מדף ריק הוא המוצר היקר ביותר בחנות. הלקוח שלא מצא את מה שחיפש לא דוחה את הקנייה - הוא קונה אצל המתחרה, ולפעמים נשאר שם. ובצד השני של אותה מטבע: מלאי עודף שיושב במחסן קושר הון, תופס שטח, ובקטגוריות טריות פשוט נזרק. עשרים שנה ניהלתי מערכים תפעוליים, ואני יודע כמה מהוויכוחים בישיבת הבוקר עוסקים בדיוק בשני הקצוות האלה. חיזוי ביקוש מבוסס AI הוא הכלי הראשון שאני רואה שמכווץ את שניהם בו זמנית.
המספרים, לפני הסיפורים
המחקרים הגלובליים בתחום, ובראשם עבודות של מקינזי, מודדים בהטמעות של חיזוי ביקוש מבוסס AI ירידה של עד 50% בחוסרים במדף, לצד ירידה של 10-20% ברמות המלאי המוחזק. שימו לב שאלה שני מספרים שאמורים לכאורה לסתור זה את זה: פחות מלאי וגם פחות חוסרים. זה בדיוק מה שחיזוי טוב עושה - שם את המלאי איפה שהביקוש באמת יהיה, במקום לפזר ביטחון יקר בכל מקום.
ויש עוד שני נתונים מאותם מחקרים ששווים ישיבת הנהלה. פרסונליזציה מבוססת AI מייצרת אצל הקמעונאים המובילים 10-35% מהכנסות האונליין - לשם השוואה, אצל רוב הקמעונאים בישראל הפרסונליזציה מסתכמת היום בניוזלטר אחיד וקופון גורף, כלומר הפער הוא לא טכנולוגי אלא ניהולי. וניתוחים ענפיים עדכניים מראים שקמעונאים שהטמיעו AI לעומק צומחים במכירות בקצב גבוה פי 2.3 מהמתחרים שלהם.
נעשה רגע תרגיל פשוט, בלי מחקרים: רשת עם מחזור של מיליארד ש"ח שמאבדת 2-3% מהמכירות לחוסרים במדף - וזה סדר גודל שמרני בענף - משאירה על הרצפה 20-30 מיליון ש"ח בשנה. חיתוך של מחצית מזה, כמו שהבנצ'מרקים מראים, הוא פרויקט ששווה יותר מרוב יוזמות הצמיחה שעל השולחן. ואת אותו חשבון אפשר לעשות גם על הצד השני: כל נקודת אחוז של ירידה במלאי המוחזק משחררת הון חוזר שיושב היום על מדפי המחסן.
מה המערכת באמת עושה בשש בבוקר
אין כאן קסם, ויש הרבה עבודה על נתונים שכבר יש לכם. המערכת לומדת, לכל סניף ולכל פריט בנפרד, את היסטוריית הקופות, את העונתיות, את המבצעים, את מזג האוויר, ואת לוח החגים. ובישראל זו נקודה שמערכות מדף זרות מפספסות: פסח וראש השנה נודדים עם הלוח העברי, ומודל שמכיר רק לוח לועזי טועה בדיוק בשבועות החזקים של השנה.
והשאלה שעולה תמיד בשלב הזה: "הנתונים שלנו לא מספיק מסודרים". מהניסיון שלי, נתוני קופות ומלאי הם דווקא מהנתונים המסודרים ביותר בארגון ישראלי ממוצע - הם חיים במערכות תפעוליות שמחייבות דיוק כי כסף עובר דרכן. לא צריך פרויקט דאטה של שנה כדי להתחיל; צריך שנה אחת של היסטוריה ונכונות לחבר אותה.
הפלט הוא לא דוח של ארבעים עמודים. הוא המלצת הזמנה לכל סניף, כל בוקר, עם הסבר קצר למה. מנהל הסחר מאשר, מתקן או דוחה - והמערכת לומדת גם מהתיקונים שלו. זו נקודה שאני מקפיד עליה בכל מערכת שאני בונה: ה-AI ממליץ, האדם מחליט. ככה גם עוברים את מחסום האמון של הארגון, וגם עומדים בדרישות הממשל שהרגולציה מתחילה לדרוש.
למה בישראל זה כמעט לא קורה
דוח מבקר המדינה מיוני 2026 נתן לזה מספרים: רק 18% מהארגונים בישראל מחזיקים אסטרטגיית AI, 41% פועלים בלי ממשל נתונים, ו-68% מפרויקטי ה-AI תקועים בשלב הפיילוט ולא מגיעים להטמעה. ובזמן שהבנקים וחברות הביטוח מכריזים על מרכזי AI, הקמעונאות הישראלית הגדולה שקטה פומבית כמעט לחלוטין. וזה לא בגלל שאין כאב - פחת, חוסרים ועודפים הם שיחת היום בכל רשת.
זה הפרדוקס הישראלי במלוא הדרו: העובדים שלכם כבר משתמשים בכלי AI בבית יותר מכל מדינה אחרת בעולם, אבל הארגון עצמו עדיין מנהל מלאי כמו לפני עשור. בקטגוריה שבה אף מתחרה עוד לא זז, מי שמטמיע ראשון מערכת אחת עובדת ונמדדת לא קונה שיפור תפעולי - הוא קונה שנים של יתרון.
איך מתחילים בלי להמר על התפעול
לא מחליפים את מערך שרשרת האספקה, ולא ממהרים להקים צוות פיתוח פנימי: מחקר של MIT מצא שכלים חיצוניים מצליחים בהטמעה פי שניים מפיתוח עצמי, כך שהשאלה הנכונה היא איזו מערכת לבחור ואיך להתאים אותה לשטח הישראלי - לא איך לבנות הכל מאפס. מתחילים צר ומדיד: קטגוריה אחת, עשרה סניפים, 8-12 שבועות. לפני שמתחילים חותמים על המדדים: שיעור חוסרים במדף, ימי מלאי, פחת, ומכירות בקטגוריה. המערכת רצה במקביל לתהליך הקיים, ההמלצות שלה מול ההזמנות שנעשו בפועל, וההשוואה שקופה להנהלה כל שבוע.
אם המדדים לא זזים - עוצרים, והפסדתם עלות של פיילוט קטן. אם הם זזים כמו בבנצ'מרקים - יש לכם מקרה עסקי מוכח על הנתונים שלכם, לא על מצגת של ספק. לאורך הקריירה למדתי שההבדל בין פיילוט שנתקע לפרויקט שמוטמע הוא כמעט אף פעם לא הטכנולוגיה - הוא המשמעת של המדידה וזה שמישהו בהנהלה מחזיק את הפרויקט אישית.
יש לכם נתוני קופות ומלאי של שנה אחורה? זה כל מה שצריך כדי להתחיל. שלחו לי הודעה - אשמח להראות דמו של חיזוי על קטגוריה אחת שלכם.
