MAGNIT TECH – это технологическое ядро крупнейшей розничной сети страны. Более 5 000 инженеров, аналитиков и продуктовых команд разрабатывают, поддерживают и масштабируют свыше 260 ИТ-продуктов и проектов, а также 800 информационных систем – от алгоритмов прогнозирования спроса в 33 000 магазинах до касс самообслуживания с собственным ПО. 

Мы ИТ-компания, создающая собственные продукты с высоким уровнем инженерной сложности, без зависимости от вендоров и системных интеграторов. В этой статье – честный рассказ о том, над чем мы работаем прямо сейчас и куда движемся в 2026 году.

F&R: платформа прогнозирования и пополнения федерального масштаба

Наш самый амбициозный реализованный технологический проект — система Forecasting & Replenishment нового поколения. Она поддерживает ключевые процессы прогнозирования спроса и расчёта пополнения: от заказов поставщикам до поставок на полки конкретных магазинов. Сегодня система ежедневно строит 17 миллиардов прогнозов на горизонте 90 дней — для каждого товара в каждом магазине, на каждый день вперёд. За этими числами стоят 33 000 магазинов, 46 РЦ сети «Магнит» и 25 корпоративных систем-источников. Общий объем данных — 8 петабайтов, из которых только хранилище прогноза занимает 1,5 ПБ.

Мы делали её сами, потому что не было выбора: российский рынок корпоративного ПО не закрывает нужды федеральной розничной сети на таком масштабе — доказанной масштабируемости у доступных решений попросту нет. Универсального продукта для всех крупных ритейлеров не существует по определению: слишком много специфики в структуре поставок, промо и региональном спросе.

Разрабатывать систему начали в апреле 2024 года — без готовой архитектуры, без платформы данных, без полноценной команды. К декабрю 2024 собрали прототип и провели нагрузочное тестирование. В апреле 2025 вышли в промышленную среду: первый РЦ в Кирове, больше 600 магазинов. К январю 2026 контур прогнозирования масштабировали на все действующие 46 РЦ. Цель на 2027 год — завершить не только географическое, но и функциональное масштабирование.

За год разработки команда выросла примерно в пять раз. Архитектурно система состоит из нескольких независимых платформенных блоков:

• Блок пополнения — Java, Apache Ignite, Kafka, Spark, Trino, Apache Iceberg

• Платформа данных — Debezium, Airflow, SparkSQL, DBT, Apache Flink (Lambda-архитектура для стриминга и батч-обработки); Data Lake на Parquet / Delta Lake / S3

• ML-стек — градиентный бустинг, модели Кростона для длинного хвоста, собственные библиотеки + MLOps-конвейер

• Интерфейс — микрофронтенды на Webpack Module Federation, GraphQL / REST / WebSocket, BI на ClickHouse

Ключевое архитектурное решение, к которому пришли не сразу: отказ от единой платформы в пользу модульной схемы с четкими контрактами между блоками. Первоначальная ставка на монолит вскрыла проблему единого релизного контура и зависимости команд друг от друга. Модульность решила проблему синхронизации: блоки катятся независимо через feature toggles, без ожидания общего «окна релиза».

Одним из главных инженерных вызовов для нас стало жёсткое окно: все расчёты на платформе прогнозирования и пополнения нужно завершать до начала следующего операционного дня. С апреля 2024 по январь 2026 расчётное окно сократилось с 10 до 4 часов — в 2,5 раза. Потребление ресурсов при этом снизилось в 4 раза. Мы добились этого с помощью рефакторинга Spark-задач, оптимизации партиционирования и shuffle-операций, обновления Spark, Java и Ignite, а также настройки Ignite-кластера и динамического распределения ресурсов.

Отдельным направлением в четвертом квартале 2025 года стал FinOps-цикл — целенаправленная работа с техдолгом инфраструктуры платформы: оптимизация Kubernetes, бэкапов, режимов потребления облака. Стоимость облачной инфраструктуры снизилась на 25% в сопоставимом контуре.

В 2026 году мы масштабируем систему F&R  на всю сеть ассортимент локальных поставщиков, категории «Фрэш/УльтраФрэш» и «Фрукты и Овощи», также ускоряем поставку функциональности для будущего масштабирования. Целевой горизонт масштабирования платформы прогнозирования и пополнения на всю розничную сеть — 2027 год. После этого F&R из «крупнейшего проекта» превратится в базовую инфраструктуру: невидимую, но управляющую каждой полкой в 33 000 магазинов.

Роботизация

Внедрение роботизированных систем — наш второй по амбициозности и масштабу проект после платформы прогнозирования и пополнения. За последние два года мы прошли путь от точечных экспериментов до двух объектов федерального масштаба. Расскажем о них чуть подробнее.

Подольск: крупнейший РЦ в стране

Летом 2025 года в индустриальном парке «Южный» в Подольске открылся наш крупнейший распределительный центр — 86 000 м², 10 млрд рублей инвестиций. Его технологическим сердцем стала конвейерная система длиной более 2 км с пропускной способностью свыше 60 000 коробок в сутки. Там же мы тестируем роборуку для паллетирования, AMR-роботы для транспортировки внутри склада, роботизированные погрузчики и инфосканы — устройства, которые автоматически измеряют вес и габариты груза и передают данные в систему без участия оператора. Всё оборудование российского производства (ГК «КОМИТАС»).

Коломна: первый полностью роботизированный

В 2026 году мы планируем запустить в промышленную эксплуатацию РЦ в Коломне. Это первый в российской рознице объект, где автоматизированы не отдельные операции, а полный цикл пополнения и комплектации — самые трудоемкие и высоконагруженные процессы. Мы стремимся автоматизировать большую часть ручного труда на этом объекте.

Технологическое ядро: системы трехмерных шаттлов для плотного хранения и свыше 500 AMR/FMR-роботов для транспортировки паллет к постам комплектации. Сухой склад занимает 15 000 м².

Само «железо» — шаттлы и AMR — давно известно и доступно на рынке. Главная трудность в другом: как объединить эти компоненты в синхронно работающую систему, эффективную, устойчивую и способную адаптироваться к сезонным пикам и промо-активностям. Это требует невероятной интеграционной работы.

Поэтому, помимо работы над технологическим оборудованием, значимой частью остается интеграция, математическое моделирование и управление нештатными сценариями.

До конца 2026 года мы хотим отработать решения в Подольске и Коломне для внедрения на других складах сети. Параллельно следим за развитием гуманоидных роботов: в отличие от специализированных систем они не требуют переделки существующей инфраструктуры под конкретное оборудование, что критично для уже работающих объектов.

Генеративный ИИ: от экспериментов к промышленным решениям

Это наше третье большое направление работ. Генеративный ИИ в «Магните» прошёл стадию «интересных экспериментов» и вышел на уровень доказанных промышленных решений — прежде всего в разработке ПО и автоматизации рутины. Теперь мы масштабируем эти системы на всю компанию.

У нас три направления, которые уже работают в эксплуатации:

• Для сотрудников мы запустили MagnitGPT — корпоративный ИИ-ассистент. Задачи стандартные: работа с текстами, деловая переписка, документооборот, распознавание аудио, видео и изображений. Без откровений, зато в промышленном масштабе и внутри корпоративного контура.

• Для разработчиков сделали ИИ-агент Magnit Copilot. Их роль в компании смещается от программирования к формированию архитектуры и проверке кода, написанного ИИ-агентом. Сейчас это даёт +10% к производительности, к концу 2026 года реалистичная цель — +30%. Для этого у нас есть отдельная команда, которая занимается только инструментарием: они дают разработчикам «Магнита» средства быстрой разработки. Агент OpenClaw хорошо справляется с написанием тестов и генерированием шаблонного кода. Уже есть внутренние примеры продуктов, созданных командой из одного-двух человек с активным использованием ИИ-инструментария. В индустрии это называют «model team of one» — явление, которое ещё несколько лет назад звучало бы как фантастика.

Кассы самообслуживания: от импортного железа к собственной платформе

Когда в 2022 году зарубежные компании ушли с российского рынка, большинство ритейлеров оказались перед одинаковой проблемой: парк кассового оборудования работает, но обновлений больше нет, техподдержки нет, и непонятно, что будет через год. Мы решили сделать собственную платформу — без западных системных интеграторов.

На уход от вендорского ядра и интеграцию всего парка ушёл 1 год. На реализацию собственного пользовательского фронтенда на основе продуктовых исследований — ещё 7 месяцев. Сегодня единая платформа охватывает более 55 тысяч КСО в 16 692 магазинах в большинстве регионов страны. Операционная система — Linux. Весь исходный код и данные по продажам хранятся на серверах на территории РФ. Разработка окупилась в первый год.

Платформу делали в три этапа: сначала обеспечили «технологический суверенитет»: написали собственное кассовое ПО и единый SDK «Магнит» как программную обвязку для всего парка, затем пересобрали продукт: новый фронтенд, модули лояльности, интеграция с Цифровым ID, медиаконтент на экране покупателя, и наконец — масштабировали на всю сеть.

Что уже умеет платформа? CV-модуль в весах распознаёт по изображению товар и предлагает покупателю варианты на экране, без поиска в каталоге вручную. Это дало на 15% ускорило обслуживание и на 10% снизило количество ошибок при добавлении весовых позиций. Параллельно работает антифрод: алгоритмы компьютерного зрения в связке с поведенческим анализом распознают сценарии мошенничества на кассе и инициируют проверку сотрудником без участия кассира в штатном режиме.

В ноябре 2025 года, в рамках форума «Цифровые решения» «Магнит» первым в России запустил биометрическое подтверждение возраста прямо на КСО. Камера сканирует лицо и отправляет запрос в Единую биометрическую систему (ГИС ЕБС) — ответ приходит в реальном времени.

В качестве альтернативного биометрии варианта подтверждения возраста в сентябре 2025 «Магнит» первым реализовал интеграцию с мессенджером MAX, которая позволяет без привлечения сотрудников магазина покупателю самостоятельно подтвердить совершеннолетие при помощи Цифрового ID. Инфраструктура мессенджера, в свою очередь, интегрирована с Госуслугами, что позволяет получать в моменте актуальные сведения, позволяющие предоставить покупателям расширенные возможности и дополнительные механики в процессе покупки товаров.

Через ту же платформу мы запустили Магнит Пэй — финтех-сервис, не требующие отдельного устройства. Экран покупателя стал медиаканалом: дистрибуция промо-контента и брендированных кампаний. Архитектура намеренно открытая — новые сервисы подключаем без пересборки ядра.

В ноябре 2025 года в 10 московских магазинах запустили прототип сервиса «Касса в телефоне»: покупатель сканирует QR на входе, в приложении добавляет товары и оплачивает через QR, без очередей и кассира. Сервис доступен пользователям «Магнит Плюс» и стал возможен потому, что к этому моменту офлайн- и цифровые сервисы уже работали на единой омниканальной платформе.

Одно из следствий, о котором редко говорят вслух: кассы самообслуживания — это ещё и ответ на демографическую ситуацию. Они позволяет держать магазин открытым 24/7 без найма трёх смен. В условиях дефицита линейного персонала это операционная необходимость, и эту задачу мы успешно решаем с помощью собственных технологий.

Алгоритм OSA и полки в 33 000 магазинах

Это наш проект в сфере машинного обучения. Каждый день система OSA (On-Shelf Availability — уровень доступности товара на полке) анализирует более 160 миллионов связок «магазин-товар» и ищет те позиции, которые прямо сейчас не продаются, хотя должны бы.

Проблема сложнее, чем кажется. «Товара нет на полке» бывает трёх видов: физическое отсутствие, ошибка в ценнике или штрихкоде и — самый коварный случай — виртуальные остатки. Система учёта показывает, что товар есть, поэтому автозаказ не срабатывает, поставка не приходит, полка пустая, покупатель уходит к конкуренту. Решение проблем с доступностью даёт компании до 1% от выручки магазинов, а при масштабе «Магнита» это десятки миллиардов рублей ежегодно.

Первое, что приходит в голову — ввести простое правило: «нет продаж три дня подряд → сигнал». Но это не работает. У товара с низким спросом нули в продажах это норма, у сезонного товара в несезон — тоже, у позиций после промо-пика возникает естественный откат. Ложных тревог будет столько, что сотрудники перестанут реагировать на задания. Поэтому мы сделали OSA как ансамбль независимых источников сигналов, каждый из которых закрывает свой класс случаев:

• Эвристики — простые бизнес-правила для очевидных ситуаций: истечение срока годности, отсутствие продаж у гарантированно ходовых позиций.

• Анализ дискретности — границы нормального отсутствия продаж калибруются под каждый товар через ABC/XYZ-классификацию.

• CUSUM — статистический детектор точек разладки во временных рядах.

• Прогноз самовосстановления на CatBoost — предсказывает, вернётся ли спрос сам, без вмешательства; если да, то задание не создаётся.

• Внешние источники — данные от сборщиков онлайн-заказов, мерчандайзеров и CV-моделей по фотографиям полок.

Как работает CUSUM

CUSUM (Cumulative Sum Control Chart) — классический алгоритм статистического контроля качества из промышленности, адаптированный для розницы. Идея в том, чтобы накапливать отклонения текущих продаж от «нормального уровня» и фиксировать момент, когда накопленное отклонение пересекает порог — это и есть точка разладки.

Но прежде чем считать отклонение, нужно убрать шум: сырые дневные продажи нормируюем на сезонность и ценовую эластичность, получая «базовые продажи». Для товаров с редкими продажами стандартная нормальная аппроксимация не подходит, здесь используются модели Пуассона и ZIP (Zero-inflated Poisson), которые корректно обрабатывают структуру нулей.

Финальный фильтр — магазины-аналоги. Остановку продаж признают аномалией, если в похожих магазинах того же региона и формата в тот же период продажи идут нормально. Это позволяет отличить проблему конкретной полки от общего тренда — сезонного спада, промо-каннибализации или регионального изменения спроса. При этом алгоритм CUSUM вычислительно лёгкий: требует минимальных ресурсов, что критично при 160 млн ежедневных расчётов.

Как мы оцениваем точность работы системы. Мы считаем метрику «точность» — насколько сигнал реально соответствует проблеме — через контрольные походы: эксперты физически проверяют полки и формируют чистый срез данных. Чтобы сотрудники не закрывали задания фиктивно, часть результатов мы проверяем через CV-модели по фотографиям полок.

Бизнес-эффект измеряем через «спасённые продажи» — прокси-метрику: смотрим, возобновились ли продажи после выполнения задания и насколько быстро. Статистически корректно посчитать эффект сложнее, чем кажется: наблюдения внутри одного магазина сильно скоррелированы, и классический t-тест даёт смещённые p-value. Поэтому мы применяем GEE (Generalized Estimating Equations) — метод, учитывающий корреляционную структуру внутри кластеров, — и switchback-тесты, где тестовые и контрольные периоды чередуются внутри одного магазина. Это удваивает эффективную выборку и убирает скрытые смещения.

Команда не стоит на месте: мы активно ищем как новые подходы, так и новые данные, чтобы повышать эффективность всех инструментов.

Заключение

Всё, что описано в этой статье, создаёт одна команда: F&R с 17 миллиардами ежедневных прогнозов, роботизированные склады, ИИ-агенты, CUSUM на 160 миллионах связок «магазин — товар», кассы самообслуживания с биометрией. И это лишь малая часть из более чем 260 продуктов и проектов, которые инженеры MAGNIT TECH проектируют, запускают и масштабируют сами. 

Если вам интереснее делать, чем сопровождать — и интереснее решать задачи федерального масштаба, чем типовые проекты, — то посмотрите, что происходит внутри:
→
Присоединиться к команде MAGNIT TECH.