ИИ для прогнозирования спроса, продаж и запасов бывает трех видов: базовые модели временных рядов, градиентный бустинг и классические статистические методы. Базовые модели вроде Chronos и TimesFM дают прогноз без обучения на ваших данных, бустинг точнее там, где кроме продаж важны цены, акции и погода. Ниже шесть инструментов, их лицензии и что из них можно применять в коммерции.
Метод выбирают по данным, а не по моде. Если есть только история продаж по дням и нужен быстрый ответ, берут базовую модель временных рядов. Если кроме продаж известны цены, акции, остатки и погода, точнее работает градиентный бустинг. Если рядов тысячи и нужна базовая линия, начинают с классики.
Порядок в списке по критериям этой страницы: сначала инструменты, которые можно применять в коммерции без условий и без долгой настройки, ниже те, у которых есть ограничения лицензии или нужен опытный аналитик. Речь здесь о прогнозах для бизнеса: спрос, продажи, запасы и загрузка.
Кейс панели руководителя на открытых данных. Модель: сеть из пяти точек, где каждый управляющий по утрам собирает выручку из 1С, заявки из CRM и остатки на счете в таблицу, а собственник читает пять таблиц.
Один процесс пилота. Утренний отчет по одной точке: выручка из 1С, заявки и сделки из CRM, остаток на счете.
Метрика из договора. Время подготовки отчета и число ручных действий управляющего в неделю.
Что подключили. 1С, CRM и выписка банка; отчет приходит в мессенджер руководителя к 9:00.
Как передавали сложные случаи. Расхождение между 1С и банком агент помечает и отдает бухгалтеру, не додумывая.
Что нужно от сети. Доступ к 1С, CRM и банку одной точки, только чтение, в первые три дня. И пример отчета, который собственник хочет видеть утром.
Разбор на открытых данных. Модель: сеть из 12 точек, постоянно открыты 5 вакансий продавцов и администраторов, один рекрутер на всю сеть. Отклики ждут ответа по три дня, и сильные кандидаты уходят туда, где ответили первыми.
Один процесс пилота. Агент читает каждый отклик, отвечает кандидату в течение часа, задает пять вопросов по графику, опыту и району, назначает собеседование в точке и отдает рекрутеру короткий список с ответами.
Метрика из договора. Время до ответа кандидату и доля откликов с первым интервью в день отклика.
Что подключили. Площадки вакансий, мессенджеры, календарь управляющих точек.
Как передавали сложные случаи. Вопросы о зарплате сверх вилки и нестандартный опыт уходят рекрутеру вместе с ответами кандидата.
Чат-бот Billie в первые два года помогал 47% клиентов, которые к нему обращались, теперь 74%.
Чат-бот Billie в первые два года помогал 47% клиентов, которые к нему обращались, теперь 74%; около 8500 сотрудников колл-центров переучены на сложные обращения и на консультантов по дизайну, удаленные центры продаж принесли 1,25 млрд евро за год, оценка довольных клиентов выросла с 60% до 89%.
Бот закрыл рутину, а люди ушли в продажи с чеком: план перехода от агента к отделу для розницы и сервиса.
Языковые модели создали или улучшили больше 850 млн единиц данных в каталоге товаров.
Языковые модели создали или улучшили больше 850 млн единиц данных в каталоге товаров; без генеративного ИИ на ту же работу в те же сроки потребовалось бы в 100 раз больше сотрудников; доступ к внутреннему генеративному инструменту есть у 75 000 сотрудников.
850 млн единиц данных без 100-кратного штата: ИИ-агент контента для каталога и карточек товаров.
Система находит скрытые жалобы на качество: после сигнала одного клиента опрашивает других покупателей того же товара; повторные покупки выросли на 9%.
Если покупатель сообщает о недостатке товара, система находит других покупателей этого же товара и просит оценить качество в приложении, а затем передает сигнал поставщику. В опросах участвовали больше 500 000 покупателей, проактивный подход увеличил повторные покупки на 9%; до конца 2026 года сервис расширят на две другие сети группы.
Спросить клиента первым: ИИ-агент собирает отзывы после визита и возвращает недовольных до того, как они напишут на картах.
Сервис подбора косметики по фото BeautyScan: средний чек пользователей выше на 29,2%, частота визитов на 35%, запуск в 2500+ магазинах.
Сеть масштабирует сервис, который подбирает уходовые и декоративные средства по фото и предпочтениям покупателя с учетом наличия в конкретном магазине. У пользователей средний чек вырос на 29,2% относительно контрольной группы, частота посещений на 35%; в первом пилоте на 14 магазинах продажи товаров из рекомендаций выросли на 5%.
Персональная рекомендация повышает чек: ИИ-консультант на сайте или в мессенджере делает это для любого магазина.
«Умный пекарь»: камеры считают выпечку и пустоты на витрине, ИИ прогнозирует спрос; за год число магазинов с системой выросло в 10 раз.
Планшет пекаря, камера контроля наполненности витрины и камера подсчета выпечки из печи связаны с ML-прогнозом спроса. Пилот стартовал в 30 магазинах Свердловской области в июне 2025 года, за год число магазинов выросло в десять раз; целевая доступность товара не ниже 85%, дообучение модели под новинку занимает 3–5 рабочих дней.
Прогноз и план на день из данных точки: ИИ-агент собирает такой отчет владельцу сети каждое утро.
Нормирование операций магазинов оцифровано: затраты на планирование ротации ниже на 13%, трудозатраты с 1235 до 1072 часов, перестановка стеллажей с 39 до 34 дней.
Сеть гипермаркетов оцифровала три сложных процесса, приемку, выкладку и маркировку, в модуле нормирования операций. Затраты на планирование ротации товара и оборудования снизились на 13%, трудозатраты с 1235 до 1072 часов, сроки перестановки стеллажей с 39 до 34 дней; замер одного процесса занимает 4,5 часа вместо 6.
Нормы и план работ из данных, а не из ощущений: ИИ-агент считает их для сети точек по чек-листам сотрудников.
Компьютерное зрение проверяет выкладку по фото с телефона сотрудника за минуту: на первых этапах выручка выросла на 2,4%, под контролем больше 20 000 SKU.
Сотрудник фотографирует полку в мобильном приложении, нейросеть меньше чем за минуту находит расхождения с планограммой и отправляет приоритизированные сигналы, вплоть до печати ценника прямо с терминала. На первых этапах выручка выросла на 2,4% за счет качества выкладки; система охватывает аналитику по больше 20 000 SKU.
Фото от сотрудника превращается в задачу и отчет владельцу: то же делает ИИ-агент для сети точек.
ML-калькулятор считает нужную численность персонала для каждого магазина больше чем по 20 параметрам: в высокий сезон прогноз в 6 раз точнее статической модели.
Сеть построила калькулятор ресурсной потребности с ML-модулем: он собирает данные из больше 10 систем, учитывает спрос, сезонность и профиль магазина и предлагает директору численность на смену. В периоды высоких сезонов прогноз в 6 раз точнее классической модели; тиражирован на всю сеть с августа 2024 года.
Сколько людей ставить в смену: ИИ-агент считает это по записям и звонкам для клиники, салона или ресторана.
Прогнозирование спроса и оптимизация запасов в сети супермаркетов: объем товарных запасов снижен больше чем на 20% без потери продаж.
Сеть супермаркетов внедрила программу прогнозирования спроса и оптимизации товарных запасов. Результат: объем запасов снижен больше чем на 20% без потери продаж.
Меньше замороженных денег на складе: ИИ-агент прогнозирует спрос по продажам из 1С и готовит заказ поставщику.
Мы видим одни и те же ошибки внедрения ИИ в продажи на разборах: агент куплен, подключен и через месяц выключен, потому что «не пошло». Почему ИИ не работает в продажах? Почти всегда причина не в модели, а в том, как устроили внедрение. Семь ошибок ниже, и как мы их обходим в пилоте на 14 дней.
Агент запущен, а что считать успехом, никто не записал. Через месяц одни говорят «стало лучше», другие «стало хуже», спорят, отключают. У нас метрика стоит в договоре до старта: время до первого ответа, доля заявок, заведенных в CRM, доля обращений без оператора. Измеряем до пилота и в конце.
Заявки, поддержка, запись и найм одним проектом. Через две недели непонятно, что работает, а что нет. Правило пилота: один агент, один процесс, 14 дней. Отдел из 3–5 агентов собирается потом, за 4–6 недель, когда первый показал цифру.
Агент отвечает в чате, а сделки в CRM заводит менеджер вручную, «потом». Через неделю это «потом» не наступает, и агент превращается в еще один чат, который нужно читать. Агент должен сам заводить сделку в CRM и писать туда историю, иначе экономии нет.
19 мая 2026 года «Коммерсантъ» опубликовал подсчеты каталога «Бизнесменс.ру»: в январе–марте спрос на франшизы снизился на 28,4% год к году. Каталог Franshiza.ru оценил падение в 45%. Разбираем, какие сегменты просели сильнее и что это меняет для сетей и франчайзеров.
Основатель «Бизнесменс.ру» Юрий Богомолов в комментарии «Коммерсанту» оценил, что индустрия откатилась примерно к уровню 2011 года. Эксперт Franshiza.ru Анна Рождественская назвала причины: «высокая стоимость заемных средств для инвестирования, падение покупательской способности, рост налогов, ограничения связи».
По данным «Бизнесменс.ру», сильнее всего упал спрос на франшизы в образовании, на 55,4%. Питание потеряло 35,8%, красота и здоровье 45,4%, медицина 39,2%. Выросли франшизы услуг для бизнеса, на 31,1%, вендинг, на 17,5%, и строительство и ремонт, на 11,8%.
В аналитике каталога отдельно отмечено, что модели с небольшими вложениями пострадали от роста расходов на маркетинг и ограничений интернета и мессенджеров. Росли сегменты с низким порогом входа и активным продвижением.
1 июня 2026 года X5 подвела итоги масштабирования искусственного интеллекта: совокупный эффект от ИИ-решений за 2025 год составил около 5 млрд ₽ дополнительной операционной прибыли. Об этом сообщили пресс-служба компании и CNews. Ниже что именно дало эффект и какую часть этого опыта может повторить небольшой интернет-магазин без своей ИТ-команды.
По данным компании, в течение 2025 года X5 начала промышленное применение ИИ в коммерции, логистике, клиентском опыте и корпоративных функциях. Основной вклад в EBITDA (прибыль до вычета процентов, налогов и амортизации) дали модели, встроенные в прогнозирование спроса и пополнение, ценообразование, управление ассортиментом и рекомендации. Для покупателей работает ИИ-ассистент «ГаляGPT»: он помогает подбирать товары, рецепты и готовые сценарии покупок.
Эффект X5 проверяет не на глаз. У компании своя система A/B-тестирования, то есть сравнения двух вариантов на части покупателей, а вклад инициатив считают через EBITDA, экономию операционных затрат и совокупную стоимость владения решениями.