Для собственника и директоров розничной сети. Агент опирается на выверенные данные сети: замечает отклонение на любом уровне, от сети в целом до товара в одном магазине, называет причину, оценивает её в рублях и готовит задачу с ответственным и сроком.
Получить пример сводкиИИ-агенты InfoVizion сейчас работают в пилотах с розничными сетями. Пример сводки собран на обезличенных данных.
| Задача | Причина | Кому |
|---|---|---|
| Встретиться с поставщиками, которые чаще всего недовозят | 46% заказов закрываются без поставки | Закупки |
| Перенастроить автозаказ | из-за сбоев упущено 9,2 млн ₽ прибыли | КМ |
| Проверить магазины с OOS выше среднего по сети | товар есть в остатке, но не выставлен на полку | Территориалы |
Цифры на экране условные: они показывают, как устроен вывод агента.
Просадку в отчёте видно в тот же день. Чтобы назвать её причину, нужно свести десятки отчётов, а потом решить, кто и к какому сроку её устраняет. Чем короче этот путь, тем меньше прибыли сеть теряет на каждом отклонении.
Данные собирают из разных срезов и каждый раз заново проверяют одни и те же гипотезы.
Пока причина не названа, задачу некому поручить и непонятно, к какому сроку её ставить.
Решение готовят, принимают и проверяют неделями, и всё это время прибыль продолжает уходить.
Агент сокращает путь от отклонения до решения, поэтому потери по каждому отклонению останавливаются раньше.
Что меняется, когда причину и задачу готовит агент.
Отклонение исправляют, пока потери не накопились. Причина и сумма известны к ближайшему оперкому: сводку по сети из 230 магазинов аналитик собирал бы неделю, агент готовит её заранее.
У каждой причины отклонения своя сумма. Видно, на что приходится основная часть потерь, и ресурс направляют туда, где отдача выше.
У каждой задачи есть ответственный. Через срок видно, вернулись ли деньги, а если эффекта нет, команда сразу меняет подход.
Обычно аналитика отвечает на вопросы, которые вы ей задали. Агент задаёт их сам: разбирает данные по правилам вашего бизнеса и превращает вывод в задачу.
Агент работает поверх данных, которые у сети уже есть.
Задача приходит в приложение Быстродел, в Быстродел.Офис или остаётся в интерфейсе агента.
Сеть, формат, регион, магазин и товар одновременно.
Почему упали продажи: цена, промо, свежесть или поставщик.
Сверяет их со списком ред-флагов.
Замечает, что нового появилось в категории, и подсказывает, куда смотреть.
Агент делает выводы по вашим цифрам и по вашим правилам. Решение и ответственность остаются за командой.
Считает аналитика, агент делает выводы. Любое число можно проследить до первоисточника: категории, поставщика, номера заказа.
Регионы, города, магазины и товары заменены нейтральными метками.
Агент собирает данные, проверяет гипотезы и предлагает варианты. Какой из них выбрать, решают ваши руководители.
При разборе видно, когда поставили задачу, кто за неё отвечал и выполнили ли её в срок. Это защищает решение и того, кто его принял.
Правила отработаны в проектах коммерческой аналитики с 40+ сетями. Модель можно сменить, методология при этом сохраняется.
Сеть из 100+ магазинов разных форматов: дискаунтеры, магазины у дома, гипермаркеты. Два случая, где агент нашёл причину, а команда приняла решение.
Случай 1. Сосиски в промо · решение 21.10
магазинов с пустой полкой за полторы недели после решения
Причина была в настройке запаса, поэтому команда исправила её сама, без участия поставщика.
Случай 2. Йогурт · решение 23.10
от решения до роста продаж
Автозаказ со временем сам пересчитал бы страховой запас, но для бизнеса это слишком долго. С рекомендациями агента решение нашли за несколько дней.
Ниже четыре направления, по каждому показан пример вывода агента. Полный список агентов — в конце блока.
Расширенная сводка по сети: из 35+ возможных причин отклонений агент выбирает 5 главных и показывает, сколько стоит каждая.
| Ред-флаг по сети | Потери |
|---|---|
| Собственное производство работает без правила пополнения | 13,5 млн ₽ |
| Товар числится в остатке, но его нет на полке | 2,5 млн ₽ |
| Под промо не увеличили объём заказа | 1,6 млн ₽ |
Причины OOS: почему товара нет на полке, сколько выручки это стоит и кому поручить задачу.
| Причина OOS | Кому | Прибыль |
|---|---|---|
| Сломанный автозаказ | Автозаказ, КМ | 9,2 млн ₽ |
| Товар без правила пополнения | КМ | 4,0 млн ₽ |
| Промо разогнало спрос | Промо, КМ | 1,6 млн ₽ |
Защита категории: паспорт категории с проверенными гипотезами готов на следующий день после закрытия квартала.
| Гипотеза квартала | Итог |
|---|---|
| Падение продаж — тенденция рынка | опровергнута |
| Заказ идёт минимальными партиями | подтверждена |
| Сервис поставщика ограничивает оборот | подтверждена |
Планирование визитов супервайзера: куда ехать первым и что там проверить. Одна сводка вместо стопки отчётов.
| Территория | Наличие топ-1200 | Продажи |
|---|---|---|
| Территория 05, 14 маг. | 91,6% | 68,2% |
| Территория 07, 11 маг. | 88,8% | 77,0% |
| Территория 10, 8 маг. | 91,4% | 81,6% |
Цифры на экранах условные: они показывают, как устроен вывод агента.
Любого агента настраиваем под вашу сеть. Если нужного агента нет в списке, соберём его под вашу задачу.
Все агенты работают по одному циклу: находят отклонение, называют причину, готовят задачу и через срок проверяют эффект. Так у каждого отклонения появляются владелец, срок и измеренный результат. Первые агенты начинают работать через 2 месяца после старта.
Подключаем данные, агент делает первые выводы, а мы вместе с вашей командой оцениваем, насколько они полезны.
Выводы агента становятся задачами в журнале решений. Через срок агент проверяет эффект.
Задача приходит сотруднику магазина, а мы вместе с вашей командой смотрим, что изменилось в цифрах.
На этом опыте построены правила, по которым агенты ищут отклонения.
Сети, с которыми мы работаем










Можно. Кроме модели понадобятся нормы для каждой категории, формата и региона и правила поиска отклонений. Мы отрабатывали их в проектах с 40+ сетями, своей команде этот путь придётся пройти методом проб и ошибок. Для этого нужен и разработчик, и методолог с опытом в рознице.
Агент работает поверх данных, которые у сети уже есть, и берёт цифры из выверенного слоя аналитики. Аналитики получают готовые выводы и освобождают время, которое уходило на сбор отчётов.
Да. Сейчас агенты работают с продуктами питания и товарами для дома. Нормы и правила поиска отклонений настраиваются под сеть, поэтому подход переносится и на другие категории и форматы.
Только обезличенный срез: регионы, магазины и товары заменены нейтральными метками.
Ваша команда. Агент собирает данные, проверяет гипотезы и готовит варианты. У каждой задачи есть ответственный и срок, а после срока видно, сработало ли решение.
Пришлём пример сводки на обезличенных данных: что агент нашёл, чем это объяснил и какие задачи подготовил.
Получить пример сводки