בינה מלאכותית לקמעונאות
שמשפיעה על השורה התחתונה

מנוע המלצות

הומברידי (collaborative filtering + content-based + LLM re-ranking) שמתחשב במלאי בזמן אמת, בתקציב marketing per SKU, ובהקשר הסשן. ההמלצה נשמרת ב-event log עם הסיבה למה הוצגה.

• Cold start handled — משתמש חדש מקבל המלצות שמשקפות trending + season
• Inventory-aware — לא ממליץ על מה שנגמר
• Explainable — "המלצה כי קנית X לפני Y ימים"
• A/B testable — כל variation מוקצה ל-experiment infrastructure

תמחור דינמי

מחיר שמשתנה לפי ביקוש, מלאי, תחרות וגמישות מחיר (price elasticity). עם constraints — לא מתחת למחיר רצפה, לא מעל מחיר תקרה, לא יותר משינוי אחוז ביום, לא בלי אישור manual לקטגוריות רגישות (מזון, תרופות).

• Price floor / ceiling אוכפים על rule layer לפני המודל
• Audit trail — מי החליט, מתי, על בסיס איזה ה-input
• Competitor monitoring — מחירי תחרות נכנסים אבל לא קובעים יחיד
• Override יד אנושית בכל שלב

חיזוי ביקושים

חיזוי per-SKU per-store per-day לקראת רכש ולוגיסטיקה. משלב היסטוריה, sentiment של reviews, season, weather, ו-promotional calendar. כולל confidence interval — לא רק נקודת חיזוי.

• Hierarchical forecasting (חנות → אזור → ארצי)
• Confidence intervals — buyer יודע כמה לסמוך על המספר
• אינטגרציה ל-ERP / WMS — חיזוי הופך ל-PO אוטומטי תחת approval threshold
• Anomaly detection — מסמן SKU שמתנהג שונה מהצפוי

Churn prediction

זיהוי לקוחות שבסיכון לעזוב לפני שהם עוזבים, עם action recommendations — discount, content, re-engagement email. מודל מסביר למה לקוח בסיכון, לא רק שהוא.

• Per-customer risk score עם confidence
• Feature attribution — מה גורם לסיכון (פחות visits, smaller baskets, etc.)
• Recommended next-best-action per לקוח
• Cost-aware — לא נותן הנחה גדולה ללקוח שיחזור גם בלי

Visual search ו-image recognition

"מצא לי כזה" — לקוח מעלה תמונה, מקבל מוצרים דומים מהקטלוג. מבוסס embeddings על תמונות מוצר, בלי תלות בתיוג ידני. מתאים במיוחד למוצרים בעלי דמיון ויזואלי (אופנה, ריהוט, מטבח).

• Embedding model מותאם לקטגוריה (אופנה / ריהוט / מזון)
• Multi-modal — שילוב תמונה + טקסט חיפוש
• Privacy — תמונת המשתמש לא נשמרת אחרי הסשן

Conversational shopping assistant

Chatbot שמכיר את הקטלוג, את היסטוריית הרכישה של הלקוח (RAG על profile + orders) ואת המלאי. יודע מתי לעצור ולמסור לאדם — לא מנסה לסגור עסקה במקום שזה לא יעבוד.

• Grounded ב-source data — מחיר, זמינות, מפרט — לא הזיות
• Handoff threshold ברור — שיחה מורכבת עוברת לסוכן אנושי
• Multilingual native — עברית + אנגלית + רוסית
• Audit trail מלא של השיחה

Fraud detection

זיהוי תרמיות בעסקאות online — card-not-present fraud, account takeover, promo abuse — בזמן אמת, עם risk score per transaction ו-explanation למה. צ'ק-בייסט (CCBill / Stripe Radar) אבל עם custom rules layer לעסק שלך.

• Sub-100ms decision per transaction
• Explainable — "מסומן כי IP בארץ A, כרטיס בארץ B, browser fingerprint לא תואם"
• Adaptive — מודל מתעדכן לפי chargebacks ו-confirmed transactions
• Integration עם merchant account של הצ'ק-בייסט

A/B testing אוטומטי

Experiment infrastructure שמטפלת ב-stratification, sample size, sequential testing ו-multi-armed bandit. לא מבקשים מ-data scientist להריץ ידנית בכל שינוי.

• Stratified randomization — שווה למשתמשים VIP ו-occasional
• Sequential stopping — מפסיק ניסוי כש-effect מובהק
• Multi-armed bandit — ניצול אוטומטי של winner תוך כדי
• Audit log — מי הקים, מי הפסיק, איזה דאטה נשמר

אינטגרציה ל-Magento, Shopify, WooCommerce

מודולים מתחברים דרך webhook + REST API לפלטפורמת ה-eCommerce הקיימת. בלי להחליף את החנות, בלי לשבור התאמות שכבר עשיתם.

• Magento 2 native extension
• Shopify Plus / Storefront API
• WooCommerce REST API
• Custom storefront via Headless commerce

סנכרון עם ה-ERP / WMS

חיזוי ביקושים → רכש דורש שני dataflows: היסטוריה מ-ERP לתוך המודל, ו-PO suggestions בחזרה לתוך ה-PO module. אם זה לא מסונכרן — buyer מתעלם.

• SAP / Oracle / Priority ERP
• WMS — Manhattan, Korber, מערכת ביתית
• POS sync לחנויות פיזיות
• Real-time inventory across channels

PIM ו-DAM

Product Information Management ו-Digital Asset Management זה המקור לתיאורי מוצר ולתמונות. AI עוזר לתעדכן (auto-categorization, attribute extraction מ-PDF specs, missing-data flagging).

• Akeneo / Pimcore / מערכת ביתית
• Auto-tagging מוצרים חדשים
• Translation pipeline בעברית/אנגלית/רוסית
• Image quality check אוטומטי

Discovery (שבוע 1-2)

Audit של ה-data shape (transactions, sessions, catalog, customer profile), של מערכות קיימות (eCommerce + ERP + WMS + PIM), ושל הבעיה העסקית — איזה shopper journey נשבר?

Pilot (שבוע 3-8)

בוחרים מודול אחד (לרוב המלצות או חיזוי ביקושים), בונים אותו על subset של הקטלוג / חנויות, מודדים נגד baseline. eval framework מוקם בשלב הזה — לא אחרי deployment.

Production rollout (שבוע 9-12)

Phased rollout (10% → 50% → 100% trafic), עם kill switch ו-rollback מתועד. governance baseline נכנס לתוקף — מי owner, איך mon, איך escalation.