ما يقوله العملاء
بعد انتهاء المشروع
شركات في أبوظبي ودبي والشارقة وصفت تجربة عملها مع صقر سيستمز بعد الانتهاء من المشاريع.
العودة للرئيسيةما قالوه بعد التسليم
استغرق بناء الأداة أسابيع أربعة كما وعدوا بالضبط. خلال التجريب كانت الأداة تُخطئ في نحو ٢٠٪ من حالات معينة — وكانوا هم أول من نبّهنا لذلك وأعادوا التدريب دون أن نطلب. هذا النوع من الصدق أثّر في ثقتنا بهم أكثر من أي خاصية في الأداة نفسها.
طلبنا نموذجًا لتوقع احتياجات التوظيف الموسمي. في أسبوع مراجعة البيانات أخبرونا بصراحة أن السجلات التاريخية لدينا غير منتظمة بما يكفي لنموذج دقيق، وقدموا مقترحًا بديلاً أبسط يعمل بالبيانات المتاحة. لم نحصل على ما طلبناه بالضبط لكن حصلنا على ما يناسب حالتنا فعلاً.
حجزنا استشارة نصف يوم قبل قرار بإطلاق مشروع تقني كبير. المهندس الذي أرسلوه قرأ الملفات التي أرسلناها مسبقًا وجاء بأسئلة محددة جداً. خرجنا من الجلسة بقناعة أن نطاق المشروع المقترح أكبر مما تحتمله البنية التحتية الحالية. وفّرنا وقتًا ومالاً بقيمة لا تُقارن بـ 670 درهماً.
كان فريق الدعم لدينا يهدر وقتاً كبيراً في تصنيف التذاكر يدوياً قبل توجيهها. أداة الفرز قلّصت هذه الخطوة إلى ثوانٍ في معظم الحالات. ما أقدّره هو أنهم لم يعدونا بـ "100٪ دقة" — بل حددوا نطاق الحالات التي تبقى بحاجة لمراجعة بشرية، وهذا أكثر واقعية.
بنينا معهم نموذجاً لتوقع الطلب الموسمي. الدقة جيدة في المنتجات الأساسية لكن أقل ثقةً في الأصناف ذات الطلب الأقل انتظامًا — وهم وثّقوا هذا بوضوح في التقرير. لوحة المعلومات مناسبة لمستوى الفريق ولا تتطلب خلفية تقنية للاستخدام.
استشارة نصف يوم كانت أفضل استثمار في مرحلة التخطيط. أوضحوا لنا أن التقنية التي كنا نميل إليها مكلفة الصيانة بالنسبة لحجم مشروعنا وقدّموا بديلاً أبسط يؤدي المهمة بكفاءة. هذا النوع من الرأي الصريح نادر.
من التحدي إلى النتيجة
شركة تجزئة — تحسين سرعة تصنيف التذاكر
فريق دعم من 12 موظفاً يُقضي نحو 40 دقيقة يومياً للفرد في تصنيف التذاكر يدوياً قبل البدء بمعالجتها. مع ارتفاع حجم التذاكر خلال المواسم، أصبح التأخير في الفرز يُبطئ وقت الاستجابة الفعلي.
بُنيت أداة الفرز على 8,400 تذكرة تاريخية وخضعت لتجريب موجَّه لمدة ستة أسابيع. خلال التجريب تم تعديل النموذج مرتين استجابةً لأنماط لم تظهر بوضوح في بيانات التدريب الأولية.
تقليص زمن الفرز اليدوي بنسبة 67٪ في التذاكر ذات التصنيف الواضح. تذاكر الحالات المعقدة تُعلَّم للمراجعة البشرية. وقت استجابة الفريق انخفض بمتوسط 18 دقيقة يومياً للموظف.
"الشيء الذي لم أتوقعه هو أنهم كانوا أول من يُبلغنا عن المناطق الضعيفة في الأداء — قبل أن نلاحظها نحن."
شركة غذائية — نموذج توقع الطلب الموسمي
قسم التخطيط يعتمد على التقديرات التجريبية للتخطيط الموسمي، مما يؤدي إلى إما فائض في المخزون أو نقص في مواسم الذروة. البيانات التاريخية متوفرة لكن غير مُنظَّمة.
بدأ الفريق بأسبوعين لمراجعة البيانات وتنظيمها. بُني النموذج على 3 سنوات من بيانات المبيعات مع مؤشرات موسمية. اللوحة التفاعلية تعرض توقعات بنطاقات ثقة بدلاً من أرقام نقطية.
دقة التوقع 78٪ للأصناف ذات الطلب المنتظم. تقليص الفائض في المخزون الموسمي بنسبة تُقدَّر بـ 22٪ في أول موسم استخدام. الأصناف غير المنتظمة موثقة بوضوح كحدود النموذج.
"ما يميزهم أنهم ميّزوا بوضوح بين ما يستطيع النموذج فعله بثقة وما لا يستطيع. هذا وفّر علينا قرارات خاطئة."
جاهزون للإجابة على أسئلتك
مدينة مصدر، أبوظبي
8:30 ص – 5:30 م
مؤشرات قابلة للتحقق
في الذكاء الاصطناعي التطبيقي بالإمارات
في قطاعات متعددة منذ 2021
من أصل 5 نجوم عبر جميع المشاريع
من العملاء الذين أنجزنا لهم مشروعاً واحداً
مستعد لتجربة مماثلة؟
ابدأ بالطريقة التي يبدأ بها معظم عملائنا — استشارة نصف يوم بسؤال محدد.
تحدث مع الفريق