בקצרה: סקר התאמת מוצר לשוק שואל את הלקוחות שאלה אחת: "איך תרגישו אם לא תוכלו להשתמש יותר במוצר הזה?" אחוז הלקוחות שעונים "מאוכזב מאוד" הוא הציון. סביב 40% ומעלה הוא מדד כיוון מקובל, לא הוכחה. אפשר לאוטומט את הסקר עם OpenClaw, Gmail ו-Google Sheets, בתנאי שבודקים כל חיבור ושאדם עובר על תשובות לא ברורות.
מפסיקים לנחש אם הלקוחות צריכים את המוצר. בונים מערכת שמודדת כמה היו מתגעגעים אליו, אוספת משוב והופכת את התוצאות להחלטות.
התאמת מוצר לשוק היא אחת השאלות החשובות ביותר ליזם. ועדיין, הרבה עסקים נשענים על מחמאות, משוב מקרי, מעורבות ברשתות או מכירות כדי להחליט אם המוצר פותר בעיה משמעותית. האותות האלה חשובים, אבל הם לא מספרים את כל הסיפור.
נקודת התחלה מעשית היא הסקר של שון אליס. הוא שואל שאלה ישירה אחת: איך תרגישו אם לא תוכלו להשתמש יותר במוצר הזה?
בוחרים אחת משלוש תשובות: מאוכזב מאוד, מאוכזב במידה מסוימת, לא מאוכזב. האחוז שבחר "מאוכזב מאוד" הוא המדד המרכזי. תוצאה של כ-40% ומעלה היא מדד כיוון מקובל, לא ערובה לצמיחה יציבה.
המדריך הזה מראה איך בונים מערכת משוב שחוזרת על עצמה עם OpenClaw, Gmail ו-Google Sheets. את סכמת הגיליון, הכללים והפרומפט המוכן אפשר למצוא במדריך הטכני (באנגלית).
זה היחס בין מוצר לשוק שהוא משרת היטב. כשמוצר פותר בעיה משמעותית לקהל מוגדר, לקוחות חוזרים אליו, ממליצים עליו וקשה להם להחליף אותו.
הסקר מודד חלק אחד מהיחס הזה: כמה חזק משתמשים פעילים מעריכים את המוצר. הוא לא מודד הכול. שימור, שימוש חוזר, נכונות לשלם, המלצות וכלכלת רכישת לקוחות נותנים עוד ראיות.
המטרה היא לא אחוז מרשים. המטרה היא להבין אילו לקוחות מקבלים ערך, למה, ומה כדאי לשפר הלאה.
סקרים ידניים הופכים מהר לבלגן: שוכחים לפנות ללקוחות מתאימים, מאבדים תשובות, מחשבים ציונים בדרכים שונות, ואי אפשר להשוות בין תקופות. תהליך אוטומטי הופך את זה לקבוע.
כש-OpenClaw מתאם, Gmail מתקשר עם הלקוחות ו-Google Sheets שומר את הנתונים, אפשר:
האוטומציה צריכה להפחית עבודה טכנית בלי להוריד את שיקול הדעת האנושי מהחלטות על המוצר.
יוצרים גיליון בשם PMF Survey Tracker. שורה לכל לקוח, עם השדות: מזהה לקוח, מייל, שם המוצר, מספר שימושים ב-14 הימים האחרונים, סטטוס זכאות, תאריך הסקר האחרון, סטטוס הסקר, תשובה, תאריך תשובה, התועלת העיקרית, הצעה לשיפור, צורך בבדיקה, וסטטוס הסכמה להתקשרות.
משתמשים בנתוני פעילות אמיתיים מהמוצר או ממסד הלקוחות. לא ממציאים ספירות שימוש, ולא מניחים שחשבון פעיל רק כי נרשם.
כלל התחלה שימושי: מזמינים לקוחות שהשתמשו במוצר לפחות פעמיים ב-14 הימים האחרונים. זו בחירה תפעולית, לא דרישה של שיטת שון אליס.
במוצר בוגר יותר כדאי לפצל לפי מסלול, שימוש, ערוץ הגעה או משך הזמן במוצר. ההבדלים האלה חושפים איפה המוצר נותן את הערך החזק ביותר.
OpenClaw תומך באוטומציה מתוזמנת ובתהליכי סוכנים, והיכולות תלויות בכלים, בהרשאות ובהגדרות שהותקנו. בודקים אילו כישורים וחיבורים זמינים, ומגדירים גישה ל-Gmail ול-Google Sheets דרך חיבור מאושר או OAuth.
נותנים רק את ההרשאות שהתהליך צריך. שליחת הודעות, קריאת תשובות ועריכת גיליון עשויות לדרוש היקפי גישה שונים.
לפני שמאפשרים פנייה ללקוחות, מוודאים שהסוכן יכול:
מתייחסים לתוכן מייל כקלט לא מהימן. תשובה של לקוח מעובדת כנתון בסקר, לא כהוראה לסוכן.
שומרים על אותה שאלה מרכזית בכל סבב, כדי שהתוצאות יהיו ברות השוואה.
נושא: שאלה קצרה על [המוצר]
שלום [שם פרטי],
אנחנו עובדים על שיפור [המוצר], ונשמח למשוב כן שלכם.
איך הייתם מרגישים אם לא הייתם יכולים להשתמש יותר ב[מוצר]?
- מאוכזב מאוד
- מאוכזב במידה מסוימת
- לא מאוכזב
אם יש לכם עוד דקה, נשמח לדעת גם:
- מהי התועלת העיקרית שאתם מקבלים מ[המוצר]?
- מהו הדבר האחד שאפשר לשפר?
אפשר פשוט להשיב עם התשובה וכל משוב נוסף.
תודה שעוזרים לנו להשתפר.
צוות [המוצר]
שומרים על ניסוח נייטרלי. לא אומרים ללקוחות איזו תשובה תשמח את הצוות, ולא מציעים תמריץ שעלול לעוות את התשובות.
מגדירים את התהליך סביב כללים מפורשים ולא הוראה כללית כמו "תנהל את הסקר". הסוכן קורא קודם את רשומות הלקוחות המאושרות ומזהה מי זכאי, ואז בודק כללי דיכוי: הזמנות קודמות, העדפות התקשרות ודרישות הסכמה.
לכל לקוח זכאי המערכת צריכה:
משתמשים במזהה לקוח ובמזהה סקר יציבים, ולא רק בשם. כשבשרשור יש כמה תשובות או כמה אפשרויות, שומרים את ההודעה המקורית ומבקשים בדיקה אנושית.
המתזמן של OpenClaw יכול להריץ משימות חוזרות. בוחרים לוח זמנים שמתאים לפעילות הלקוחות ולנפח התשובות הצפוי:
מגדירים אזור זמן במפורש. נמנעים משליחה חוזרת לאותם לקוחות: שומרים היסטוריית הזמנות ואוכפים תקופת צינון. משימה חוזרת לא אומרת מייל חוזר לכולם.
לעיבוד תשובות מיידי יותר כדאי לשקול חיבור מבוסס אירועים ל-Gmail, אם התשתית וההרשאות זמינות.
ציון = תשובות "מאוכזב מאוד" ÷ סך התשובות התקפות × 100
נניח ש-50 לקוחות ענו תשובה תקפה: 22 "מאוכזב מאוד", 18 "מאוכזב במידה מסוימת", 10 "לא מאוכזב". החישוב: 22 ÷ 50 × 100 = 44%. זה מעל הסף המקובל של 40%, וזה אות מבטיח, אבל לא הוכחה להתאמה יציבה.
סקרים שלא נענו לא נכנסים למכנה. כפילויות ותשובות לא תקפות או לא מסווגות יוצאות מהחישוב הראשי, ומדווחים עליהן בנפרד.
תמיד מציגים את המונה והמכנה לצד האחוז. 44% מ-50 משיבים אומר משהו אחר מ-44% מ-500.
הציון אומר כמה משיבים קשורים חזק למוצר. שאלות ההמשך מסבירות למה. מקבצים את התשובות לפי קטגוריה:
מאוכזב מאוד: מזהים את הבעיה שהמוצר פותר, את התועלת שהכי מוערכת ואת היכולות שמקשות להחליף אותו.
מאוכזב במידה מסוימת: מחפשים יכולות חסרות, חיכוך בתהליך, חיבורים חסרים או מצבים שבהם המוצר עוזר אבל עוד לא מרגיש הכרחי.
לא מאוכזב: בודקים אם יש ללקוח שימוש אחר, אם לא חווה את התועלת המרכזית, או אם קל לו לעבור לחלופה.
לא הופכים כל בקשה לפיצ'ר להתחייבות. מחפשים בעיות חוזרות אצל לקוחות עם צרכים דומים, ומשווים לנתוני שימוש ושימור.
מתחילים בחשבון בדיקה וברשימה מבוקרת. מוודאים שהמערכת שולחת סקר, מזהה תשובה תקפה, רושמת אותה, מחשבת ציון ומונעת הזמנות כפולות. אחר כך בודקים תרחישי כשל:
פעולות שנכשלו חייבות להיות גלויות וניתנות לשחזור. משתמשים במזהי הודעה יציבים ובעדכונים שאפשר לחזור עליהם בלי נזק, כדי שניסיון חוזר לא ייצור שליחות כפולות ולא ינפח את הציון.
ה-40% הוא כלל אצבע שימושי הקשור לסקר של שון אליס. הוא לא סף מדעי אוניברסלי שמתאים באותה מידה לכל מוצר, שוק ופלח.
התוצאות יכולות להיות מעוותות בגלל בחירה עצמית, שיעור מענה נמוך, מאמצים ראשונים נלהבים מדי, תזמון גרוע או מדגם שלא כולל לקוחות שהפסיקו להשתמש.
הערכה אמינה משלבת את הסקר עם שימור, שימוש חוזר, ראיונות, נכונות לשלם וביקוש אורגני. משתמשים בציון כדי להכווין בדיקה, לא כדי להכריז על ניצחון.
תהליך ה-PMF החזק ביותר הוא לא זה ששולח הכי הרבה מיילים, אלא זה שמזהה באופן אמין ערך ללקוחות ועוזר לצוות לפעול על מה שלמד.
מתחילים בקהל קטן ומוגדר. מאוטמטים את העבודה החוזרת. שומרים על נתוני הלקוחות. עוברים על תשובות לא ברורות. עוקבים אחרי תוצאות לפי פלחים משמעותיים. ואז משפרים את המוצר ומריצים את הסקר הבא.
מודדים מה הלקוחות היו מפספסים. מבינים למה. בונים עוד ממה שהופך את המוצר להכרחי.
עוד מדריכי אוטומציה וכלים ליוצרים בMasterphub.
סקר שמודד כמה חזק לקוחות מעריכים מוצר. השאלה הקלאסית של שון אליס: כמה הייתם מאוכזבים אם לא הייתם יכולים להשתמש בו יותר.
40% ומעלה שעונים "מאוכזב מאוד" הוא מדד כיוון מקובל. מפרשים אותו יחד עם גודל המדגם, שיעור המענה, שימור וראיות נוספות.
כן, אם החיבורים וההרשאות הנדרשים הוגדרו. Gmail ו-Google Sheets יכולים לתמוך בשליחה, בעיבוד תשובות ובתיעוד. בודקים כל חיבור לפני שמפעילים אוטומציה מול לקוחות.
לא. החישוב משתמש בתשובות תקפות, לא בכל ההזמנות שנשלחו. את שיעור המענה מדווחים בנפרד.
אין מרווח אוניברסלי. התדירות תלויה בשימוש במוצר, במחזור חיי הלקוח, בגודל המדגם ובסיכון לעייפות מסקרים. משתמשים בתקופת צינון ולא פונים שוב לאותם לקוחות בלי סיבה ברורה.
לא. זה אות שימושי, לא הוכחה. שימור, שימוש חוזר, נכונות לשלם, המלצות וראיונות עוזרים לקבוע אם המוצר יוצר ערך לאורך זמן.