Разработка ML-продукта для ритейла: как мы создавали PowerPrice

В ритейле особенно заметен разрыв между экспериментом и операционной ценностью. При растущем ассортименте и динамичных ценах бизнесу нужны точные данные о наличии товаров, их стоимости и корректной выкладке на полках.

Почему одни проекты на основе искусственного интеллекта становятся частью реальных процессов, а другие остаются на уровне прототипа? В статье разберём ключевые условия успеха и рассмотрим кейс PowerPrice — решения на базе компьютерного зрения для мониторинга цен и выкладки.
‍

Где ML действительно нужен

В B2B-продуктах ML оправдан там, где он решает задачу, с которой классическая автоматизация или аналитика не справляются экономически или технологически. Есть несколько ключевых характеристик, которые подсказывают, что использование ML имеет смысл:

1.  Повторяемость процесса. Задача должна возникать регулярно и в большом масштабе. Единичные или редкие кейсы почти всегда дешевле решать вручную или простыми правилами.

2. Наличие данных. При этом важно не только их количество, но и стабильность поступления. ML не работает в вакууме: без потока данных модель быстро теряет актуальность.

3. Измеримый экономический эффект. ML имеет стоимость — разработка, инфраструктура, поддержка. Поэтому задача должна либо снижать издержки, либо увеличивать выручку, либо давать управляемость процессу, которая напрямую влияет на бизнес-показатели.

Мониторинг полки — показательный пример задачи, где ML оправдан практически на всех уровнях. Источником данных являются фотографии полок, а это — неструктурированная информация с высокой вариативностью.

• Разные условия освещения;
• Частично закрытые товары;
• Изменение дизайна упаковок;
• Тысячи SKU, отличающиеся деталями;
• Различные форматы магазинов и планограммы.

Попытка решить такую задачу через классическую аналитику быстро упирается в потолок. Каждое новое исключение требует доработки логики, а масштабирование кратно увеличивает стоимость поддержки.
‍

От идеи к гипотезе: как появился PowerPrice

Внутри продуктовых и инженерных команд идеи ML-решений могут возникать из разных источников:

• Запросы от клиентов и пользователей;
• Наблюдения аналитиков и разработчиков за рутинными процессами;
• Накопленный доменный опыт;
• Изучение рыночных и технологических трендов.

Как правило, успешные инициативы — это результат диалога между бизнесом, продуктом и технической командой, где гипотеза постепенно уточняется и приземляется на реальные процессы.

Гипотеза создания PowerPrice, системы мониторинга цен и выкладки, сформировалась в момент, когда сразу несколько условий совпали. С одной стороны, у команды уже был опыт разработки IT-решений для ритейла и понимание внутренних процессов торговых сетей. С другой — на рынке нарастал интерес к применению компьютерного зрения в прикладных задачах, а у клиентов появлялся запрос на более частый и точный мониторинг цен и выкладки.

‍

Платформа PowerPrice: что это и какие задачи она решает

PowerPrice — это ML-платформа на базе компьютерного зрения, которая упрощает мониторинг цен и выкладки товаров в торговых точках. Продукт решает задачу получения объективных, масштабируемых и регулярно обновляемых данных о ситуации на полке без ручных аудитов и с минимальными ошибками. Это решение позволяет:

• Регулярно отслеживать цены конкурентов;
• Анализировать ценовую динамику по SKU, категориям и торговым точкам;
• Оценивать соответствие ценовой политики заданной стратегии.

Вторая крупная область применения PowerPrice — контроль выкладки и представленности товаров на полке. Платформа позволяет автоматизировать задачи, которые ранее требовали значительных человеческих ресурсов:

• определение наличия и отсутствия SKU;
• фиксация out-of-stock ситуаций;
• расчёт доли полки, занимаемой брендом относительно конкурентов;
• проверка корректности выкладки и соответствия планограммам и товарной матрице.

Для производителей и ритейлеров это означает переход от субъективных отчётов к измеримым и сопоставимым показателям, которые можно использовать в аналитике, KPI и планировании.

PowerPrice изначально проектировался не как разовый инструмент под одну задачу, а как платформа, способная решать несколько классов задач, связанных с анализом полки.

Продукт имеет следующие возможности:

• гибкая архитектура, допускающей добавление новых сценариев распознавания;
• возможности интеграции с ERP, SFA-системами и внутренними аналитическими платформами заказчика;
• адаптация под разные категории товаров, форматы магазинов и отрасли.

PowerPrice закрывает сразу несколько бизнес-потребностей: от операционного контроля до стратегического анализа, оставаясь при этом единым технологическим решением.

‍

От идеи к пилоту: первые шаги продукта

Переход от гипотезы к пилотному проекту — один из самых критичных этапов в создании ML-продукта. Именно здесь чаще всего становится понятно, является ли идея жизнеспособной с точки зрения бизнеса.

Идея PowerPrice оформилась в период активного роста интереса к машинному обучению на рынке. У команды уже был накопленный опыт в разработке IT-решений для ритейла и понимание того, как устроены процессы мониторинга цен и выкладки на практике.

На этом фоне появилась гипотеза: как использовать компьютерное зрение для автоматизации сбора данных с полок так, чтобы это было быстрее, точнее и масштабируемее ручных подходов. Важно, что гипотеза не была абстрактной. Она сразу опиралась на конкретный запрос со стороны клиента, столкнувшегося с ограничениями существующих инструментов.
‍

Как определяется успешность пилота ML-продукта

Для ML-продукта пилот считается успешным не тогда, когда модель «работает», а тогда, когда решение начинает использоваться в бизнес-процессах.

Основные признаки успеха:

• переход к коммерческому использованию (лицензирование или масштабирование);
• расширение охвата по SKU и торговым точкам;
• запрос на доработки и интеграции, а не на демонстрацию технологии.

На этапе перехода от пилота к продукту часто выявляются типовые ограничения. Даже технически работающие решения могут не перейти в промышленную эксплуатацию по нескольким причинам:

• высокая стоимость внедрения и поддержки;
• сложность адаптации под инфраструктуру заказчика;
• несоответствие эффекта ожиданиям бизнеса.

Опыт PowerPrice показал, что на этапе пилота важно оценивать не только качество ML-моделей, но и экономику решения в целом. Без этого пилот рискует остаться единичным экспериментом, а не основой для масштабируемого продукта.

‍

ML-архитектура PowerPrice: что находится под капотом

После подтверждения бизнес-гипотезы ключевым вопросом становится архитектура решения. Для ML-продукта именно архитектурные решения во многом определяют, сможет ли он масштабироваться, поддерживаться и развиваться, или останется набором разрозненных частей.

Компьютерное зрение как основа решения

Так как PowerPrice работает с визуальными данными — фотографиями полок и товаров, — в основе платформы лежат методы компьютерного зрения (CV). При этом важно подчеркнуть: речь идёт не об одной универсальной модели, а о наборе ML-компонентов, каждый из которых решает свою подзадачу.

В рамках PowerPrice используются различные классы CV-задач, в том числе:

• детекция объектов (поиск товаров и ценников на изображении);
• сегментация (работа с границами полок, зон размещения);
• классификация (распознавание SKU, брендов, типов упаковки);
• OCR для извлечения текстовой информации с ценников.
  

Комбинация этих подходов позволяет преобразовывать изображения в структурированные данные, пригодные для последующего анализа и использования в бизнес-процессах.

В рамках реализации PowerPrice мы выбирали не просто самые лучшие технологии и инструменты, а те, которые в первую очередь соответствуют бизнес-запросу. К тому же, мы всегда оцениваем возможности масштабирования наших решений на другие объемы данных и домены. Синергия технической и продуктовой команд позволила создать качественный продукт, закрывающий большое количество запросов ритейл-сегмента. _{Техлид ML-кластера, Дмитрий Гайфуллин}

Масштабирование

Драйвером роста стало доверие первого клиента — одной из крупнейших российских сетей розничных магазинов. Успешный кейс с ним стал референсом для выхода к следующим заказчикам и позволил говорить о доказанной бизнес-ценности, а не о гипотезах.

Второй фактор — зрелая MLOps-инфраструктура, благодаря которой команда перестала тратить ресурсы на рутину, ускорила релизы и упростила масштабирование на новые категории, SKU и точки продаж. В итоге снизилась стоимость внедрения и выросла скорость выхода на результат.

Мы придерживаемся data-driven подхода и оцениваем как технические, так и бизнес-метрики: 

• качество модели (точность распознавания);
• производительность системы (скорость обработки данных, поддерживаемая нагрузка, утилизация вычислительных ресурсов);
• операционные метрики (скорость поставки обновлений, Time to Market и др.);
• бизнес-метрики (влияние на ключевые показатели клиента, ROI внедрения).

‍

Рекомендации по запуску ML-продуктов

Тем, кто только запускает ML-проекты в ритейле, важно смотреть на инициативу шире, чем на отдельный пилот или технологический эксперимент. Речь идёт о создании продукта, который станет частью бизнес-системы и будет развиваться вместе с ней.

1. Фокус на бизнес-эффекте

Перед стартом важно чётко сформулировать, какой бизнес-результат должно дать внедрение ML и за счёт чего он будет достигнут. Машинное обучение раскрывает свой потенциал там, где объём данных, масштаб операций и сложность процессов делают традиционные подходы неэффективными.

2. Перспектива масштабирования 

С самого начала важно думать о масштабе и стратегии развития. Прототип может работать технически, но без понятной экономики и плана роста он останется демонстрацией возможностей, а не полноценным продуктом.

3. Ранняя проверка гипотез

Ранняя валидация позволяет сократить time-to-market, избежать дорогих доработок и быстрее понять, где действительно есть потенциал для рынка.
‍

Заключение

Опыт развития PowerPrice показывает, как машинное обучение может усиливать операционные процессы в ритейле. Когда ML встроен в ежедневную работу, бизнес получает прозрачную и регулярно обновляемую картину по торговым точкам — по ценам, выкладке, соблюдению стандартов — и может принимать решения быстрее и точнее.

Сегодня PowerPrice используют крупнейшие российские ритейл-сети и FMCG-компании. Архитектура решения, зрелые MLOps-практики и модульный подход позволяют системе стабильно работать при росте объёмов данных и масштабировании на новые категории и регионы. Продукт развивается и легко адаптируется под задачи конкретной сети или производителя.

‍