AI-בידינג מותאם אישית לקמפיינים פרסומיים: ROAS/CPA

אופטימיזציית הצעות מחיר בפרסום: היכן ניהול נשבר

המכרז מחשב מחדש את ההצעות בכל הצגה: מתחרים משנים תקציבים, פלטפורמות מערבבות מלאי, הרכב הקהל משתנה לפי שעות. ניהול ידני של הצעות מחיר עובד באיחור — מומחה רואה דוח לאחר שעות, ולפעמים יממה, כשההחלטה כבר לא רלוונטית. הכלל «להעלות הצעה היכן שאתמול הייתה המרה» פועל לפי חתך מיושן ופוגע במחיר הקליק של היום.

המנגנון השני — זליגת תקציב. הצעה שהוגדרה עם מרווח קונה לא רק חשיפות ממוקדות, אלא גם כיסוי זול: פוזיציות חלשות, שאילתות אקראיות, פלטפורמות בינוניות. תוכנית ההוצאה מתמלאת, חלק הפניות הממוקדות יורד, ועלות הפעולה הממוקדת עולה בעוד שמדדי הכיסוי סגורים פורמלית.

Google Ads ומערכות פרסום אחרות נותנות אסטרטגיות אוטומטיות, אך הן מייעלות אותן ליעד שהועבר — בלי רווחיות המוצר, אורך מחזור העסקה ואיכות הליד. השחיקה בהחזר על הוצאות הפרסום מתגלה לכן באיחור: תחילה המדדים מחזיקים מעמד, אחר כך גדל שיעור הנטישות ומחיר התוצאה.

לא הצעה בודדת נשברת, אלא מעגל הניהול: אין נתונים על ערך הפנייה, אין הגבלות על פלטפורמות לא ממוקדות, אין משוב מהיר עם מערכת החשבונאות. אופטימיזציית הצעות מחיר בפרסום הופכת לעבודה ידנית עם דוחות במקום ניהול מכרז. נפרק איך סוגרים את זה.

אפקט מדיד: זמן תגובה, כיסוי, סיווגי כשל

את האפקט מודדים לא לפי CPA ממוצע לחודש, אלא בארבעה חתכים: מהירות הטיפול בזינוק ביקוש, אחידות הוצאת התקציב לפי שעות, סיווגי כשל שנעלמו והתאמת התחזית לעובדות.

מהירות תגובה לשינוי בביקוש

חישוב מחדש של ההצעות מתבצע לא לפי לוח הזמנים של ייצוא מחשבון הפרסום, אלא לפי זרם אירועים: שינוי בהמרות בערוץ, שינוי במחירי המתחרים, זינוק בביקוש באזור או בשעה מסוימת. ההחלטה על ההצעה מתקבלת בתוך דקה — המכרז לא «בורח» לשעות, כמו בניהול ידני.

במבצעים ובעונות שיא, שיעור החשיפות שנרכשו מעל מחיר היעד יורד פי כמה, והכיסוי שהוחמץ בשעות הראשונות של עליית הביקוש מצטמצם: הקמפיין רוכש תנועה זולה לפני שהמתחרים לוקחים אותה.

סיווגי כשל שהוסרו

את הכשלים סוגרים ברמת המודל והכללים, לא בתיקונים ידניים: נעלמת חריגת תקציב בפלטפורמות לא רלוונטיות, נעלם גידול מדורג של הצעות כשהמערכת מדביקה את השוק אחרי שיא, נעלמות עצירות בגלל מיצוי המגבלה היומית עד הצהריים.

סיווג נפרד — החלטות על נתונים מיושנים: אם האות הגיע, והמודל מחשב לפי חתך של אתמול, ההצעה נקבעת נגד השוק. בחישוב מחדש בזרם זה פשוט לא קורה.

יציבות ההוצאה מחזיקה את ניהול הקצב: התקציב מפוזר לפי שעות ומתחלק מחדש בסטייה מהתוכנית. תחזית תוצאת הקמפיין נבנית על אותם אותות — הפער מול המציאות נראה במהלך היום, לא בדיעבד.

הצעות אוטומטיות מול כללים ידניים: גבולות היישום

אופטימיזציית הצעות בקמפיינים נבחרת לא לפי טעם הצוות, אלא לפי נפח הנתונים ומחיר הטעות. כשיש עשרות המרות ביום, המודל מספיק ללמוד ומוביל את ההצעה ביציבות; כשיש בודדות — האוטומציה מאיצה הוצאה בגלל תנודות אקראיות. המצבים נבדלים לא בנוחות ההגדרה, אלא באילו הגבלות הם שומרים.

מצב היברידי: הכללים קובעים מסדרון, המודל — את ההצעה

באמצעות כללים מקבעים תקרה ורצפה להצעה, הגבלות על שיעור החשיפות, מגבלות יומיות לקמפיין ולמיקום פרסום נפרד. בתוך המסדרון המודל חוזה את הסתברות ההמרה ומזיז את ההצעה לפי היעד. זה מסיר את הסיכון העיקרי של אוטומציה טהורה — רכישת חשיפות זולות בלי פעולות ממוקדות.

היכן כללים ידניים עדיין מתאימים

בהתחלת קמפיין, כשהסטטיסטיקה קטנה מדי ללמידה, ובביקוש ממותג, שבו רכישת יתר לא מביאה תוספת. וגם שם, שההגבלה ניתנת מבחוץ: שיעור חשיפות קבוע לפי חוזה, איסור על מיקומי פרסום מסוימים, השהיה בשעות מסוימות.

שלבי הטמעה: מביקורת נתונים ועד מסירת המודל

הטמעת בידינג מותאם אישית — לא «לחבר מודל», אלא רצף שלבים שלכל אחד מהם יש קריטריון מוכנות. אופטימיזציית הצעות מתחילה בנתונים ובסכמת אותות: בלעדיהם המודל מייעל רעש בביטחון. הסדר שבו אנו מובילים את הפרויקט:

1. ביקורת נתונים. מאחדים ייצואים מהחשבונות והאנליטיקה: הוצאות, חשיפות, קליקים, המרות, ייחוס, עומק היסטוריה, חסרים ופערים בין מקורות. בפלט — מפה היכן שיש מספיק אות והיכן קודם נדרש כיוונון טרקינג.
2. סכמת אותות. מקבעים קלט: הקשר שאילתה, סגמנטים, תשואה היסטורית לפיהם, זמן, מכשיר, עונתיות. מאפיינים עם דליפת עתיד מסירים — בבדיקה הם נותנים מספרים יפים, בקרב הם נכשלים.
3. הגדרת מעגל הניהול. חיבור לפלטפורמות דרך API: תדירות חישוב מחדש של הצעות, מגבלות על צעד שינוי, מפסקי מגן על הוצאה והצעה מקסימלית, התנהגות כשאין זמינות לפלטפורמה.
4. בדיקה על תקופות היסטוריות. הרצה על מקטעים סגורים שבהם התוצאה בפועל ידועה.
5. הרצת בקרה. הפעלה על חלק מהקמפיינים, ולצדם — קבוצת ביקורת.
6. מסירה לצוות. נהלים, דשבורדים, מתגים ידניים, הדרכה לאנשי הצוות שלכם.

בדיקה על היסטוריה והרצת בקרה

את ההיסטוריה מחלקים למקטע לימוד ומקטע בדיקה: המודל לא אמור לראות את נתוני הבדיקה. משווים ROAS ו-CPA מול המציאות ומול הכללים הנוכחיים, בודקים לא רק ממוצע אלא גם ירידות בקמפיינים בודדים.

ההרצה מתבצעת על חלק מהקמפיינים: החלטות המודל מיושמות בקבוצה אחת, והשאר עובדים לפי הכללים הקודמים. כך האפקט נראה על רקע תנאים דומים, והחזרה לאחור מצטמצמת להחלפת דגל אחד.

מה נשאר אצל הצוות: קונפיגורציות, כללים, יומן החלטות

כל השינויים במודל ההצעות חיים במאגר לצד הקוד, לא בהתכתבות ולא בראש של מומחה אחד. מוסרים ארטיפקטים שמהם רואים מי, מתי ולמה שינה את התנהגות המערכת ומה בדיוק עבד בקמפיין מסוים.

לוגיקת חישוב מחדש וספים

• קונפיגורציית כללים — משקלות אותות, חלונות מיצוע ותגובה לירידה בהמרות; כל תיקון עובר סקירה ומקבל גרסה.
• ספים ומגבלות — שיעור תקציב מקסימלי לקמפיין ביום, גבולות הצעה, תנאי עצירה אוטומטית בזמן אנומליה.
• כללי דגרדציה — התנהגות המערכת אם נתוני ההמרות מתעכבים או נעלמים: מעבר למצב שמרני במקום חישוב מחדש עיוור.

לוח בקרת החלטות

• יומן החלטות — בכל שינוי הצעה רואים את אותות הקלט, הכלל שפעל והתוצאה, כולל החזרות לאחור.
• דיווח לפי קמפיינים — חתך לפי ערוצים וקבוצות מודעות: איך השתנתה ההצעה ומה זה נתן להמרות ולשיעור הרכישה.
• מדדי איכות — שיעור ההחלטות שבוטלו ידנית, זמן תגובה לאנומליה, יציבות התחזית במדגם בקרה.
• נוהל למידה מחדש — מתי בונים מחדש את המודל, על איזה נפח נתונים טריים ואיך בודקים שהגרסה החדשה אינה גרועה ב-ROAS וב-CPA.

מקרה בוחן: שיעור הפעולות הממוקדות עלה באותה הוצאה

מקרה הטמעה זה עוסק ברשת של כמה עשרות קמפיינים בשני ערוצים, שבה ההצעות הוגדרו ידנית לפי כללי סף כמו «CPA גבוה מהממוצע לשבוע — מורידים ב-10%». הכללים איחרו בימים, ובגלל אורך משפך שונה סף אחד לא עבד: חלק מהקמפיינים שילמו באופן שיטתי יותר מדי על תנועה שלא הגיעה לפעולה ממוקדת.

איך היה לפני

בשבוע המדידה שיעור הפעולות הממוקדות מכל המעברים עמד על 2.4%, החזר על הוצאות הפרסום נע בין 1.9 ל-3.1 בהוצאה קבועה, ו-CPA בשליש הגרוע של הקמפיינים היה גבוה פי 2.3 מאשר בטוב ביותר.

החלוקה מחדש בין קמפיינים נעשתה ידנית ולא יותר מפעם ביום — התקציב היומי הספיק להתכלות לפני שהירידה נהייתה מורגשת.

מה שינו

את כללי הסף החליפו במודל שמחשב מחדש את ההצעה ברמת חשיפה בודדת: הוא נשען על הסתברות לפעולה ממוקדת ועל החזר חזוי, ולא על CPA ממוצע לתקופה הקודמת. ההחלטה מתקבלת ברגע המכרז עם הגבלה נוקשה על גבול ההצעה העליון ועל התקציב היומי של הקמפיין, לכן המודל לא יכול להאיץ הוצאה מעל לרף שנקבע.

הלמידה התבצעה על נתונים היסטוריים על חשיפות, ובשבועיים הראשונים המודל עבד במצב צל: ההצעות חושבו אך לא יושמו — את התחזית השוו למציאות בלי סיכון להצגה. הגישה תואמת את מסקנות המחקר בניהול הצעות על נתונים חסרים Journal of Marketing Research.

לאחר המעבר שיעור הפעולות הממוקדות עמד על 3.6%, פיזור ההחזר הצטמצם ל-2.6–3.3, ודינמיקת ה-CPA הביאה לירידה של 31% באותה הוצאה.

מה לעשות אם המכרז כבר הואץ בכללים ידניים?

מכרז מואץ — זה לא «כללים מכווננים היטב», אלא מצב שבו הביקוש לחשיפות נוצר על ידי ההגבלות עצמן. המודל למד על תנועה שחלקה נחסם באמצעות מקדמים מפחיתים ומגבלות יומיות. להסיר הכול בבת אחת פירושו לשנות בחדות את פיזור השאילתות, וההצגה יורדת לא בגלל המודל, אלא בגלל ניתוק התמיכה הרגילה.

לכן את המעבר מכללים ידניים לאופטימיזציה אוטומטית של הצעות אנו בונים כניסוי מבוקר, לא כהחלפת הגדרות. תחילה ההיסטוריה מחושבת מחדש עם תיקון לחשיפות שנחסמו: המערכת לומדת לא ממה שקרה, אלא ממה שהיה קורה בלי תוספת ידנית. בלי שלב זה האסטרטגיה החדשה פשוט משחזרת את העיוותים הישנים מהצד השני.

הסרה הדרגתית של הגבלות מתבצעת בשכבות לפי עוצמת ההשפעה. תחילה יורדות התוספות שחילקו מחדש חשיפות בתוך המכרז, אחר כך — מקדמים מפחיתים לפי סגמנטים, ולבסוף משוחררות מגבלות נוקשות על נפח.

כל שכבה מוסרת בנפרד, עם חלון בקרה קצר: אם מדד היעד יוצא מהגבול, השכבה מוחזרת ומנתחים אילו שאילתות לקחו את התקציב.

שימור היסטוריית הקמפיינים כאן הוא עקרוני: אנחנו לא יוצרים מחדש אובייקטים ולא מאפסים את הלמידה. הכללים חיים בקונפיגורציה, לא במבנה הקמפיינים, לכן האותות המצטברים נשארים פעילים, והמצבים מושווים על אותן ישויות. מתקבל מעבר חלק במקום הפעלה מחדש מאפס — וניתן לראות את התרומה של כל הגבלה שהוסרה.

ספקות טכניים: נתונים, השהיות, החזרה בטוחה לאחור

נתונים מגיעים באיחור ועם סימון חלקי — על זה נשברות רוב הניסיונות למסור את ההצעות לאוטומציה. להלן תשובות לשאלות שנשאלות לפני ההתחלה: סימון המרות, השהיית אות, החזרה לאחור ותאימות עם הכלים המובנים של מערכות הפרסום.

ההמרה מגיעה אחרי כמה ימים — איזו אופטימיזציה יש כאן?

המודל לא ממתין לסטטוס סופי: הוא מעריך את הסתברות ההמרה ואת הערך הצפוי, ואת הטעות מחשב בדיעבד לפי המציאות. ההצעות מחושבות מחדש בחלונות — ההשהיה משפיעה על מהירות ההתכנסות, לא על נכונות ההחלטות ברגע נתון.

איך מחזירים שינויים לאחור אם ההצעות סטו מהדרך?

המקדמים מקבלים גרסאות, ההצעות מוגדרות דרך מגבילים על תקציב ושיעור חשיפות. החזרה לאחור — החלפה לסט הקודם, כלומר חזרה להתנהגות הקמפיין הקודמת. כללים חדשים עוברים תחילה במצב צל ואינם מזיזים חשיפות.

האם זה מתנגש עם הכלים המובנים של מערכות הפרסום?

לא. עבור קמפיינים מנוהלים, הניהול האוטומטי המובנה מושבת או מועבר למצב שבו אנחנו קובעים יעדים והגבלות — אחרת שתי אופטימיזציות מתקנות הצעה אחת.

נדון במשימה: מה נדרש להערכה ולתוכנית

הערכה מדויקת של הפרויקט נשענת לא על ניחושים, אלא על נתונים על הקמפיינים שלכם. ככל שתביאו יותר הקשר לדיון במשימה, כך תוכנית העבודה תהיה קונקרטית יותר ויהיו פחות תיקונים בשלב ההטמעה. הנה מה שמאיץ את החישוב.

• גישות לנתונים. ייצוא סטטיסטיקה לפי קמפיינים על פני כמה תקופות בפילוח לפי ערוצים, פלטפורמות, קהלים ומודעות. די בנתונים אנונימיים — אין צורך במידע אישי.
• מדדי יעד. מה נחשב לתוצאה: החזר על הוצאות פרסום, עלות גיוס, שיעור רכישות חוזרות. בנפרד — גבולות שהאלגוריתם לא אמור לחרוג מהם.
• הגבלות. אזורים, פלטפורמות סגורות, דרישות מודרציה, זינוקי ביקוש עונתיים. כל מה שאסור להפר בעת תיקון אוטומטי של הצעות.
• היסטוריית ניסיונות. אילו כללים ואסטרטגיות כבר יושמו, מה הביא לצמיחה, מה הוביל את התקציב למינוס. זה חוסך שלב שלם של בדיקות.
• מעגל טכני. מאיפה אנחנו שולפים נתונים, מי הבעלים של המערכות, באיזו תדירות מתעדכנת הסטטיסטיקה וכמה מהר צריך להגיב לשינוי בביקוש.
• אחראים. מי מאשר שינויים בהצעות והאם העסק מוכן למסור את השגרה לאלגוריתם תחת בקרת אדם.

אחרי השיחה נחזור עם הערכת פרויקט ותוכנית עבודה: שלבים, מה נדרש מצדכם, איך בודקים איכות ולפי אילו מדדים מחשבים את התוצאה. תארו את המשימה בדרך נוחה — שיחת זום, התכתבות או מסירת ייצואים — ונחזור עם חישוב ולוחות זמנים.