учитывают контекст) 3 – ML-прогнозирование (многофакторынй анализ, адаптация к паттернам) Сделали модель планирования в сочетании с 2мя алгоритмами: · CatBoost: отлично работает с категориальными признаками (тип ресторана, день недели, сезонность), устойчив к переобучению на коротких рядах · AutoGluon: автоматический подбор ансамблей, быстрое прототипирование Прогноз на 3 дня, точность 95% Планы: • Углубление точности прогноза, переход от дневного к внутридневному прогнозу (обеденный и вечерний пик) • Расширение контекста – интеграция внешних факторов – праздники, погода, фактический трафик Спикер из М-Видео рассказывал про сложное гибридную инфрастуктуру, но интересно было про 3 ключевые проблемы ритейла, которые в марте 2026 попали в новый контекст: • Черная пятница – сайт лег • Данные клиентов под угрозой • Интернет пропал – магазин встал (изначально предполагалось что речь тут про магазины в удаленных региональных городах) Спикер из АвтоСпецЦентра, по совместительству управляющий ИТ и маркетингом, не понаслышке понимающий что такое NPS, рассказал про использование ИИ для создания «дайджеста негатива» комментарий от меня: employer brand менеджерам на заметку Архитектура: • Парсер новых отзывов на яндекс картах • ИИ анализатор опросов NPS на негативные отзывы • ИИ анализатор входящих звонков на негатив в разговоре • Входящие письменные жалобы с email Все это обрабатывается ИИ обработчиком, который составляет «краткую сводку по негативу» и топ-5 причин по NPS Напитки вместе Тоже нацелены на выявление из контактов с клиентами негатива + выявлению актуальных потребностей клиентов и сборе спонтанной обратной связи от клиента во время продаж (ОС о качестве продукции, работе портала В2В, работе торговой команды, доставки, потребительских предпочтений, полученных в диалоге «между делом») В планах: • Продвижение клиентам новинок, работа с возражениями • Обучение полевой команды • Мотивационные программы для агентов на основе справедливой оценки качестве через речевую аналитику • Виртуальный наставник, построенный на реальных диалогах