Як український ритейл використовує AI для прогнозування попиту

25 серпня 2026 р. 14:36

25 серпня 2026 р. 14:36

• Анна Мурашко

  журналіст

журналіст

Штучний інтелект допомагає ритейлерам точніше прогнозувати продажі та зменшувати втрати від списань. Водночас українські мережі поки поступаються великим європейським гравцям за масштабом впровадження АІ через проблеми з даними, інтеграцією та нестачею фахівців. У великих компаніях АІ-проєкти можуть окупитися орієнтовно за 12-18 місяців, хоча фактичний термін залежить від масштабу та глибини впровадження технології.

Про це Delo.ua розповів голова Асоціації ритейлерів України Андрій Жук.

• Головний економічний ефект - менше запасів і списань
• Україна відстає від Європи щодо використання AI у ритейлі, але розрив скорочується
• Які зовнішні фактори можуть враховувати сучасні AI-моделі
• Які нові AI-рішення можуть найближчим часом змінити український ритейл
• Які інвестиції потрібні та коли АI-проєкт окуповується
• Бар'єри та ризик використанні АІ в ритейлі

AI вже прогнозує, скільки товару потрібно магазину

Для прогнозування попиту штучний інтелект аналізує історію продажів на рівні конкретного товару, магазину, регіону та каналу збуту. До цього додаються дані про сезонність, промоакції, ціни, залишки, строки постачання та поведінку покупців, пояснив Жук .

На основі такого аналізу система прогнозує, скільки одиниць певного товару може знадобитися конкретному магазину в певний день або період. Далі прогноз може використовуватися для формування замовлень, розподілу товарів між складами й магазинами, планування промоакцій та управління запасами.

"Важливо, що сучасні рішення не просто формують загальний прогноз продажів. Вони можуть окремо враховувати попит під час акцій, сезонні коливання, появу товарів-замінників, ризик дефіциту або надлишкових залишків. У продуктовому ритейлі це особливо важливо для свіжих і швидкопсувних категорій", - зазначив експерт.

Головний економічний ефект - менше запасів і списань

AI може знижувати витрати конкретного ритейлера. Точніше прогнозування допомагає скоротити списання, надлишкові запаси, термінові поставки та втрати від відсутності товару на полиці.

В окремих міжнародних кейсах ефект може бути досить значним: наприклад, норвезький продуктовий онлайн-ритейлер Oda повідомляв про скорочення частки зіпсованих товарів на 49% після впровадження системи прогнозування, розповів Жук.

Не менш важливий ефект – зменшення ситуацій, коли потрібного товару немає на полиці. Для покупця це питання сервісу, а для ритейлера – втрачених продажів і лояльності.

У непродовольчому ритейлі більш відчутною може бути оптимізація запасів і вивільнення оборотного капіталу. Компанії не потрібно зберігати надлишкову кількість повільно оборотних товарів, а кошти можна спрямовувати на асортимент із вищим попитом.

Проте некоректно переносити цей показник на всі витрати ритейлера, зазначив Жук.

"Для українського ринку наразі немає підтвердженої статистики, яка дозволяла б сказати, що AI у середньому знижує операційні витрати мереж, наприклад, на 5%, 10% чи 15%", - сказав експерт.

Тому доречно оцінювати економічний ефект окремо для конкретних процесів - управління запасами, списань, логістики, персоналу чи промо.

Україна відстає від Європи щодо використання AI у ритейлі, але розрив скорочується

Європейський ритейл поки що випереджає український за масштабом і системністю використання AI. Великі європейські мережі вже інтегрують прогнозування попиту з автоматичним поповненням запасів, ціноутворенням, плануванням промоакцій, логістикою та управлінням персоналом, розповів голова Асоціації ритейлерів.

За даними Eurostat, у 2025 році технології AI використовували 20% підприємств ЄС із 10 і більше працівниками. Серед європейських ритейлерів, які застосовують AI, одним із головних напрямів залишається маркетинг і продажі. Водночас за словами Жука, навіть у ЄС використання AI ще не стало стандартом для абсолютно кожної компанії.

В Україні немає окремої офіційної статистики, яка дозволяла б коректно порівняти частку ритейлерів, що використовують AI, з показниками ЄС, заявив голова асоціації.

За практикою ринку можна сказати, що найбільші українські мережі вже працюють із прогнозною аналітикою, автоматизацією замовлень, персоналізацією пропозицій та аналізом поведінки клієнтів. Наприклад, Brocard публічно повідомляв про застосування AI для прогнозування поведінки покупців і формування персоналізованих рекомендацій, а EVA – про намір поглиблювати інтеграцію AI на рівні ERP, зокрема для аналітики та прогнозування попиту.

Водночас західні мережі поки мають перевагу за обсягом даних і комплексністю інтеграції. Для малого бізнесу головною перешкодою часто є не вартість AI, а якість даних: без достовірної інформації про продажі, залишки, ціни, акції та поставки якісний прогноз неможливий.

Які зовнішні фактори можуть враховувати сучасні AI-моделі

Окрім історії продажів, AI-моделі можуть враховувати погоду, сезонність, календарні та державні свята, ціни й промоакції, локальні події та логістику.

Модель може враховувати практично будь-який фактор, якщо він має вимірюваний зв’язок із попитом і компанія може регулярно отримувати якісні дані. Це дозволяє точніше прогнозувати попит у конкретному магазині чи регіоні.

Для українського ритейлу потенційно важливими є й специфічні фактори:

• повітряні тривоги;
• графіки відключень електроенергії;
• переміщення населення або зміни безпекової ситуації.

"Але це не означає, що всі українські мережі вже системно використовують такі дані. Вони мають бути структурованими, регулярно оновлюватися та справді покращувати точність прогнозу, - зазначив експерт.

Новинний фон також можна аналізувати, однак він є складнішим фактором, додав він.

Система має не просто фіксувати кількість новин, а визначати, які події реально впливають на поведінку покупців.

Як приклад Жук зазначив, що повідомлення про можливий дефіцит певного товару може спричинити короткостроковий ажіотажний попит, але такі ситуації складно прогнозувати лише на основі історичних даних.

Які нові AI-рішення можуть найближчим часом змінити український ритейл

Найближчим часом AI-агенти можуть змінити український ритейл.

За словами Жука, вони не лише аналізуватимуть дані, а й виконуватимуть частину операційних завдань:

• формуватимуть замовлення;
• пропонуватимуть переміщення товару між магазинами;
• виявлятимуть ризики дефіциту;
• автоматично звертатимуть увагу менеджера на відхилення.

Перспективними напрямками також є динамічне ціноутворення й управління уцінкою. AI зможе визначати оптимальний момент і розмір знижки з урахуванням залишків, строку придатності та прогнозу попиту, розповів експерт.

Ще один напрям - комп’ютерний зір для контролю наявності товарів на полицях, викладки, черг і завантаженість кас.

"Також активно розвиватимуться персональні цифрові помічники покупця, голосові асистенти для працівників, автоматизоване планування робочих змін і прогнозне обслуговування обладнання", - зазначив Жук.

Які інвестиції потрібні та коли АI-проєкт окуповується

Універсальної вартості впровадження АI у ритейлі немає. Вона залежить від кількості магазинів, товарних позицій, каналів продажу, якості даних, рівня автоматизації та інтеграції з ERP (системами планування ресурсів підприємства), складським та обліковими системами.

Витрати охоплюють не лише ліцензію, а й підготовку даних, інтеграцію, налаштування моделей, навчання команди та зміну процесів. Для невеликої мережі це може бути компактний хмарний пілот. Для великого ритейлера з сотнями магазинів і десятками тисяч товарних позицій – повноцінний трансформаційний проєкт.

За словами Жука, міжнародні постачальники орієнтують великий бізнес на окупність AI-проєктів приблизно за 12-18 місяців , але це не гарантований строк.

Економічний ефект значно вищий, якщо AI інтегрований у закупівлі та управління запасами, а не використовується лише для аналітичних звітів.

Бар'єри та ризик використанні АІ в ритейлі

Головний бар'єр для впровадження АІ в ритейлі - не сама технологія, а якість і доступність даних.

Інформація про продажі, залишки, ціни, промоакції та постачання часто зберігаються в різних системах, а неповні або некоректні дані можуть призвести до помилкового прогнозу, зазначив Жук.

Другий бар'єр - інтеграція AI з ERP, складськими, обліковими та касовими системами. Якщо прогноз залишається лише окремим аналітичним звітом, а замовлення та поповнення запасів і надалі виконуються вручну, економічний ефект від технології буде обмежений.

За словами Жука, є і ризик надмірної довіри до алгоритму. АІ може помилятися під час різних змін попиту, спричинених перебоями з логістикою, міграцією, проблемами з електропостачанням чи іншими форс-мажорами. У таких умовах історичні дані можуть не описувати поточну поведінку покупців, розповів голова асоціації.

Окремою проблемою може стати непрозорість рекомендацій: менеджер не завжди розуміє, чому система пропонує скоротити замовлення, збільшити запас або змінити ціну. Тому на етапі впровадження АІ доцільно використовувати як інструмент підтримки рішень, а критичні рекомендації залишити під контролем людини, підсумував Жук.

Політика