מערכת BI מבוססת AI לעסק: לראות מאיפה מגיעים הלקוחות

תוכן העניינים
השאלה האמיתית מאחורי "אנחנו צריכים BI"
כשבעל עסק קטן אומר "אנחנו צריכים מערכת BI", הוא כמעט אף פעם לא מתכוון למחסן נתונים ולעשרים דאשבורדים. הוא מתכוון לשאלה אחת: מאיפה מגיעים הלקוחות שלי, וכמה עולה לי כל אחד מהם?
בחברה גדולה עונים על זה עם אנליסט, מחסן נתונים וכלי כמו Power BI או Tableau. בעסק קטן התשובה פשוטה יותר: שלושה מקורות מידע שצריכים להיפגש במסך אחד.
- הפרסום: כמה הוצאתם בגוגל ובמטא, על איזה קמפיין ואיזו מודעה.
- השיחות: מי פנה בוואטסאפ, בצ'אט באתר, בהודעות באינסטגרם או בטופס, ומה הוא ביקש.
- ה-CRM: מה קרה עם כל פנייה אחר כך. קיבלה מענה? נקבע תור? שילם?
כשהשלושה האלה מחוברים, יש לכם BI. כשהם בשלוש לשוניות שונות, יש לכם שלושה דוחות שכל אחד סופר אחרת.
הערה כנה לפני שמתחילים: דאשבורד בלי מקור נקי הוא קישוט
הנה מה שקורה ברוב העסקים שמנסים "לחבר דאשבורד": הגרף נראה מרשים, ובעמודה "מקור הליד" כתוב "לא ידוע" ליד חצי מהפניות. פנייה בוואטסאפ שהגיעה ממודעה נרשמה כ"וואטסאפ". מי שראה פוסט ואחר כך חיפש את השם בגוגל נרשם כ"גוגל". ועוד שליש מהפניות בכלל לא נרשמו, כי מישהו ענה מהטלפון ושכח להעתיק.
שום AI לא יתקן את זה בדיעבד. מערכת BI חכמה על נתונים מלוכלכים תיתן לכם מסקנות בטוחות ושגויות, וזה גרוע יותר מאשר לא לדעת. לכן הסדר הוא: קודם מקור נקי לכל פנייה, אחר כך מסך, ורק בסוף AI.
המספרים שבעל עסק צריך לראות פעם בשבוע
לא עשרים מדדים. שישה, וכל אחד עונה על החלטה:
- פניות לפי מקור. כמה פניות הגיעו מכל ערוץ, קמפיין ועמוד. ההחלטה: על מה להוציא יותר ועל מה פחות.
- זמן מענה. כמה זמן עבר מהפנייה ועד התשובה הראשונה, בשעות הפעילות ומחוצה להן. ההחלטה: איפה מפסידים לקוחות בגלל איטיות.
- פניות שלא נענו. כמה פניות נשארו בלי מענה או בלי המשך. ההחלטה: האם צריך מענה אוטומטי או מישהו נוסף.
- מפנייה לתור ומתור לתשלום. כמה מהפניות הפכו לפגישה, וכמה מהפגישות לכסף. ההחלטה: האם הבעיה בפרסום או במכירה.
- עלות לפנייה ועלות לתור, לפי ערוץ. ההוצאה על הערוץ חלקי מספר הפניות האמיתיות שנרשמו ב-CRM, לא חלקי ה"המרות" שהפלטפורמה מדווחת. ההחלטה: איפה הכסף עובד.
- הסיבות שבגללן פניות לא נסגרו. "יקר מדי", "רחוק", "חיפש משהו אחר". ההחלטה: מה לשנות בהצעה או בתשובות.
דוגמה מספרית
עסק הוציא בחודש 3,000 ₪ על מטא ו-2,000 ₪ על גוגל. ב-CRM נרשמו 40 פניות ממטא ו-10 מגוגל. עלות לפנייה: 75 ₪ במטא, 200 ₪ בגוגל. נראה שמטא מנצחת בגדול.
אבל מ-40 הפניות של מטא נקבעו 8 תורים, ומ-10 הפניות של גוגל נקבעו 6. עלות לתור: 375 ₪ במטא, כ-333 ₪ בגוגל. פתאום התמונה מתהפכת: הפנייה הזולה היא לא בהכרח הלקוח הזול. את זה אפשר לראות רק כשהפרסום, השיחה והתור יושבים באותה שורה.
רוצים להתייעץ?
אנחנו יכולים לעזור לכם לבחור, לבנות ולהטמיע את הבוט המושלם לעסק שלכם. השאירו פרטים ונחזור אליכם.
איך מגיעים לשם: שבעה צעדים
צעד 1: מגדירים סטטוסים אחידים
לפני כל כלי, מחליטים על סטטוסים שכולם משתמשים בהם, למשל: חדש, בטיפול, נקבע תור, שילם, לא רלוונטי. בלי סטטוסים אחידים אי אפשר לספור "כמה הפכו לתור".
צעד 2: כל פנייה נכנסת לטבלה אחת
טפסים, וואטסאפ, צ'אט באתר, הודעות באינסטגרם ובפייסבוק, ואפילו שיחות טלפון שנרשמות ידנית. הכל נכנס לאותה טבלה, ושורה אחת לכל אדם: מי שפונה פעם שנייה מאותו מספר טלפון מתווסף לאותו כרטיס ולא נפתח מחדש. זה הבסיס של ניהול לידים מסודר.
צעד 3: מקור על כל קישור
- UTM על כל קישור במודעה, בביו, בניוזלטר ובפוסט. קובעים מוסכמה אחת (אותיות קטנות, שמות קבועים לרשתות) ולא סוטים ממנה.
- הודעה מוכנה שונה בכל כפתור וואטסאפ, כך שההודעה הראשונה כבר אומרת מאיפה הלקוח הגיע.
- מודעות שמובילות ישירות לוואטסאפ מעבירות עם השיחה את פרטי המודעה. כדאי לשמור אותם בכרטיס הלקוח.
צעד 4: מחברים את ההוצאות
מחברים את Google Ads ואת מטא כך שההוצאה היומית נכנסת לאותו מסך. בלי זה אין עלות לפנייה, רק הערכה.
צעד 5: מסמנים כמה השיוך בטוח
לא כל שיוך ודאי. פנייה עם קוד מודעה היא ודאית, "הלקוח אמר שראה אותנו באינסטגרם" היא סבירה, ופנייה בלי שום עקבות היא לא ידועה. כשמסמנים את רמת הביטחון, לא מקבלים החלטות של אלפי שקלים על בסיס ניחוש.
צעד 6: פגישה שבועית של עשרים דקות
פעם בשבוע עוברים על ששת המספרים וכותבים שלוש שורות: מה מגבירים, מה מתקנים, מה עוצרים. יומן ההחלטות הזה שווה יותר מכל דאשבורד, כי בעוד שלושה חודשים אפשר לבדוק אם ההחלטות עבדו.
צעד 7: רק עכשיו מוסיפים AI
כשהנתונים נקיים, AI באמת עוזר:
- סיכום אוטומטי של כל שיחה שממלא בכרטיס את השירות המבוקש, הצעד הבא ואת הסיבה אם הפנייה לא נסגרה. כך עמודת "למה לא סגרנו" מתמלאת בלי שמישהו יקליד.
- התראות על חריגות, למשל ירידה חדה בפניות מגוגל השבוע לעומת הממוצע.
- שאלות בשפה טבעית, כמו "מאיזה קמפיין הגיעו הלקוחות ששילמו החודש?", במקום לבנות דוח.
- סיכום שבועי במילים שמסביר מה השתנה ומה כדאי לבדוק.
ובכנות: תחזיות מתקדמות (מי צפוי לעזוב, כמה תמכרו ברבעון הבא) צריכות הרבה נתונים. עסק עם כמה עשרות פניות בחודש יקבל מהן בעיקר רעש. הערך של AI בעסק קטן הוא בסיכום ובמיון, לא בכדור בדולח.
מתי באמת צריך כלי BI "גדול"
Power BI, Tableau או Looker Studio הגיוניים כשיש כמה סניפים, חנות אונליין עם אלפי הזמנות, כמה מערכות שלא מדברות זו עם זו, ומישהו בצוות שמתחזק את הדוחות. לרוב העסקים הקטנים מסך אחד שמחבר פרסום, שיחות ו-CRM נותן תשעים אחוז מהערך בעשירית מהמאמץ.
איך זה נראה ב-WhaleBiz
ב-WhaleBiz שלושת המקורות כבר יושבים באותה מערכת. סוכני ה-AI עונים בוואטסאפ, באתר וברשתות, וכל שיחה נרשמת ב-CRM של הפלטפורמה עם המקור שלה וסיכום שה-AI כותב. האנליטיקה השיווקית מחברת לאותו מסך את גוגל, מטא, האתר והרשתות, ומראה עלות לפנייה ועלות לתור לפי מה שקרה ב-CRM. אם תרצו לבדוק מה כבר נמדד אצלכם ומה הולך לאיבוד, דברו עם הצוות שלנו.
שאלות נפוצות
מה ההבדל בין מערכת BI רגילה למערכת BI מבוססת AI?
מערכת BI רגילה מציגה את הנתונים בגרפים ובדוחות ומראה מה קרה. מערכת BI מבוססת AI מוסיפה סיכום של כל שיחה, מיון של סיבות, התראות על חריגות ואפשרות לשאול שאלות בשפה טבעית. בשני המקרים התוצאה טובה רק כמו הנתונים: אם לרוב הפניות אין מקור ברור, גם ה-AI יטעה.
אילו מספרים בעל עסק קטן צריך לראות כל שבוע?
שישה: פניות לפי מקור, זמן מענה, פניות שלא נענו, כמה פניות הפכו לתור וכמה תורים לתשלום, עלות לפנייה ועלות לתור לפי ערוץ, והסיבות שבגללן פניות לא נסגרו. כל מספר צריך להוביל להחלטה, אחרת הוא לא שייך לדוח השבועי.
למה הדאשבורד מראה שרוב הלידים הגיעו ממקור "לא ידוע"?
כי המקור לא נרשם ברגע הפנייה. הפתרון הוא UTM על כל קישור, הודעה מוכנה שונה בכל כפתור וואטסאפ, שמירת פרטי המודעה בפניות שמגיעות ממודעות לוואטסאפ, וטבלה אחת שאליה נכנסת כל פנייה אוטומטית ולא בהעתקה ידנית.
האם עסק קטן צריך Power BI או Tableau?
ברוב המקרים לא, כי כלים כאלה מתאימים לעסק עם כמה סניפים, אלפי הזמנות ומישהו שמתחזק את הדוחות, ולעסק קטן מסך אחד שמחבר את הפרסום, השיחות וה-CRM נותן את רוב הערך במאמץ קטן בהרבה.

Michael Romm
מיכאל הוא מייסד ו-CEO של WhaleBiz. מוביל אסטרטגיה עסקית ושיווקית, מומחה לדאטה (SQL, Python) ופיתוח פתרונות אוטומציה ו-AI לעסקים.