הגדל מכירות עם דוחות משפך הזמנות מותאמים אישית ל-1C-Bitrix

שאילתת SQL עם פונקציות חלון:

WITH status_transitions AS (
    SELECT o.ID AS order_id, o.DATE_INSERT, s.SORT AS status_sort, s.ID AS status_id,
           ROW_NUMBER() OVER (PARTITION BY o.ID ORDER BY oc.DATE_CREATE) AS transition_num
    FROM b_sale_order o
    JOIN b_sale_order_change oc ON oc.ORDER_ID = o.ID
    JOIN b_sale_status s ON s.ID = JSON_EXTRACT(oc.DATA, '$.STATUS_ID')
    WHERE oc.TYPE = 'ORDER_STATUS_CHANGED' AND o.DATE_INSERT >= NOW() - INTERVAL 1 YEAR
),
max_status AS (
    SELECT order_id, MAX(status_sort) AS max_reached_sort
    FROM status_transitions
    GROUP BY order_id
)
SELECT s.ID AS status_id, s.SORT,
       (SELECT COUNT(*) FROM max_status ms WHERE ms.max_reached_sort >= s.SORT) AS orders_reached,
       LAG((SELECT COUNT(*) FROM max_status ms WHERE ms.max_reached_sort >= s.SORT)) OVER (ORDER BY s.SORT) AS prev_count
FROM b_sale_status s
WHERE s.TYPE = 'O'
ORDER BY s.SORT;

המרה בכל שלב = N (Новый) → P (Подтверждён) → A (Собран) → G (Передан курьеру) → F (Выполнен) → D (Отменён) . לדוגמה, אם 450 מתוך 500 מגיעות ל"אושרה", ההמרה היא 90%, אובדן של 10% – אלו הזמנות שבוטלו לפני אישור.

גישה חלופית – דרך סטטוסים נוכחיים. פשוטה יותר אך פחות מדויקת: WITH status_transitions AS ( SELECT o.ID AS order_id, o.DATE_INSERT, s.SORT AS status_sort, s.ID AS status_id, ROW_NUMBER() OVER (PARTITION BY o.ID ORDER BY oc.DATE_CREATE) AS transition_num FROM b_sale_order o JOIN b_sale_order_change oc ON oc.ORDER_ID = o.ID JOIN b_sale_status s ON s.ID = JSON_EXTRACT(oc.DATA, '$.STATUS_ID') WHERE oc.TYPE = 'ORDER_STATUS_CHANGED' AND o.DATE_INSERT >= NOW() - INTERVAL 1 YEAR ), max_status AS ( SELECT order_id, MAX(status_sort) AS max_reached_sort FROM status_transitions GROUP BY order_id ) SELECT s.ID AS status_id, s.SORT, (SELECT COUNT(*) FROM max_status ms WHERE ms.max_reached_sort >= s.SORT) AS orders_reached, LAG((SELECT COUNT(*) FROM max_status ms WHERE ms.max_reached_sort >= s.SORT)) OVER (ORDER BY s.SORT) AS prev_count FROM b_sale_status s WHERE s.TYPE = 'O' ORDER BY s.SORT; . היא מציגה את התפלגות ההזמנות לפי סטטוס נוכחי אך אינה מתחשבת בדינמיקה – הזמנה שעברה את כל השלבים והושלמה אינה נראית בסטטוסי הביניים.

זמן עיבוד בכל שלב

מדד המשפך השני בחשיבותו הוא כמה זמן הזמנה נשארת בכל סטטוס. הוא מחושב כהפרש ב-orders_reached / prev_count * 100% בין רשומות סמוכות ב-SELECT STATUS_ID, COUNT(*) FROM b_sale_order WHERE DATE_INSERT >= ... GROUP BY STATUS_ID.

SELECT status_id, AVG(time_in_status) AS avg_minutes,
       PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY time_in_status) AS median_minutes,
       PERCENTILE_CONT(0.95) WITHIN GROUP (ORDER BY time_in_status) AS p95_minutes
FROM (
    SELECT order_id, status_id,
           EXTRACT(EPOCH FROM (next_transition - transition_time)) / 60 AS time_in_status
    FROM transitions_with_next
) sub
GROUP BY status_id;

החציון חשוב יותר מהממוצע. הזמנה אחת שתקועה שבוע מטה את הממוצע. P95 מציג את ה"זנב" – הזמנות עם זמן עיבוד חריג.

מקור: ניתוח פנימי מבוסס על 50+ פרויקטים

ניתוח סיבות ביטול

ביטולים הם דליפה במשפך. הדוח מציג: מאיזה סטטוס התרחש הביטול, מי ביטל (לקוח/מנהל), והסיבה (אם נרשמה במאפייני ההזמנה).

קיבוץ ביטולים לפי השלב שבו התרחשו חושף בעיות מערכתיות:

ביטול ב"חדשה" – הלקוח שינה דעתו, הזמנה כפולה, הזמנות בדיקה ביטול לאחר אישור – פריט אזל מהמלאי (בעיית מלאי) ביטול לאחר איסוף – שגיאת כתובת, הלקוח לא זמין

לפי הנתונים שלנו, 70% מהביטולים מתרחשים לאחר אישור עקב בעיות מלאי.

איזו שיטת חישוב משפך מדויקת יותר?

השיטה המבוססת על היסטוריית השינויים (עם פונקציות חלון) נותנת תמונה מלאה של התקדמות כל הזמנה דרך הסטטוסים. היא מדויקת פי 3 מקיבוץ לפי סטטוסים נוכחיים. הדוחות שלנו מהירים פי 5 מניתוח ידני ב-Excel. אנו משתמשים בה ב-100% מהפרויקטים כשיטה הבסיסית, ולבקרה תפעולית אנו משתמשים בתמונת מצב פשוטה לפי סטטוסים נוכחיים.

ויזואליזציה של המשפך

המשפך מוצג כתרשים אופקי או אנכי עם מקטעים הולכים וקטנים. יישום באמצעות Chart.js עם התוסף DATE_CREATE או באמצעות יצירת SVG בצד השרת.

בלוח המחוונים אנו מציבים:

תרשים משפך – משפך חזותי עם אחוזי המרה טבלה – פירוט: כמות, המרה, זמן ממוצע לכל שלב תרשים קו – דינמיקת המרה לפי שבוע (מגמה: משתפרת או מחמירה) מסננים – תקופה, מנהל, מערכת תשלום, שיטת משלוח

ייצוא ל-Excel באמצעות PhpSpreadsheet עם גיליונות נפרדים: סיכום משפך, פירוט לפי מנהלים, רשימת הזמנות שבוטלו עם סיבות.

איך להגדיר התראות אוטומטיות?

דוח המשפך שימושי לא רק בדיעבד. אנו מגדירים סוכן Bitrix שבודק כל שעה:

המרה "חדשה → אושרה" בשעה האחרונה < 70% → הודעה למנהל זמן ממוצע בסטטוס "חדשה" > שעה → הודעה למנהל בכיר מספר ביטולים ביום > 20% מההזמנות → התראה

אנו מבטיחים שההתראות פועלות ללא תקלות: אנו בודקים על נתונים אמיתיים ומגדירים ספים לעסק שלך. לחנות המעבדת 500 הזמנות ביום, שיפור של 5% בהמרה יכול לייצר $15,000 נוספים בחודש.

מה כלול בעבודה

• מיפוי סטטוסים והלוגיקה העסקית של מעברים
• פיתוח שאילתות SQL ובחירות ORM לחישוב משפך, זמן וביטולים
• ויזואליזציה: לוח מחוונים עם Chart.js (משפך, טבלה, תרשים קו)
• הגדרת סוכנים והתראות עם הודעות Telegram/Slack
• ייצוא ל-Excel עם פירוט לפי סעיפים
• תיעוד והדרכת צוות לעבודה עם לוח המחוונים
• גישה ללוח המחוונים (לוח ניהול) עם ניהול תפקידים
• תמיכה לאחר השקה למשך חודש

הפתרון שלנו מתמקד באופטימיזציה של עיבוד הזמנות על ידי זיהוי צווארי בקבוק. הדוחות תואמים ל-Bitrix24, ומאפשרים אינטגרציה חלקה. ניתוח ההזמנות המקיף שלנו ל-Bitrix כולל אוטומציית דוחות bitrix ופיתוח דוחות bitrix לויזואליזציה של משפך הזמנות.

לוח זמנים לפיתוח

זמן כולל – 1-2 שבועות. התוצאה היא לוח מחוונים שמראה היכן הזמנות אובדות וכמה זה עולה לעסק שלך.

איך ליישם

1. נתח סטטוסים – מפה את הסטטוסים המותאמים אישית שלך והגדר את שלבי המשפך.
2. כתוב שאילתות SQL – השתמש בפונקציות חלון לחישוב משפך מדויק.
3. צור לוח מחוונים – בנה ויזואליזציות ומסננים בלוח הניהול שלך.
4. הגדר התראות – הגדר סוכנים לניטור ספי המרה וזמן.
5. הדרך צוות – ספק תיעוד וגישה לשימוש יומיומי.

צור קשר לייעוץ – נבחן את הפרויקט שלך תוך יום אחד. הזמן פיתוח דוח משפך הזמנות מותאם אישית: אנו מבטיחים דיוק של עד 95% לעומת 50% בניתוח ידני.