Retail AI, которому доверяет
и мерчандайзер, и аудитор

Demand Forecasting

SKU-level прогноз спроса для закупок и мерчандайзинга.

• Иерархический прогноз (магазин / регион / национальный)
• MAPE / WAPE reported по категории
• Fusion внешних сигналов (погода, события, промо)
• Cold-start для новых SKU

Dynamic Pricing

Моделирование price elasticity с merchandiser-in-the-loop.

• Cross-elasticity внутри категории
• Атрибуция promo lift
• Guardrails: минимальная маржа, MAP
• A/B-tested до раскатки

Персонализация и рекомендации

Сигнал per-shopper, не сегмент.

• Cold-start через item embedding
• Session-aware ranking
• Diversity + serendipity controls
• Multi-objective (CTR, AOV, маржа)

Inventory Optimization

Safety stock и пополнение с реалистичными lead-time distributions.

• Multi-echelon оптимизация
• Моделирование вариативности lead-time
• Trade-off stockout vs holding-cost явно
• Интеграция с WMS / ERP

Fraud Prevention

Account-takeover, промо-abuse, refund-fraud detection.

• Device fingerprinting + behavioral biometrics
• Velocity checks (по IP, по карте, по устройству)
• Graph analysis для колец
• Моделирование cost of false-positive

Model Governance

Документация, мониторинг и rollback каждой production-модели.

• Model registry с lineage
• Drift detection по ключевым features
• Champion / Challenger flow
• Воспроизводимый feature engineering

РФ: 152-ФЗ, ФЗ-381, требования по локализации

152-ФЗ для данных покупателей и программ лояльности, требования к локализации баз персональных данных, ФЗ-381 о торговой деятельности, ограничения на ценовую дискриминацию.

Израиль: закон о защите приватности, закон о защите потребителя

Закон о защите приватности и правила безопасности данных 2017 года для клиентских баз и программ лояльности, требования к согласию на маркетинг, закон о защите потребителя в части раскрытия цены и условий акции.

ЕС: GDPR, EU AI Act, DSA

GDPR для shopper data, EU AI Act Article 6 / 9 / 10 (классификация рисков для recommender и ценовой дискриминации), Digital Services Act для marketplace-платформ, P2B-регулирование.

США: PCI-DSS, CCPA, CPRA

PCI-DSS v4.0 для карточных данных, CCPA / CPRA для данных потребителей Калифорнии, требования FTC к добросовестности алгоритмического ценообразования, ограничения штатов на price gouging.

PCI-DSS scope reduction и разделение обязанностей

Токенизация, secret-management, разделение обязанностей между commerce- и analytics-нагрузками, полный audit trail - построено так, чтобы уменьшить PCI scope и пройти внешний аудит.

Точность прогноза спроса

Что показывает индустрия: Top-quartile retailers отчитываются о 15-25% MAPE reduction на SKU-week уровне против naive baseline при комбинации hierarchical reconciliation и внешних сигналов (Gartner retail forecasting 2024).

Где входим мы: Иерархический прогноз (магазин / регион / национальный), fusion внешних сигналов (погода, события, промо), MAPE и WAPE reported по категории, не aggregate.

• MAPE / WAPE по категории, не aggregate
• Fusion внешних сигналов (погода, события, промо)
• Cold-start для новых SKU без bias к топ-продавцам
• Reconciled прогнозы через всю иерархию

Lift от динамического ценообразования

Что показывает индустрия: Retailers с моделированием price elasticity и merchandiser-in-the-loop показывают 2-5% margin lift в тестируемых категориях (McKinsey retail 2024).

Где входим мы: Cross-elasticity внутри категории, атрибуция promo lift, guardrails (min margin, MAP), A/B-тест до раскатки - мерчандайзер остаётся в петле по каждой категории.

• Cross-elasticity captured, не single-SKU elasticity
• Promo lift attribution отделён от baseline
• Guardrails по min margin и MAP
• A/B tested до category-wide раскатки

Recommender CTR

Что показывает индустрия: Per-shopper-signal recommenders показывают 18-30% CTR uplift над сегментными recommender'ами, с самыми большими выигрышами на cold-start сессиях (Bain digital retail 2024).

Где входим мы: Cold-start через item embedding, session-aware ranking, diversity / serendipity controls, multi-objective оптимизация (CTR, AOV, маржа) - не только last-click.

• Cold-start через item embedding (обрабатывает новых shoppers)
• Multi-objective (CTR, AOV, маржа), не только last-click
• Diversity и serendipity controls
• Session-aware ranking

Насколько чистыми должны быть данные о продажах?

Идеальных данных не бывает, но два дефекта критичны: несведённый справочник SKU и незафиксированные периоды out-of-stock. В первом случае модель считает один товар несколькими, во втором - принимает отсутствие продаж за отсутствие спроса и занижает закупку. Начинаем с аудита истории продаж и остатков, и только потом обсуждаем модель.

Как прогноз спроса ведёт себя на промо-всплесках?

Промо надо моделировать отдельно от базовой линии, иначе всплеск размазывается по истории и завышает прогноз на следующий период. Мы отделяем promo lift от baseline, учитываем каннибализацию соседних SKU внутри категории и подаём календарь акций как явный признак, а не как шум.

Как совместить персонализацию с требованиями к приватности?

Персонализацию можно строить на поведении в сессии и на связях между товарами, не собирая избыточный профиль покупателя. Данные разделяются по назначению, хранение ограничено сроком, согласие фиксируется - этого требуют и 152-ФЗ, и GDPR, и израильский закон о защите приватности. Рекомендательный движок при этом работает на обезличенных признаках.

Что нужно для интеграции с кассой и складом?

Нужен стабильный поток чеков из кассового ПО и остатков из WMS или ERP с понятной периодичностью и признаком актуальности. Если остатки обновляются раз в сутки, пополнение нельзя планировать по часам - и это ограничение архитектуры, а не модели. Реальную частоту обновления фиксируем до старта и проектируем под неё.

Почему цену нельзя отдать модели полностью?

Потому что у цены есть ограничения, которых нет в данных: минимальная маржа, договорённости с поставщиком, MAP, восприятие цены покупателем. Мы ставим guardrails и оставляем мерчандайзера в петле по каждой категории, а изменения раскатываем через A/B-тест, а не сразу на всю сеть.

С чего начинается проект?

С разбора текущего контура: где принимается решение о закупке и цене, какие данные до него доходят и с какой задержкой. Без этой картины модель ускоряет не то звено, которое реально мешает.