Сроки годности и клиентский опыт: что ИИ делает в пищевой промышленности

Пищевая промышленность стабильно входит в тройку самых крупных мировых индустрий. В 2024 году объемы мирового рынка продуктов и напитков оценивают в 9,13 трлн долларов.

Хотя сам рынок растет довольно медленно, мировые лидеры инвестируют миллиарды долларов в инновационные технологии. И одной из наиболее перспективных считают сферу искусственного интеллекта и больших данных.

Динамика использования ИИ и Big Data в пищевой промышленности поражает. По данным Statista, ежегодный прогнозируемый прирост отрасли составляет 44,4% — и это при том, что средний рост рынка в год не превышает 4%. 

Исследователи считают, что за 10 лет рынок высоких технологий в производстве продуктов питания вырастет более чем в 40 раз. И, если прогнозы верны, совсем скоро нас ждут серьезные трансформации в индустрии. Поэтому сегодня говорим о том, как ИИ и большие данные уже используют в пищевой промышленности и какие возможности это открывает в будущем.

Как используют большие данные в пищевой промышленности

Технологии искусственного интеллекта, машинного обучения и аналитики больших данных проникают не только в пищевую промышленность, но и в другие сферы мирового бизнеса. Предприятия всей цепочки производства продуктов питания от сельского хозяйства до логистики и розничной торговли активно внедряют новые технологии. 

Хайтек-лидеры вроде IBM, SAP, Oracle, Intel Corporation, SAS Institute Inc. уже сейчас активно работают, чтобы занять часть будущего многомиллиардного рынка. Не отстают и компании малого и среднего бизнеса, ведь динамика развития открывает возможности неограниченного роста для проектов, которые окажутся полезными для отрасли. 

Контролировать срок годности товаров и снизить процент просрочки

Об этом редко рассказывают в медиа, но именно прогноз сроков годности товаров и разработка производственных механик, которые помогают их продлить, — одна из ключевых задач дата-аналитики в пищевой промышленности.

Уже сейчас есть десятки научных диссертаций, которые используют большие данные для аналитики сроков годности товаров. Но в большом бизнесе их только начинают внедрять.

Интересно, что аналитика сроков годности может решить проблемы на разных этапах цепочки производства и продаж:

1. Создание товаров, которые дольше пригодны к употреблению. К примеру, глубокая аналитика консервантов поможет разработать рецептуру продуктов, которые будут лучше храниться и при этом окажутся безопаснее для здоровья, чем существующие аналоги. 
2. Улучшение логистики и работы складов. Внедрение алгоритмов машинного обучения на склады поможет снизить процент испортившихся продуктов. Это возможно благодаря своевременной отгрузке товаров, срок годности которых заканчивается раньше.
3. Более точная оценка спроса клиентов. С помощью аналитики Big Data крупные торговые сети и производители могут прогнозировать спрос на новые необычные или сезонные товары. Благодаря точному портрету целевой аудитории магазины смогут закупать только актуальные товары и в таких количествах, чтобы они не залеживались на складе.

К примеру, исследователи немецкого Университета прикладных наук с помощью больших данных и машинного обучения создали диаграмму срока годности приготовленной пиццы. Они рассчитали, сколько времени хранится готовый продукт при заданных условиях, не теряя вкусовых качеств. 

Еще есть масса исследований особенностей хранения различных продуктов и фруктов. К примеру, исследование срока годности бананов или анализ оптимальных условий для хранения дынь с помощью машинного обучения. Даже при поверхностном изучении научных ресурсов мы нашли больше 40 диссертаций на схожие темы. 

Впрочем, реальных кейсов в этой сфере в открытом доступе пока нет. Но мы считаем, что первые результаты можно ожидать уже на протяжении года-двух — технологический и производственный рынки полностью к этому готовы. 

Сокращать отходы и заботиться об окружающей среде

Только в США портится и выбрасывается до 40% продуктов, которые создает пищевая промышленность. Это более чем 60 млрд тонн еды и напитков ежегодно или 408 млрд долларов. Это причиняет огромный ущерб экономике и окружающей среде, ведь большинство пищевых отходов не попадает под вторичную переработку.

Причиной порчи продуктов питания может стать любая ошибка в цепочке поставок. С помощью больших данных и алгоритмов искусственного интеллекта можно улучшить процессы складского хранения и доставки скоропортящихся продуктов.

По данным аналитики агентства Deloitte, 59% ритейлинговых компаний страдают от логистических задержек поставщиков. И это с учетом того, что 90% предприятий розничной торговли диверсифицируют поставки. 

К примеру, срок годности бананов, которые продают в российских супермаркетах, в среднем составляет 20-26 дней. Доставка фруктов из Эквадора в розничные сети занимает примерно 8-12 дней. Опоздание цепочки поставки даже на день увеличит количество непроданных бананов примерно на 10-15%.   

Coupa, Epicor, Echo Global Logistics, LivePerson, Infor — и это лишь небольшая часть компаний, которые сегодня занимаются улучшением цепочек поставок крупных логистических корпораций. И мировые логистические компании пользуются их услугами, потому что они экономят им миллионы долларов.

Исследователи подсчитали, что внедрение алгоритмов ИИ и машинного обучения во все процессы цепочки производства и поставок пищевых продуктов в теории способно уменьшить выбросы парниковых газов в атмосферу на 2%. 

В 2023 году Дании запустили пилотный проект «умной» фермы, в котором тестируют методики полного цикла выращивания свиней с помощью искусственного интеллекта.   

Согласно анализу, машинное обучение и анализ больших данных способны сократить выбросы парниковых газов при выращивании кормовых культур на 50%. Уже только это уменьшит образование парниковых газов для всей отрасли на 3-5%.

Планы у инициативы амбициозные — они планируют до 2050 года выйти на нулевые показатели выбросов парниковых газов на «умных» фермах. 

Напомним, что сельское хозяйство ответственно за выброс 13% всех парниковых газов в атмосферу — это больше, чем нефтегазовая промышленность (12%).  

Что интересно, в сфере логистики пищевых товаров уже есть целый ряд крупных игроков, которые используют алгоритмы ИИ для совершенствования цепочек доставки. Здоровая и активная конкуренция мотивирует их создавать еще более эффективные модели машинного обучения, которые в итоге позитивно влияют на весь международный рынок продуктов питания. 

Персонализировать продукты и улучшать клиентский опыт

73% потребителей считают, что компании должны тесно взаимодействовать со своими клиентами, чтобы лучше понимать их предпочтения, желания и ожидания. 

Доверие бренду становится одним из ключевым локомотивов продаж. Наряду с повышением качества товаров и обслуживания бренду нужно выстраивать сообщество лояльных клиентов. Если доверия нет, потребитель без труда найдет аналогичные товары другого бренда.

Большинство потребителей без зазрения совести сменят бренд, если им предложат более низкую цену или более высокое качество товаров. Кроме того, на выбор бренда сильно влияет клиентский сервис, доступность продукта и удобство использования.

При этом 69% потребителей не против, чтобы их данные использовали для обучения искусственного интеллекта, если это улучшит их покупательский опыт. И процент доверия к высокотехнологичным инструментам только растет.

К примеру, всемирно известная сеть кофеен Starbucks использует аналитику больших данных, чтобы персонифицировать пользовательский опыт на всех уровнях взаимодействия с брендом. Для этого они еще в 2019 году разработали собственную ИИ-платформу Deep Brew.  

Deep Brew используется в маркетинговых активностях для прогнозирования спроса и создания рекламных кампаний, с ее помощью совершенствуют программу лояльности и анализируют перспективные объемы продаж новых или сезонных напитков.

Но, как утверждает Лаксман Нарасимхан, CEO Starbucks, основная цель ИИ-платформы — максимальная персонализация клиентского опыта. Это важно, чтобы получить лояльного клиента, который будет посещать кофейни бренда долгие годы.

И это только наиболее перспективные сферы использования искусственного интеллекта и анализа больших данных в пищевой промышленности. Мы в Platforma тоже активно разрабатываем инструменты на основе нейросетей и анализа больших данных, которые способны помочь среднему и крупному бизнесу в отрасли. К примеру, предприниматели могут прогнозировать спрос на рынке в целом и при запуске новых продуктов отслеживать колебания экономики, анализировать конкурентов и формировать стратегию развития на основе больших данных. 

Сейчас пищевая промышленность находится в лидерах среди отраслей по динамике внедрения алгоритмов ИИ и машинного обучения. И, судя по объемам инвестиций, будет оставаться еще долго. Поэтому мы ожидаем, что именно здесь будут самые масштабные инновации, связанные с алгоритмами искусственного интеллекта, машинного обучения и аналитики больших данных. А вы как считаете?