למה AI נכשל כשהנתונים ב-ERP לא מסודרים, ומה צריך לתקן לפני שמתחילים?

מאת אלי זילבר-נרווה · אוטומציה · 18 דקות קריאה · פורסם ב-24 באוקטובר 2026

האוטוריטה הישראלית למערכות איקומרס מורכבות

מנהל עסק בודק איכות נתונים במערכת ERP לפני חיבור בינה מלאכותית

עסקים רבים מתחילים לבחון שילוב של בינה מלאכותית בתהליכי העבודה שלהם. המטרה ברורה: לצמצם עבודה ידנית, לשפר את קבלת ההחלטות ולאפשר למערכות לבצע פעולות שבעבר דרשו התערבות של עובדים.

אבל לפני שמחברים AI למערכת ERP, כדאי לשאול שאלה בסיסית: עד כמה אפשר לסמוך על הנתונים שנמצאים בה?

נניח שלקוח מבקש להזמין 200 יחידות של מוצר מסוים. מערכת AI שמחוברת ל-ERP מזהה את הלקוח, בודקת את המחיר שלו, מאתרת מלאי זמין ומכינה הזמנה.

לכאורה, תהליך פשוט.

אבל מה קורה אם אותו מוצר מופיע במערכת תחת שני מק"טים שונים? מה קורה אם ללקוח יש שני כרטיסי לקוח, ובכל אחד מחירון אחר? ומה אם המערכת מציגה 300 יחידות במלאי, אבל במחסן יש בפועל רק 80?

ה-AI עשוי לבצע את כל הפעולות שהתבקש לבצע, ועדיין להפיק הזמנה שגויה.

הנקודה החשובה היא ש-AI אינו הופך נתונים שגויים לנתונים נכונים. במקרים רבים הוא פשוט מאפשר להשתמש בהם מהר יותר ובהיקף גדול יותר.

בפרויקטים של מערכות ERP וקופות שאני מוביל, אני נתקל שוב ושוב בפער בין האופן שבו העסק מתנהל בפועל לבין האופן שבו המידע שלו מנוהל במערכות.

כל עוד עובד מנוסה נמצא באמצע התהליך, הוא יודע לעיתים לזהות את הפערים ולתקן אותם. ברגע שמעבירים את התהליך לאוטומציה, הידע הזה כבר אינו מובן מאליו.

לכן, לפני שמתחילים בפרויקט AI, צריך להבין אילו נתונים עומדים בבסיס התהליך, עד כמה הם אמינים ומה נדרש כדי שאפשר יהיה לפעול על פיהם.

1. למה AI נכשל כשהנתונים לא מסודרים?

ניקח לדוגמה עסק שמוכר מוצרים ללקוחות עסקיים באמצעות סוכני מכירות.

הסוכן מקבל הזמנה מלקוח ותיק. הוא מכיר את הלקוח, יודע אילו מוצרים הוא נוהג להזמין, מכיר את ההנחות שסוכמו איתו ויודע שלפעמים צריך להתקשר למחסן כדי לוודא זמינות.

במערכת ERP הנתונים נראים אחרת.

ללקוח מוגדר מחירון כללי, אבל בפועל הוא מקבל מחיר מיוחד על חלק מהמוצרים. מלאי המוצר מופיע כזמין, אבל חלק ממנו כבר הוקצה להזמנות אחרות. בנוסף, יש מוצר חלופי שהסוכן מכיר, אך הקשר בינו לבין המוצר המקורי אינו מוגדר במערכת.

עכשיו העסק רוצה להפעיל סוכן AI שיקבל הזמנות ויקלוט אותן ישירות ל-ERP.

מה נכנס לתהליך?

איפה זה נתקע?

המערכת יכולה לבצע את כל השלבים מבחינה טכנית, אבל אין לה בהכרח דרך לדעת שהמחירון אינו מעודכן, שהמלאי אינו באמת זמין או שקיים סיכום מסחרי שאינו מתועד.

עובד מנוסה עשוי לעצור ולשאול. מערכת AI שלא הוגדרה לזהות חוסר ודאות עלולה להמשיך בתהליך.

זו אחת הסיבות לכך שפרויקטים של AI עלולים להציג תוצאות מרשימות בהדגמה, אך להיכשל כאשר מנסים להפעיל אותם על פעילות עסקית אמיתית.

בהדגמה משתמשים בדרך כלל בדוגמאות מוכרות ובנתונים שנבחרו מראש. בפעילות היומיומית המערכת צריכה להתמודד עם כל החריגים שהצטברו במשך השנים.

כדי ש-AI יוכל לבצע תהליך עסקי באופן אמין, המידע שעליו הוא מסתמך חייב להיות מספיק מדויק, עקבי ועדכני ביחס לפעולות שהוא נדרש לבצע.

2. מק"טים ושמות פריטים: כשאותו מוצר מופיע בכמה צורות

אחד המקומות הראשונים שאני בודק בפרויקטים של ERP הוא קטלוג הפריטים.

בלא מעט עסקים הקטלוג התפתח לאורך שנים. עובדים שונים פתחו פריטים, ספקים התחלפו, שמות מוצרים השתנו ומערכות חדשות נוספו.

התוצאה היא קטלוג שמאפשר לעובדים ותיקים להסתדר, אבל מקשה על תהליכים אוטומטיים.

נניח שבעסק קיימים שלושה פריטים:

מק"טשם פריט
10542בורג מגולוון M8
20781בורג 8 מ"מ מגולבן
31890בורג M8 אבץ

האם מדובר באותו מוצר?

ייתכן שכן, אבל ייתכן שיש הבדל באורך הבורג, בתקן, בסוג ההברגה או באריזה.

עובד שמכיר את המוצרים יודע לעיתים לזהות את ההבדל. מערכת AI יכולה להעריך שהשמות דומים, אך דמיון בשם אינו מספיק כדי לקבוע ששני פריטים ניתנים להחלפה.

מה קורה כשמחברים AI לקטלוג כזה?

נניח שלקוח מבקש 500 ברגים מסוג מסוים.

ה-AI מוצא שלושה פריטים דומים. באחד יש מלאי, בשני מחיר נמוך יותר ובשלישי תיאור שמתאים יותר לבקשת הלקוח.

לפי מה הוא אמור לבחור?

אם אין במערכת נתונים ברורים לגבי מאפייני המוצר והקשרים בין הפריטים, המערכת עלולה לבחור פריט שגוי.

המצב מסתבך כאשר אותו מוצר מופיע גם במערכת הספק תחת מק"ט שונה.

לדוגמה:

כל עוד הקשרים בין המזהים האלה אינם מוגדרים, קשה לבנות תהליך אוטומטי אמין של זיהוי מוצרים, הזמנות ורכש.

מה צריך להסדיר?

ראשית, צריך להגדיר מהו המזהה החד-משמעי של כל פריט.

לאחר מכן יש לבדוק האם קיימים פריטים כפולים, האם שמות המוצרים מספיק ברורים והאם השדות החשובים לתהליך מלאים.

במוצרים מסוימים יידרשו מידות, חומר גלם, צבע או תקן. במוצרים אחרים יידרשו יחידות מידה, משקל, נפח או התאמה לדגם מסוים.

חשוב במיוחד להבחין בין פריטים זהים לבין פריטים חלופיים.

שני פריטים יכולים להיות דומים מאוד, אבל לא בהכרח מתאימים לאותו שימוש.

אפשר בהחלט להשתמש ב-AI כדי לאתר כפילויות, להציע איחוד פריטים ולזהות שמות לא עקביים. אבל החלטה על איחוד מק"טים צריכה להתבסס על כללים עסקיים ברורים ועל אישור של גורם שמכיר את המוצרים.

מחיקה או איחוד לא מבוקרים עלולים להשפיע על מלאי, הזמנות פתוחות, היסטוריית מכירות ודוחות.

3. נתוני לקוחות: כשהמערכת לא יודעת מי הלקוח ומה סוכם איתו

נתוני לקוחות הם דוגמה טובה לפער שבין מידע שקיים במערכת לבין מידע שאפשר לסמוך עליו.

נניח שלקוח עסקי מופיע ב-ERP תחת שני כרטיסים:

כרטיס אחד נפתח כאשר הלקוח התחיל לעבוד עם העסק. הכרטיס השני נפתח לאחר שינוי בשם החברה או בעקבות הזמנה שהתקבלה מערוץ מכירה אחר.

בכרטיס הראשון מוגדר מחירון לקוחות עסקיים. בכרטיס השני מוגדרת הנחה מיוחדת.

באחד מוגדרים תנאי תשלום שוטף פלוס 30 ובשני שוטף פלוס 60.

שני הכרטיסים פעילים.

עובד שמכיר את הלקוח יודע באיזה כרטיס להשתמש. מערכת AI שתזהה את הלקוח לפי שם, מספר טלפון או כתובת דוא"ל עלולה לבחור בכרטיס הלא נכון.

מה המשמעות העסקית?

אם ה-AI נדרש להכין הצעת מחיר, הוא עלול להשתמש במחירון שגוי.

אם הוא נדרש לפתוח הזמנה, הוא עלול לשייך אותה לכרטיס הלא נכון.

אם הוא נדרש לבדוק חובות או מסגרת אשראי, הוא עלול לקבל תמונה חלקית בלבד.

וכאשר המערכת נדרשת להפעיל תהליך אוטומטי של גבייה או סליקה, תנאים ישנים או פרטי חיוב שגויים עלולים להשפיע ישירות על הפעולה.

מחירונים הם נתון מורכב במיוחד

בעסקים רבים המחיר הסופי אינו נקבע לפי מחירון אחד.

הוא עשוי להיות מושפע ממספר גורמים:

נניח שמוצר מופיע במחירון במחיר של 100 ש"ח.

לקוח מסוים זכאי להנחה של 15%, אבל ברכישה של מעל 100 יחידות סוכם איתו מחיר של 78 ש"ח ליחידה.

אם ההסכם הזה מתועד רק בהערה חופשית או בהתכתבות עם איש מכירות, מערכת AI שמבוססת על נתוני המחירון עלולה להפיק הצעה לפי 85 ש"ח.

החישוב עצמו נכון. הנתון ששימש אותו אינו מתאים לעסקה.

מה צריך לבדוק לפני שמתחילים?

צריך לוודא שיש דרך ברורה לזהות לקוח, שהכפילויות מטופלות ושהתנאים המסחריים הנדרשים לתהליך מעודכנים.

חשוב גם להגדיר היררכיה ברורה בין מחירונים, הנחות והסכמים.

אם יש כמה כללים שחלים על אותה עסקה, המערכת חייבת לדעת איזה מהם גובר.

הנושא הזה משמעותי במיוחד בתהליכי הזמנות של סוכני שטח. במאמר על אפליקציית הזמנות לסוכני שטח המחוברת ל-ERP אני מסביר כיצד מחירונים, מלאי ונתוני לקוחות צריכים לעבוד יחד כדי לאפשר קליטת הזמנות תקינה.

אותו עיקרון חל גם על AI: לפני שנותנים למערכת לקבל החלטות, צריך לוודא שהיא מקבלת את הנתונים הנכונים.

4. מלאי ומחסנים: כשהמחשב מציג מלאי שלא נמצא על המדף

אחד הפערים המשמעותיים ביותר בתהליכי אוטומציה הוא ההבדל בין המלאי שמופיע במערכת לבין המלאי שאפשר לספק בפועל.

נניח שב-ERP מופיעות 300 יחידות של מוצר.

מערכת AI שמטפלת בהזמנות מקבלת בקשה ל-200 יחידות ומאשרת את ההזמנה.

אבל בפועל:

100 יחידות כבר הוקצו להזמנה אחרת.

50 יחידות נמצאות במחסן החזרות וממתינות לבדיקה.

30 יחידות פגומות.

20 יחידות נמצאות במחסן אחר ואינן זמינות למשלוח מיידי.

המלאי הזמין בפועל הוא 100 יחידות בלבד.

אם מערכת ה-ERP מציגה רק יתרה כוללת, ללא הבחנה בין סוגי המלאי, ה-AI אינו יכול לדעת כמה יחידות באמת אפשר לספק.

מלאי פיזי ומלאי זמין הם שני דברים שונים

זו הבחנה שאני מקפיד לבדוק בפרויקטים שבהם מערכת אחת נדרשת להסתמך על נתוני מלאי ממערכת אחרת.

לא מספיק לדעת כמה יחידות רשומות במערכת.

צריך לדעת:

מה נמצא פיזית במחסן?

מה כבר הוקצה להזמנות?

מה נמצא בבדיקת איכות?

מה נמצא בדרך מספק?

מה נמצא במחסן שאינו משתתף בתהליך המכירה?

מהו המלאי שאפשר להתחייב לספק ללקוח?

הנתון האחרון הוא בדרך כלל הנתון החשוב ביותר לתהליך ההזמנה.

גם עדכניות המלאי קובעת

נניח שהמלאי עצמו מנוהל היטב, אבל אתר המכירה והקופות מתעדכנים מה-ERP רק אחת לכמה שעות.

במהלך הזמן הזה מתבצעות מכירות, הזמנות ואיסופים.

מערכת AI שמקבלת את המלאי מהאתר עלולה להסתמך על נתון שכבר השתנה.

לכן צריך לבדוק את מקור המידע ואת תדירות העדכון, ולא להסתפק בכך שקיים ממשק בין המערכות.

יש הבדל משמעותי בין תהליך שמציג ללקוח הערכת זמינות לבין תהליך שמתחייב על אספקה ויוצר הזמנה מחייבת.

ככל שהפעולה משמעותית יותר, כך נדרשת בקרה טובה יותר על אמינות הנתונים.

5. שדות חובה מול שדות ריקים: מה באמת חייב להיות מלא?

אחת הטעויות הנפוצות בהכנה לפרויקט AI היא הניסיון להשלים את כל הנתונים החסרים במערכת.

במערכת ERP ותיקה עשויים להיות מאות שדות, חלקם בשימוש וחלקם נוצרו עבור תהליכים שכבר אינם רלוונטיים.

אין צורך למלא כל שדה כדי להתחיל להשתמש ב-AI.

צריך לזהות את השדות שהיעדרם עלול לשבש את התהליך הספציפי.

נניח שהעסק רוצה לאפשר קליטת הזמנות אוטומטית.

אלה דוגמאות לשדות שצריך לבחון:

תחוםשדהלמה הוא חשוב?
לקוחותמזהה לקוחשיוך ההזמנה ללקוח הנכון
לקוחותסטטוס לקוחמניעת הזמנות ללקוח חסום
לקוחותמחירון או הסכם מסחריקביעת מחיר
פריטיםמק"טזיהוי חד-משמעי של מוצר
פריטיםיחידת מידהמניעת בלבול בין יחידה, מארז וקרטון
פריטיםסטטוס פריטמניעת הזמנת פריט שהופסק
מלאיכמות זמינהבדיקת יכולת אספקה
מלאימחסן רלוונטיקביעת מקור האספקה
הזמנותכתובת אספקהיצירת משלוח תקין
הזמנותתנאי תשלוםקביעת אופן החיוב

לא כל השדות בטבלה חייבים להיות מלאים בכל עסק ובכל תהליך.

אם מדובר בתהליך AI שמנתח מגמות מכירה, כתובת אספקה אינה בהכרח רלוונטית.

אם מדובר בתהליך שמפיק הזמנות למשלוח, כתובת אספקה תקינה עשויה להיות תנאי הכרחי.

שדה ריק אינו תמיד נתון חסר

צריך להבחין בין שלושה מצבים:

נתון חסר: המידע נדרש לתהליך, אבל אינו קיים.

נתון שאינו רלוונטי: השדה אינו נדרש עבור אותו לקוח, מוצר או תהליך.

נתון לא ידוע: המידע אמור להיות קיים, אבל עדיין לא אומת.

ההבחנה חשובה משום שמערכת AI עלולה לנסות להשלים מידע חסר על סמך נתונים אחרים.

בתהליכים מסוימים זו יכולת מועילה. למשל, הצעה לסיווג מוצר לפי תיאורו.

בתהליכים אחרים זה מסוכן. אין מקום לנחש תנאי תשלום, מספר חשבון לחיוב או כמות מלאי זמינה.

צריך להגדיר מראש באילו שדות מותר ל-AI להציע ערך, באילו שדות נדרש אישור ובאילו שדות אסור לבצע פעולה בלי נתון מאומת.

6. איך מודדים את מצב הנתונים לפני שמזמינים פרויקט AI?

עד כאן עסקנו בדוגמאות. אבל בעל עסק צריך לדעת איך בודקים את המצב בפועל.

אני מעדיף להתחיל מתהליך עסקי מוגדר, ולא מבדיקה כללית של כל בסיס הנתונים.

נניח שהמטרה היא לאפשר ל-AI לקבל הזמנות מלקוחות ולהעביר אותן ל-ERP.

במקום לשאול אם כל נתוני העסק מסודרים, נבדוק אם הנתונים הדרושים לתהליך ההזמנה אמינים.

שלב ראשון: מגדירים את הפעולה שרוצים לבצע

מה ה-AI אמור לקבל?

לדוגמה, הודעת לקוח שמכילה רשימת מוצרים וכמויות.

מה הוא אמור להחזיר?

הזמנה תקינה במערכת ERP, או בקשה להשלמת מידע כאשר אי אפשר לבצע את ההזמנה בביטחון.

אילו החלטות נדרשות בדרך?

זיהוי הלקוח, זיהוי הפריטים, קביעת מחיר, בדיקת מלאי, תנאי אספקה ויצירת ההזמנה.

שלב שני: ממפים את מקורות המידע

לכל נתון צריך לדעת מהו המקור המחייב שלו.

לדוגמה:

נתוןמקור המידע המחייב
זיהוי לקוחכרטיס לקוח ב-ERP
מחירמנגנון התמחור ב-ERP
זמינותמלאי זמין לאחר הקצאות
כתובת משלוחכתובת מאושרת בכרטיס הלקוח או בהזמנה
סטטוס הזמנהמערכת ההזמנות ב-ERP

אם אותו נתון נמצא בכמה מערכות, צריך לקבוע איזו מהן קובעת.

לדוגמה, אם מחיר המוצר באתר שונה מהמחיר שמתקבל ממערכת ERP, לא נכון לתת ל-AI לבחור באופן עצמאי את המחיר שנראה לו סביר יותר.

צריך להגדיר כלל עסקי ברור.

שלב שלישי: בודקים מדגם של נתונים אמיתיים

אפשר להתחיל במדגם של 100 הזמנות מהפעילות השוטפת.

בכל הזמנה בודקים:

חשוב לכלול במדגם גם הזמנות מורכבות, לקוחות ותיקים, פריטים בעלי שמות דומים ומקרים שבהם העובדים נוהגים לבצע תיקונים ידניים.

מדגם שמורכב רק מהזמנות פשוטות לא ישקף את המצב האמיתי.

שלב רביעי: מחשבים מדדים

אפשר להגדיר כמה מדדים פשוטים:

שלמות נתונים: באיזה אחוז מהרשומות כל השדות הנדרשים לתהליך מלאים?

ייחודיות: בכמה מקרים קיימים לקוחות או פריטים כפולים?

דיוק: בכמה מקרים הנתון במערכת תואם את המציאות העסקית?

עדכניות: האם המידע מתעדכן בקצב המתאים לפעולה?

עקביות: האם אותו נתון מקבל משמעות זהה במערכות השונות?

לדוגמה, מתוך 100 הזמנות שנבדקו:

מדדתוצאה לדוגמה
לקוח זוהה נכון98%
כל הפריטים זוהו נכון91%
מחיר חושב נכון94%
מלאי זמין תאם למציאות87%
הזמנה שלמה ללא תיקון ידני76%

הנתונים בטבלה הם דוגמה להמחשה, ולא תוצאות של פרויקט מסוים.

המשמעות היא שאף שכל מדד בנפרד עשוי להיראות סביר, רק 76 מתוך 100 הזמנות עברו את כל הבדיקות ללא צורך בתיקון.

אם העסק מתכוון לאפשר ל-AI לפתוח הזמנות באופן אוטומטי, הנתון הזה משמעותי הרבה יותר מאחוז ההצלחה בזיהוי פריטים בלבד.

שלב חמישי: בודקים את חומרת הטעויות

לא כל טעות משפיעה באותה מידה.

שגיאה בשם התצוגה של מוצר אינה שקולה לשגיאה במחיר.

גם שגיאה בזמינות המלאי אינה שקולה לשגיאה בכתובת הדוא"ל של איש קשר שאינו מעורב בהזמנה.

לכן כדאי לסווג את הליקויים לפי ההשפעה שלהם על התהליך:

כך אפשר לתעדף את עבודת ניקוי הנתונים לפי המשמעות העסקית שלה, במקום לפי מספר השדות החסרים.

7. מי אחראי על הנתונים: העסק או מי שמיישם את המערכת?

זו שאלה שאני נתקל בה בפרויקטים רבים.

כאשר מתגלה חוסר התאמה בנתונים, לעיתים פונים מיד למי שמתחזק את מערכת ה-ERP או למפתח שאחראי על האינטגרציה.

אבל לא כל החלטה על נתונים היא החלטה טכנולוגית.

נניח שבמערכת קיימים שני כרטיסי לקוח שנראים זהים.

מי מחליט אם לאחד אותם?

איש הטכנולוגיה יכול לאתר את הכפילות ולהציג את ההבדלים בין הכרטיסים.

אבל מי צריך לקבוע איזה מחירון נכון, אילו תנאי תשלום תקפים והאם מדובר באמת באותה ישות עסקית?

הגורם העסקי שמכיר את הלקוחות ואת התהליכים.

אותו עיקרון חל גם על מק"טים.

מפתח יכול לבנות מנגנון שמאתר מוצרים דומים. הוא אינו אמור להחליט בעצמו אם שני מוצרים בעלי מפרט דומה הם חלופיים מבחינת הלקוח.

נדרשת בעלות עסקית על הנתונים

בכל תחום מרכזי צריך להיות גורם שמוסמך להחליט.

לדוגמה:

תחוםבעל אחריות עסקית אפשרי
קטלוג פריטיםמנהל מוצר או מנהל רכש
מחירוניםמנהל מסחרי
נתוני לקוחותמנהל מכירות או כספים
מלאימנהל לוגיסטיקה
תנאי תשלוםמנהל כספים
כללי הזמנותמנהל תפעול

בעסק קטן אדם אחד עשוי להיות אחראי על כמה תחומים. העיקר הוא שהאחריות תהיה ברורה.

ומה תפקיד מוביל הפרויקט?

בתהליך שאני מוביל, האחריות שלי היא לחבר בין הדרישות העסקיות, הנתונים והמערכות.

זה כולל מיפוי התהליך, זיהוי הנתונים הנדרשים, איתור הפערים, הגדרת כללי הבקרה וליווי היישום מול הגורמים הרלוונטיים.

ההחלטות העסקיות נשארות בידי בעלי הסמכות בעסק.

החלוקה הזו חשובה במיוחד כאשר עוברים מתהליך ידני לתהליך שבו AI מבצע פעולות.

אי אפשר להטיל על המערכת אחריות להחלטות שהעסק עצמו עדיין לא הגדיר.

8. מה מספיק טוב כדי להתחיל פרויקט AI?

אחרי שמזהים כפילויות, שדות חסרים, מחירונים לא מעודכנים ופערי מלאי, עולה שאלה טבעית:

האם צריך לנקות את כל הנתונים לפני שמתחילים?

התשובה היא לא.

במרבית המקרים אין הצדקה להמתין עד שכל הנתונים במערכת יהיו מושלמים.

מערכת ERP יכולה להכיל עשרות אלפי פריטים, שנים של היסטוריית הזמנות ואלפי כרטיסי לקוחות.

חלק גדול מהמידע הזה כלל אינו רלוונטי לתהליך שרוצים להפעיל.

המטרה היא להגיע לרמת אמינות שמאפשרת להפעיל תהליך מוגדר, תוך שליטה במקרים שבהם הנתונים אינם מספיקים.

מתחילים מתהליך מצומצם

נניח שעסק רוצה לאפשר קליטת הזמנות באמצעות AI.

במקום להתחיל עם כל הלקוחות וכל המוצרים, אפשר לבחור קבוצת לקוחות מוגדרת וקטגוריית מוצרים שבה הנתונים מסודרים יחסית.

בשלב הראשון ה-AI יקבל הזמנות, יזהה פריטים ויכין טיוטת הזמנה.

הטיוטה תעבור לבדיקה של עובד לפני קליטה סופית.

במהלך הפיילוט מודדים כמה הזמנות הוכנו נכון, אילו נתונים היו חסרים ובאילו מקרים נדרשה התערבות.

כך אפשר לבדוק את התהליך על נתונים אמיתיים בלי לתת למערכת לבצע מיד פעולות מחייבות באופן עצמאי.

מתי אפשר להתקדם לאוטומציה מלאה יותר?

כאשר מתקיימים כמה תנאים:

חשוב להבין שגם כאשר הנתונים איכותיים, עדיין נדרשת בקרה על התנהגות ה-AI עצמו.

נתונים תקינים אינם מבטיחים שהמערכת תפרש כל בקשה נכון או תבחר בכל פעולה מתאימה.

לכן פיילוט צריך לבדוק גם את איכות הנתונים וגם את איכות התוצאות שהמערכת מפיקה.

לא כל שימוש ב-AI דורש אותה רמת ניקיון

יש הבדל גדול בין מערכת שמסייעת לעובד למצוא מידע לבין מערכת שמבצעת פעולה מחייבת.

לדוגמה:

מערכת AI שמציעה מוצרים דומים יכולה להציג כמה אפשרויות ולתת לעובד לבחור.

מערכת AI שמכינה טיוטת הצעת מחיר יכולה לסמן נתונים שדורשים אישור.

מערכת AI שמאשרת הזמנה ומתחייבת על מחיר ומועד אספקה צריכה להסתמך על נתונים מאומתים ועל כללי פעולה ברורים.

ככל שה-AI מקבל יותר סמכות לבצע פעולות באופן עצמאי, כך גדלה החשיבות של איכות הנתונים ושל מנגנוני הבקרה.

9. ניקוי נתונים הוא תהליך עסקי, לא משימה חד-פעמית

יש נקודה נוספת שחשוב להבין.

גם אם העסק ביצע ניקוי יסודי של הנתונים לפני הפעלת AI, הנתונים יכולים לחזור ולהיות לא עקביים.

עובד חדש פותח פריט שכבר קיים.

לקוח משנה שם או כתובת.

ספק מחליף מק"ט.

מחירון מיוחד מסתיים אבל נשאר פעיל.

מחסן מבצע תנועת מלאי שלא נקלטת כראוי.

אם תהליכי העבודה מאפשרים להמשיך ליצור נתונים שגויים, הניקוי הראשוני יחזיק מעמד רק עד שהפערים יצטברו מחדש.

לכן חשוב לבחון גם איך הנתונים נוצרים ומתעדכנים.

לדוגמה, פתיחת פריט חדש

לפני שמאפשרים פתיחת מק"ט, אפשר לבדוק האם כבר קיים פריט בעל מאפיינים דומים.

אפשר לחייב מילוי של שדות מסוימים בהתאם לסוג הפריט.

אפשר להגדיר מי רשאי לפתוח פריט חדש ומי מוסמך לאשר איחוד של פריטים קיימים.

AI עצמו יכול לסייע בזיהוי כפילויות ובהצעת השלמות לנתונים חסרים.

אבל גם כאן צריך להבחין בין הצעה לבין ביצוע פעולה.

ומה לגבי נתונים שמגיעים ממערכות אחרות?

עסקים רבים מפעילים במקביל ERP, קופות, אתר מכירה, מערכת מחסן ומערכות נוספות.

המידע עובר ביניהן באמצעות ממשקים.

גם כאשר כל מערכת מתפקדת היטב בפני עצמה, העברת הנתונים ביניהן יכולה ליצור פערים.

לדוגמה, מוצר נפתח ב-ERP אבל אינו מועבר לאתר בגלל שדה חובה חסר.

המחיר באתר מתעדכן, אך ההנחה המיוחדת ללקוח אינה עוברת.

הזמנה נקלטת בקופות, אבל עדכון המלאי מתעכב.

כאשר AI מתחבר לתהליך כזה, צריך להבין באיזה שלב הנתונים נשלפים ומהי רמת העדכניות שלהם.

לא מספיק שהממשק קיים. צריך לדעת שהוא מעביר את המידע הנדרש, לזהות כשפעולה נכשלת ולוודא שנתונים אינם נעלמים בדרך בלי שמישהו מבחין בכך.

זה חלק בלתי נפרד מהכנת התשתית להפעלת AI.

10. האם כדאי להשתמש ב-AI כדי לנקות את הנתונים?

בהחלט, אבל חשוב להגדיר מה מבקשים ממנו לעשות.

AI יכול להיות כלי יעיל מאוד בזיהוי חוסר עקביות במידע.

לדוגמה, אפשר להשתמש בו כדי לאתר שמות מוצרים דומים, לזהות תיאורים חסרים, להציע שיוך לקטגוריות ולמצוא רשומות שעשויות להיות כפולות.

אפשר גם לנתח היסטוריית הזמנות כדי לזהות חריגות במחירים או דפוסי שימוש לא עקביים במק"טים.

אבל יש הבדל בין איתור חריגה לבין קביעה מהו הנתון הנכון.

נניח שמערכת AI מזהה שלשני לקוחות יש שם דומה ואותה כתובת.

האם מדובר בכפילות?

ייתכן.

אבל ייתכן שמדובר בשתי חברות שונות שפועלות מאותו בניין.

אם המערכת תאחד את הכרטיסים ללא בדיקה, היא עלולה לערבב היסטוריית הזמנות, תנאים מסחריים ומידע כספי של שתי ישויות שונות.

לכן אני מעדיף להגדיר תהליך שבו AI מזהה ומציע, ואילו החלטות בעלות משמעות עסקית עוברות אישור מתאים.

בהמשך, כאשר יש כללים חד-משמעיים ונצבר ניסיון מספק, אפשר לבחון אילו פעולות ניתן לבצע באופן אוטומטי.

במילים אחרות, AI יכול להיות חלק מתהליך שיפור איכות הנתונים, אבל הוא אינו מחליף את הצורך להגדיר מהו נתון תקין.

11. לפני שמתחילים: שבע שאלות שכדאי לשאול

לפני שמזמינים פרויקט AI שמתחבר ל-ERP ולקופות, אני מציע לבחון שבע שאלות:

1. איזו פעולה עסקית אנחנו רוצים שה-AI יבצע? כדאי להגדיר פעולה מדויקת, ולא להסתפק במטרה כללית כמו "לשלב AI בעסק".

2. אילו נתונים נדרשים כדי לבצע אותה? יש להפריד בין מידע חיוני לבין מידע שיכול לשפר את התוצאה אך אינו תנאי לביצוע.

3. מהו מקור המידע המחייב לכל נתון? אם המחיר, המלאי או פרטי הלקוח מופיעים בכמה מערכות, צריך להגדיר מה קובע.

4. עד כמה הנתונים אמינים בפועל? יש לבדוק דוגמאות מהפעילות השוטפת ולא להסתמך רק על כך שהשדות קיימים במערכת.

5. אילו תיקונים עובדים מבצעים היום באופן ידני? לעיתים דווקא התיקונים הקטנים שהעובדים עושים מדי יום חושפים את הפערים החשובים ביותר.

6. מה קורה כשהמידע חסר או סותר? האם ה-AI אמור לעצור, לבקש הבהרה, להעביר לאישור או להמשיך לפי כלל שהוגדר מראש?

7. מי אחראי לאשר את הנתונים ואת הפעולות? נדרשת כתובת עסקית ברורה לכל החלטה משמעותית.

התשובות לשאלות האלה מאפשרות להבין מה נדרש לפני הפיתוח, מה אפשר לבדוק בפיילוט ואילו חלקים של התהליך עדיין מחייבים בקרה אנושית.

סיכום: לפני שנותנים ל-AI לעבוד, צריך לדעת על מה הוא מסתמך

הערך של AI במערכות ERP וקופות אינו נמדד רק ביכולת להבין שפה טבעית, לנתח נתונים או לבצע פעולות אוטומטיות.

הערך האמיתי נוצר כאשר המערכת יכולה להשתלב בתהליך עסקי קיים, לקבל מידע אמין ולבצע את הפעולות הנכונות.

מק"טים כפולים, מחירונים לא מעודכנים, כרטיסי לקוחות לא עקביים ומלאי שאינו משקף את המציאות הם דברים שעסקים רבים למדו להתמודד איתם באמצעות ניסיון של עובדים ובדיקות ידניות.

כאשר מחברים AI לתהליכים האלה, אותם פערים מקבלים משמעות אחרת.

מערכת אוטומטית יכולה לבצע כמות גדולה של פעולות בלי שאדם יבדוק כל אחת מהן. לכן חשוב לזהות מראש את המקומות שבהם המידע אינו מספיק אמין, להגדיר כללי פעולה ולבנות מנגנוני בקרה.

אין צורך לנקות את כל בסיס הנתונים לפני שמתחילים. צריך להבין מהו התהליך שרוצים לשפר, אילו נתונים נדרשים עבורו ומהי רמת האמינות המתאימה.

במאמר AI בתהליכים תפעוליים במערכות ERP אני מרחיב על האופן שבו אפשר לשלב AI בפעילות העסקית עצמה.

המאמר הנוכחי עוסק בשלב שקודם לכך: הכנת הנתונים והתהליכים כדי שהשילוב הזה יוכל לעבוד בצורה אמינה.

אני מוביל פרויקטים של מערכות ERP, קופות, איקומרס ואינטגרציות בין מערכות, משלב הגדרת התהליך העסקי ועד ליישום בפועל.

אם אתם בוחנים שילוב של AI בפעילות העסקית, כדאי להתחיל בבדיקה של התהליך ושל הנתונים שעליהם הוא מסתמך.

אפשר לקרוא עוד על הטמעת AI בתהליכים עסקיים, או ליצור איתי קשר ולבחון מאיפה נכון להתחיל.

רוצה לבחון את הפרויקט שלך?

צור קשר לייעוץ