זה הכלי שבניתי כדי לכתוב המלצה מבוססת למשרד. הוא מתרגם שאלון בן שמונה מקטעים למספר אחד: הפער בין מה שהמשרד שותה היום לבין מה שהוא צפוי לשתות. הפער הוא הממצא.
מנהלת משרד שמחליפה מכונת קפה מקבלת שלוש הצעות, והיא משווה ביניהן לפי המחיר ולפי מה שכתוב במפרט. המשתנה שקובע אם המכונה תחזיק הוא אחר לגמרי: כמה כוסות המשרד שותה ביום. כמעט אף משרד אינו יודע את המספר הזה, מפני שאף אחד אינו סופר.
מכונה שתוכננה לשלושים כוסות ביום, במשרד ששותה שמונים, מתחילה להתקלקל אחת לכמה שבועות. מכונה שתוכננה למאתיים, במשרד של עשרים וחמישה, עומדת בטלה והפולים מתיישנים בתוכה. בשני המקרים המחיר שהוכרע בהצעה היה הנתון הפחות חשוב בהחלטה.
הכלי אינו שואל את המשרד כמה כוסות הוא שותה, מפני שהתשובה תהיה ניחוש. הוא מחשב את המספר פעמיים, משני כיוונים שאינם תלויים זה בזה, ואז משווה ביניהם.
המשרד אינו יודע כמה כוסות הוא שותה, אבל הוא יודע בדיוק כמה הוא מוציא בחודש. מהתשובה על מה יש במשרד היום אפשר לגזור את העלות לכוס, ומשם לחזור אחורה אל מספר הכוסות.
| מה יש במשרד היום | עלות לכוס |
|---|---|
| קפסולות | 2.5 ₪ |
| מכונת פולים | 2 ₪ |
| מכונת פילטר | 1.2 ₪ |
| שקיקים או קפה שחור | 0.8 ₪ |
משרד שמוציא אלפיים ומאתיים שקלים בחודש על קפסולות
כאן נכנסת ההבחנה שמשנה את התוצאה יותר מכל נתון אחר בחישוב: מספר שותי הקפה, ולא מספר העובדים. במשרד של ארבעים איש יש בדרך כלל כשלושים שותי קפה, וחישוב על ארבעים מנפח את התוצאה בשליש. לכן השאלון שואל על שותי הקפה במפורש, ולא גוזר אותם ממספר העובדים.
אותו משרד, שלושים שותי קפה
כוסות ביום, והכיוון חשוב כאן לא פחות מהגודל: האומדן מהאנשים גבוה מהאומדן מהכסף. שני המספרים הגיעו ממקורות שאינם מדברים זה עם זה, אחד מהכסף ואחד מהאנשים.
פער חיובי, כלומר צריכה צפויה גבוהה מהצריכה היום, הוא המצב הרגיל. הקפסולה יקרה לכוס והקפה שיוצא ממנה בינוני, ולכן במשרד שיש בו קפסולות שותים פחות ממה שהאנשים עצמם מסבירים. כשהמכונה מתחלפת הצריכה עולה אל האומדן השני, וצריך לומר מראש מה זה אומר על החשבון החודשי.
אותו משרד, אחרי שהמכונה התחלפה
המשרד ישתה עשרים ושתיים כוסות נוספות ביום, והחשבון יעלה בכחמש מאות שקלים בחודש. העלות לכוס יורדת מ-2.5 שקלים ל-2 שקלים, אבל הסכום הכולל עולה, מפני שהכמות עולה יותר. זה נתון שמקומו בהמלצה עצמה, ולא בהפתעה שלושה חודשים אחרי ההתקנה.
פער שלילי מסמן את ההפך: במשרד שותים כבר יותר ממה שהאנשים מסבירים, ואז יש שם משהו שהשאלון לא תפס. אורחים, מכונה שנייה בקומה אחרת, או ספירה לא מדויקת של שותי הקפה. בשני הכיוונים זה הדבר הראשון שצריך לברר בשיחה, וזו השאלה שהכלי קיים בשבילה.
העיקרון כאן אחד: לא להחזיר את השאלה למשרד. כשחסר נתון, הכלי מנסה לגזור אותו ממה שכבר נמסר, ורק מה שאי אפשר לגזור נשאר פתוח. שאלון שמכריח מנהלת משרד לנחש מחזיר נתון גרוע יותר מהיעדר נתון, ובעיקר הוא מעמיס עליה עבודה שאינה שלה.
זה אותו היגיון שעליו בנוי כל המודל. הכלי אינו שואל כמה כוסות שותים במשרד, מפני שאיש שם אינו יודע, אלא שואל כמה מוציאים ומי שותה, וגוזר את הכוסות משני אלה. כך הוא נוהג גם בשאר הנתונים:
מה שנשאר פתוח באמת הוא עובדות שרק המשרד יכול למסור, כמו מי הספק היום ומי אחראי למילוי ולניקוי. עליהן יש תשובת "לא יודע" לגיטימית, והן נאספות אוטומטית לרשימה אחת שיושבת בראש הבריף שנשלח מיד אחרי ההגשה. כך השאלון אינו מייצר רק נתונים, אלא גם את סדר היום של השיחה הראשונה.
להשלים בשיחה
עמוד אחד, בלי שרת ובלי שירות בתשלום. השאלון כולו יושב במערך אחד בקוד, והוא מקור האמת היחיד: ממנו נבנה הטופס, ממנו נשלחות התוויות בעברית לגיליון, וממנו נגזרת רשימת הפערים. שאלה חדשה מקבלת עמודה חדשה בסוף הגיליון, וההגשות הישנות נשארות במקומן. את המודל ואת הכלי בניתי בעצמי.
A diagnostic tool I built in order to write an evidence-based coffee recommendation for an office. It turns an eight-section questionnaire into a single number: the gap between what the office drinks today and what it is likely to drink. The gap is the finding.
An office manager replacing a coffee machine collects three quotes and compares them on price and on what the spec sheet claims. The variable that actually decides whether the machine survives is a different one: how many cups the office drinks per day. Almost no office knows that number, because nobody counts.
A machine rated for thirty cups a day, in an office that drinks eighty, starts breaking down every few weeks. A machine rated for two hundred, in an office of twenty-five, sits idle while the beans go stale inside it. In both cases the price that decided the purchase was the least important figure in the decision.
The tool never asks the office how many cups it drinks, because the answer would be a guess. It calculates the number twice, from two directions that are independent of each other, and then compares them.
The office does not know its cup count, but it knows exactly what it spends per month. The answer to what the office has today gives the cost per cup, and from there the cup count can be worked backwards.
| What the office has today | Cost per cup |
|---|---|
| Capsules | ₪2.5 |
| Bean-to-cup machine | ₪2 |
| Filter brewer | ₪1.2 |
| Sachets or Turkish coffee | ₪0.8 |
An office spending ₪2,200 a month on capsules
This is where the distinction that moves the result more than any other input comes in: the number of coffee drinkers, not the number of employees. An office of forty people usually holds about thirty coffee drinkers, and running the calculation on forty inflates the result by a third. So the questionnaire asks for coffee drinkers explicitly instead of deriving them from headcount.
The same office, thirty coffee drinkers
Cups a day, and the direction matters here as much as the size: the estimate from the people sits above the estimate from the money. The two numbers came from sources that do not talk to each other, one from the money and one from the people.
A positive gap, meaning expected consumption above consumption today, is the normal case. A capsule is expensive per cup and the coffee it makes is mediocre, so an office running on capsules drinks less than its own people would explain. When the machine is replaced, consumption climbs towards the second estimate, and what that does to the monthly bill has to be said in advance.
The same office, after the machine is replaced
The office drinks twenty-two more cups a day, and the bill rises by about ₪500 a month. The cost per cup falls from ₪2.5 to ₪2, but the total rises, because the volume rises further. That figure belongs in the recommendation itself, not in a surprise three months after installation.
A negative gap says the opposite: the office already drinks more than its people explain, and something is going on there that the questionnaire did not catch. Guests, a second machine on another floor, or an inaccurate count of coffee drinkers. In either direction it is the first thing to settle in the call, and it is the question the tool exists for.
There is one principle here: never hand the question back to the office. When a value is missing, the tool tries to derive it from what has already been given, and only what cannot be derived stays open. A questionnaire that forces an office manager to guess returns something worse than a missing value, and above all it loads them with work that is not theirs.
That is the same logic the whole model rests on. The tool never asks how many cups the office drinks, because nobody there knows, it asks what the office spends and who drinks, and derives the cups from those two. It treats the rest of the inputs the same way:
What genuinely stays open is the facts only the office can supply, such as who the supplier is today and who fills and cleans the machine. Those carry a legitimate "I don't know", and they are collected automatically into a single list that sits at the top of the brief sent the moment the form is submitted. So the questionnaire does not only produce data, it produces the agenda for the first call.
To close in the call
One page, no server and no paid service. The entire questionnaire lives in a single array in the code, and that array is the only source of truth: the form is rendered from it, the Hebrew labels sent to the spreadsheet come from it, and the list of gaps is derived from it. A new question gets a new column at the end of the sheet and old submissions stay where they are. I built the model and the tool myself.
A constraint I set for the tool up front: I hold no financial interest in any machine manufacturer.
Idan Elkin · August 2026