פיתוח מערכת AI לניתוח קבלות של לקוחות

ניתוח קבלות: היכן נשבר העיבוד הידני

כשל אחד באנליטיקת מוצרים נראה צפוי מראש: פריטי הקבלה מועברים ידנית. מפעיל מזין שורות מקבלה מנייר או מסריקה לטבלה, וכבר בשלב הזה הולכים לאיבוד מקטים, משקל ושורות מבצע — אי-ההתאמה לסכום הכולל של הקבלה מתגלה לא מיד, אלא בבדיקה.

ככל שיש יותר סניפים ופריטים, כך שרשרת ההזנה הידנית ארוכה יותר והסיכוי שחלק מהקבלה פשוט לא ייכנס לייצוא גבוה יותר.

מכאן מתחילות שגיאות בנתוני המוצרים. אותו מוצר נרשם גם כ"קולה 0.5" וגם כ"cola 0.5 בקבוק", מופיע בקטגוריות שונות — והסיכום לפי קטגוריה מפסיק לשקף את המציאות, מפני שמכירות, מרווח ומלאי מחושבים לפי בסיסים שונים.

לא ניתן לאתר את השגיאה עד לקבלה ספציפית: מקור הנתונים הוא טבלה שכבר הוקלדה מחדש ביד, ולא מסמך המקור.

עיכוב בייצוא הקבלות הופך את התמונה למערכתית. בזמן שקבלות מנותחות ידנית, אנליטיקת המוצרים מפגרת בימים, ורכש, סידור מדפים ומבצעים מתוכננים לפי נתונים שהתיישנו לפני שהגיעו לדוח. זינוק בביקוש לפריט מסוים נראה רק כשכבר הסתיים, ואי-התאמות בין מערכות יש לנתח ידנית, קבלה אחר קבלה.

העלות המרכזית של תהליך כזה אינה זמן המפעיל, אלא אובדן שליטה על תמהיל המוצרים: החלטות מתקבלות על סמך נתונים שאין לסמוך עליהם, ואין נקודה שבה אפשר לעצור את השגיאה. נסביר כיצד זה נסגר.

מה משתנה: מהירות, שלמות ואיכות הנתונים

רשת קמעונאית עם כמה עשרות סניפים ייצאה מכירות מהקופות ידנית: מפעילים הורידו ארכיוני קבלות ממשק מפעיל הנתונים הפיסקאליים, איחדו משמרות ופענחו שורות שבהן השם מקוצר ל"משקה מיץ 1 ל׳ תפוח". המנה היומית נאספה עד ערב היום למחרת, והחלטות על המדף התקבלו בעיוורון.

מה היה לפני ההטמעה

עיבוד המנה היומית ארך כשמונה שעות עבודה של שלושה מפעילים, ושיעור הפריטים שהובאו לקטגוריית מוצר לא עלה על 60%. השאר נשאר כטקסט חופשי, דוחות לפי קטגוריות הופיעו כעבור יממה, ואי-התאמות עם מערכת הנה״ח 1С נמצאו רק לאחר סגירת המשמרת — בדיעבד.

מה שינו ומה קיבלו

את הניתוח בנו כרצף: קליטת ייצוא, נרמול שורות, התאמה למאגר פריטים, אימון נוסף של המודל על מקרים שנויים במחלוקת. פריטים ברמת ביטחון נמוכה עוברים לתור ניתוח בעדיפות לפי חלקם במחזור המכירות, ותיקוני המפעיל הופכים לדוגמאות אימון — לכן דיוק זיהוי הפריטים במגוון טיפוסי נשמר מעל 99%.

המנה היומית מעובדת תוך 15–20 דקות במקום שמונה שעות, שלמות הנתונים לפי קטגוריות עלתה מ-60 ל-97%, הדוחות מוכנים לפתיחת המשמרת, ולא כעבור יממה. העבודה הידנית הצטמצמה משלושה מפעילים לבדיקה מדגמית של כ-2% מהקבלות — מהר יותר וללא אובדן.

גם סוג התקלות השתנה: במקום שורה שאבדה בשקט בניתוח, נוצרת רשומה בתור עם סיבה מפורשת ומבנה הקבלה. במוצרים נשקלים ובקיצורים לא סטנדרטיים הדיוק נמוך יותר — פריטים כאלה עוברים אימות ידני, ולא מעוותים את הדיווח.

דרכים לניתוח קבלות: אצווה או זרימה

הבחירה בין מצבי הניתוח נקבעת לא לפי נפח הקבלות, אלא לפי מידת המהירות שבה התוצאה נדרשת במערכת הנה״ח. עיבוד קבלות באצווה לוקח ייצוא של תקופה סגורה ומנתח אותו במלואו; עיבוד בזרימה קולט קבלה ברגע הרכישה ומוסר נתונים כמעט מיד. ליבת הזיהוי בשני המקרים זהה; שונים רק מועד ההפעלה והדרישות לחיבור למערכת הנה״ח.

בפועל בוחרים לא "או", אלא סדר: הזרימה סוגרת משימות תפעוליות, האצווה — התאמות והשלמת מה שהוחמץ. להלן שלוש אפשרויות עבודה ומה מגביל כל אחת.

אפשרויות ניתוח והמגבלות שלהן

מצבי ניתוח הנתונים נבחרים לפי קצב העבודה של מערכת הנה״ח: במקום שבו המשמרת נסגרת פעם ביממה, האצווה כמעט לא מפסידה דבר, והזרימה מסבכת את המערך ללא תועלת. לעומת זאת, אם ההחלטות מתקבלות ברגע הרכישה, בלי עיבוד בזרימה לא ניתן להשיג את העיכוב הרצוי.

שלבי העבודה: מביקורת נתונים ועד מסירת המערכת

סדר השלבים נבנה כך שכל שלב מתבסס על תוצאה מאומתת של הקודם: צווארי בקבוק צפים באמצע העבודה, ולא בקבלה, כשהתיקון עולה ביוקר.

1. ביקורת מדגם קבלות. בודקים מה באמת מגיע מהקופות ומהאפליקציה: צילומים בזווית, קבלות מקומטות ודהויות, פורמטי הדפסה שונים. מחשבים את שיעור המדגם הראוי לניתוח ללא תיקון ידני.
2. סכמת נתונים ותיוג דוגמאות. מקבעים שדות חובה — תאריך, סכום, פריטים, הנחות — ומתייגים ידנית כמה מאות קבלות, כולל לא נוחות. התיוג הזה הופך לאמת מידה לכל הגרסאות הבאות.
3. הגדרת כללי ניתוח. מקרים טיפוסיים מכסים בכללים ובמילונים של קבוצות מוצרים, לא טיפוסיים מעבירים למודל. כך החלטת המערכת ניתנת להסבר, ואת השגיאה מתקנים ללא אימון מחדש מלא.
4. בדיקה על נתונים אמיתיים. הרצה על מדגם נפרד עם דיוק לפי כל שדה בנפרד: היכן מתבלבל משקל עם מחיר, היכן הולכת לאיבוד שורה. נתון מסכם ברמת הקבלה מסתיר כשלים כאלה.
5. אימון נוסף על דוגמאות שנויות במחלוקת. קבלות ברמת ביטחון נמוכה מנתחים ידנית ומוסיפים למערכת — הדיוק עולה בדיוק במקום שבו הוא ירד.
6. קבלה לפי מדדים מוסכמים. בודקים על מדגם שהלקוח אוסף בעצמו ואינו מראה לנו מראש. אם הסף לא הושג — חוזרים לכללים, ולא "מותחים" את המדד.
7. מסירת המערכת ללקוח. מוסרים קוד, תצורות כללים, סכמת נתונים, הוראות לקבלות שנויות במחלוקת ויומן מדדים; מלמדים את הצוות ונשארים בקשר לגבי תקלות.

פריטי מסירה: מודל, כללים, תיעוד

מודל מאומן בלי חבילת ליווי הוא קופסה שחורה שאין למי לאמן נוסף כעבור חצי שנה. לכן המסירה מקובעת כמערכת פריטים: לגבי כל אחד ידוע מי אחראי לו, במה הוא מתעדכן וכיצד לבדוק שהוא עדיין עובד.

• סכמת זרימת נתונים — מסלול הקבלה מהצילום ועד לרישום במערכת הנה״ח: היכן היא נכנסת לעיבוד, היכן נשמרת, באיזה שלב הערך המזוהה נחשב מאושר, והיכן הוא עובר לניתוח ידני.
• מודל מאומן לניתוח פריטים — עם רשימת מחלקות המוצרים שעליהן הוגדר, וגבולות היישום: קבלה מקומטת, תאורה חלשה, הדפסה לא סטנדרטית.
• כללי אימות נתונים — שדות חובה, בדיקת ספרת ביקורת, פורמט תאריך וסכום, וכן התנהגות בעת אי-התאמה: לדחות, לסמן או לשלוח למפעיל.
• נוהל בקרת איכות — איזה שיעור קבלות עובר להתאמה ידנית, לפי איזה סף דיוק הניתוח נחשב ראוי, ומה מופעל כשהסף יורד.
• תפקידים והרשאות — מי רואה את התמונות המקוריות, מי מתקן תיוג, מי משנה כללי אימות ומי רק קורא דוחות; ההרשאות מוגדרות במערכת, ולא על הנייר.
• תיעוד המערכת — הוראות למפעילים ולמנהלים, תיאור מאגרי הפריטים, יומן שינויים של המודל ונוהל חזרה לגרסה קודמת.

זה אינו דוח על עבודה שבוצעה, אלא ערכה עובדת: לפיה המומחה שלכם מכניס את המערכת לשימוש, ומהנדס חדש חוזר על ההגדרה בלעדינו.

מקרה בוחן: מה השתנה לאחר ההטמעה

לפני ההטמעה

ברשת חנויות מזון רשת קמעונאית נתונים מקבלות מנייר הועברו לטבלאות ידנית: מפעילים הזינו פריטים והתאימו אותם למאגר המוצרים.

בזרימה של כמה אלפי קבלות ביום, המנה נסגרה תוך כשש שעות, שיעור הפריטים השגויים הגיע ל-18%, וכל שורה רביעית נדרשה לתיקון ידני — לרוב בגלל מוצרים נשקלים, שורות הנחה ותווים דבוקים בסרט.

מה שינו

הרכיבו קו עיבוד: צילום הקבלה עובר עיבוד מקדים — יישור, חיתוך הרקע, הגברת ניגודיות — ואז מזהים שורות, וכל פריט מותאם למאגר לפי מק"ט, ברקוד וקידומת משקל. סיכום ומסים נבדקים בכללים: אם הסכום אינו תואם או שביטחון הזיהוי נמוך מהסף, השורה עוברת למפעיל ולא לדוח.

הכלל שהופעל וגרסת המודל נרשמים ביומן, ולכן ניתן לנתח ולבדוק מחדש פריט שנוי במחלוקת בלי לעבור שוב על כל המנה.

שיעור הפריטים השגויים ירד מ-18% ל-1.5%, מנה באותו נפח מעובדת תוך 25–30 דקות במקום שש שעות, והעיבוד הידני הנוסף הצטמצם מרבע מהשורות ל-4%.

האפקט המרכזי אינו במהירות הזיהוי, אלא בכך שהשגיאה חדלה להגיע לדיווח: שורות מפוקפקות מבודדות בכניסה, וסגירת התקופה אינה הופכת עוד לבדיקה חוזרת של כל הייצוא.

מה לעשות אם נתוני הקופות כבר נאספים במערכת הנה״ח?

נתוני הקופות כבר נמצאים במערכת הנה״ח — כלומר, אין צורך באינטגרציה נפרדת עם הקופות: די לקרוא את מה שכבר קיים שם. מערך הניתוח נבנה לצד מסד העבודה, ולא מעליו: מערכת הנה״ח ממשיכה לסגור משמרות ולהדפיס דוחות, וייצוא נתוני הקופות עובר למאגר נפרד, שבו פועל המודל לניתוח קבלות.

עדיף לקחת נתונים משכבת החלפה או מעותק 1С, ולא ממסד הייצור ברגע סגירת המשמרת. הייצוא מתבצע במנות לפי לוח זמנים, באופן מצטבר — לפי מזהה משמרת או קבלה, תוך שמירת הסכומים, ההנחות והפריטים המקוריים. הפעלה חוזרת לא אמורה ליצור כפילויות: המפתח הוא מספר הקבלה בשילוב עם הקופה ונקודת המכירה.

הדו-קיום עם הדוחות הנוכחיים מובטח בכך שאיננו נוגעים בסכמת הרגיסטרים ומאגרי הפריטים. האנליטיקה חיה בתצוגה משלה, דוחות הנה״ח והניהול נשארים במקום שבו היו, ואף אחד מהם לא מתחיל להיות תלוי במערך שלנו.

בשלב הראשון חובה לבדוק שלמות נתונים: האם מספר הקבלות וסכום ההכנסות למשמרת תואמים את תוצאות הסגירה, אין פערים במספור, והאם החזרות והפריטים המבוטלים מיוחסים כראוי. אי-התאמות מנתחים לפני ההפעלה — אחרת המודל יתאמן על מדגם חלקי והמסקנות יהיו מוטות.

שאלות נפוצות על איכות ונתונים

איכות על נתונים אמיתיים היא מקור הספק המרכזי לפני ההתחלה. להלן ארבע שאלות שמועלות לרוב בשלב ההערכה: עמידות הזיהוי בצילומים גרועים, איחוד פורמטים שונים, גורל השדות הרגישים ונפח המדגם להפעלה הראשונה.

כיצד מעובדים פורמטים מעורבים — תמונות, סריקות, ייצוא מתוכנת קופות?

את כל המקורות ממירים לסכמת רישום אחידה: מאגר אחיד של פריטי סחורה, נרמול יחידות מידה, התאמה בין נקודות מכירה לקופות. אי-התאמות בין פורמטים נתפסות בשלב הטעינה — אחרת פריט אחד נספר פעמיים והדוחות המסכמים מאבדים משמעות.

מה עם השדות הרגישים בקבלה — שם מלא, טלפון, נתוני תשלום?

שדות כאלה עוברים מיסוך או גיבוב לפני הרישום במאגר; לאנליטיקה מגיעים רק מצרפים אנונימיים לפי קטגוריות ותקופות. הגישה לתמונות המקוריות מוגבלת לתפקיד נפרד ומתועדת ביומן — בבדיקה רואים מי ומתי פתח קבלה מסוימת.

איזה נפח מדגם מזערי נדרש כדי להתחיל?

לבדיקת ההיפותזה הראשונה מספיקות כמה אלפי קבלות — חשוב לא הכמות אלא הכיסוי: קטגוריות מוצרים מרכזיות, תנאי צילום שונים, כמה נקודות מכירה. על מדגם כזה כבר רואים את שיעור הפריטים המזוהים ואת איכות האנליטיקה המסכמת; בהמשך המודל מתרחב לזרימה המלאה.

נדון במשימה: מה צריך להערכה

כדי לחזור עם הערכת לוחות זמנים ותוכנית עבודה, איננו צריכים גישה מלאה לתשתית או אפיון טכני מוכן. מספיקים נתוני המקור שכבר יש לכם — מהם רואים את ההיקף, מחלקות המורכבות וצווארי הבקבוק של הפתרון העתידי.

• דגימות קבלות — 100–300 יחידות בצורה שבה הן מגיעות לעיבוד. יש צורך במחלקות שונות: הדפסה תרמית דהויה, קבלות מקומטות וצילומים בזווית, דגמי קופות שונים.
• היקף וקצב: כמה קבלות בחודש, מהו זרם השיא, והאם יש זינוקים עונתיים.
• רשימת שדות לחילוץ: פריטים, סכום, מע"מ, תאריך, מספר מסמך פיסקאלי, QR. סמנו שדות קריטיים ואלה שבהם מילוי ידני מותר.
• מסלול המסמך: מאין מגיע הקובץ ולאן צריכה להגיע התוצאה — טבלה, מערכת הנה״ח, קובץ בפורמט מוגדר.
• דרישות לדיוק ושיעור מותר של בדיקה ידנית של פריטים שנויים במחלוקת.
• מגבלות על המערך: היכן מותר לאחסן ולעבד נתונים — שרת סגור, ענן.
• מה כבר ניסיתם והיכן עצרתם.

מכאן מרכיבים תוכנית: הרצת פיילוט על המדגם שלכם, מדידת דיוק לפי כל שדה, היקף העיבוד הידני הנוסף וסדר המעבר לשימוש תעשייתי. תארו את המשימה — נחזור עם הערכה ותוכנית עבודה.