פיתוח מערכת בינה מלאכותית לחיזוי עסקאות במשפך המכירות

מדוע חיזוי עסקאות אינו תואם את המציאות

שלבים ב-CRM נסגרים ידנית: המנהל מחליט בעצמו מתי עסקה עברה מ״משא ומתן״ ל״תיאום תנאים״. אחד רואה בהצעה שנשלחה סימן להתקדמות, אחר בתקציב מאושר, שלישי מפרש את הסינון אחרת ומשאיר את השלב פתוח לשם דיווח.

חיזוי עסקאות במשפך כזה נשען לא על נתונים אלא על האופטימיות של אדם מסוים, והפער בין התוכנית למציאות הולך וגדל לקראת סוף הרבעון.

הסיבה השנייה היא איכות הנתונים במשפך. המאפיינים שלפיהם מחושבת ההסתברות מתיישנים: המגע האחרון מתוארך לחודש קודם, השדה ״סיבת הסירוב״ ריק, וחלק מההסכמות קיים רק בהתכתבות ולא נכנס ליומן.

אפילו בהיסטוריה שמתועדת בקפידה ב-Salesforce חסרים הקשרים בין הפעילויות לשלבים, ולכן המודל משחזר את טעות התחזית של המכירות במקום לתקן אותה.

מחיר הטעות נמדד בהחלטות, לא באחוזים. המחלקה מתכננת גיוס ועומס מהנדסים לפי סכום מנופח, הנחות ניתנות בשבוע האחרון של הרבעון לשם עמידה בתוכנית, ועסקאות חלשות ממשיכות עד הסוף במקום החלפה מוקדמת.

שלוש סיבות לכישלון התחזית — שלבים ידניים, מאפיינים מיושנים וסינון שונה — מצטברות לאפקט אחד: נבחן כיצד זה נסגר.

מה משתנה לאחר הטמעת המודל במשפך

לאחר הטמעת המודל, המשפך מפסיק להיות אוסף סטטוסים שהמנהל מפרש ידנית: התחזית לכל עסקה מתעדכנת יחד עם הפעילות שלה — שיחה, הודעה, שינוי בסכום או בתאריך.

שיעור התחזיות הנכונות לפי שלבים עולה מ-55% ל-78%, והפער בין ההכנסה הצפויה לזו שבפועל נראה 3-4 שבועות לפני סוף התקופה, ולא ביום הדיווח.

דיוק לפי שלבי המשפך

המודל מחשב הסתברות סגירה בנפרד לכל שלב: בשלבים המוקדמים הוא נשען על מקור הפנייה וההיסטוריה של עסקאות דומות, ובשלבים המאוחרים — על פעילות המשתתפים ומשך הזמן מאז המגע האחרון. התחזית בשלב הסינון מתדייקת בטווח של ±10%, ובשלב תיאום החוזה — ±4%.

הכיול מחושב מחדש על עסקאות סגורות: הסתברות של 70% משמעה שכ-7 מתוך 10 עסקאות נסגרות, וניתן להישען על כך בתכנון.

פחות עבודה ידנית עבור המנהל

השוואת התחזית עם מערכת הרישום, ייצוא לגיליונות וסיכום לפי מנהלים מוחלפים בתצוגה אחת שמתעדכנת: פערים מסומנים אוטומטית. הכנת התחזית אורכת 20-30 דקות במקום כמה שעות בשבוע — הזמן מוקדש לניתוח הסטיות, לא לחשבון.

שקיפות המשפך מאפשרת התראה מוקדמת על סיכונים: עסקה עם פעילות דועכת או תאריך שנדחה מסומנת 2-3 שבועות לפני שהמנהל מבחין בכך. כל עדכון של המודל מתועד בגרסאות ב-MLflow, ולכן התחזית ניתנת לשחזור ולהסבר — רואים אילו מאפיינים ובאיזו מידה השפיעו על ההערכה.

השוואת גישות: כללים, סטטיסטיקה, מודל

בחירת הגישה נקבעת לא לפי מורכבות השיטה אלא לפי בגרות הנתונים: כמה עסקאות סגורות יש בהיסטוריה, האם שלבי המשפך יציבים, והאם סיבות ההפסד מתועדות. בהיסטוריה קצרה כללי ניקוד עובדים ביתר דיוק, ומודל מכירות מאומן מנצח כאשר יש מספיק דוגמאות והגדרת התוצאות אחידה אצל כל המנהלים.

כאשר ההיסטוריה קצרה והתחזית נדרשת

מתחילים בהערכה בניקוד ובסטטיסטיקה לפי שלבים — הם שקופים ומספקים תחזית ראשונה במהירות. במקביל מגדירים תיעוד של סיבות הפסד ושדות חובה בעסקה: בלי זה המודל המאומן לא יאסוף מאפיינים.

עוברים למודל כאשר נצבר נפח של עסקאות סגורות ודיוק הכללים מפסיק להשתפר — אז משווים את האפשרויות לפי המציאות, לא לפי ציפיות.

שלבי הטמעה: מביקורת נתונים ועד מסירה

חיזוי עסקאות נתקל לרוב לא באלגוריתם אלא באיכות הייצוא ממערכת המכירות: מעברים חסרים בין שלבים, תיקונים ידניים של תאריכי סגירה, עסקאות בלי אחראי. לכן אנחנו מתקדמים בהדרגה — מביקורת נתונים ועד מסירת הפתרון, עם קריטריון מוכנות בכל שלב.

ביקורת ייצוא נתונים ומדד מטרה

1. ביקורת נתונים: מנתחים היסטוריה של כמה מחזורי מכירה מלאים, מחפשים חסרים בשדות, כפילויות ותאריכים שהוזזו ידנית. בפלט — רשימת שדות שאפשר לסמוך עליהם, ומה יהיה צורך לשחזר לפי מאפיינים עקיפים.
2. מדד מטרה: קובעים מה בדיוק מנבאים — הסתברות לסגירה בזמן או עמידה בתוכנית התקופה. המדד נקבע לפני האימון, אחרת לא יהיה במה לבדוק את המודל.
3. הכנת מאפיינים: מהשלבים, מהפעילות של המנהל, ממשך ההפסקות ומפרופיל הלקוח אוספים מאפיינים לרגע החיזוי — בלי נתונים מהעתיד, אחרת האיכות על ההיסטוריה תהיה מנופחת.

בדיקה על תקופות היסטוריות

• בדיקת המודל: מאמנים על תקופות מוקדמות ובודקים על מאוחרות יותר — כך משחזרים את המצב המציאותי שבו החלטה מתקבלת לפי נתונים חלקיים של עסקה פתוחה.
• השוואה לפרקטיקה הנוכחית: משווים את התחזית להערכות של מנהל המחלקה ולקו הבסיס "המרה ממוצעת על כל העסקאות", ובוחנים פגיעות וטעויות בעסקאות גדולות.
• מסירת הפתרון: מוסרים הכנת נתונים, מודל מאומן, נוהל אימון מחדש ולוח דיווח, מאמנים את הצוות שלכם ונשארים בקשר בתקופת התחזיות הראשונות.

ארטיפקטים של הטמעה: סכמה, מודל, נוהל

הטמעת חיזוי עסקאות חשובה לא בגלל המודל עצמו, אלא בגלל מה שנשאר אצל צוות הלקוח אחרי ההשקה. אנחנו מוסרים חבילת ארטיפקטים שלפיה אפשר לפתח את המערכת בכוחות עצמכם או להעביר לקבלן אחר בלי לאבד את ההקשר.

סכמת נתונים ומאפיינים

• מפת מקורות: אילו שדות במשפך משתתפים בחישוב, מי הבעלים של כל אחד מהם ובאיזו תדירות הוא מתעדכן.
• סכמת טבלת נתונים לאימון ולחישוב: טבלאות, קשרים, כללי דה-דופליקציה של עסקאות וטיפול בחסרים.
• קטלוג מאפיינים: מה משמעות כל אחד, מאיזה נתונים הוא מחושב ומה התרומה שלו לתחזית.
• כללי תיוג: איך מתועדת התוצאה של העסקה, איזה טווח נחשב ליעד, ומה עושים עם עסקאות תקועות.
• סט בקרה של עסקאות עם תוצאה ידועה — אמת מידה לבדיקה לאחר תיקונים במקורות.

נוהל אימון מחדש וניטור

• טריגרים לאימון מחדש: מחזור קלנדרי, ירידה באיכות, שינוי בשלבים או בפרופיל המשפך.
• סדר העבודה: הכנת מדגם, אימון, השוואה למודל הנוכחי על תקופה נפרדת, החלטה על שחרור.
• ניטור איכות: פער בין תחזית למציאות לפי קבוצות, שיעור התראות שווא, הטיה במאפיינים.
• ספים ואחריות: באיזו סטייה מופעל איסוף מחדש ומי מאשר את השחרור.
• חזרה לאחור ותיעוד: הגרסה הקודמת חוזרת לחישוב במחזור אחד, וייעוד המודל, הרכב המאפיינים ויומן השינויים מתוארים בטקסט.

מקרה בוחן: חיזוי עסקאות נעשה מדויק יותר

מחלקת מכירות של 20 מנהלים חיזה חודש לפי משקל השלב במשפך Bitrix24: עסקה בשלב תיאום החוזה נחשבה לסגורה בהסתברות של 70%. התאריכים נדחו, והמשקל לא שיקף לא את פעילות הלקוח ולא את ההיסטוריה של עסקאות דומות — התוכנית סטתה מהמציאות כמעט פי שניים, ועל הכישלון נודע בשבוע האחרון של החודש.

נקודת פתיחה ומגבלות

המדידה הראשונה על שלושה חודשי היסטוריה נתנה 54% פגיעות, ובעסקאות גדולות הטעות הגיעה עד 38% מהסכום. איסוף הנתונים לא היה פשוט: אירועים נרשמו ביומן אך לא נשמרו בצורה המתאימה לאימון, ואת הכרונולוגיה שחזרו מהתכתבות, משיחות וממעברים בין שלבים.

מגבלה נפרדת הייתה ההתנהגות האנושית: המנהלים תפסו את הסתברות הסגירה כנתון דיווחי והפחיתו אותה. הסרנו את הקלט הידני מהחישוב — המאפיינים מחושבים לפי עובדות: תדירות המגעים, תגובות הלקוח, מהירות המעבר בין שלבים, הרכב המשתתפים מצידו.

התוצאה במספרים

כעבור שבעה שבועות מההתחלה, מהם שניים הוקדשו לתיאום המאפיינים עם המחלקה, המודל נתן תחזית לכל עסקה ולחודש כולו. הדיוק בטווח של חודש עלה מ-54% ל-87%, הטעות הממוצעת בסכום העסקה — מ-38% ל-11%, והפער בין התוכנית למציאות הצטמצם מ-2.3 ל-1.1 פעמים.

גם השגרה במחלקה השתנתה: השוואת התחזית, שלקחה למנהל כשש שעות בשבוע, מסתכמת בארבעים דקות. המודל עובר אימון מחדש על עסקאות סגורות מדי חודש, ומאפיינים חדשים מתווספים בלי לבנות מחדש את כל המערכת.

במה המודל שונה מדוח משפך?

דוח משפך מראה את מה שכבר קרה: כמה עסקאות עברו בכל שלב, מהי ההמרה בתקופה, ואיפה מאבדים הכי הרבה. הוא נבנה על עסקאות סגורות ולכן יציב — המספרים לא משתנים בדיעבד. אבל אין בו תשובה לשאלה שהמנהל צריך כל יום: באיזו הסתברות תיסגר העסקה שתלויה כרגע בעבודה.

מודל חיזוי עסקאות פותר את הבעיה ההפוכה — מעריך את העתיד לפי המצב הנוכחי של כל עסקה פתוחה. האימון מתבצע על ההיסטוריה, והמאפיינים מתארים את היום הנוכחי: קצב המעבר בין שלבים, הרכב המשתתפים מצד הלקוח, סדירות התקשורת, הפסקות והחלפת אחראי.

מודל מול כללים

כלל מסוג "שלב × המרה ממוצעת" מקצה הערכה זהה לכל העסקאות באותו שלב — וכאן אובד כל ההבדל בין הגישות. המודל נותן משקל לעשרות אותות בו-זמנית, ולכן שתי עסקאות באותה עמודה עם דינמיקה שונה מקבלות הסתברות שונה. זהו בדיוק הגבול: הדוח מתאר מחלקה, המודל — עסקה מסוימת.

פרשנות ההערכה — תנאי הכרחי, אחרת אי אפשר לנהל את התחזית. בכל עסקה רואים אילו מאפיינים העלו את ההסתברות ואילו מושכים אותה למטה: איש קשר שהפסיק להגיב, פגישה שהוחמצה, משתתף יחיד מצד הלקוח. המנהל מקבל לא מספר מופשט אלא רשימת סיבות שאפשר לעבוד איתן.

הדוח לא מתבטל: הוא נשאר מקור העובדות ומשמש לבקרת איכות המודל — התחזיות מושוות באופן קבוע למה שבסופו של דבר קרה לעסקאות. המודל נותן סדר עדיפויות לתשומת לב, והדוח — אישור שהעדיפות הוגדרה נכון.

שאלות טכניות שנשאלות לפני ההתחלה

לפני ההתחלה עולות אותן ספקות: מה למסור מבחינת נתונים, האם ההיסטוריה המצטברת של עסקאות תספיק, מה יקרה בעת בנייה מחדש של המשפך ומי שומר על איכות המודל אחרי ההשקה. להלן תשובות קצרות לכל סעיף; לאחר מכן הן הופכות לנוהל בתיעוד הפרויקט.

יש לנו היסטוריית עסקאות קצרה — האם הנתונים יספיקו?

נפח אינו מקור האות היחיד. חלק מהחוקיות נלקח מסטטיסטיקה סגמנטית: כיצד מתנהגות עסקאות דומות לפי גודל, ערוץ וסוג לקוח. את הגרסה הראשונה בונים על כללים שקופים וסטטיסטיקת מעברים בין שלבים, ותלויות מורכבות יותר מוסיפים ככל שנצברות עסקאות סגורות.

מה יקרה אם נשנה את שלבי המשפך?

המודל נשען לא על שם השלב אלא על מיקומו והמאפיינים של המעבר ביניהם. בעת בנייה מחדש אנחנו ממפים מחדש את ההתאמה בין שלבים ישנים לחדשים ומאמנים את המודל מחדש — זו משימה מתוכננת, לא חירום. את היסטוריית התחזיות שומרים כדי להשוות איכות לפני ואחרי.

מי אחראי למודל לאחר ההשקה?

הליווי נכלל בעבודה. אנחנו עוקבים אחר הפער בין התחזית לתוצאות בפועל, אחר התפלגות המאפיינים ושיעור המעברים בין שלבים; מדדים והתראות על דעיכה — בלוח הניטור. את סדר האימון מחדש מתעדים במסמכים, כדי שהצוות שלכם יוכל לבדוק את התחזית בעצמו.

נדון במשימה ונחזור עם תוכנית הטמעה

כדי לחזור עם הערכת המשימה ותוכנית הטמעה, אנחנו לא צריכים גישה לכל ההתכתבויות של המנהלים — מספיק להבין את מבנה הנתונים. די בייצוא של עסקאות סגורות מכמה תקופות, בתיאור שלבי המשפך ובכללים שלפיהם עסקה נחשבת לזכייה או להפסד. זה מספיק כדי להעריך את היקף העבודה, את הרכב המאפיינים ואת הזמן עד לתחזית עבודה ראשונה.

את דרישות הנתונים אנחנו מנסחים בעצמנו ושולחים רשימת שדות עם טיפוסים וכיסוי צפוי. מצדכם צריך אדם שיאשר את הפרשנות של השדות האלה ויענה על שאלות בתחום התוכן: בלעדיו כל מודל חיזוי עסקאות יירש טעויות תיוג במקום את ההיגיון של המכירות.

מה יידרש כדי להתחיל את הפרויקט:

• ייצוא היסטוריית עסקאות מכמה תקופות: תאריך יצירה, שלבי מעבר, תוצאה, סיבת סירוב;
• תיאור שלבי המשפך וכללי המעבר ביניהם, כולל תיקונים ידניים של סטטוסים;
• רשימת שדות שממולאים ידנית ושדות שמגיעים ממערכות חיצוניות;
• גישה לסביבה שבה הפתרון יעבוד: סביבה סגורה או ענן — לפי שיקול דעתכם;
• אחראי נתונים מצד הלקוח: יאשר את פרשנות השדות ויקבל את התוצאה;
• קריטריוני הצלחה בצורה מדידה: שיעור תחזיות נכונות, טווח, שיעור חסרים מותר.

תארו את המשימה — היקף המשפך, הדרך הנוכחית להערכת עסקאות ומה בדיוק אתם רוצים לחזות. נחזור עם הערכה, תוכנית הטמעה ומועד לתחזית הראשונה על הנתונים שלכם.