CNews: Российский ритейл (предприятия розничной торговли) одновременно решает две задачи: избавляется от иностранных систем и пытается не отстать от рынка технологически. Позволяет ли переход на отечественный инструментарий двигаться вперёд, а не просто воспроизводить то, что было?

Владимир Носиков: Системы аналитики предназначены в первую очередь для того, чтобы решать конкретные бизнес-задачи и приносить дополнительную выгоду. Поэтому все наши проекты даже в 2022–2023 годах основывались не на замене западного ПО на сопоставимые по возможностям решения, а на переосмыслении ИТ-ландшафта с целью получить финансовый эффект.

Евгений Вилков: Большинство иностранных решений для ритейла базируются на технологиях, многие из которых начинали разрабатываться еще чуть ли не в 1970–1980-х. Планируя замещение этих продуктов, наши заказчики изначально хотели перейти на современные системы, снизив при этом стоимость владения.

CNews: Как синергия Data Ocean Nova и CM Ocean может помочь современному бизнесу в сфере ритейла развиваться? Какие преимущества несет совместное использование?

Владимир Носиков: В отличие от классических хранилищ, где добавление новых знаний о клиенте могло занимать недели из-за многослойной архитектуры и недостатка мощностей, синергия Lakehouse- и CVM-платформ (гибридного озера-хранилища и решения для управления ценностью клиентов) обеспечивает бесшовный и быстрый сбор данных из всех точек касания: касс, мобильных приложений, доставки, программ лояльности. Это позволяет мгновенно превращать сырые данные в точные персонализированные сценарии и сокращает время запуска маркетинговых кампаний, что повышает конкурентоспособность ритейлера. Результатом синергии Data Ocean Nova и CM Ocean становится CDP — Customer Data Platform, платформа клиентских данных и развития клиентского опыта.

Евгений Вилков: Такое объединение меняет сам характер аналитики. На определенном этапе зрелости маркетинговой платформы бизнесу необходим выход за рамки стандартного интерфейса. Прямой доступ к данным внутри единого контура открывает маркетологам возможности для глубокой ad-hoc аналитики (работы с данными под конкретную задачу) и самостоятельного профилирования, помогая находить скрытые ранее точки роста. Технологически это упрощает весь ИТ-ландшафт: исчезает необходимость разделять и постоянно синхронизировать офлайн- и онлайн-контуры обработки данных. Число интеграций сокращается, задержки минимизируются, а система превращается в единую гибкую среду.

CNews: Омниканальный ритейл (объединяющий разные каналы коммуникации с клиентом) генерирует данные из принципиально разных источников — офлайн-касса, мобильное приложение, склад, самовывоз, доставка — каждый со своей схемой и частотой обновления. Как линейка продуктов Data Ocean справляется с этой неоднородностью?

Евгений Вилков: Для работы с разнородными потоками данных в линейке Data Ocean предусмотрены модули онлайн- и офлайн-интеграции. Первый, Data Ocean SDI, мгновенно обрабатывает потоковые события и транзакционные журналы баз данных из цифровых каналов. Второй, Data Ocean Flex Loader, отвечает за плановую загрузку данных по расписанию или по триггерам. Оба модуля работают со всеми типами и форматами источников данных и обеспечивают автоматический контроль качества при загрузке в единое хранилище. Это гарантирует полноту и достоверность информации, позволяя маркетинговой платформе бесперебойно генерировать предложения как в режиме реального времени, так и в офлайн-режиме.

CNews: Быстрая доставка и даркстор-модель («темные магазины» без покупателей) сделали актуальной задачу оперативного слоя данных в реальном времени: остатки, спрос, поведение покупателя должны быть видны немедленно. Насколько Data Ocean Nova как Lakehouse-платформа (гибридное озеро-хранилище) приспособлена к этому сценарию, и чем он архитектурно отличается от классической батчевой аналитики?

Евгений Вилков: Благодаря встроенным модулям онлайн-интеграции и преобразования данных, платформа Data Ocean Nova обрабатывает входящую информацию в режиме, близком к реальному времени. Это позволяет мгновенно выполнять сложную событийную, гео- и другую аналитику, для которой требуется быстрый отклик. Главное архитектурное отличие от систем предыдущего поколения заключается в ликвидации разрыва между онлайн- и офлайн-контурами. Раньше потоки данных разводились по разным системам, из-за чего возникали коммуникационные коллизии — например, когда клиенту дублировались одни и те же предложения. В архитектуре Lakehouse (гибридного озера-хранилища) онлайн- и офлайн-модули согласованно работают в одной системе. Это гарантирует формирование единой версии правды как по данным из систем-источников, так и по всей истории коммуникаций с покупателем.

CNews: Насколько классические системы все еще актуальны, и как происходит переход на решения нового поколения?

Владимир Носиков: Крупнейшие компании все чаще переходят на Lakehouse-технологии — платформы гибридной архитектуры. Это проще архитектурно и экономически выгоднее: у бизнеса возникают сложности с закупкой и масштабированием серверной инфраструктуры под старые СУБД, а современные гибридные (Lakehouse) подходы позволяют гибче управлять хранением, вычислениями и стоимостью владения.

Евгений Вилков: Миграция обычно происходит по одному из двух сценариев. В рамках первого систему нового поколения обкатывают на каком-то новом продукте или процессе и затем переводят на нее остальные процессы. Второй вариант — быстрая миграция: новые продукты и кампании ставят на паузу и запускают их уже после перехода. Большинство компаний выбирают первый вариант. Старые продукты работают на старой системе, новые — на новой, и в течение нескольких месяцев или года систему предыдущего поколения постепенно выводят из эксплуатации.

CNews: Программы лояльности есть почти у каждого крупного ритейлера, но скидочная механика уже не создает устойчивого преимущества. Как меняется роль платформы CVM-маркетинга (управления ценностью клиентов) в ритейле: от массовых промо к персональным предложениям и управлению жизненным циклом покупателя?

Владимир Носиков: Сегодня программа лояльности уже не может оставаться просто механизмом скидок — в крупном ритейле она трансформируется в инструмент управления клиентским опытом. Реализовать этот подход помогает платформа CVM-маркетинга (управления ценностью клиентов) CM Ocean. Она позволяет ритейлеру определить, на каком этапе жизненного цикла находится клиент: совершает ли он первую покупку, снижает частоту визитов, меняет состав корзины или попадает в зону риска оттока. Каждый этап требует собственного сценария взаимодействия. Платформа объединяет инструменты маркетинга и лояльности, что позволяет перейти от массовых промоакций к гиперперсонализации и создавать предложения, релевантные для конкретного человека в определенный момент времени.

CNews: Насколько маркетинговая команда может самостоятельно управлять сегментами, триггерами, гипотезами, A/B-тестами (раздельным тестированием) и коммуникационными сценариями в CM Ocean без постоянной зависимости от ИТ и аналитиков? Где проходит граница между режимом самообслуживания (self-service) и задачами, которые требуют участия технической команды?

Владимир Носиков: Предоставить маркетинговой команде возможность самостоятельно управлять сценариями без участия ИТ-специалистов — одна из ключевых задач платформы CM Ocean, так как в ритейле скорость проверки гипотез напрямую влияет на эффективность бизнеса. При этом важность роли ИТ-отдела не снижается. Подключение новых источников, добавление интеграций, управление качеством и создание витрин данных, оптимизация производительности — решение технических задач остается в зоне ответственности ИТ-подразделения. Технические специалисты строят надежный инфраструктурный и программный контур, а маркетинговая команда внутри него запускает и оптимизирует клиентские сценарии.

CNews: Что отличает ритейлера с современной архитектурой data-driven (управляемой данными) от компании, которая продолжает работать на устаревшем стеке? Какие признаки зрелости видны в ежедневной работе бизнеса?

Владимир Носиков: Главное отличие — в выстроенности и гибкости ежедневных бизнес-процессов. Зрелый ритейлер работает в конвейерном режиме: оперативно подключает новые источники, запускает десятки маркетинговых кампаний еженедельно, использует алгоритмическое сегментирование, непрерывно проверяет гипотезы с помощью A/B-тестов (раздельного тестирования) и мгновенно видит их результаты, которые тут же влияют на сценарии взаимодействия.

В современной архитектуре цикл проверки гипотез и внесения изменений измеряется часами, а не неделями. Бизнесу больше не нужно ждать ИТ-доработок для запуска очередной активности. Либо маркетологи работают самостоятельно, либо ИТ-команда с помощью простых инструментов оперативно разворачивает новые сценарии и корректирует алгоритмы расчетов.

В устаревшем же стеке процессы перегружены ручной работой и разнородными данными. Запуск кампании планируется за неделю не потому, что такова стратегия бизнеса, а потому, что маркетологам нужно пройти через сложную цепочку согласований, скоординировать десятки разрозненных систем и вручную исправить ошибки в данных.

CNews: Ритейлеры активно говорят об ИИ: прогноз спроса, товарные рекомендации, персональные предложения, динамическое ценообразование, генерация контента для коммуникаций. Где ИИ уже дает практический эффект, а где рынок пока переоценивает зрелость технологий?

Евгений Вилков: ИИ делится на три категории.

Первая — классические ML-модели (модели машинного обучения). Они существовали задолго до текущего ажиотажа и сегодня стали базовым инструментарием бизнеса. Качественная модель, созданная под конкретную задачу и работающая на достоверных данных, сразу дает измеримый практический эффект. Для управления этим слоем в нашей линейке есть платформа Kolmogorov AI, которая позволяет автоматизировать жизненный цикл моделей, оценивать их эффективность и вовремя дообучать.

Вторая категория — генеративный ИИ. Сгенерировать персонализированный текст коммуникации, создать визуальный креатив или предложить гипотезы для модификации бизнес-сценариев — все это зоны его применения. Если еще пару лет назад качество генерации было посредственным, то сегодня модели выдают результаты высокого уровня, которые ритейл успешно использует в ежедневной работе.

Третья категория — ИИ-агенты. Это наиболее технологически сложная область. В отличие от обычных моделей, агент способен автономно управлять комплексными бизнес-процессами. В рамках платформы Kolmogorov AI мы активно развиваем инструменты для создания ИИ-агентов.

Если говорить конкретно о Data Ocean Nova, мы стремимся интегрировать функции ИИ в Lakehouse-платформу (гибридное озеро-хранилище), чтобы сделать интерфейс взаимодействия более естественным и дать пользователям возможность обращаться к системе обычным текстом или голосом и получать осмысленные ответы. Для ритейлеров это означает более комфортное взаимодействие с данными: клиент, не обладая специальными техническими знаниями, сможет работать с платформой напрямую. Также ИИ становится частью автоматизации миграции с устаревших систем на нашу платформу.

Владимир Носиков: Мы активно развиваем платформу CM Ocean во всех трех направлениях, уделяя особое внимание именно агентному ИИ. Создаем систему специализированных агентов, каждый из которых автоматизирует свой этап работы.

Агент по генерации сценариев позволяет выстраивать маркетинговые активности буквально на основе одной бизнес-идеи. Маркетологу больше не нужно вручную прописывать в интерфейсе сложную логику сценария и настраивать триггеры — система генерирует готовую структуру сама. Пользователю остается лишь проверить ее, внести точечные правки и запустить кампанию.

Агент-аналитик берет на себя часть работы, которая происходит до старта рассылок. Он помогает бизнесу формулировать гипотезы, подбирать оптимальные источники данных, профилировать и собирать целевые сегменты, а затем трансформировать информацию в конкретные акции.

Агент-креатор отвечает за генерацию и оптимизацию контента. Просто создать текст или баннер недостаточно — важно адаптировать их под психологический профиль покупателя. Одни клиенты лучше реагируют на аналитику, другие — на эмоциональный призыв или триггер срочности. «Креатор» не только создает вариативные тексты под разные каналы коммуникации, но и в автоматическом режиме анализирует отклик, выбирая оптимальную версию для каждого сегмента аудитории.

Все три инструмента — ML-модели (модели машинного обучения), генеративный ИИ, ИИ-агенты — применяются для решения конкретных бизнес-задач и приносят измеримую пользу.

CNews: Не секрет, что инвестиции в ИИ-технологии далеко не всегда приносят ожидаемый результат. Как компаниям делать выбор, чтобы вложения окупились?

Владимир Носиков: Главный принцип — не пытаться сразу охватить масштабную область, а отталкиваться от точечных кейсов или конкретных бизнес-процессов. В этом подходе можно выделить две составляющие окупаемости: оптимизацию затрат и генерацию дополнительной прибыли.

В первом случае мы ищем процессы, на которые уходит больше всего ресурсов, и подбираем инструмент автоматизации, который помог бы эти ресурсы сэкономить.

Во втором случае — в сфере CVM-маркетинга (управления ценностью клиентов) — выгода формируется за счет более тонкого сегментирования, точечной работы с каналами коммуникации и автоматического тестирования сотен вариантов креативов. Интегрируя ИИ-компоненты в ежедневные процессы, ритейлер получает возможность проверять гипотезы в масштабах, недоступных для ручного управления. Именно за счет этого бизнес фиксирует чистую прибыль и быструю окупаемость инвестиций.

Евгений Вилков: В этой цепочке архитектура Lakehouse (гибридного озера-хранилища) отвечает за подготовку данных и их совместимость со слоем искусственного интеллекта. Платформа поддерживает открытый протокол контекста моделей — MCP (Model Context Protocol). Он работает как универсальный интерфейс, позволяя ИИ-агентам напрямую, безопасно и без написания кастомных интеграций обогащаться достоверными данными из единого хранилища. Таким образом технологический стек замыкается в единую экосистему, где данные мгновенно трансформируются в интеллектуальные действия.