⚠️ $1.5 млн потрачено. Маржа упала на 2% вместо роста на 8%.
Крупный ритейлер, 12 магазинов. 12 месяцев. Вот как выглядит типичный AI-провал изнутри.
Два корневых сбоя:
1. Модель из 47 переменных без единой проверки гипотез Команда сразу строила сложную архитектуру. Через 8 месяцев выяснилось: ключевые предикторы не работают — сезонность не та, промо-политика другая, региональные паттерны не учтены.
🗂️ 2. Проблема качества данных съела полгода проекта 6 из 12 месяцев ушло на ручную очистку данных из 4 несовместимых систем: ERP, WMS, 1С и Excel. В план это не закладывали. 34% строк требовали коррекции.
Что нужно было сделать вместо этого:
— Data Audit (3-10 дней) до старта: понять, с чем реально работаешь — MVP на 1 магазине, 1 категории, 4 недели: проверить гипотезу на минимуме — Масштабирование — только после MVP
💡 По данным отраслевых исследований, большинство AI-проектов в ритейле не окупаются. Причина не в технологиях. Причина в подготовке.
Планируете AI-проект в ритейле? Контакты для связи в шапке профиля.
