SAP выравнивает структуры коммерческих данных для оперативной AI-персонализации

SAP объявила об инициативе по выравниванию разрозненных структур коммерческих данных — чтобы AI-персонализация работала не в теории, а на уровне операционного исполнения.

Разрыв между стратегией и реальностью

Крупные компании декларируют стратегии «предугадывать потребности клиента» и строить релевантный опыт на каждой цифровой точке контакта. Проблема в том, что инфраструктура, которая должна это реализовывать, устроена иначе. Данные о клиентах, продуктовые каталоги, история транзакций и поведенческая аналитика хранятся в разных системах с несовместимыми схемами. Рекомендательные движки выдают банальные листинги не потому что алгоритмы плохие, а потому что им подают несвязанные данные. SAP называет это проблемой execution layer: разрыв между стратегическими целями и тем, что физически происходит в момент взаимодействия с клиентом. Руководство ставит KPI на персонализацию, команды данных строят пайплайны, но в итоге покупатель видит «рекомендуем вам» с товарами, которые он уже купил.

Что именно меняет SAP

Инициатива направлена на стандартизацию того, как коммерческие данные структурированы и связаны между собой. Цель — чтобы AI-слой мог работать поверх единой семантической базы, а не пытался интерпретировать каждую систему по-своему. Ключевые направления изменений: Унификация схем данных — выравнивание форматов между SAP Commerce Cloud, SAP Customer Data Platform и смежными решениями в единую модель Связка в реальном времени — транзакционные данные и поведение пользователя объединяются в контекст, доступный AI-движку непосредственно в момент запроса Execution-layer API — интерфейсы, через которые персонализация встраивается в торговые процессы, а не остаётся в аналитических дашбордах Сокращение ручных маппингов — меньше ETL-конвейеров, которые ломаются при обновлении любой из систем * Совместимость с LLM — структуры данных адаптированы для работы с языковыми моделями без дополнительных трансформаций Практический результат: рекомендательные движки и динамическое ценообразование перестают быть «фичей для презентации» и начинают влиять на конверсию в режиме реального времени.

Почему именно сейчас

Волна AI-инвестиций в enterprise столкнулась с одним и тем же барьером: модели хорошие, данные плохие. Исследования McKinsey и Gartner фиксируют, что большинство AI-пилотов в ритейле и B2B-торговле не масштабируются именно из-за проблем с качеством и связностью данных. По оценкам, компании тратят до 60–70% времени AI-проектов на подготовку данных, а не на работу модели. SAP, у которой в инсталляции десятки тысяч enterprise-клиентов по всему миру, находится в уникальной позиции: компания не только продаёт AI-инструменты, но и контролирует слой данных, от которого эти инструменты зависят.

«Персонализация — это не алгоритмическая проблема, это проблема данных.

Если структуры несовместимы, модель не поможет» — позиция, которую разделяют большинство корпоративных архитекторов систем.

Что это значит

Для enterprise-компаний на SAP-стеке открывается реальный путь к операционной AI-персонализации без замены всей инфраструктуры. Для конкурентов — Salesforce Commerce Cloud, Adobe Commerce, Shopify Plus — это сигнал: data alignment превращается в ключевое продуктовое поле битвы в 2025–2026. Кто первым унифицирует данные на уровне execution layer, тот и выигрывает контракты на AI-трансформацию.