Кейсов внедрения: 261. Как компании применяют искусственный интеллект, какие задачи решают и какие результаты публикуют.
Лидер e-grocery в России внедрил ИИ-тренажёры на базе target ai и Yandex SpeechKit для обучения операторов через моделирование взаимодействия с клиентами.
Время подготовки новых сотрудников сократилось на 40%, число одновременно обучающихся операторов выросло в три раза; система проводит более 60 тыс. тренировок в месяц.
Собственная нейросеть по фотографии одежды на пустом фоне создаёт изображение той же одежды на виртуальной модели.
Количественный эффект не раскрыт.
Запущена WFM-платформа: ML-алгоритмы прогнозируют покупательскую активность и рассчитывают оптимальную численность сотрудников; менеджеры публикуют смены, а сотрудники выбирают их через мобильное приложение.
Точность планирования смен повысилась на 10%, эффективность работы персонала — на 25%; заявлена точность распределения ресурсов до 90%.
Специалисты анализируют с помощью «Нейроаналитика» воронку регистраций курьеров и конверсии.
Количественный эффект не раскрыт.
Данные из ERP и CRM интегрировали в единое хранилище; для сегментации клиентов применили алгоритм k-means вместо традиционного подхода.
Выручка выросла в 1,3 раза, затраты на маркетинг сократились вдвое, уровень конверсий сохранился.
Маркетплейс встроил экспертизу сомелье в Telegram-бота: модель учитывает запрос и предпочтения клиента, классифицирует характеристики вин и предлагает доступные на складе позиции.
В августе 2024 года 12% заказов оформлены после перехода из бота. За октябрь–декабрь пользователи сделали более 18,7 тыс. целевых переходов в каталог.
Маркетплейс использует языковую модель для рассылки, учитывающей поведение пользователя за предыдущие полтора месяца.
Конверсия персонализированных писем выросла на 70%. Тип целевого действия и база сравнения не раскрыты.
X5 Group внедрила систему ИИ-касс, которая работает более чем на 17 тыс. кассах сети и обрабатывает 40% чеков с помощью искусственного интеллекта.
Ошибки сканирования сократились на 10%.
В «Ашане» чат-боты на базе генеративного ИИ помогают клиентам.
Количественный эффект не раскрыт.
«Лемана Тех» и GlowByte внедрили систему прогнозирования заказов на услуги «Лемана Про».
Количественный эффект не раскрыт.
Маркетплейс применяет алгоритмы динамического ценообразования в режиме реального времени.
Количественный эффект не раскрыт.
Маркетплейс применяет алгоритмы персонализации для рекомендаций товаров.
Количественный эффект не раскрыт.
В дилерской сети внедрили речевую аналитику и использовали её для корректировки скриптов.
Доля продаж дополнительных продуктов в общем объёме выручки выросла с 3 до 20%.
Модели ML оценивают потенциальные продажи, каннибализацию действующих магазинов, арендные ставки и подходящий формат новой торговой точки.
Поддержка управленческих решений об открытии магазинов; количественный эффект не раскрыт.
В нескольких магазинах крупных форматов в Краснодаре тестируется цифровой консультант, отвечающий на вопросы об обмене и возврате, ценниках, забытых вещах и очередях.
Пилот направлен на улучшение клиентского сервиса и оптимизацию нагрузки персонала; итоговый эффект не раскрыт.
Генеративный ИИ создаёт изображения и материалы для карточек товаров в мобильном приложении.
Время сотрудников на подготовку материалов сокращено на 10–15%.
Внедрён пайплайн матчинга товаров с LLM для извлечения и сравнения атрибутов и VLM для сопоставления изображений.
Точность составляет 92–96%, полнота — 30–80% в зависимости от категории и качества данных; время обработки одной пары товаров на Nvidia A100 — 2–7 секунд.
Компания анализирует пользовательские данные и формирует персонализированные рассылки с релевантными подборками продуктов.
Количественный эффект не раскрыт.
AI-агент через API Яндекс.Директа, Метрики и amoCRM разделил праздничный и повседневный спрос, перевёл обучение на оплаченные заказы, корректировал ставки, семантику и географию.
CPA снизился с 2600 до 1508 рублей, конверсия в оплату выросла с 0,7% до 1,8%, заказы в непраздничный период выросли в 2,3 раза; обучение кампаний сократилось до 2 дней.
Система видеоаналитики выявляет очереди и уведомляет персонал о необходимости открыть дополнительные кассы.
Решение развёрнуто более чем в 6 тысячах магазинов; также заявлены сокращение ожидания и повышение качества обслуживания без числовых показателей.
Ритейлер применяет адаптированные и дообученные ИИ-решения в антифроде.
Количественный эффект не раскрыт.
Сотрудник отправляет фотографию фрукта или овоща в Telegram-бот и получает решение для списания или уценки товара.
Бот работает с 128 SKU на 80% дарксторов; точность определения класса «списание» составляет 91%, класса «ЗЦ» — 61%, общая точность — 84%.
Ритейлер применяет адаптированные и дообученные ИИ-решения для прогнозирования спроса.
Количественный эффект не раскрыт.
Собственная геоплатформа с big data и машинным обучением прогнозирует продажи новых магазинов.
Измеримый эффект не раскрыт.
ИИ рассчитывает необходимое количество курьеров и оптимизирует маршруты доставки.
Заявлено снижение логистических расходов без количественного показателя.
Компания подключила Smart-Reply.AI к Ozon и Wildberries. Модели классифицируют обращения и формируют ответы с учётом товара и правил бренда: положительные отзывы обрабатываются автоматически, сложные и негативные — сотрудниками.
Автоматизировано 60% отзывов, нагрузка на клиентскую поддержку сократилась вдвое. Ответ формируется примерно за десять секунд.
Система генерирует описание по характеристикам товара и автоматически проверяет SEO-параметры.
Подготовка описания сократилась с периода до двух недель до считаных секунд, а бюджет на контент снизился на 95%.
В систему обучения консультантов интегрирована VR-платформа с ИИ: она моделирует ситуации в торговом зале, анализирует ответы сотрудников, даёт рекомендации и автоматизирует аттестацию.
Сотрудники прошли более 365 тыс. виртуальных тренировок; адаптация новых консультантов сократилась с нескольких недель до нескольких дней; выручка брендов с VR-сценариями выросла в среднем на 19%, личные продажи обученных сотрудников — более чем на 25%.
Количество товаров для региональных отгрузок рассчитывали с учётом воронки продаж, поведения пользователей и формируемых алгоритмами Ozon рекомендаций по поставкам в кластеры.
После расширения географии поставок выручка выросла с 5 148 до 35 675 рублей, то есть в 7 раз.
В двух супермаркетах камеры анализируют трафик и очереди у касс, наличие товаров и поведение покупателей. Команда использует данные, чтобы проверять гипотезы об обслуживании и организации магазина.
Компьютерное зрение тестируется в действующих супермаркетах на Осеннем бульваре и в «Афимол-Сити». Отдельное изменение времени ожидания и продаж не раскрыто.