В ГК Softline рассмотрели проблемы фешн-отрасли, возникающие на этапах презентации товара и выбора покупки. На этапе презентации товара и выбора покупки фэшн-ритейл сталкивается с комплексом проблем, влияющих на выручку и клиентский опыт. В компании отмечают, что 8 из 10 покупателей принимают окончательное решение о покупке одежды в магазине, опираясь исключительно на визуальное восприятие, что делает этот этап критически важным для сохранения продаж в условиях снижения покупательской активности. Одна из проблем, которую выделяют эксперты, – низкий средний чек. В 2026 году число покупок сократилось, а компенсировать падение стоимости корзины за счет привлечения нового трафика становится сложнее. ИИ-рекомендации в онлайне анализируют историю покупок и просмотров, предлагая готовые капсулы и сопутствующие товары.
Другая проблема связана со «слепыми зонами» и неэффективной выкладкой. Перегруженные вешалки или неудачное расположение стоек снижают конверсию. Компьютерное зрение в сочетании с ИИ-алгоритмами в реальном времени оценивает взаимодействие покупателей с ассортиментом и строит тепловые карты внимания. Известный бренд внедрил систему ИИ-видеоаналитики, обнаружив, что определенные стойки блокировали видимость премиальных коллекций. Устранение «слепых зон» позволило поднять продажи фокусных категорий одежды в пилотных магазинах.
Еще один вызов касается размытия стандартов бренда. Один и тот же бренд в разных городах может выглядеть и продавать совершенно по-разному. Платформы для исполнения стандартов мерчандайзинга помогают торговым сетям следить за правильной раскладкой товаров. Российские компании используют модуль расширенных фотоотчетов. Директора магазинов отправляют снимки витрин через приложение, а региональный менеджер выделяет ошибку на фото и ставит задачу на исправление. В результате удалось обеспечить практически полное соответствие всех торговых точек единому брендбуку.
Сложности с выбором товара возникают на фоне избытка предложений. Клиентам приходится выбирать из миллионов позиций. ИИ-стилисты анализируют историю покупок, предпочтения пользователя и текущую погоду, формируя персональные капсулы.
Также одна проблема связана с точностью подбора размера. Размер М у одного производителя может соответствовать S или L у другого. По данным экспертов, потребители возвращают от 15% до 45% заказанных онлайн вещей, причем до половины возвратов связаны с ошибкой в размере. Предиктивная аналитика на основе истории покупок и отзывов других пользователей с точностью до 90% прогнозирует нужный размер. Российские бренды уже внедряют отечественные B2B-виджеты умного сайзинга, снижая долю возвратов по причине «не подошел размер».
Для бизнеса это означает переход от стандартной выкладки к интеллектуальной презентации товара и персонализированному подбору. В ГК Softline считают, что умные рекомендации и предиктивная аналитика размеров становятся ключевым инструментом сохранения выручки в условиях снижения покупательской активности.