Цифровые технологии в ритейле
Внедрение новых технологий может требовать значительных инвестиций. Тем более если мы говорим о системном внедрении, которое отождествляется с процессом цифровой трансформации и происходит в рамках стратегии. При этом можно утверждать, что подобных инвестиций нельзя избежать, если компания планирует свое будущее, рассчитывает развиваться и бороться за место на рынке.
Большую проблему для компаний создает необходимость делать правильные инвестиции в цифровые решения, которые окупаются и дают преимущества. Для этого и менеджмент и сотрудники должны понимать главные принципы работы современных цифровых решений, основную терминологию, а кроме того, иметь перед глазами примеры внедрения подобных решений, чтобы ориентироваться в их разнообразии и возможностях.
Компьютерное зрение — это общее название технологий, посвященных автоматическому извлечению информации из изображений без участия человека.
Текущий уровень развития компьютерного зрения позволяет автоматизировать почти любые ситуации, в которых требуется имитация человеческой способности понимать увиденное: распознавать и идентифицировать различные предметы и объекты, читать надписи, подсчитывать количество, определять цвет, форму, размеры и т.д.
На абстрактном уровне компьютерное зрение в ритейле может использоваться для:
- автоматизации визуальных задач, которые ранее выполнялись сотрудниками;
- интенсификации выполнения «визуальных задач», например, за счет перехода на непрерывный мониторинг;
- удаленного принятия управленческих решений;
- новых задач, которые ранее не выполнялись.
На прикладном уровне компьютерное зрение используется, чтобы убедиться в достаточном количестве товаров на полках или проверить соответствие ценников, планограмм, для мониторинга за состоянием свежей зелени и фруктов, контроля пробитых товаров на кассах самообслуживания, борьбы с шоплифтерами.
В качестве инновационных решений, расширяющих возможности торговых точек, можно назвать системы самообслуживания, автоматическое определение состава корзин покупателей, системы видеоаналитики для сегментации и анализа поведения покупателей в магазинах и т. д.
Машинное обучение — это обобщенное название группы математических и вычислительных методов для работы с данными в цифровом виде.
Главная особенность этих методов заключается в том, что обработка данных происходит без явного программирования алгоритмов с четко определенными правилами и формулами. Вместо этого машинное обучение предполагает работу с данными при помощи так называемой компьютерной модели — специальной программы. Она не программируется явным образом, а настраивается с помощью специально подготовленных учебных данных на поиск нужных математических закономерностей, связывающих входные и выходные данные. После обучения, когда натренированная модель начинает показывать правильные результаты, ее можно использовать для анализа уже рабочих данных.
Обычно выделяют 3 основных типа машинного обучения:
- Машинное обучение с учителем — когда используются специальным образом подготовленные обучающие данные, как входные, так и выходные. Примером таких данных может быть изображение яблока и слово «яблоко»;
- Машинное обучение без учителя — предполагает обучение на неразмеченных данных. Оно позволяет установить закономерности между входными и заранее определенными выходными данными. Например, установить, что покупатель, купивший чай, также купит печенье или сдобу;
- Машинное обучение с подкреплением — метод обучения модели в процессе ее взаимодействия с окружающей средой, а не на исторических данных. Взаимодействие происходит по заранее определенным правилам для достижения определенной цели, например, победить в игре в шахматы или найти выход из лабиринта. Процесс обучения происходит с помощью метода проб и ошибок: если модель ошибается, то получает отрицательный сигнал-подкрепление и меняет свое поведение, а если продвигается к цели, то получает положительное подкрепление. В итоге модель нарабатывает линию поведения, которая приводит к поставленной цели.
В ритейле методы машинного обучения используются, например, для оптимизации складских запасов, прогнозирования спроса, оптимизации цен, развития программ лояльности, сегментирования покупателей, рекомендаций товаров и т.д.
Отметим, что машинное обучение и компьютерное зрение являются смежными областями и для решения задач компьютерного зрения, включая идентификацию объектов и категоризацию изображений, используется машинное обучение.
Термин «Большие данные» / Big Data (англ.) используется для обозначения огромных объемов цифровых данных. Очень условно нижнюю границу можно определить в сотни гигабайт, но, как правило, речь идет о терабайтах данных и больше. Кроме объема, обязательными характеристиками Big Data является скорость их прироста, а также разнообразие и неоднородность.
Примером больших данных являются поступающие комментарии и лайки в соцсетях, отзывы о товарах на маркетплейсе со всей сопутствующей информацией, непрерывно поступающие данные с тысяч разных датчиков на НПЗ или постоянно растущие данные о торгах на бирже. Обычная таблица в Excel, насколько бы ни была большой, к этому понятию не относится, т. к. хорошо структурирована.
Чтобы отразить свойства больших данных, в качестве их определяющих характеристик традиционно выделяют «три V»: объем (англ. volume — как величина физического объема), скорость (velocity — как скорость прироста данных, так и необходимость ее высокоскоростной обработки и получения результатов), многообразие (variety — как возможность одновременной обработки различных типов структурированных и полуструктурированных данных).
Согласно отечественному ГОСТу «Информационные технологии. Большие данные. Обзор и словарь», который идентичен международному стандарту Information technology — Big data — Overview and vocabulary, большие данные определяются как большие массивы данных и отличаются главным образом такими характеристиками, как объем, разнообразие, скорость обработки и/или вариативность, и требуют использования технологии масштабирования для эффективного хранения, обработки, управления и анализа.
Отметим, что термин "большие данные" в зависимости от контекста может обозначать как сами данные, так и особые методы их обработки и анализа.
Хранение и обработка больших данных требует очень мощной вычислительной IT-инфраструктуры, которая предоставляется центрами обработки данных (ЦОД). В этих комплексах, также называемых data-центрами, размещается серверное и сетевое оборудование, а также инженерная инфраструктура для непрерывной и бесперебойной работы, в том числе энергетическое оборудование, системы для вентиляции и охлаждения, системы безопасности и т.д.
Основные преимущества использования больших данных:
- Позволяют анализировать миллиарды и триллионы точек событий;
- Позволяют увязывать воедино и получать полезную информацию из разрозненных источников;
- Позволяют благодаря скорости анализа данных создавать новые производственные и бизнес-стратегии, основанные на принятии решений в режиме реального времени.;
- Дают гораздо более глубокие инсайты по сравнению с обычными методами анализа.
Типичными примерами использования больших данных в ритейле являются предоставление персональных рекомендаций клиентам и динамическое ценообразование в зависимости от определенных условий, определение мошеннических действий с пластиковыми картами, прогнозирование спроса, оптимизация запасов.
Интернет вещей (англ. Internet of Things, IoT) — это сеть из множества «вещей», подключенных к интернету для обмена данными или автоматизации каких-либо действий. Суть этой концепции в том, что данные собираются, передаются и обрабатываются устройствами без участия человека.
Под вещами в данном случае понимаются различные датчики, бытовые приборы, промышленное оборудование, автомобили, различная техника, носимые устройства, которые можно уникально идентифицировать. Часто о подобных подключенных к интернету объектах говорят как об «умных» — умный электросчетчик, умный термометр, умный холодильник, умный шлагбаум и т. д.
В одних случаях эти устройства только собирают и передают данные, которые затем можно посмотреть на сайте через телефон или компьютер. Например, умный электросчетчик сам передает свои показания и их можно посмотреть на сайте энергосбытовой компании. В других случаях устройства могут управляться через интернет или выполнять определенные действия при наступлении заданных условий или событий. Например, камера видеонаблюдения может начать автоматическую трансляцию видео, когда срабатывает датчик движения, а система предотвращения утечек перекроет кран при обнаружении воды и отправит предупреждение домовладельцу.
На более высоком концептуальном уровне говорят об умных домах, умных фабриках или умных городах. В этом случае предполагается использование множества умных вещей в рамках единой концепции, например, для управления городской инфраструктурой, включая освещение, дорожный трафик, уборку мусора, или для более эффективного и безопасного управления домашними приборами, климатическим оборудованием, системами видеонаблюдения и безопасности в случае умного дома.
Отдельно выделяют промышленный интернет вещей (Industrial Internet of Things, IIoT). Эта концепция относится к подключенным устройствам и оборудованию, которые используются в промышленности, ритейле, сельском хозяйстве и других отраслях. Особенностями IIoT являются более высокая надежность датчиков и каналов подключения, больший объем генерируемых данных, необходимость киберзащиты данных и т.д.
Все IoT-решения состоят их нескольких основных компонентов: самого IoT-устройства, системы коммуникации для подключения к интернету и передачи данных, сервера для хранения и обработки данных и пользовательского интерфейса.
Подключение IoT-устройств может осуществляться с помощью проводного подключения, Wi-Fi, обычных сетей сотовой связи, спутниковой связи (VSAT), специализированных радиосетей дальнего радиуса действия для передачи небольших по объему данных LPWAN (LORA, LTE-M, NB-IoT, NB-Fi и т. д.).
Типовые концептуальные преимущества, которые дает использование IoT:
- автоматизация сбора данных;
- получение доступа к информации, которая ранее не была доступа;
- удаленный мониторинг;
- удаленное управление;
- получение данных с высокой частотой;
- информирование о событиях в режиме реального времени;
- повышение прозрачности сложных бизнес процессов;
- применение технологий Big Data;
- создание цифровых двойников.
Типичные варианты использования IoT в ритейле:
- контроль энергопотребления оборудования и освещения;
- контроль за состоянием холодильного оборудования;
- повышение прозрачности цепочек поставок;
- отслеживание возвратной тары;
- предотвращение хищений товаров;
- инвентаризация товаров на полках;
- автоматизация ценников;
- анализ поведения покупателей.
Термин «роботизация» может относиться собственно к роботам, т. е. к устройствам, которые способны выполнять механическую работу, движения или перемещения, а также к программным роботам, представляющим собой программы, имитирующие действия человека при работе с разными компьютерными приложениями и интернет-сервисами.
Основными драйверами для внедрения роботов в ритейле являются нехватка рабочей силы, выполнение рутинных операций, отнимающих время сотрудников, ускорение операций и количество ошибок при их выполнении.
Для каких задач могут использоваться роботы в торговых залах:
- уборка помещений. Ее могут выполнять автономные мобильные роботы, которые автоматически перемещаются по торговому залу;
- аудит торговых полок. Эту функцию могут выполнять мобильные роботы с помощью компьютерного зрения или RFID-считывателя, автономно перемещаясь по торговому залу;
- пополнение торговых полок. Функция выполняется с помощью роботизированных манипуляторов, которые могут располагаться непосредственно за полками в торговом зале или автономном магазине;
- выдача товаров. Также выполняется с помощью манипуляторов;
- доставка товаров, в том числе конечным покупателям, от магазина к магазину или от распределительного центра;
- консультации покупателей. Эту функцию могут выполнять автономные мобильные и сервисные работы, оснащенные функциями распознавания человека и распознавания и воспроизведения речи.
В свою очередь программные роботы являются основным инструментом технологии автоматизации бизнес-процессов, которая обозначается аббревиатурой RPA (Robotic Process Automation). Они представляют собой специально настроенные программные боты и могут использовать обычный интерфейс компьютерных приложений, с которыми работают сотрудники компании, и самостоятельно выполнять часто повторяющиеся задачи: обрабатывать счета или списания, производить сверку, автоматически предоставлять типовые документы и справки по запросу и т. д.
Внедрение цифровых технологий в ритейле значительным образом меняет бизнес-процессы торговых точек и их взаимодействие с клиентами. То, насколько этот процесс является системным, позволяет говорить о цифровой трансформации — ситуации, когда благодаря технологиям не просто решаются отдельные операционные задачи, а создается новая ценность и меняется стратегия работы компании.
Главными драйверами внедрения цифровых технологий в ритейле являются:
- усиливающаяся нехватка рабочей силы на рынке;
- появление возможностей для автоматизации и упрощения/ускорения операций, которые ранее выполняли сотрудники;
- давление со стороны цифровых лидеров с точки зрения повышения эффективности работы;
- изменяющиеся предпочтения потребителей, формирующие новые требования к ритейлу;
- развитие электронной коммерции.
Наиболее существенными препятствиями для внедрения цифровых технологий в ритейле являются:
- требуемые бюджеты;
- проблемы, связанные со сложностью внедрения и интеграции;
- слабая цифровая инфраструктура;
- медленная либо негарантированная окупаемость инвестиций.