X5 Group: ИИ-ценообразование, прогноз спроса и компьютерное зрение в 25 000+ магазинах
Внедрение ИИ в цепочку поставок, ценообразование и операционный контур магазинов приносит X5 Group подтверждённый финансовый эффект в десятки миллиардов рублей EBITDA ежегодно.
| Компания и отрасль | X5 Group (Пятёрочка, Перекрёсток) — Grocery Retail |
|---|---|
| Стек моделей и ИИ | Dynamic Pricing ML · Cross-Elasticity Models · Edge Computer Vision · Automated Replenishment · Spark / Hadoop / Greenplum · Handheld Task Routing |
| Хронология внедрения | 2020–2022 — запуск ML-ценообразования и автозаказа в «Пятёрочке» и «Перекрёстке»; 2023–2024 — масштабирование компьютерного зрения на 20 000+ касс самообслуживания и видеоконтроля полок; 2025–2026 — внедрение GenAI-ассистентов для поддержки магазинов и офиса. |
| Верификация | Проверено 2026-10 · 3 первоисточн. |
Контекст и масштаб бизнеса
X5 Group — крупнейший по выручке продуктовый ритейлер России (сети «Пятёрочка», «Перекрёсток», дискаунтеры «Чижик»), управляющий более чем 25 000 магазинов и десятками распределительных центров по всей стране. Ежедневно в сетях компании совершаются десятки миллионов покупок.
Подразделение X5 Tech построило одну из самых зрелых в восточноевропейском ритейле платформ анализа данных и искусственного интеллекта, переведя ключевые коммерческие решения — ценообразование, планирование промо, автозаказ и контроль выкладки — с экспертных правил на промышленные ML-модели.
При триллионном обороте даже повышение точности прогноза спроса или ценовой эластичности на 0,5–1% приносит миллиарды рублей дополнительной EBITDA в год.
Бизнес-проблема и узкие места
Матрица принятия решений в федеральном ритейле колоссальна: десятки тысяч товаров (SKU) умножаются на 25 000 магазинов в разных климатических и экономических зонах. Категорийные менеджеры физически не способны вручную рассчитывать перекрёстную эластичность спроса (каннибализацию внутри категории при скидке на один бренд).
Вторая боль — контроль пустых полок и очередей в физическом магазине. Товар может числиться на остатках в ERP-системе, но фактически лежать на поддоне в подсобке, пока покупатель видит пустую витрину и уходит без покупки.
Третий вызов — потери на кассах самообслуживания (КСО): ошибки сканирования, пересортица весовых овощей и фруктов и умышленные пропуски товаров снижали эффект от автоматизации кассовой зоны.
Архитектура и внедрение ИИ-решения
X5 Tech внедрила алгоритмическое ценообразование и прогнозирование спроса на базе ансамблей градиентного бустинга и нейросетевых моделей эластичности. Система ежедневно пересчитывает оптимальные розничные цены и глубину промо-скидок по кластерам магазинов с учётом цен конкурентов, сезонности и перекрёстного спроса, формируя более 90% регулярных заказов поставщикам автоматически.
В торговых залах и на кассах самообслуживания развёрнута система компьютерного зрения. На более чем 20 000+ КСО камеры и CV-модели в реальном времени распознают весовой товар на платформе весов (яблоки, томаты, выпечку), подсказывая покупателю нужную позицию за долю секунды и фиксируя пронос товара мимо сканера.
Для контроля полок камеры в проходах фиксируют пустоты в выкладке (out-of-shelf) и неактуальные ценники, отправляя адресные пуш-задания на терминалы сбора данных (ТСД) сотрудникам конкретного магазина.
“«В ритейле искусственный интеллект окупается тогда, когда он встроен в физический конвейер магазина: от расчёта цены и паллеты на складе до камеры над весами кассы самообслуживания». — Блог X5 Tech
Измеримый результат и экономика
Внедрение ИИ в цепочку поставок, ценообразование и операционный контур магазинов приносит X5 Group подтверждённый финансовый эффект в десятки миллиардов рублей EBITDA ежегодно.
Точность прогнозирования спроса на уровне магазина выросла до 85–90% по ключевым категориям, что позволило одновременно сократить списания свежей продукции и повысить доступность товара на полке на 2–3 п.п.
Компьютерное зрение на кассах самообслуживания ускорило пробитие весовых товаров более чем на 30% и существенно снизило уровень товарных потерь в зоне КСО.
Уроки для индустрии
В федеральном ритейле модели перекрёстной эластичности (учёт каннибализации промо) приносят больше маржи, чем точечные скидки.
Компьютерное зрение на кассах самообслуживания решает сразу две задачи: ускоряет очередь для честного покупателя и снижает потери от несканирования.
Сигнал с камеры о пустой полке бесполезен без интеграции с терминалом сбора данных (ТСД) продавца в зале.
Автозаказ на 90%+ ассортимента освобождает директоров магазинов от бумажной рутины ради работы с залом и персоналом.
Верифицированные первоисточники
Вопросы и ответы по материалу
Как камера на кассе самообслуживания отличает похожие сорта яблок или выпечки через пакет?
Модель компьютерного зрения обучена на миллионах реальных снимков с касс, в том числе в полупрозрачных фасовочных пакетах, и выдаёт топ-3 наиболее вероятных товара, из которых покупатель выбирает нужный одним нажатием без поиска по каталогу.
Меняет ли ИИ цены в магазинах каждую минуту, как в такси?
Нет, в офлайн-ритейле цены ограничены физической сменой бумажных или электронных ценников и правилами восприятия покупателей. Пересчёт идёт регулярными волнами по ценовым кластерам магазинов с жёсткими коридорами на социально значимые товары.
Что происходит, когда камера в проходе видит пустую полку?
Система сверяет видеосигнал с остатками в базе магазина: если товар есть на складе магазина, сотруднику зала на наручный терминал приходит задание выставить конкретную позицию.
Внедрение ИИ, корпоративные воркшопы и AI-консалтинг
Экспертиза Жемала Хамидуна (hamidun.com) (CPO AlpinaGPT): аудит процессов, разработка AI-стратегии, кастомные RAG/агентные системы и обучение продуктовых команд.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.