OpaGPT Проблема: когда полки пустеют, а склад забит
Сеть продуктовых магазинов «ПродуктОк» (Москва, 2026) ежедневно теряла до 3,5% выручки из-за дефицита ходовых позиций. Молоко, хлеб и яйца заканчивались к обеду, а замороженные полуфабрикаты залёживались на складах. Средний уровень доступности товара (OTIF) не превышал 76%. При этом затраты на экстренный рейс поставки достигали 1,2 млн руб. в месяц. Ручной анализ остатков и заказов на основе Excel не учитывал ни сезонность, ни погодные аномалии, ни внезапные вирусные тренды в соцсетях. Исторические данные продаж за три года лежали мёртвым грузом — их никто не использовал для прогноза.
Корень проблемы: слепое планирование
Отдел закупок работал по инерции: заказывали «как в прошлом месяце». Цепочка поставок рвалась на этапе распределительного центра — товар приходил не туда и не тогда. Анализ остатков показывал, что 40% складских запасов — это неликвиды, а 25% — товары с истекающим сроком годности. Прогнозирование дефицита ИИ казалось маркетинговой сказкой, пока убытки не превысили 8 млн руб. за квартал.
Решение: AI-агент на базе нейросети для прогноза спроса
Мы внедрили AI-агента на платформе OpaGPT, который объединил четыре слоя данных: исторические данные продаж (почасовые срезы за 3 года), внешние факторы (погода, праздники, курс валют), данные с камер в магазинах (реальное количество покупателей у стеллажа) и телеметрию с холодильников. Нейросеть для прогноза спроса обучалась на 12 млн транзакций и 200+ внешних признаках. Модель машинного обучения в ритейле пересчитывала прогноз каждые 4 часа, выдавая рекомендации по автозаказу товаров с точностью до SKU.
Архитектура решения
- Модуль сбора: API касс, WMS, метеостанции и соцсети (парсинг упоминаний товаров).
- Ядро прогноза: градиентный бустинг + LSTM-сеть для учёта сезонности и трендов.
- Модуль действий: автоматическое формирование заказа в ERP и оповещение логиста в Telegram.
Система запустилась в пилотном режиме на 50 магазинах сети. Первые две недели — калибровка, затем — полный автопилот для 200 SKU в категории «молочка и яйцо».
Результат: конкретные цифры за 4 месяца (2026)
Снижение дефицита товаров: с 24% до 6,2% (на 74% меньше пустых полок)
Рост OTIF: с 76% до 94%
Сокращение списаний: с 4,1% до 1,8% (экономия 2,3 млн руб./мес)
Уменьшение экстренных поставок: на 89% (с 35 до 4 рейсов в месяц)
Снижение среднего запаса: на 18% при росте оборачиваемости на 22%
Уже через 8 недель после внедрения сеть перестала терять покупателей из-за пустых полок. Анализ остатков стал проактивным: система предсказывала дефицит за 72 часа до его возникновения. Сезонность (всплеск на кефир в жару, рост продаж яиц перед Пасхой) обрабатывалась автоматически, без участия категорийного менеджера. Цепочка поставок выровнялась: поставщики получали точные заказы на 5 дней вперёд, что снизило их логистические издержки на 12%.
Выводы: AI-агент как стандарт управления запасами 2026
Прогнозирование дефицита ИИ перестало быть экспериментом — это базовая гигиена ритейла. Кейс «ПродуктОк» показал: нейросеть для прогноза спроса окупается за 2,5 месяца, а снижение потерь товаров даёт прямой прирост EBITDA на 3-5%. Машинное обучение в ритейле теперь отвечает не только за автозаказ товаров, но и за динамическое ценообразование и перераспределение партий между магазинами. В 2026 году сеть масштабирует AI-агента на все 300 точек, добавив прогноз для непродовольственной группы. Единственное ограничение — качество исторических данных. Если их нет хотя бы за 12 месяцев, точность падает на 40%. Но для тех, кто собрал данные, AI-агент — это не роскошь, а спасение от кассовых разрывов и испорченной репутации.