X5 Retail Group

Потребности покупателей, приходящих в магазины, вполне естественны: их интересуют качественные продукты, их наличие на полках, честные цены, отсутствие очередей. Торговая сеть — это огромная инфраструктура, и ошибки здесь недопустимы. Однако как сочетать жесткие правила работы с инновационной деятельностью?

В нынешнем мире цифровой трансформации главная цель любой компании, претендующей на лидерство, — скорость: лидеры должны двигаться быстрее рынка. Запущенная лаборатория как раз и представляет собой пространство, где можно быстро воплощать в жизнь революционные подходы и тестировать решения стартапов, помогая бизнесу двигаться вперед.

Фабрисио Гранжа: «Здесь возможно протестировать в боевой обстановке много различных решений и увидеть, как они влияют на покупателей»

«В этой лаборатории я вижу шанс сочетать одновременно и эволюционные, и революционные подходы. Здесь возможно протестировать в боевой обстановке много различных решений и увидеть, как они влияют на покупателей», — подчеркивает Фабрисио Гранжа, директор по ИТ X5 Retail Group. Это не место, где эмулируется работа систем, тут приходится иметь дело с реальными покупателями, которые приходят в магазин.

По словам Гранжи, самое тяжелое — не создать новое решение, а масштабировать его. Для этого надо не просто протестировать систему и быть уверенным в ее эффективности, но и оценить, подходит ли технология нынешней архитектуре, возможно ли ее масштабировать на 13 тыс. магазинов, наконец — жизнеспособна ли она в обозримом будущем.

Один процент успеха

«Очень часто нас спрашивают, а зачем мы вообще занимаемся инновациями, — говорит Вадим Капустин, директор по стратегическому развитию и инновациям X5 Retail Group. — Мы начали активно работать в этом направлении примерно полтора года назад. Если посмотреть на развитие российского ретейла в последние несколько лет, то очевидно, что конкуренция на рынке заметно выросла». За 10 лет торговые площади на душу населения увеличились вдвое, и ожидается, что в течение 10–15 лет они еще раз удвоятся или даже утроятся. Это означает, что в магазины будет все сложнее привлечь покупателя. Борьба идет уже сейчас, и она будет усиливаться.

«Для того, чтобы дать покупателю то, что ему нужно: удобство, невысокую цену, приятный процесс покупки, — мы запустили инновационный процесс», — рассказывает Капустин. Некоторые тестируемые в лаборатории технологии — например, электронные ценники — помогают покупателю определять цену на товар, минимизируют ошибки, вызванные человеческим фактором. Кассы самообслуживания, в том числе работающие через мобильные телефоны, позволяют сократить очереди. RFID-технологии дают возможность мгновенно считывать содержимое корзины и выдавать чек.

С другой стороны, чтобы снизить цены или хотя бы удержать их на нынешнем уровне, необходимо следить за издержками. Например, с помощью специальной информационной панели магазин в реальном времени отслеживает расходы на электричество. Если удастся получать своевременную информацию о перерасходе электроэнергии и не допустить такого перерасхода, это в конечном счете позитивно отразится на ценах.

Вадим Капустин: «На входе нашей технологической воронки за полтора года побывало более 500 решений. В стадию промышленного внедрения перешло лишь шесть из них»

Помимо технологий, которые уже известны и используются, в лаборатории тестируются и такие, которые пока еще в новинку. Так, одно из решений — «умная полка». Суть его в том, что с помощью встроенных светодиодов в реальном времени определяется наличие товара на полке. Сейчас контроль наличия товаров тестируется двумя способами: с помощью видеоаналитики и «умных полок». «Какая из этих технологий себя оправдает — большой вопрос, потому-то мы и занимаемся их тестированием. Но надеюсь, что в следующем году одну из них мы будем развертывать», — поясняет Капустин.

Процесс оценки инноваций представляет собой классическую воронку, известную в маркетинге. На ее вход поступают технологии, они «просеиваются», затем тестируются и пилотируются и в случае успеха могут быть использованы в масштабах всей сети. По словам Капустина, на входе этой воронки за полтора года побывали более 500 решений, в том числе от различных стартапов. Детально были изучены 160 решений, более 60 либо уже миновали стадию пилотирования, либо находятся в ней сейчас. В стадию промышленного внедрения перешло лишь шесть решений — примерно 1%.

В следующем году, благодаря появившейся лаборатории, в X5 планируют выйти на более широкие масштабы инновационной работы и довести число решений, прошедших в жизнь, до 20–30. Тогда можно будет говорить об успехе модели «конвейера инноваций».

Направления инноваций

«Весь процесс внедрения инноваций — от идеи до реализации — мы разделяем на три этапа», — делится Виталий Порубов, руководитель направления «Стратегия и инновации» дирекции по ИТ X5 Retail Group. Первый — этап прототипирования. Когда неочевидно, как решение должно работать, или для проверки нужны сложные интеграции и доработки, с ним приходят в магазин-лабораторию. Здесь невозможно проверить экономику решения — его влияние на прибыль и затраты, но его можно проверить технически, а заодно посмотреть, как на него реагирует покупатель.

Следующий этап — пилотирование. Он реализуется в нескольких магазинах (от пяти до сотни), чтобы проверить влияние на экономические показатели: продажи, трафик, затраты. До сих пор большинство внедряемых технологий сразу поступало на стадию пилота, однако уже в процессе проекта почти всегда возникали неожиданные сложности. Чтобы ускорить пилоты, и была создана площадка, где можно протестировать технологию в лабораторных условиях.

Третий этап, ожидающий проект в случае успешной проверки бизнес-гипотезы и экономической составляющей, — тиражирование на всю сеть. «Разумеется, мы не можем моментально переделать 13 тыс. магазинов. Приходится их постепенно улучшать», — констатирует Порубов.

В X5 выделяют шесть основных направлений инновационных проектов, их в компании называют стримами. Первый стрим — все, что касается покупательского опыта: сокращение очередей, различные сценарии самообслуживания, омниканальность.

Второй стрим — технологии персонализации, дающие возможность узнать покупателя. У X5 одна из самых больших программ лояльности, в ней участвует почти 60 млн клиентов. Однако на данный момент с ними возможно взаимодействие лишь по различным офлайн-механикам. Например, после предъявления на кассе карты лояльности можно вместе с чеком распечатать покупателю персональное предложение или прислать SMS.

Виталий Порубов: «Если мы научимся узнавать покупателя на входе в магазин, а еще лучше — на подходе к магазину, то сможем взаимодействовать с ним в реальном времени в процессе шопинга»

«Наши нынешние акции дают эффект, но если мы научимся узнавать покупателя на входе в магазин, а еще лучше — на подходе к магазину, то сможем взаимодействовать с ним в реальном времени в процессе шопинга, делать ему персональные предложения. Это даст гораздо больший эффект с точки зрения бизнеса», — говорит Порубов. Для реализации такого сценария требуется не только внедрение систем видеоаналитики, но и развитие точек внутри магазина, чтобы донести до покупателя предложения — возможно, через цифровые вывески или на мобильный телефон с помощью push-уведомлений.

Третий стрим инноваций касается товаров на полке: зонирования полочного пространства, проверки корректности планограммы, доступности товара на полке. Сюда же относятся прослеживаемость товара и контроль его срока годности. Это может стать актуальной проблемой с учетом того, что сейчас обсуждается законопроект об отмене возвратов и обратной реализации. Хорошо бы, например посредством маркировки или RFID, научиться понимать, когда близится к истечению срок годности товара и, возможно, применять динамическое ценообразование, чтобы снизить его стоимость.

Четвертый стрим ориентирован на повышение эффективности операций внутри магазина, в том числе на мобильность сотрудников. Например, рассматривается проект, предполагающий замену компьютера у директоров магазинов на универсальное мобильное устройство, с помощью которого они смогут выполнять все необходимые операции. Пятый стрим — решения Интернета вещей, все, что касается концепции «умного магазина». У ретейлера сотни тысяч единиц различного оборудования; его мониторинг, контроль эффективности работы и предсказание отказов — очень важная задача.

Наконец, шестой стрим нацелен на оптимизацию существующей ИТ-инфраструктуры. Многие современные технологии — видеоаналитика, управление медиаконтентом — сильно влияют на инфраструктуру магазинов и каналы связи. Как построить решение, чтобы оно было одновременно недорогим и не обрушило существующую архитектуру? Над этим тоже необходимо думать.

***

Возможно, через построенную технологическую воронку удастся продвинуть не только бизнес X5 Retail Group, но и весь российский рынок. Очевидно, что многие из тестируемых технологий вполне применимы не только в других компаниях, но и в других отраслях.

Какие прикладные задачи крупные торговые сети научились решать с помощью машинного обучения? Валерий Бабушкин, начальник управления развития данных X5 Retail Group, руководитель группы аналитики компании «Яндекс» и приглашенный преподаватель НИУ «Высшая школа экономики», рассказал об этом журналу «Директор информационной службы» (CIO.ru). Больше по этой теме можно будет узнать из его доклада на практической конференции «Технологии машинного обучения 2018» (организатор «Открытые системы», Москва, 25 сентября 2018 год).

- Что заставляет ретейлеров браться за технологии машинного обучения?

Когда есть огромный бизнес с оборотом 1,6 трлн руб. (оценка на 2018 год), свыше 250 тыс. сотрудников, более 13 тыс. магазинов (на 30 июня 2018 года. – Прим. ред.), очень остро встает вопрос оптимизации. Даже 0,5% от такого оборота превращается в дополнительные 8 млрд руб. в год. В следующем году вырастаем еще на 20%, и тогда добавка составит 10 млрд руб. А если можно оптимизировать 1%? А 2%?

Машинное обучение непосредственно решает задачи оптимизации. Например, мы ищем минимум функции потерь. Возможно, это звучит немного пугающе, но фактически речь идет о простой аппроксимации какой-то функции.

Математический аппарат машинного обучения не нов, линейной регрессии более ста лет, а первая статья о нейронных сетях и персептроне написана Фрэнком Розенблаттом еще в 1960-х годах.

- Но обучать нейросети на бизнес-данных начали не так уж давно...

Валерий Бабушкин: «Нет никакого искусственного интеллекта, если не считать таковым выполнение какой-то задачи в автоматическом режиме. Есть математические алгоритмы решения строго определенных прикладных задач»

Нейросети – одна из областей машинного обучения. С их помощью решают прикладные задачи, связанные с видео, аудио и текстами. Нейросети работают лучше, чем классические методы, а что касается качества задач видео и аудио – на порядок лучше, чем все, что было до них.

Это уже не первая «весна» нейронных сетей, а третья. Предыдущий расцвет был в 1980-х годах, а первый – в 1960-х, когда многослойный персептрон должен был находить на фотографиях грузовики и танки. С чем связан их ренессанс? Наконец появились достаточные мощности, чтобы их использовать, и достаточное количество размеченных данных. Но энтузиасты занимались нейросетями и раньше. Сегодня же это стало более распространено благодаря тому, что в глобальном мире новую информацию можно получать практически мгновенно.

- Но в первую и вторую волну это были всего лишь интересные эксперименты, а теперь нейросети обещает стать базовой технологией для любого бизнеса.

Да, это стало доступно, потому что сейчас мощный компьютер – это смешные деньги для крупной компании.

- Какие задачи торговые сети уже решают с помощью искусственного интеллекта и почему именно эти задачи?

«Искусственный интеллект» – термин модный, но некорректный. Нет никакого искусственного интеллекта, если, конечно, не считать таковым выполнение какой-то задачи в автоматическом режиме. Есть некие математические алгоритмы решения строго определенных прикладных задач – если задать условия и предоставить данные, на которых они смогут «учиться». Да, применяя заранее заданные правила, они сами обнаруживают закономерности и, условно, их «выучивают». Но нет искусственного интеллекта, который самообучается, это очень большое преувеличение.

- Так какие именно задачи решаете вы?

Мы должны предсказывать на месяц вперед, какой будет спрос на каждый из 8 тыс. товаров в каждом из 13 тыс. магазинов – 104 млн прогнозов. Нам нужно понять, как правильно проводить промоакции, как товары влияют друг на друга, когда продажи одного товара растут в ущерб продажам другого, похожего, и т. д.

Еще одна задача – оптимизация ремонтов. В каждом магазине стоят холодильники с датчиками. Холодильники обычно не ломаются внезапно, процесс деградации можно отследить и построить модель, которая на основании поступающих с датчиков данных будет подсказывать, какой холодильник вскоре выйдет из строя. Это позволит отремонтировать его заранее и заодно выбрать оптимальный маршрут для ремонтной бригады.

Следующая задача связана с размещением товаров на полке. В магазин привозят не только те 50 пачек сока, которые помещаются на полку, а больше. Когда товар на полке заканчивается, клиент проходит мимо, хотя на складе товар есть. Но можно поставить камеру, которая будет определять количество товара на полке и, когда его остается мало, сигнализировать о необходимости пополнить полку. Это задача компьютерного зрения, и в решении используются уже упомянутые нейросети.

Кроме того, планируем решать классическую задачу HR-аналитики, которая стоит перед всеми компаниями, где много людей и большая текучка. Когда человек увольняется – это всегда расходы, и чем больше компания, тем больше затрат. Поэтому все стремятся снизить текучку. Если человек увольняется, значит, его что-то не устраивает. Если он увольняется спустя два месяца после своего прихода в компанию, значит, при приеме где-то была совершена ошибка. Процесс подбора под конкретные задачи людей, которым долго будет комфортно работать в компании, тоже можно оптимизировать. Эта задача стоит и в других странах, и в других отраслях, и ее можно довольно успешно решать с помощью машинного обучения, помогая миллионам людей найти то место, где им будет комфортно и приятно работать длительное время.

- Под каждую из задач разрабатывается отдельное ИТ-решение или они строятся на одной платформе?

Обычно по методологии Scrum создается кросс-функциональная команда, куда входят разработчики, аналитики, исследователи данных, инженеры по данным, инженеры машинного обучения под руководством «владельца продукта», отвечающего за конечный продукт. Они работают совместно, используя различные языки программирования.

Как создаваемый ими продукт реализуется технологически, зависит от конкретной бизнес-задачи. И задача, где надо получить результат через 8 миллисекунд, очень сильно отличается от задачи, где результат можно получить через две недели. Скажем, предсказывая, каким будет розничный оборот магазина через год, чтобы понимать, стоит ли открывать магазин в конкретной точке или нет, мы можем выдать результат через неделю, но результат нужен максимально точный. А если разрабатывается рекомендательная система для магазина «Перекресток Онлайн», то результат нужен очень быстро, потому что когда человек положил товар в корзину, ему тотчас же надо рекомендовать. Это абсолютно разные платформы и разные реализации.

Поэтому нет единой платформы, но есть единый стек ИТ-инструментов, и на разных частях этого стека строятся конкретные продукты. С точки зрения оргструктуры функция разработки ИТ-продуктов для работы с данными в X5 отдана отдельной дирекции, которая принимает «заказы» от других подразделений.

- Достаточно ли уже накопленного опыта в области машинного обучения для результативного решения перечисленных задач? Или это пока все же экспериментальная площадка?

Всё перечисленное активно работает. Проект с компьютерным зрением – это, скорее, «пилот». Сделать что-то в одном магазине несложно, сложно масштабировать это на 13 тыс. магазинов, это уже инженерная задача. Пока компьютерное зрение охватывает 20-30 магазинов, но, думаю, вскоре станет реальностью для всей сети.

Ну а такие задачи, как предсказание спроса, уже решаются в производственном режиме.

- И можно уже говорить о результатах?

Результат – то, что X5 растет на 20% в год. Влияние отдельных шагов очень сложно вычленить, всё вносит свой вклад. Но мы проводили пилотный проект по моделям лояльности и зафиксировали увеличение трафика на 4%. Это фантастически много!

- Что мешает развивать технологии машинного обучения в ретейле?

Мы занимаемся все-таки не развитием технологий, мы не исследователи. Мы решаем прикладные задачи, характерные для нашей отрасли.

Когда есть много данных из разных источников, возникает проблема интеграции и качества данных. Это самая большая проблема. Особенно если компания проходила через слияния или приобретала другие компании, у которых были свои системы хранения и свои стандарты.

- И как вы ее решаете?

Есть специальные службы. Например, отдел ЕTL (extraction transformation loading) занимается извлечением, трансформацией и загрузкой данных, управление мастер-данных чистит данные, приводит их в божеский вид и тоже загружает. Исходные данные могут быть повреждены, загрязнены, они могут оцифровываться или вноситься вручную с ошибками.

Только в нашей дирекции без малого сорок специалистов пишут скрипты для очистки данных. Это постоянный и трудоемкий процесс, тяжелая работа, она, безусловно, удлиняет сроки реализации любых проектов. Но если у вас нет хороших чистых данных, на этом можно завершать работу: как говорится, «мусор на входе – мусор на выходе».

Какую компанию ни возьми, 80% времени исследователь данных тратит на работу с данными, а не с алгоритмами. И на вопрос «Как улучшить алгоритм?» стандартный ответ такой: «Нужно больше данных».

- О чем вы собираетесь рассказать участникам конференции?

Я с удовольствием расскажу про uplift-модели (модели прогнозирования воздействия), это очень интересная тематика. Представьте, что у нас есть m клиентов и n воздействий, которые мы можем оказать на каждого из них. Например, послать SMS со скидкой на 100, 200 или 300 руб. – уже три воздействия. Мы хотим максимизировать покупки клиента, поэтому прислали ему SMS со скидкой на сыр, и он его купил. Казалось бы, это хорошо. Но если он купил бы его и без SMS, то получается, что мы зря потратили деньги на скидку. Если же он не купил, результат тоже не очень хороший, ведь рассылка SMS десяткам миллионов покупателей – это расходы. Третий вариант: без сообщения он бы не купил, а благодаря сообщению купил – это успех. И четвертый вариант, когда мы послали SMS, а клиент говорит: «Как же вы мне надоели, все время отвлекаете, никогда больше в ваш магазин не приду». Это самый плохой результат.

Проблема в том, что у нас нет параллельных вселенных, в которых мы могли бы одному и тому же человеку прислать SMS и не прислать SMS, чтобы посмотреть, как лучше. Но есть ряд математических методов, которые позволяют такую проблему решать. Как это сделать, я и буду рассказывать.