Кто такой Дмитрий Скиба. Управленец и специалист по цифровой трансформации с более чем 15-летним опытом в ритейле, электронной коммерции и технологическом бизнесе. Одним из ключевых этапов его карьеры стала работа в «Ленте», где он запустил Lenta Online с нуля и за три года довел годовую выручку сервиса до $500 млн при более чем 30 тыс. заказов в сутки. В 2022–2023 годах Скиба был временным CEO международного маркетплейса Joom, отвечая за его реструктуризацию и сокращение операционных расходов примерно на 20%. Сейчас он входит в советы директоров ритейлеров Comfy и Aurora. Ранее работал в McKinsey, Google и Procter & Gamble. Дмитрий Скиба окончил одну ведущих бизнес-школ мира INSEAD (Institut Européen d’Administration des Affaires — Европейский институт управления бизнесом)), где получил степень MBA.
Модель может быть идеальной, а данные — бесполезными
Начинать разговор об искусственном интеллекте стоит не с выбора модели. В большинстве корпоративных проектов гораздо больше времени занимает подготовка данных.
На практике критически важная информация может вообще не существовать в нормальном структурированном виде. Например, в одном из крупных ритейлеров значительная часть механики промо-акций была связана с компенсациями от поставщиков. Магазин мог показывать покупателю скидку 30%, но это совершенно не означало, что весь размер скидки финансировал сам ритейлер. Часть расходов компенсировал поставщик, причем окончательный расчет мог происходить спустя квартал или даже позже.
Проблема заключалась в том, что эти данные не попадали в оперативные аналитические системы. Они могли находиться в Excel, переписке по электронной почте или договоренностях между коммерческим подразделением и поставщиком, а затем отражаться в бухгалтерии. В результате модель, которая оценивала эффективность промо, видела неполную картину и могла прийти к совершенно неправильному выводу: акция кажется неэффективной, значит, ее нужно прекратить.
Фактически сначала пришлось вручную собрать недостающую информацию и только потом думать о том, как автоматизировать этот процесс.
Это довольно типичная ситуация. Компания может иметь огромный объем данных, но это еще не означает, что у нее есть данные, пригодные для машинного анализа. Информация должна быть очищена, правильно размечена, связана между собой и, главное, отражать реальную бизнес-логику.
Главный разрыв проходит не между человеком и машиной, а между IT и бизнесом
Есть и другая проблема: дата-команда и бизнес зачастую буквально говорят на разных языках.
Техническая команда мыслит моделями, метриками и способами что-то посчитать. Бизнес думает о выручке, марже, ассортименте, клиентах и операционных процессах. При этом сотрудник бизнеса может прекрасно поставить задачу аналитику в Excel, но совершенно не понимать, какую задачу можно решить с помощью Big Data или искусственного интеллекта.
В результате возникает парадоксальная ситуация. Дата-команда создает технически качественное решение, но бизнес не понимает, зачем оно ему нужно. Или бизнес формулирует задачу так, что технологическая команда решает совсем не ту проблему.

Дмитрий Скиба
Поэтому между ними нужен своего рода переводчик — человек, который понимает и бизнес, и технологию. Он способен превратить бизнес-проблему в техническую задачу, а результат работы дата-команды — обратно в понятное бизнесу решение.
Особенно хорошо это видно на примере одного крупного дискаунтера. Компания решила запустить собственную data-команду, а во главе поставила технического специалиста. Одним из первых решений стала модель, которая определяла эффективность ассортимента и рекомендовала товары к сокращению.
С точки зрения алгоритма все выглядело логично. Есть товары, которые продаются плохо, они занимают место на полке и складе, следовательно, от них стоит отказаться.
Но для коммерческого подразделения такая логика оказалась слишком примитивной. Ассортимент — это не только объем продаж отдельных товаров. Широта выбора сама по себе может быть частью ценности магазина. Покупатель может воспринимать большое количество товаров в категории как признак компетентности и хорошего выбора.
В итоге технически правильное решение оказалось практически бесполезным без человека, который мог бы связать его с реальной логикой бизнеса.
Выход нашли не в том, чтобы отказаться от модели, а в том, чтобы найти внутри бизнеса управленца, понимающего ценность применения ИИ для конкретного бизнес-результата. Категорийный руководитель, который понимал ценность работы с данными, стал фактическим амбассадором решения: вместе с дата-командой он сформулировал задачу, помог адаптировать модель и взял на себя ответственность за результат.
После этого решение стало работать совершенно иначе.
В одной из категорий удалось повысить покрытие клиентских потребностей с 63% до 87%, одновременно сократив ассортимент почти на 20%. То есть задача оказалась не в том, чтобы просто убрать плохо продающиеся товары. Нужно было заменить часть ассортимента так, чтобы меньшим количеством позиций закрывать больше реальных потребностей покупателей.
Это хороший пример фундаментального принципа: дата-команда должна быть инструментом бизнеса, а не самостоятельным бизнесом внутри компании.
Даже хорошая модель не заработает без изменения процессов
Еще одна распространенная ошибка — считать, что внедрение AI заканчивается в момент, когда готова модель.
На самом деле модель может составлять лишь небольшую часть общего результата. Если она рекомендует новые цены, товары или объемы закупки, компания должна понять, кто будет принимать эти рекомендации, кто их согласует, кто отвечает за исполнение и что произойдет на операционном уровне.
Например, в одной сети супермаркетов создавали систему интеллектуального ценообразования. Модель могла достаточно хорошо определить, на какие товары стоит снизить цены, а на какие — повысить, чтобы одновременно сохранить маржу и сформировать у покупателя ощущение привлекательного ценового предложения.
Но дальше выяснилось, что существующий процесс просто не приспособлен к таким решениям.
Цены должны были согласовываться между категорийными менеджерами и другими подразделениями, промо-акции — координироваться, а затем магазины должны были вовремя поменять ценники, обеспечить нужную выкладку и разместить промо-товары в правильных местах.
Получалось, что новая модель работала, а окружающая ее организационная машина — нет.
В результате пришлось создавать отдельный бизнес-юнит, отвечающий за ценообразование и промо, с руководителем и командой, которая координировала взаимодействие с категориями.
Именно здесь, на мой взгляд, находится одна из самых недооцененных сложностей AI-трансформации. Написать модель зачастую проще, чем перестроить процесс вокруг нее.
Не надо начинать с «большого AI»
Поэтому я не сторонник подхода, при котором компания сначала несколько лет строит фундаментальную инфраструктуру, а затем начинает искать, что с ней делать.
Не стоит начинать с большого дата-офиса, десятков аналитиков и дата-сайентистов, единого Data Lake и масштабной AI-архитектуры. Инфраструктуру действительно нужно строить, особенно крупной компании, но одновременно с ней необходимо запускать конкретные прикладные кейсы.
Причем хороший первый кейс не обязан быть революционным.
В одном ритейлере, например, достаточно быстро удалось создать внутреннего AI-помощника для аналитики. Руководитель мог спросить его, почему вчера снизились продажи в конкретном регионе или чем объясняется рост в другом, а система отвечала на основе подготовленных корпоративных данных.
Такой инструмент можно запустить за несколько недель или месяц-полтора. Он не переворачивает бизнес, но сразу показывает сотрудникам практическую ценность данных. Вместо абстрактного разговора о цифровой трансформации появляется конкретный инструмент, которым люди действительно хотят пользоваться.
И это дает компании гораздо больше, чем красивый презентационный слайд про будущую AI-архитектуру. Возникает доверие.
После нескольких таких кейсов уже значительно проще переходить к более сложным решениям, эффект которых не всегда можно доказать за один квартал.
Сначала выбирайте задачи, с которыми трудно спорить
Особенно важно на первых этапах выбирать задачи, где результат можно измерить максимально честно.
Если речь идет о персонализированных предложениях, изменении выдачи интернет-магазина или элементов checkout, можно провести A/B-тест и достаточно быстро увидеть uplift. Здесь гораздо меньше пространства для споров о том, действительно ли технология дала результат.
Сложнее оценивать решения, которые влияют на бизнес в долгосрочной перспективе. Например, сокращение ассортимента может дать хороший показатель эффективности сегодня, но через год выяснится, что покупателям стало не хватать выбора. Такие эффекты сложнее измерить и гораздо легче поставить под сомнение.
Поэтому я бы двигался от простого к сложному. Сначала несколько решений с быстрым и очевидным эффектом, затем — более серьезные изменения, когда в компании уже сформировалось доверие к данным и дата-команде.
Условно, после трех-четырех успешных кейсов разговор о сложной трансформации становится совсем другим. Компания уже знает, что технология способна приносить пользу, а сотрудники понимают, что за ней стоят не абстрактные «айтишники», а реальные изменения в их собственной работе, повышающие ее эффективность.
Самый опасный противник AI — не технология
При этом нельзя забывать о человеческом факторе.
Страх сотрудников перед автоматизацией отчасти совершенно рационален. Если алгоритм берет на себя рутинную часть работы, некоторые должности действительно меняются.
В том же ритейле большая часть работы категорийного менеджера может быть связана с простым заказом товаров. Если прогнозирование и автозаказ становятся достаточно точными, человеку уже не обязательно вручную рассчитывать каждый заказ. Он может превратиться скорее в менеджера, который проверяет рекомендации алгоритма, тогда как настоящая категорийная работа — стратегия ассортимента, понимание покупателя и развитие категории — становится более важной.
Но если этот переход не объяснить и не организовать сверху, сотрудники будут защищать привычный способ работы.
Показательный пример — внедрение камер для оценки трафика возле новых магазинов одного крупного ритейлера. Система могла автоматически посчитать, сколько людей проходит мимо магазина, сколько из них заходит внутрь и сколько совершает покупку. Например, из 7 тыс. прохожих в магазин заходят 1,4 тыс., а 700 совершают покупку — и компания получает объективную картину внешней и внутренней конверсии.
До появления камер сотрудники считали прохожих вручную. И после автоматизации возникло закономерное сопротивление: люди начали доказывать, что камеры установлены неправильно и считают хуже человека.
Это необязательно сознательный саботаж. Гораздо чаще это защита собственной профессиональной территории. Если новая система начинает измерять эффективность твоей работы, естественной реакцией становится попытка доказать, что система несовершенна.
Поэтому дата-трансформация требует не только технологий, но и сильного внутреннего спонсора. В крупных компаниях дата-команде нужен руководитель, который обладает достаточным авторитетом, чтобы встроить ее работу в бизнес. А внутри подразделений нужны люди-амбассадоры, которые сами заинтересованы в результате и готовы становиться владельцами конкретных проектов.
Важно и то, как компания рассказывает о результатах. Успешные проекты нужно регулярно показывать руководству и сотрудникам, причем подчеркивать не только технологию, но и совместную работу бизнеса с дата-командой. Так постепенно формируется новое восприятие данных: это уже не отдельный технический департамент, а часть бизнеса.
AI меняет ритейл, но не отменяет старые модели
При всем внимании к генеративному искусственному интеллекту я бы не стал считать, что именно он сегодня является главным источником эффекта в ритейле.
Генеративные модели действительно добавляют новые возможности. Например, они позволяют автоматизировать разметку клиентских потребностей или массово заполнять карточки товаров. Для маркетплейса с миллионами позиций это может означать существенное сокращение ручного труда.
Но в ритейле значительная часть доказанного бизнес-эффекта по-прежнему приходит от традиционной аналитики, Big Data и классических моделей. Генеративный AI скорее расширяет этот инструментарий и позволяет автоматизировать то, что раньше приходилось делать человеку.
Это важное различие. AI не обязательно должен «трансформировать компанию». Иногда его задача гораздо прозаичнее — убрать ручную работу, ускорить принятие решения или сделать уже существующую аналитику доступной большему числу сотрудников.
Технология — только начало
В крупных компаниях имеет смысл строить собственную дата-команду, даже если она использует множество внешних решений. Ответственность за общую архитектуру и связь с бизнесом должна оставаться внутри компании: отдельные элементы платформы можно покупать у вендоров, но команда должна жить вместе с бизнесом и понимать его задачи.
При этом не каждой компании нужна одинаковая масштабная инфраструктура. В небольшом бизнесе меньше legacy-систем, меньше сложных интеграций и ниже требования к масштабированию. Поэтому часть решений, которые экономически оправданы в крупной сети, маленькой компании вообще не имеет смысла внедрять.
Путь от идеи до промышленной эксплуатации тоже не обязательно занимает годы. Хороший пилот в крупном ритейле можно сделать примерно за один-два месяца. Если параллельно строится дата-платформа, еще несколько месяцев может потребоваться на промышленное внедрение. Сама платформа при этом может строиться до года.
Но главный вывод здесь не про сроки и даже не про технологии.
Самая успешная AI-трансформация начинается не с вопроса «какую модель нам купить?», а с вопроса «какую проблему бизнеса мы хотим решить и кто внутри компании отвечает за результат?».
Если ответ на него найден, технология постепенно становится инструментом. Если нет — даже самая современная модель рискует остаться красивым экспериментом дата-команды, который никогда не станет частью реального бизнеса.
Пожалуй, именно поэтому сегодня компаниям стоит опасаться не того, что они слишком медленно внедряют искусственный интеллект, а того, что они слишком быстро начинают строить AI вокруг технологии, а не вокруг бизнеса.

