Главная КейсыПроверено в «Дикси»: как новая модель Imredi OSA на 30% повышает эффективность в работе с доступностью товара

6 марта 2026, 5:00

Проверено в «Дикси»: как новая модель Imredi OSA на 30% повышает эффективность в работе с доступностью товара

Торговая сеть «Дикси» повторно протестировала цифровое решение для управления доступностью товаров Imredi OSA спустя год после отказа от него в пользу другого вендора. О том, как «Дикси» и Imredi OSA удалось пересобрать модель машинного обучения (ML) и увеличить экономический эффект на 30%, – в совместном кейсе.

Фото: Imredi

Ранее мы уже рассказывали о пилоте Imredi OSA в одной из крупнейших продуктовых сетей России «Дикси». Пробный проект был реализован в 2023 году и показал высокие результаты. Однако руководство компании выбрало другого поставщика, который на рынке был уже давно и хорошо зарекомендовал себя.

О том, почему руководство «Дикси» решилось на повторное пилотирование Imredi OSA и что изменилось в продукте всего лишь за год, рассказала Татьяна Труфанова, директор по развитию продуктового направления Imredi OSA: «Когда заказчик выбирает конкурента – это не провал, а вызов сделать систему еще лучше, эффективнее, “докрутить” модель машинного обучения (ML-модель), чтобы в перспективе работа с доступностью в торговой сети ассоциировалась у ритейлеров только с Imredi OSA.

Поэтому мы взяли длительную паузу и пришли к коллегам из “Дикси” с уже разработанной прогрессивной математической моделью машинного обучения, которую предстояло откалибровать и ”обучить” уже на данных торговой сети. Коллеги поддержали идею повторного пилотирования, рискнув вынести на первый план проекта разрешение некоторых ключевых проблем сети с помощью Imredi OSA».

Imredi OSA – это цифровой продукт на базе искусственного интеллекта и машинного обучения (ML), предназначенный для автоматизации управления доступностью товаров на полках магазинов. Решение входит в состав единой цифровой платформы Imredi, которая объединяет более 60 бизнес-процессов для автоматизации операционной деятельности ритейлеров.

Вызов: максимальная эффективность при ограниченных ресурсах

Острая нехватка сотрудников в ритейле сохраняется, поэтому главной задачей для «Дикси» на старте пилота было оптимизировать работу с операционными сигналами. Поэтому за основу мы взяли стремление компании:

снизить количество сигналов для разгрузки линейного персонала;
повысить точность каждого оповещения, чтобы сотрудники тратили время только на проверку реальных инцидентов;
сохранить и превзойти достигнутый ранее экономический эффект.

Таким образом, фокус сместился с количества на качество: необходимо было обеспечить максимальную отдачу при минимальных трудозатратах с учетом нехватки линейного персонала и преизбытка задач, который ежедневно сваливается на каждого сотрудника.

«Каждый рабочий день сотрудников магазинов “Дикси” включает огромный объем задач – это общение с покупателями, выкладка товара, соблюдение стандартов, приемка, инвентаризация и замена ценников и др. Все это – необходимая ”рутина”, которую нельзя исключить, и нет возможности нагружать людей дополнительной работой, которая не будет приносить результат. Поэтому работа с доступностью должна быть выстроена очень продуманно – минимальный список для проверки, позиции которого должны давать максимальный эффект для бизнеса.

Вручную или интуитивно выбрать такие товары просто невозможно, поэтому без новейших технологий с использованием машинного обучения не обойтись. Исходя из этой стратегии, мы и сформировали основные цели на повторное пилотное тестирование Imredi OSA по работе с доступностью товаров на полке», – комментирует Сергей Огарков, руководитель отдела розничных технологий «Дикси».

Решение: совместная разработка прогрессивной модели

В основе совместной работы «Дикси» и Imredi лежали несколько ключевых улучшений.

1. Динамическая кластеризация точек. Вместо единого подхода ко всем магазинам модель научилась адаптироваться под специфику каждой отдельной точки сети, что позволило максимизировать экономический эффект для разных форматов и локаций.

Расширенный анализ сценариев. Если предыдущая модель реагировала в основном на полную остановку продаж, то новые алгоритмы учитывают более сложные и ранние признаки потенциальных потерь, например, аномально высокие продажи, замедление продаж без полной остановки. Это позволило выявлять риски проактивно, до наступления значительных финансовых потерь.

2. Устойчивость к деградации. Новая модель обладает улучшенной адаптивностью к изменениям в продажах и более стабильной точностью в долгосрочной перспективе.

Результат: цифры говорят сами за себя

В основу обновленной модели машинного обучения (ML) легли новые ключевые показатели эффективности (KPI).

Точность подтвержденных сигналов (T1): от 50% до 60% в зависимости от магазина (в среднем – 52%).
Количество сигналов сократилось на 20%, что существенно снизило нагрузку на персонал. Например, раньше нужно было направить 50 сигналов, а сейчас достаточно 40 для получения той же эффективности.
Экономический эффект вырос более чем на 30% благодаря более точному и целевому выявлению инцидентов.

Эти цифры означают, что сотрудники «Дикси» теперь тратят меньше времени на проверки, но каждая их проверка с большей вероятностью приводит к реальному экономическому результату.

«Совместно с коллегами из Imredi мы полностью пересмотрели и обновили методологию и структуру модели машинного обучения (ML), чтобы она полностью отвечала нашим требованиям и решала задачи нашего бизнеса. Предыдущий опыт пилотирования и сравнение различных технологических решений позволили нам практическим путем выбрать и сформировать стратегию работы с доступностью товаров на полке, которая дает максимальную эффективность при минимальных трудозатратах», – рассказывает Дмитрий Капитонов, руководитель проектов департамента цифровой трансформации «Дикси».

Фото: Imredi

Залог успешного проекта – совместная работа на каждом этапе

Достичь таких показателей позволил не только технологический прорыв, но и правильная организация процесса. У эффективной командной работы есть три базовых принципа, которые были реализованы в пилоте с «Дикси».

Совместное определение целей и метрик. Мы заранее согласовали с заказчиком, какие показатели являются критически важными, а какие второстепенными.
Правильное позиционирование инструмента. Продукт был внедрен не как инструмент надзора, а как система помощи сотрудникам, которая облегчает их работу и помогает предотвращать потери.
Беспрерывная обратная связь. Регулярный обмен данными «с полей» и от Imredi позволил непрерывно улучшать качество модели и тонко настраивать ее под реальные бизнес-процессы.

«Этот проект наглядно демонстрирует, что переход от точечных пилотов к полноценным совместным стратегическим проектам на основе современных технологий машинного обучения открывает новые возможности для оптимизации и роста в ритейле», – комментирует Татьяна Труфанова, директор по развитию продуктового направления Imredi OSA.

Ключевые преимущества ритейлера, которые гарантирует работа с доступностью товаров в Imredi OSA:

Снижение потерь продаж от 1%.
Снижение товарного запаса до 3−5 дней.
Индивидуальные сигналы по товарным позициям (SKU) для каждого магазина на основе модели машинного обучения (ML).
Систематическая отработка сигналов наличия товаров на полке (OSA) персоналом торговой точки.
Отсутствие перегрузки сотрудников (процесс занимает около 60 минут).
Выявление узких мест в бизнес-процессах.
Дополнительная аналитика и алертинг для территориальных менеджеров.

Оставить заявку на демонстрацию функционала, получить расчет эффектов и обсудить персональные задачи вашей сети можно бесплатно по ссылке.

Retail.ru

Реклама. ООО «ИМРЕДИ», erid: 2W5zFHusid7