ניתוח AI של קריאייטיבים פרסומיים: מדוע תחזית CTR סוטה
אי ההתאמה בין התחזית למציאות מתחילה לא במודל, אלא בהגדרת המשימה. החלטה על גורלו של מודעה מתקבלת לפי מדדים ממוצעים של הקמפיין: אם קבוצת מודעות הגיעה לעלות היעד, איש לא מבודד את הקריאייטיב החלש בתוכה. הוא צובר חשיפות על חשבון התקציב של שכניו ונשרף כבר לאחר ההשקה, כאשר תיקון עולה יותר מצילום חדש.
כדי שתחזית CTR תהיה יעילה, אובייקט ההערכה צריך להיות הקריאייטיב עצמו, ולא הקמפיין. ניתוח AI של קריאייטיבים פרסומיים מפרק את המודעה למאפיינים: קומפוזיציה ונקודת תשומת לב, אובייקט בפריים, נפח וקריאות הטקסט, ניגודיות לרקע, הפריים הראשון של הווידאו, התאמת ההבטחה לקהל ולפלטפורמה. לאחר מכן המודל משווה מאפיינים אלה לתגובה בפועל של מודעות דומות בתנאי חשיפה דומים.
מקור הטעות השני הוא ערבוב אפקטים. CTR גבוה יכול לנבוע לא מהקומפוזיציה, אלא מהקהל, מההימור או ממקום הפרסום; נמוך — מדגימה צרה בהתחלה. לכן מפרידים בין מאפייני המודעה לבין הקשר החשיפה, והערכת הקריאייטיב לפני ההשקה נעשית עם התאמה למי והיכן הוא יוצג.
את הפער בין התחזית למציאות אנחנו מחזיקים כמדד נשלט. המודל מכויל על השקות קודמות: משווים בין תגובה חזויה לתגובה בפועל, מנטרלים מאפיינים שמושכים שגיאה, ומרכיבים מחדש את המשקלים עד שהפיזור הופך לצפוי.
אז מודעות חלשות מנוטרלות בשלב התצוגה המוקדמת, ולא לאחר בזבוז התקציב — ויעילותם של קריאייטיבים פרסומיים נמדדת לפי המודעה עצמה.
להלן נפרט כיצד זה עובד בפועל ומה בדיוק נשבר לרוב.
מה נותן חיזוי תגובת קריאייטיב לפני השקת קמפיין
מחזור בדיקת ההשערות מתקצר משבועות לימים
מודל חיזוי תגובת קריאייטיב מבוסס על נתונים היסטוריים של חשיפות ומעריך את המודעה לפני השקת הקמפיין, ולא לאחר שבוע בתנועה חיה. המעצב ומתכנן המדיה מקבלים הערכה בשלב התיקונים — החלפת כותרת או פריים עולה דקות, ולא חריגה מתקציב הפלטפורמה.
קיצור מחזור בדיקת ההשערות מושג הודות לנפח: במעבר אחד נבדקים לא 2-3 מודעות, אלא כל המאגר, ממוין לפי תגובה צפויה.
סולם אחיד להערכת קריאייטיבים בין ערוצים
מודל אחד מעריך מודעות עבור פיד, באנרים ווידאו ומביא אותן לסולם משותף — ההשוואה מפסיקה להיות תלויה במי שהדוח שלו משכנע יותר. בעבר השוו מודעות מערוצים שונים לפי מדדים שאינם ברי השוואה ו'לפי העין'; כעת לצוות יש רשימה מדורגת אחת. הסולם מכויל על נתוני הלקוח, לכן ההערכות ברות השוואה בין קמפיינים לעונות.
סוג הכשל 'תקציב לקריאייטיב חלש מראש' נעלם
הטעות היקרה ביותר היא כאשר הפלטפורמה כבר הוציאה את התקציב, והקריאייטיב מניב תגובה מתחת לבסיס. החיזוי מנטרל מודעות כאלה לפני ההתחלה: לקמפיין נכנסות רק אלו שעוברות את הסף לפי תגובה צפויה.
הסף מותאם למשימה — לקמפיין חשיפה הוא רך יותר, לקמפיין המרות נוקשה יותר, לכן הסינון אינו גודע אפשרויות עובדות. ההרצות הראשונות מראות היכן המודל טועה, והוא עובר אימון נוסף על נתוני הלקוח עצמו.
מצבי חיזוי: אצווה, זרימה והיברידי
מצב החיזוי נבחר לא לפי 'עוצמת' המודל, אלא לפי קצב ההשקות ונפח ההיסטוריה המצטברת. אם מאשרים קריאייטיבים בחבילות פעם בשבוע ועבורם כבר הצטברו עשרות אלפי חשיפות, ההיגיון אחד.
אם המעצב מעלה מודעה וממתין לפסק דין באותה דקה — אחר, כי אין עדיין היסטוריה למודעה זו והמודל נשען על מאפייני המודעה עצמה.
להלן השוואה של מצבי החיזוי לפי ישימות ומגבלות. את הגבולות הללו אנו מפרטים לפני תחילת העבודה, כדי שלא יהיה צורך לשנות את המצב באמצע הקמפיין.
| מצב | מתי מתאים | מגבלות |
|---|---|---|
| חיזוי אצווה של תגובה | חישובים חוזרים על תיק קריאייטיבים, קיימת היסטוריית חשיפות מחודשים | התשובה מגיעה לפי לוח זמנים, לא לפי דרישה; מודעה חדשה ממתינה להרצה הבאה |
| חיזוי זרימה בעת העלאת קריאייטיב | נדרש פסק דין ברגע ההעלאה: המעצב מתקן את המודעה ורואה מיד הערכה | נשען על מאפייני המודעה עצמה; בפורמטים נדירים ובפלטפורמות חדשות ההערכה פחות יציבה |
| מודל הערכה היברידי | קצב השקות שונה: קמפיינים המוניים יחד עם בדיקות ממוקדות | דורש תמיכה בשני מעגלים וכיול אחיד ביניהם |
מודל הערכה היברידי אינו אפשרות גיבוי 'ליתר ביטחון', אלא סכימה עובדת לקצב מעורב. מעגל האצווה עובר אימון מחדש על ההיסטוריה המצטברת ושומר על הכיול; מעגל הזרימה מספק תשובה מהירה למודעה שהועלתה זה עתה.
את הפער בין המעגלים אנו מודדים בנפרד: אם חיזוי הזרימה מנפח באופן שיטתי את התגובה בפורמטים צרים, זה נראה לפני ההשקה, ולא לאחר שהתקציב נשפך.
כדאי להשוות בין מצבי החיזוי לפי שני פרמטרים: באיזו תדירות אתם משקים קריאייטיבים וכמה היסטוריה כבר מתויגת. מעבר בין מצבים אינו מחייב כתיבה מחדש של המערכת — המאפיינים, התיוג ומדדי האיכות נשארים משותפים; משתנה רק אופן הגשת הבקשה. נפרט כיצד לבחור מצב לפי קצב ההשקות שלכם.
כיצד נבנה מודל להערכת קריאייטיבים עבור הקמפיינים שלכם
לא ניתן לאמן מודל על מקום ריק: תחילה יש להבין אילו נתונים על השקות קודמות בכלל קיימים, במצב הם נמצאים והאם יש מספיק תצפיות לחיזוי יציב. להלן סדר העבודות, שבו כל שלב עוקב נשען על תוצאת השלב הקודם; אין טעם לנהלם במקביל.
סדר העבודות
- ביקורת השקות היסטוריות. מאחדים ייצואים מחשבונות פרסום עם אנליטיקה של המוצר, מחפשים פערים, כפילויות וקמפיינים שנוהלו לא לפי כללים משותפים. בפלט — מפת נתונים: מה ובאיזו תקופה מתאים לאימון.
- תיוג השקות היסטוריות. מביאים קריאייטיבים לצורה אחידה וקובעים מדד מטרה לפי החשיפות בפועל, לא לפי הערכת המנהל. בנפרד מסמנים השקות שבהן התנאים השתנו תוך כדי — המודל לא צריך להתייחס אליהן כאל אמת מידה.
- איסוף ובחירת מאפיינים. מתוך מודעות, טקסטים, קהל ופלטפורמות יוצרים סט מאפיינים ומסננים את אלו שקשורים לתוצאה במקרה. מאפיין שלא ניתן להשיג לפני ההשקה לא נכנס למודל.
- אימון וכיול החיזוי. את המודל מאמנים על תקופה אחת, ואת סולם החיזוי מיישרים: אם המערכת מבטיחה לקריאייטיב תוצאה מעל הממוצע, הערכה זו צריכה להתאמת במציאות באותה תדירות.
- בדיקה על מדגם נפרד. את תקופת הביקורת המודל לא ראה לא באימון ולא בכיול. מסתכלים לא על דיוק ממוצע, אלא על איכות הדירוג: האם המערכת ממיינת נכון קריאייטיבים מחזקים לחלשים.
- העברה לצוות הלקוח. מוסרים קוד, סכימת נתונים, תקנון אימון מחדש וגבולות ישימות — באילו סוגי קמפיינים אפשר להאמין לחיזוי, והיכן נדרשת בדיקה ידנית.
סדר כזה מניב חיזוי שמשתחזר בהשקות חדשות, ולא רק באלו שהמודל למד מהן.
מה מעבירים יחד עם המודל: ארטיפקטים ותקנונים
העברת המודל אינה קובץ עם משקלים, אלא מערך שלפיו הצוות שלכם יכול לאמן, לבדוק ולהסביר חיזוי CTR בלעדינו. להלן מה שנשאר פיזית אצלכם לאחר מסירת הפתרון.
- תצורות אימון ואינפרנס: פרמטרים, סכימת הצלבה, קיבוע מחולל מספרים אקראיים — הרצה חוזרת מניבה את אותו מדד, ולא 'בערך דומה'.
- סכימת מאפיינים: אילו שדות מיומני חשיפות וקליקים נכנסים למודל, כיצד מחושבים מאפיינים חזותיים וטקסטואליים של הקריאייטיב, סדר השדות, כללי נרמול וטיפול בערכים חסרים.
- מדיניות גישה לנתוני קמפיינים: תפקידים ורמות גישה, אנונימיזציה לפני אימון, זמני אחסון ייצואים, תיעוד פניות למאגר הנתונים.
- תיעוד מודל ההערכה: ייעוד, כניסות ויציאות, טווח וכיול תחזיות, תנאי ישימות ומגבלות ידועות — כדי שלא יפרשו את התוצאה מעבר למה שהיא.
- תקנון אימון מחדש: טריגרים (סחיפת התפלגות, ירידת מדד על מדגם נפרד, פורמט קריאייטיב חדש), תדירות, בדיקות חובה לפני העלאה.
- ניטור איכות: סט מדדים במעקב, ספי התראות, דוח על הידרדרות ונוהל חזרה לגרסת מודל קודמת.
- הוראות הפעלה: כיצד להרכיב מערך נתונים, להריץ אימון, להעביר בדיקות קבלה ולעדכן את המודל במעגל העבודה.
המערך מכסה את הסיכון העיקרי — מצב שבו השירות עובד, אבל לשנות בו משהו אפשר רק דרכנו.
מקרה בוחן: חיזוי קריאייטיבים צמצם השקות סרק
מה היה לפני
הלקוח — רשת קמעונאית «Северный Дом»: זרם מודעות חדשות נמשך ברצף, וההחלטה על השקה התקבלה לפי ניסיון המשווק. כל השקת בדיקה חיה שבועיים-שלושה ולקחה חשיפות מצירופים מוכחים; יעד ה-CTR החזיק שמונה-תשע מודעות מתוך שלושים.
קריאייטיבים חלשים זוהו בדיעבד, כבר לאחר ההוצאה על חשיפות, וההחלטה על המנה הבאה התקבלה שוב בעיניים עצומות.
מה שינו
אספו ארכיון של כמה אלפי קריאייטיבים קודמים, תייגו אותם לפי CTR, עונתיות ופלטפורמה, והוסיפו מאפיינים של תמונה, טקסט ופורמט. המודל מעריך כל מודעה חדשה לפני ההשקה ובונה תור לפי עדיפות; פעם בשבוע החיזוי נבדק מול המציאות, וסף הסינון מחושב מחדש על נתונים עדכניים.
מה קרה
שיעור הפגיעות ברבעון העליון לפי CTR — כ�ثمانים אחוזים במודעות שהמודל לא ראה באימון. השקות בדיקה פחתו פי שלושה: נבדקות רק אפשרויות מבטיחות, והשאר ממתינות לתור או עוברות לתיקון. כשליש מהמודעות החלשות מראש לא יוצאות למחזור — אותן מנטרלת ההערכה המקדימה, ולא ההוצאה על חשיפות. הכנת החלטה על מנת מודעות התקצרה משלושה ימים לשעה.
מה לעשות אם כבר פרוסה מודל הערכה משלכם?
כן, ניתן להשתלב במודל עובד, ואין צורך לאמן אותו מחדש מאפס. אנחנו לא מחליפים את המעגל שלכם, אלא מרחיבים את סט המאפיינים ומשווים חיזויים על אותם נתונים. ההחלטות הקודמות נשארות בתוקף, כל עוד הענף החדש לא יראה תוצאה טובה יותר באופן יציב על מדגם נפרד.
השתלבות במודל הקיים מתבצעת במעגל מקביל: הגרסה שלכם ממשיכה להפיק הערכה, והחדשה פועלת לצדה על אותו זרם קריאייטיבים. החיזויים של שתי הגרסאות נכתבים ליומן משותף — גרסאות ותיעוד מסלול אנו מנהלים ב-MLflow. משווים ביניהם לפי מדדים אחידים: איכות דירוג, שגיאת חיזוי, שיעור החפיפות בראש הרשימה.
את עיקר התוספת נותנת הרחבת המאפיינים: לווקטור שלכם מוסיפים אמבדינגים חזותיים וטקסטואליים של הקריאייטיב, מבנה הפריים, דינמיקת השניות הראשונות ומדדי מיקום היסטוריים. האימון מתבצע על אותה תיוג ועל אותו אופק חיזוי — אחרת ההשוואה בין גישות לחיזוי נעשית לא תקינה.
לאחר מכן בוחרים מבין שלוש סכימות: אימון נוסף של המודל שלכם על וקטור מורחב, תוספת נפרדת מעל ההערכה שלו, או היבריד עם חיזוי בלתי תלוי. הקריטריון — נפח ההיסטוריה ויציבות הנתונים, לא ההרגל לסכימה הנוכחית.
הפיכות מזכים מראש: גרסאות מקובעות, סף המעבר נקבע מראש, החזרה להיגיון הקודם אורכת צעד אחד. תהליכי קבלת ההחלטות הנוכחיים לא נעצרים.
ספקות טכניים: נתונים, דיוק, אינטגרציה
לפני ההתחלה, מהנדסים ומנהלי תחום שואלים אותן שאלות: האם תספיק ההיסטוריה המצטברת, כיצד נמדד דיוק חיזוי התגובה, היכן פיזית נמצאים נתוני הקמפיינים והאם המודל לא ידיח את הבדיקה הרגילה על חלק מהקהל. אנו עונים לגופו של עניין — בלי הבטחות 'אנו מנבאים תגובה בדיוק של אחוז'.
המודל מדרג קריאייטיבים זה ביחס לזה וביחס לקו הבסיס של הקמפיין, ולא מפיק מספר מוחלט. לכן את האיכות קובעים על תקופה נפרדת: באיזו תדירות האפשרות הטובה ביותר לפי החיזוי מתבררת כטובה ביותר בפועל, ועד כמה יציב הסדר בחלק העליון של הרשימה.
איזה דיוק של חיזוי תגובה לצפות?
מסתכלים על שני מדדים: שיעור זוגות קריאייטיבים המסודרים נכון וכיול — האם ההסתברות המוצהרת לתגובה תואמת את התדירות הנצפית. תועלת מעשית מופיעה כאשר המודל מפריד בביטחון בין השליש העליון של האפשרויות לתחתון.
כמה נתונים היסטוריים דרושים?
מינימום — כמה אלפי חשיפות לקריאייטיב ומחזורי קמפיין מלאים, כולל עונות ופלטפורמות שונות, אחרת המודל לומד על מדגם מוטה. במחסור בהיסטוריה מעבירים תלויות מתחומים דומים ומבצעים אימון נוסף על הנתונים שלכם.
היכן נשמרים נתוני הקמפיינים?
יומנים גולמיים עם חשיפות וקליקים נשארים במעגל שלכם; החוצה יוצאים אגרגטים ואפיונים אנונימיים. הפרדת גישות, תיעוד פניות וזמני אחסון מתאמים לפני תחילת העבודה.
האם המודל יחליף את הבדיקה על חלק מהקהל?
לא, זהו סינון לפניה. המודל מנטרל אפשרויות חלשות מראש ומצמצם את מספר ההשערות, והבדיקה על חלק מהקהל מאשרת את התוצאה בתנועה חיה — היא נשארת הבורר הסופי.
נדון במשימה: מה להכין לדיון הראשון
ניתוח המשימה מתחיל בנתוני פתיחה — אלו אותם נתונים שהמודל ילמד עליהם לאחר מכן. ככל שהייצואים מלאים יותר והמגבלות ברורות יותר, כך נאמר מוקדם יותר איזה שיפור דיוק ריאלי עבור המלאי שלכם, ומה לא.
- ייצוא קריאייטיבים מקמפיינים קודמים: תמונות, וידאו, טקסטים, גדלי פלטפורמות — החל מכמה מאות מודעות, כדי שהמודל יקלוט דפוסים ולא יזכור מקרים בודדים.
- חשיפות, קליקים, המרות והוצאה לפי כל מודעה עם פילוח לפי פלטפורמות ותאריכים — בלי חתכים אלו אי אפשר לבנות מדד מטרה הוגן.
- הרכב מקטעי הקהל וגיאוגרפיה של חשיפות: הם משפיעים על CTR יותר מהחזות עצמה, ויש להתחשב בכך במאפיינים.
- גישות לחשבונות פרסום במצב קריאה או ייצוא דרך API — אוספים נתונים באופן קבוע, בלי להפריע לקמפיינים הנוכחיים.
- מגבלות: השערות מאומתות, פורמטים אסורים, מה שאסור לשנות במדיה-פלאן.
- אופק חיזוי: הערכה לפני השקה או חישוב מחדש תוך כדי תנועה לצורך תיקון הימורים.
לפי סט זה נחזור עם תוכנית עבודה לחיזוי קריאייטיבים: היקף התיוג, סכימת אימות, מדדי איכות, נקודות אינטגרציה עם החשבונות ונוהל הרצת בדיקה על קמפיין אחד.
תארו את המשימה — אילו קריאייטיבים אתם מנתחים, כמה מודעות במחזור ומה כבר ניסיתם. נחזור עם הערכה ותוכנית.