Управление остатками в одежде упирается в три вечные боли: половина размеров вымывается за неделю, вторая половина копится мёртвым грузом, а скидку вы ставите наугад. ИИ закрывает именно эту арифметику — прогноз спроса по каждому SKU и размеру, перераспределение между точками, расчёт момента уценки. Под капотом это связка вашей истории продаж с языковой моделью, которая читает таблицы и объясняет решения словами.
Где ИИ помогает
ИИ в фэшн-ритейле берёт на себя расчётную рутину товароведа: прогнозирует спрос по размерам и цветам, подсказывает, что и куда перебросить между магазинами, помечает залежавшийся товар и считает, когда и на сколько уценять. Закупку у поставщика и финальное решение по скидке оставляйте за человеком — модель готовит цифры и объясняет логику.
В работе с владельцами магазинов одежды я вижу один и тот же узел. Товаровед сводит остатки в Excel, глазами выискивает, где размерный ряд порвался, и принимает решения по интуиции. На одной точке размер M в ходовой модели кончился ещё в среду, а на соседней он же висит до конца сезона. Деньги заморожены в неликвиде, а ходовое потеряно из-за дыры в размерах.
Языковая модель разбирает этот узел иначе. Вы отдаёте ей выгрузку продаж и остатков, и она считает скорость ухода каждого SKU отдельно, по размерам и цветам. На выходе вы видите не общую цифру по модели, а живую картину: размер S уйдёт за четыре дня, размер XL застрянет до распродажи. Это меняет и закупку, и развеску, и разметку скидок.
Вторая сильная сторона — перераспределение между точками. Модель сопоставляет остатки и темп продаж по всем магазинам и предлагает конкретные перемещения: забрать три единицы размера L с точки, где они стоят, и отправить туда, где этот размер уже вымыт. Товаровед получает готовый список перемещений вместо часов сверки таблиц, а вы — меньше упущенных продаж и меньше замороженных денег.
- Прогноз спроса по каждому SKU отдельно: размер, цвет, точка, неделя сезона
- Перераспределение остатков между магазинами: готовый список перемещений
- Разметка неликвида: модель помечает SKU, которые встанут, до того как они встанут
- Расчёт момента и глубины уценки по скорости ухода и остатку дней сезона
Первые шаги
Старт начинается с одной выгрузки, а с покупки системы прогнозирования. Возьмите данные по одной товарной группе за прошлый сезон — например, верхняя одежда — и прогоните через модель вручную. За день вы увидите, попадает прогноз в реальность или промахивается. Это дёшево по деньгам и по риску: вы проверяете гипотезу на одной категории, а перестраиваете весь учёт.
- Выгрузите продажи и остатки по одной категории за прошлый сезон в таблицу: SKU, размер, цвет, точка, дата продажи
- Очистите выгрузку от возвратов и служебных движений, чтобы цифры отражали реальный спрос
- Откройте чат с моделью, дайте ей таблицу и попросите посчитать скорость ухода по каждому SKU и размеру
- Сравните прогноз модели с тем, как сезон закрылся на самом деле, по 20-30 позициям
- Попросите модель собрать список перемещений между точками на текущую неделю
- Закрепите рабочий запрос в промпт-шаблон и передайте его товароведу для еженедельной работы
Возьмите разметку неликвида. Это задача с понятным результатом и низким риском: модель помечает SKU, которые тормозят по скорости ухода, ещё в середине сезона. Вы успеваете уценить их раньше конкурентов и распродать по приличной цене вместо финальной свалки в минус.
Чем пользоваться
Для старта хватает обычного чата с сильной языковой моделью и аккуратной выгрузки из вашей учётной системы. Модель читает таблицу, считает и объясняет решения словами — это и есть рабочий минимум. Сложная связка с автоматической выгрузкой из 1С и ежедневным отчётом нужна позже, когда вы уже увидели, что прогноз попадает и экономит деньги. Начинать с дорогой интеграции до проверки гипотезы — верный способ слить бюджет на красивую панель, которой никто пользуется.
| Задача | Чем закрыть | Когда усложнять |
|---|---|---|
| Прогноз по размерам и цветам | Выгрузка в таблицу плюс запрос к модели | Когда категорий десятки — настраивают регулярную выгрузку |
| Перемещения между точками | Модель собирает список из общей выгрузки остатков | Когда точек больше пяти — связка с учётной системой через n8n |
| Разметка неликвида | Запрос к модели раз в неделю по скорости ухода | Когда нужен ежедневный автоматический сигнал |
| Расчёт уценки | Модель считает по остатку дней сезона и темпу | Когда уценка идёт по сложным правилам сети |
Покажите свою выгрузку остатков за прошлый сезон, и на бесплатном часовом разборе я посчитаю, где ИИ вернёт замороженные в неликвиде деньги быстрее всего.
Российский владелец магазина упирается в вопрос доступа к сильным зарубежным моделям и оплаты подписки. Здесь работают и отечественные решения, и зарубежные через корректный доступ. Выбор зависит от объёма данных и от того, насколько чувствительны цифры по выручке — это как раз тема, которую разбираем на разборе процессов. Стоимость держится в рамках десятков долларов в месяц за подписку, точную цифру сверьте на сайте сервиса: тарифы меняются.
Границы инструмента
Модель считает уверенно, но способна ошибиться на данных, которых ей дали. Если выгрузка содержит возвраты вперемешку с продажами, прогноз поедет, и модель об этом сама промолчит. Это свойство языковых моделей называют галлюцинациями: ответ выглядит убедительно даже там, где исходные цифры кривые. Поэтому первый прогон всегда сверяют с реальностью на закрытом сезоне, а не доверяют вслепую первому красивому числу.
Закупка у поставщика, переговоры по цене, финальное решение по глубине скидки и выбор поставщика — это зона человека. Модель готовит расчёт и объясняет логику, итоговую ответственность держит ваш товаровед и вы. ИИ убирает рутину сверки таблиц, а чутьё на коллекцию и на покупателя остаётся за командой.
Отдельная граница — резкие изменения, которых в истории просто было. Новый бренд без прошлых продаж, неожиданная погода, вирусная модель из соцсетей — здесь прогноз по истории слаб, потому что истории ещё или больше нет. В таких случаях модель честно показывает, что данных мало, а человек принимает решение по рынку. Полезно заранее договориться, какие решения уходят по расчёту модели, а какие проходят через товароведа лично.
- Данные по выручке и марже: отдают модели через корректный доступ, с осторожностью к чувствительным цифрам
- Новые модели без истории продаж: прогноз слаб, решение остаётся за человеком
- Резкие сезонные и погодные сдвиги: модель показывает неуверенность, товаровед решает по рынку
- Финальная цена и глубина уценки: расчёт готовит модель, утверждает человек
Главная защита от ошибок — узкая задача и проверка на закрытом сезоне. Когда вы видите, что прогноз по 30 позициям совпал с реальным уходом, доверие растёт само, и вы расширяете участок на новые категории. Полезно держать одного человека, который раз в неделю смотрит, где модель промахнулась, и правит выгрузку и запрос. Так инструмент становится точнее с каждым сезоном, а команда привыкает работать с цифрами спокойно, без интуитивных авралов в конце распродажи.
Куда двигаться
Когда прогноз по одной категории работает и возвращает замороженные деньги, магазин переходит ко второй: от разметки неликвида к перераспределению между точками, дальше к расчёту закупки на следующий сезон. Так за несколько недель товаровед освобождается от ручной сверки таблиц, а вы получаете остатки, которые работают, а лежат мёртвым грузом до финальной свалки.
Заодно команда учится формулировать запросы к модели сама. Поначалу промпт-шаблоны мы пишем вместе со мной, дальше товаровед сам правит их под новую коллекцию и новые точки, а закупщик собирает расчёт на сезон за час вместо двух дней в Excel. Этот навык остаётся с магазином навсегда: выйдут новые версии моделей, а ваша команда уже умеет с ними работать и переносит шаблоны без переучивания.
Сложность здесь в выборе правильной первой категории и в чистоте исходных данных. Самый частый провал — владелец отдаёт модели грязную выгрузку со смешанными возвратами, получает кривой прогноз и решает, что ИИ для одежды бесполезен. На разборе процессов мы вместе смотрим на вашу учётную систему и выбираем участок, который окупится быстрее всего и даст команде первый ясный результат.