AI CPQ-solver
Kunde indtastede båbredde og duty cycle. CPQ returnerede toogfyrre gyldige configs. Salg eskalerede stadig til engineering. Mercura AI-solver rangerer regelgyldige optioner mod angivne mål med rationale team kan overstyre.
AI solver · runtime
Requirements → rules first → ranked pick
1 · Customer requirements
2 · Rules engine runs first
Only valid configs continueVALID
Enter the search
BLOCKED BY RULE
Trolley T4 + rail R2
3 · Goal weighting
4 · Ranked recommendation · rep can override
Scores are illustrative · every row already passed the rules engine
Udfordringen
Kunde indtastede båbredde og duty cycle. CPQ returnerede toogfyrre gyldige configs. Salg eskalerede stadig til engineering.
Producent af overhead brokraner til produktions- og logistikbåse konfigurerer spændvidde, kapacitetsklasse, krogshøjde, skinnehastighed og styringspakke i Mercura CPQ. Regler blokerer inkompatible trolley- og skinnekombinationer. Køber indtaster båbredde, påkrævet løftekapacitet og forventet duty cycle. CPQ returnerer dusinvis regelgyldige linjer der prissættes korrekt.
Indendørs salg kontakter application engineering fordi ingen af toogfyrre optioner tydeligt vinder på omkostning, leveringstid og guldclearance sammen. Sælgere vælger tredje config af vane. Kunder modtager tilbud der virker på papir men er tungere eller langsommere end applikationen behøver. Ekspertvurdering skalerer ikke når hver forespørgsel efterlader bred gyldig mængde.
AI CPQ-implementering bootstrapper udkastregler fra ERP og spec-uploads. Conversational CPQ parser købersprog ved tilbud. Agentic CPQ styrer indkøbsagent-endpoints. Regelbaseret config afviser ugyldige kombinationer men rangerer ikke gyldige. AI CPQ-solver er anderledes: Mercura søger regelgyldigt config-rum, scorer kandidater mod omkostnings-, ydeevne-, leveringstids- og regulatoriske mål I definerer og returnerer rangerede anbefalinger med forståelig rationale salg gennemgår før tilbud sendes.
Forespørgsel → config → pris → godkendelse → ordre bør ikke stå i kø hos engineering hver gang constraints efterlader mere end ét korrekt svar.
Sådan fungerer det
Sådan fungerer Mercura AI CPQ-solver
Købere eller sælgere indtaster applikationskrav: spændvidde, kapacitet, duty-klasse, clearance-grænser, budgetloft eller regulatoriske tags. Mercura kører rules engine først så kun gyldige configs enter solver-søgning. AI evaluerer kandidater mod vægtede mål produktteam konfigurerer. Rangerede resultater inkluderer sammenligningsrationale og konfidensindikatorer. Ved trade-offs viser solver Pareto-optimale alternativer. Salgsingeniører accepterer, justerer eller overstyrer før pris og tilbudsfri givelse. Historiske godkendte configs informerer scoring. Mercura erstatter ikke regel-authoring, godkendelsespolitik eller SME-sign-off på nye applikationer.
Rules first
Validity comes before ranking
Illustrative flow · numbers vary by catalog
Customer requirements
Span · capacity · duty class
Rules engine
Incompatible combinations removed
Valid configurations
Dozens may remain
AI ranking
Scored against configured goals
Ranked recommendation
Rep reviews, accepts or overrides
Who decides what
Rules decide validity. AI ranks the valid set.
Rules engine
Is this configuration allowed?
Deterministic constraints from your published rules. The solver never bypasses them.
AI solver
Which valid option fits best?
Ranks rule-valid options against goals your team configures, with rationale reps can review.
Trade-offs
When goals conflict, the tension stays visible
Illustrative demo data · every point is a rule-valid configuration
Pareto-optimal alternative
VFD hoist · stock rail
No other valid option is better on both cost and lead time, so it stays on the shortlist.
Reps review and can override before quote send.
Hvad er inkluderet
Hvad AI CPQ-solver dækker
01Requirements
- Kravinput mappet til regelgyldig config-søgning
- API-adgang til solver-kald i custom salgsværktøjer
02Score
- Multi-objective scoring over omkostning, ydeevne og leveringstid
- Læringssignal fra godkendte configs og udfald
03Rank
- Rangerede anbefalinger med forståelig sammenligningsrationale
- Pareto-optimale alternativer ved målkonflikter
- Konfidensindikatorer for kravmatch
04Review
- Salgs-review- og override-workflow før tilbud sendes
Forskellen
Kompleks config før og efter AI-ranking
Sælger vælger fra bred gyldig mængde
- 01 Dusinvis regelgyldige configs uden klar bedste fit
- 02 Kvalitet afhænger af hvem der håndterer forespørgsel
- 03 Komplekse tilbud i kø hos application engineering
- 04 Self-service stopper når mere end ét gyldigt svar
- 05 Kunder modtager fungerende men suboptimale specs
Med Mercura AI-solver
- 01 Rangeret shortlist fra kundekrav i én session
- 02 Samme scoringlogik for hver forespørgsel og kanal
- 03 Engineering gennemgår undtagelser, ikke hvert multi-option tilbud
- 04 Self-service når applikationer med mange gyldige stier
- 05 Tilbud afspejler forklarlige trade-offs for køber
Praktisk anvendelse
Eksempel-workflow: kran-config rangeret efter spændvidde, duty og leveringstid
Overhead kran-OEM så sælgere eskalere når båbredde og duty cycle efterlod mere end tredive gyldige Mercura-configs. Efter AI-solver aktiveret indtastede køber spændvidde, kapacitetsklasse og forventede picks pr. time. Mercura returnerede rangeret shortlist med rationale om skinnevægt, motorpakke og tilbudt leveringstid. Sælger accepterede topanbefaling, justerede styringspakke for regionalt safety-tag og sendte tilbud uden engineering-callback. Application engineers håndterer kun nye bålayouts.
Forretningseffekt
Hvorfor AI-solver er ranking-intelligens, ikke regelersættning
AI CPQ-solver tilføjer engineering-dømmekraft ved tilbudstid når regler alene efterlader flere korrekte svar. Supplerer AI-implementering, salgsvejledningsflows, regelbaseret validering og self-service-configuratorer. Mercura omgår ikke constraint engine eller publicerer uden salgsreview. Nogen skal definere mål, validere scoring efter katalogændringer og eje godkendelse på edge cases. Hvis smerten er "CPQ siger gyldig men ingen ved hvilken gyldig option tilbyde", aligner solver forespørgsel, config, pris, godkendelse og ordre med rangerede configs team kan forsvare over for køber.
Business impact
Clearer best-fit choices
Rule-valid options are ranked against the goals your product team configures.
Rules stay in charge
Only valid configurations enter the search; the constraint engine is never bypassed.
Explainable and overridable
Reps review the rationale and can adjust or override before quote send.
AI lifecycle map
Two different jobs: bootstrap the CPQ model from existing data, then rank valid configurations at quote time
Build time
AI drafts. Your team approves before publish.
Existing data
ERP · specs · price book
AI draft
AI-understøttet CPQ-implementering
Human review
Ready for review
Published rules
Rules engine
Runtime
Rules decide validity. AI ranks what is valid.
Requirements
Customer inputs
Rules engine
Valid set first
AI ranking
AI CPQ-solver
Rep review
Accept or override
Published rules from build time become the rules engine that gates every runtime recommendation
Rules-valid set · ranked for rep review
Indtast spændvidde og duty cycle og gennemgå rangeret kran-shortlist før tilbud sendes
Book demo og gå kravinput gennem regelgyldig søgning, rangerede anbefalinger og salgs-override indtil engineering-eskalering falder på multi-option forespørgsler.
Lad os konfigurere sammen.
Vi giver virksomheder mulighed for at lave produktmodellering, strømline tilbudsprocessen, reducere fejl og i sidste ende levere de skræddersyede løsninger, som kunderne efterspørger.