KI CPQ-Solver
Kunde gab Hallenbreite und Duty Cycle ein. CPQ lieferte zweiundvierzig gültige Configs. Vertrieb eskalierte trotzdem an Engineering. Mercura KI-Solver rankt regelgültige Optionen gegen gesetzte Ziele mit Begründung die Team overriden kann.
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
Die Herausforderung
Kunde gab Hallenbreite und Duty Cycle ein. CPQ lieferte zweiundvierzig gültige Configs. Vertrieb eskalierte trotzdem an Engineering.
Hersteller Brückenkrane für Fertigungs- und Logistikhallen konfiguriert Spannweite, Kapazitätsklasse, Hubhöhe, Fahrgeschwindigkeit und Steuerungspaket in Mercura CPQ. Regeln blockieren inkompatible Laufkatzen- und Schienenkombinationen. Käufer gibt Hallenbreite, erforderliche Traglast und erwarteten Duty Cycle ein. CPQ liefert Dutzende regelgültige Positionen die korrekt preisen.
Innendienst pingt Application Engineering weil keine der zweiundvierzig Optionen klar bei Kosten, Lieferzeit und Bodenfreiheit gewinnt. Vertrieb wählt dritte Config aus Gewohnheit. Kunden erhalten Angebote die auf Papier funktionieren aber schwerer oder langsamer als Anwendung braucht. Expertenurteil skaliert nicht wenn jede Anfrage breite gültige Menge hinterlässt.
KI CPQ-Implementierung bootstrapped Draft-Regeln aus ERP und Spec-Uploads. Conversational CPQ parst Käufersprache beim Angebot. Agentic CPQ regiert Procurement-Agent-Endpoints. Regelbasierte Config lehnt ungültige Kombinationen ab rankt aber keine gültigen. KI CPQ-Solver ist anders: Mercura durchsucht regelgültigen Config-Raum, bewertet Kandidaten gegen Kosten-, Leistungs-, Lieferzeit- und Regulierungsziele die Sie definieren und liefert gerankte Empfehlungen mit verständlicher Begründung die Vertrieb vor Angebotsversand reviewed.
Anfrage → Konfiguration → Preis → Freigabe → Auftrag soll nicht hinter Engineering warten wenn Constraints mehr als eine korrekte Antwort lassen.
So funktioniert es
So funktioniert der Mercura KI CPQ-Solver
Käufer oder Vertrieb geben Anwendungsanforderungen ein: Spannweite, Kapazität, Duty-Klasse, Freiraumgrenzen, Budgetdeckel oder Regulierungs-Tags. Mercura führt zuerst Rules Engine aus damit nur gültige Configs in Solver-Suche. KI bewertet Kandidaten gegen gewichtete Ziele die Produktteam konfiguriert. Gerankte Ergebnisse enthalten Vergleichsbegründung und Konfidenzindikatoren. Bei Trade-offs zeigt Solver Pareto-optimale Alternativen. Vertriebsingenieure akzeptieren, passen an oder overriden vor Preis und Angebotsfreigabe. Historische freigegebene Configs informieren Scoring. Mercura ersetzt nicht Regel-Authoring, Freigabepolicy oder SME-Sign-off bei neuartigen Anwendungen.
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.
Im Lieferumfang enthalten
Was der KI CPQ-Solver abdeckt
01Requirements
- Anforderungseingaben gemappt auf regelgültige Config-Suche
- API-Zugang für Solver-Aufrufe in Custom-Sales-Tools
02Score
- Multi-Objective-Scoring über Kosten, Leistung und Lieferzeit
- Lernsignal aus freigegebenen Configs und Ergebnissen
03Rank
- Gerankte Empfehlungen mit verständlicher Vergleichsbegründung
- Pareto-optimale Alternativen bei Zielkonflikten
- Konfidenzindikatoren für Anforderungserfüllung
04Review
- Vertriebs-Review- und Override-Workflow vor Angebotsversand
Der Unterschied
Komplexe Config vor und nach KI-Ranking
Vertrieb wählt aus breiter gültiger Menge
- 01 Dutzende regelgültige Configs ohne klaren Best Fit
- 02 Qualität hängt davon ab wer Anfrage bearbeitet
- 03 Komplexe Angebote warten auf Application Engineering
- 04 Self-Service stoppt wenn mehr als eine gültige Antwort
- 05 Kunden erhalten funktionierende aber suboptimale Specs
Mit Mercura KI-Solver
- 01 Gerankte Shortlist aus Kundenanforderungen in einer Session
- 02 Gleiche Scoring-Logik für jede Anfrage und jeden Kanal
- 03 Engineering reviewed Exceptions nicht jedes Multi-Option-Angebot
- 04 Self-Service reicht bis Anwendungen mit vielen gültigen Pfaden
- 05 Angebote spiegeln erklärbare Trade-offs für Käufer
Praxisbeispiel
Beispiel-Workflow: Kran-Config gerankt nach Spannweite, Duty und Lieferzeit
Brückenkran-OEM sah Vertrieb eskalieren wenn Hallenbreite und Duty Cycle mehr als dreißig gültige Mercura-Configs hinterließen. Nach KI-Solver aktiviert gab Käufer Spannweite, Kapazitätsklasse und erwartete Hubs pro Stunde ein. Mercura lieferte gerankte Shortlist mit Begründung zu Schienengewicht, Motorpaket und angebotener Lieferzeit. Vertrieb akzeptierte Top-Empfehlung, passte Steuerungspaket für regionales Safety-Tag an und sandte Angebot ohne Engineering-Callback. Application Engineers bearbeiten nur neuartige Hallenlayouts.
Geschäftlicher Nutzen
Warum KI-Solver Ranking-Intelligenz ist, kein Regelersatz
KI CPQ-Solver fügt Engineering-Urteil zur Angebotszeit hinzu wenn Regeln allein mehrere korrekte Antworten lassen. Ergänzt KI-Implementierung, Vertriebsführungs-Flows, regelbasierte Validierung und Self-Service-Configuratoren. Mercura umgeht nicht Constraint Engine oder publiziert ohne Vertriebs-Review. Jemand muss Ziele definieren, Scoring nach Katalogänderungen validieren und Freigabe bei Edge Cases besitzen. Wenn Schmerz ist „CPQ sagt gültig aber niemand weiß welche gültige Option anbieten“, aligniert Solver Anfrage, Konfiguration, Preis, Freigabe und Auftrag mit gerankten Configs die Team dem Käufer verteidigen kann.
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
KI-gestützte CPQ-Implementierung
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
KI 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
Spannweite und Duty Cycle eingeben und gerankte Kran-Shortlist vor Angebotsversand prüfen
Demo buchen und Anforderungseingabe durch regelgültige Suche, gerankte Empfehlungen und Vertriebs-Override bis Engineering-Eskalation bei Multi-Option-Anfragen sinkt.
Lassen Sie uns gemeinsam bauen.
Wir ermöglichen es Herstellern, die Produktmodellierung zu beherrschen, den Angebotsprozess zu optimieren, Fehler zu reduzieren und letztendlich maßgeschneiderte Lösungen zu liefern, die Kunden nachfragen.