Как стартап Ubirator перевернул доставку «ВкусВилл»: данные + логистика как конкурентное преимущество
Как современный ритейл достигает конкурентного преимущества
Ответ все чаще кроется в сочетании двух вещей: данных и логистики. Рассказ о том, как стартап Ubirator с помощью искусственного интеллекта и оптимизации логистических процессов трансформировал сервис доставки «ВкусВилл», — показатель того, что даже относительно небольшие технологические команды способны изменить операционную модель крупного ретейлера. Ниже — подробный разбор партнёрства, внедрённых решений, достигнутых результатов и практических выводов, которые полезны для всех участников рынка.
Контекст и вызовы
Рынок продуктовой доставки в России в последние годы бурно растёт: повышается спрос на свежие и качественные продукты, увеличивается ожидание скорости и прозрачности доставки. Ритейлеры сталкиваются с несколькими ключевыми проблемами:
- непредсказуемый спрос и сезонные колебания;
- высокая доля отмен и возвратов;
- узкие временные окна доставки и рост ожиданий клиентов по скорости;
- сложность оптимальной загрузки курьеров и транспорта;
- необходимость контроля товарного качества и минимизации потерь.
Для сети, ориентированной на свежую и «здоровую» продукцию, таких как «ВкусВилл», эти проблемы усугубляются требованиями к частоте поставок, термоконтролю и минимизации простоев. В таких условиях рост затрат на логистику и падение уровня сервиса — реальная угроза.
Кто такие Ubirator и почему они стали партнёром
Ubirator — стартап, специализирующийся на решениях для оптимизации последней мили и алгоритмах маршрутизации с применением методов машинного обучения. Их подход совмещает практические инженерные решения (оптимизаторы маршрутов, управление флотом) и аналитические модели спроса и поведения покупателей. Это позволило предложить «ВкусВиллу» пакет, нацеленный на системное понижение логистических издержек и улучшение KPI сервиса доставки.
Основные цели партнёрства
- сократить среднее время доставки и увеличить долю доставок в целевой тайм-слот;
- повысить загрузку курьеров и оптимизировать распределение заказов по районам;
- снизить операционные расходы на километр и на заказ;
- улучшить точность прогноза спроса и необходимого ассортимента для зональных распределительных центров;
- минимизировать случаи возвратов и отмен по логистическим причинам.
Ключевые решения и технологии
1. Система прогнозирования спроса на уровне микрорайонов
Ubirator внедрил модели машинного обучения, прогнозирующие спрос с высокой пространственно-временной детализацией. Модели учитывали исторические заказы, праздники, погодные условия, маркетинговые активности и поведение конкретных точек продаж. Это позволило более точно планировать пополнение складов и формирование заданий на сборку заказов.
2. Динамическая тарификация и приоритизация заказов
Алгоритмы ранжировали заказы по срочности, ценности и географическому положению. Это позволяло приоритизировать сборки и маршруты так, чтобы минимизировать пробег при одновременном соблюдении обещанных временных окон.
3. Оптимизация маршрутов в режиме реального времени
Комбинация классических методов оптимизации маршрутов (VRP — Vehicle Routing Problem) и эвристик с адаптацией к дорожной ситуации позволила сокращать дистанции и время в пути. Система принимала во внимание ограничения по объёму и весу, типу транспорта и требованиям к температуре перевозки.
4. Интеллектуальное распределение задач между курьерами и партнёрами-last-mile
Ubirator предложил гибридную модель фулфилмента: часть заказов обслуживали собственные подпункты и микропосредничество, часть — локальные партнёры. Система подбирала оптимальный канал выдачи для каждого заказа, исходя из KPI стоимости и SLA.
5. Мониторинг качества и обратная связь в режиме реального времени
Внедрили инструменты контроля времени сборки, фактического времени нахождения товара в пути и получение клиентской оценки сразу после доставки. Данные шли обратно в модели, позволяя непрерывно корректировать прогнозы и маршрутные решения.
6. Снижение «пустых пробегов» и повышение загрузки
С помощью алгоритма агрегирования заказов и оптимизации стыковок между зонами Ubirator добился более высокой средней загрузки транспортных средств и курьеров, что прямо снизило себестоимость доставки на единицу.
Реализация: шаги и организационные изменения
Технологию невозможно привнести «сверху» без изменения бизнес-процессов. Проект включал:
- пилот на ограниченном числе городов и маршрутов для проверки гипотез;
- тесную интеграцию с WMS и OMS «ВкусВилл» — интерфейсы обмена данными по заказам, остаткам и статусам;
- обучение персонала сборочных точек и курьеров работе с новым расписанием и алгоритмами распределения;
- изменение KPI для зональных менеджеров, чтобы стимулировать выполнение новых целей (например, увеличить загрузку, снизить «время сборки»);
- тестирование гибридной схемы фулфилмента и расширение по результатам пилота.
Измеримые результаты
По итогам внедрения в пилотных регионах и последующей масштабной экспансии были зафиксированы следующие эффекты:
- сокращение среднего времени доставки на 18–30% в зависимости от региона;
- рост доли доставок в заявленный тайм-слот на 20–40%;
- снижение операционных затрат на единицу доставки (на километр и на заказ) на 12–25%;
- уменьшение доли отмен и возвратов по логистическим причинам;
- повышение NPS и клиентской удовлетворённости в сегменте доставки;
- улучшение оборота товаров в регионах за счёт точных прогнозов и снижения случаев «аутов» по свежей продукции.
Ключевые сложности и как они были решены
1. Качество данных
Проблема: нерегулярные и неполные данные о статусах заказов и остатках.
Решение: внедрение стандартов обмена и предварительная очистка данных, настройка автоматических проверок целостности.
2. Сопротивление операционного персонала
Проблема: изменённые маршруты и новые KPI вызывали протесты и путаницу.
Решение: образовательная программа, пилоты с участием лучших сотрудников, постепенное введение KPI и прозрачная система бонусов.
3. Неопределённость внешних факторов
Проблема: пробки, погодные аномалии, акции конкурентов.
Решение: интеграция данных из внешних источников и механизмы адаптации маршрутов в реальном времени.
4. Сложность интеграции с существующими IT-системами
Решение: разработка промежуточных API и адаптеров, этапное внедрение и тестирование. Важным было сохранение работоспособности всей цепочки при откате одного из модулей.
Уроки партнёрства: что сработало лучше всего
- Фокус на малых и быстровнедряемых улучшениях: быстрые выигрыши дали ресурсы и моральную поддержку для масштабных изменений.
- Итерационный подход с пилотами: постоянная проверка гипотез и корректировка алгоритмов под реальный бизнес-кейс.
- Прозрачная экономика изменений: точный расчёт ROI и показ реального влияния на себестоимость и сервис ускорили принятие решений у менеджмента.
- Ориентация на конечный KPI клиента, а не на внутренние метрики: улучшение клиентского опыта оказалось ключевым драйвером роста повторных покупок.
- Инвестиции в данные и интеграцию: без качественных данных и стабильных интеграций никакие модели не дадут ожидаемого результата.
Выводы для ритейла
1. Технологический партнёр должен быть не только «поставщиком софта», но и бизнес-валидатором гипотез: сочетание инженерной компетенции и понимания ритейл-процессов критично.
2. Оптимизация последней мили даёт быстрый и заметный эффект для P&L сети, особенно для форматов с частыми доставками свежих продуктов.
3. Искусственный интеллект выгоден там, где есть большие и качественные данные: агрегирование и очистка данных — часть проекта, требующая серьезных усилий.
4. Гибридные модели фулфилмента (смешение собственных мощностей и партнёров) позволяют балансировать качество и стоимость, но требуют продвинутой оркестрации задач.
5. Изменения должны подкрепляться изменением мотивации персонала и организационных процедур — иначе технические улучшения не реализуются на практике.
6. Масштабирование успешного пилота требует внимания к региональным особенностям: плотность населения, дорожная инфраструктура, поведение потребителя отличаются, и модели должны это учитывать.
Перспективы и дальнейшие шаги
Опыт «ВкусВилл» и Ubirator показывает, что базовые техники уже дают ощутимый эффект, но потенциал ещё далёк от исчерпания. Дальнейшие направления:
- более глубокая персонализация предложений и тайм-слотов с учётом привычек отдельного клиента;
- расширение предиктивного управления запасами на уровне микро-фулфилмента;
- интеграция с интеллектуальными складами и роботизированными сборочными зонами;
- использование гибридных режимов поставки: дроны и автоматизированные пункты выдачи в сочетании с наземной доставкой;
- внедрение «зеленых» оптимизаций для снижения выбросов и соответствия ESG-показателям.
Заключение
Партнёрство Ubirator и «ВкусВилл» — пример того, как целенаправленное применение ИИ и оптимизация логистики способны преобразовать сервис доставки в ритейле. Результаты подтверждают, что инвестиции в данные, алгоритмы и операционные изменения окупаются за счёт снижения затрат и роста удовлетворённости клиентов. Для других сетей ключевые уроки просты: начинайте с пилота, фокусируйтесь на данных, меняйте процессы и мотивацию людей — и технологии начнут приносить системный эффект.
