הטמעת ייחוס AI לערוצי שיווק עם Shapley ו-LLM

מדוע הקליק האחרון שובר ייחוס AI של ערוצים

כלל המגע האחרון מעניק את כל ההמרה למקור אחד — לזה שהיה בשרשרת ממש לפני הפנייה. במסלול טיפוסי מדובר בחיפוש ממותג או בהצגות לקהל שכבר מחומם, בעוד שהמגע הראשון הגיע מערוץ אחר לגמרי.

אנליטיקה חוצת-ערוצים עשויה להיות מורכבת כהלכה: נתוני המגעים מתיישבים, הביקורים משויכים לפי משתמש, הדוחות נבנים. אבל חלוקת התרומה של הערוץ רחוקה מהמציאות, והחלטות על חלוקה מחדש של מאמצים מתקבלות לפי אות מעוות.

השכבה השנייה של הבעיה — תיוג מקורות. פערים ברישיות ובאיות של תגיות, עריכות ידניות בקמפיינים, מזהי מעבר שאבדו מפצלים ערוץ אחד לעשרות שורות, וחלק מהתנועה עובר ל״כניסות ישירות״. ייחוס AI של ערוצים על קלט כזה לומד על רעש: המודל משחזר בביטחון שגיאות תיוג ומקבע אותן במשקלים.

מחיר הטעות מתגלה לא מיד. מכבים את ראש המשפך, מקצצים בפורמטים של חשיפה רחבה, מגבירים הצגות לקהל חם — ואחרי מחזור רואים ירידה במספר ההמרות הכולל למרות תשואה טובה לכאורה מכל ערוץ שנותר. המדד מדד מיקום בשרשרת, לא את תרומת הערוץ.

נפרק איך זה נסגר: ממעגל מגעים אחיד ונרמול תיוג ועד חישוב תרומת הערוץ בשיטות מתורת המשחקים השיתופית, שעמידות לנתונים חסרים.

מה נותנת חלוקת תרומה מבוססת מודל של ערוצים

ייחוס מפסיק להיות ויכוח על הקליק האחרון: את התרומה של כל מגע מחשבת מודל חלוקה, ולא כלל שנקבע ידנית. להלן ארבעה אפקטים שנראים במספרים על הוויטרינה.

שיעור ההמרות שהוקצו נכון

שיטת Shapley עוברת על קואליציות של מגעים ונותנת לערוץ בדיוק את התרומה שבה משתנה הסתברות ההמרה כשמוסיפים או מסירים אותו.

על היסטוריה מתויגת המודל מתלכד עם קבוצות ביקורת במקומות שבהם כללי הקליק האחרון טעו באופן שיטתי: שיעור ההמרות שהוקצו נכון עולה, והיתרה שלא נספרה מפסיקה לרבוץ על תנועה ממותגת.

מהירות חישוב מחדש של הוויטרינה

המשקלים מחושבים מחדש באופן אינקרמנטלי: חלון מגעים חדש מתווסף לקואליציות שכבר חושבו, וריצה מלאה נדרשת רק כשמשתנה סכימת התיוג. הוויטרינה מתעדכנת באותו קצב כמו נתוני ההוצאה — הדוח לא מפגר אחרי החלטות תקציב, וחישוב מחדש לאחר תיקון נתונים אורך דקות, לא ריצת לילה.

פחות התאמות ידניות

הפער בין הוויטרינה לבין ייצוא ממערכות פרסום מוסבר ביומן החישוב של המודל: רואים איזה מגע קיבל משקל ולפי איזה כלל. האנליסט לא מאחד מספרים ידנית, אלא בודק שרשראות שנויות במחלוקת קונקרטיות — מספר ההתאמות הידניות יורד פי כמה.

סוג שגיאות שנעלם מהדיווח

קודם לכן חלק מההמרות הוכפלו בשיוך המגעים ונחתו על המקור האחרון. כעת המודל מחלק אותן בין כל משתתפי השרשרת, ומודל שפה מתייג את משמעות המגע — קמפיין, קריאייטיב, סוג שאילתה — ומסיר כפילויות לפי משמעות, לא לפי מחרוזת.

פורמטים להטמעת ייחוס AI: השוואת גישות

בחירת מודל ייחוס היא פשרה בין דיוק חלוקת התרומה לבין הדרישה לכמות נתונים. אותה שרשרת מגעים עם היגיון שונה מניבה מסקנות שונות לגבי איזה ערוץ מניב הכנסה, ולכן המודל נבחר בהתאם למבנה המסלול ולאיכות היסטוריית העסקאות.

בפועל לוקחים לא שורה אחת אלא צירוף: כלל המגע האחרון כבקרה, שרשראות מרקוב לחלוקה מחדש של תרומה, מודל Shapley במקומות שבהם ערוצים מכפילים זה את זה, והיבריד — עבור מגעים שאינם נרשמים כקליק. הצעד הראשון הוא מדידה: כמה עסקאות בהיסטוריה כוללות מסלול מלא. משיעור זה תלוי אם אפשר לבנות מודלים הסתברותיים או שעדיין כדאי להישאר בפוזיציוני.

איך אנחנו מטמיעים: שלבי עבודת הנדסה

הייחוס נשבר לא במודל אלא בקלט: מזהים לא מתואמים, מגעים שאבדו, המרות בלי מקור. לכן העבודה מתנהלת ברצף — מביקורת נתונים ועד קבלת הפתרון, ובכל שלב נשאר ארטיפקט שלפיו רואים את התוצאה.

1. ביקורת נתונים ותיוג. מאחדים מקורות אירועים — מערכות פרסום, אנליטיקת ווב ומובייל, CRM — ומשווים מפתחות, אזורי זמן ועומק אחסון. מחשבים את שיעור המגעים בלי משתמש מזוהה, כפילויות ופערים בהפעלות, ומתעדים אילו המרות בכלל ניתן לקשר למקור.
2. סכימת זיהוי משתמש. מתארים חיבור שרשראות: קישורים מדויקים לפי מזהה בהפעלות מאומתות, והסתברותיים — באנונימיות, עם סף ודאות ותוקף לקישור. הסכימה קובעת כמה מגעים באמת נכנסים למסלול הלקוח — ממנה תלויה איכות כל ייחוס ה-AI.
3. הרכבת המודל. מחלקים את התרומה בין מגעים דרך ערכי Shapley — הערוץ מקבל חלק, ולא את כל הקרדיט לקליק האחרון. בנפרד מגדירים חלון המרה, מגעי אופליין וכללים לרכישות חוזרות.
4. בדיקה על חתכים היסטוריים. מריצים את המודל על תקופה סגורה ומשווים לנתונים בפועל ולמודל המגע האחרון המוכר. בודקים אם אומדני הערוצים יציבים מחודש לחודש והיכן הפערים מוסברים.
5. כיול ותקנון חישוב מחדש. מדייקים משקלים בנקודות ביקורת, קובעים לוח זמנים לחישוב מחדש וכללי תגובה לשינוי במקורות נתונים, כדי שהאומדנים לא ״יצופו״ אחרי תיקונים בתיוג.
6. קבלת הפתרון והעברה. בודקים מדדים בתרחישים מוסכמים, מוסרים הרשאות, תיאור שדות ונוהל לניתוח פערים. בהמשך צוות הלקוח מנהל את החישובים באופן עצמאי.

מודל, סכימות נתונים ותקנון: מה נשאר אצלכם

ייחוס אינו דוח חד-פעמי אלא חישוב משוחזר: כשמשתנה מערך הערוצים או מופיע מקור מגעים חדש, המודל צריך להיות מחושב מחדש לפי אותם כללים, ולא נבנה מאפס מהזיכרון של האנליסט. לכן את תוצאת הפרויקט לייחוס AI אנחנו מוסרים כערכת ארטיפקטים, שכל אחד מהם אפשר לפתוח, לבדוק ולהעביר למהנדס חדש.

להלן מה שנשאר במעגל שלכם לאחר ההרצה.

• מודל מאומן עם תיאור מאפיינים: אילו מגעים נכנסים לחישוב, באיזה חלון הם נלקחים בחשבון, ועל אילו נתונים נבדקה יציבות תרומת הערוצים.
• סכימת זרימת נתונים: ממקורות האירועים ועד לוויטרינת החישוב, עם נקודות צבירה ולוח זמנים לטעינות.
• מילון מדדים: הגדרות חד-משמעיות — מה נחשב המרה, איך מפרידים לקוחות חדשים מחוזרים, והיכן גבול חלון הייחוס.
• כללי טיפול בחסרים: מה עושים עם אירועים שלא סופקו, כפילויות והפעלות קטועות, כדי שלא לעוות את תרומת הערוץ.
• תקנון חישוב מחדש: תדירות, תנאים להרצה שלא לפי לוח הזמנים, נוהל התאמת התוצאה ונסיגה לחישוב הקודם.
• הנחיות לצוות: עדכון נתונים, הוספת ערוץ, ניתוח פער בין הדיווח למודל.

הקבלה נעשית על הנתונים שלכם: החישוב מחדש מורץ לפי התקנון יחד עם הצוות שלכם, כדי שפערים יצופו כבר בהעברה, ולא חודש אחר כך בדיווח.

מקרה בוחן: חלוקת תקציב על מודל Shapley

לפני הטמעת הייחוס מסלול הלקוח הורכב משלוש מערכות לא מקושרות: חשבונות פרסום, אנליטיקת ווב ו-CRM. הפער במספר ההמרות הגיע ל-13%, וכל עסקה שביעית הייתה שנויה במחלוקת — כל מערכת רשמה את התוצאה לערוץ שלה, והניתוח נעשה ידני.

מה שינינו

איחדנו מגעים למאגר אחד וחישבנו מחדש את תרומת הערוצים על מודל Shapley: הוא מחלק את התוצאה בין כל נקודות המגע, ולא מוסר אותה לקליק האחרון. מגעים לא מובנים — שיחות, מיילים, צ׳אטים — מתויגים על ידי מודל שפה, ולכן בחלוקה משתתפות עסקאות שלא הופיעו קודם בנתוני הווב.

מה קרה למדדים

שיעור הפערים בין הדוחות הצטמצם ל-2%, המרות שנויות במחלוקת ירדו מ-14% ל-2% — במקום ניתוחים ידניים פועל כלל חלוקה אחד. חישוב מחדש מלא של הוויטרינה אורך עשרות דקות במקום חלון לילה של כמה שעות, ולכן הדיווח מתעדכן במהלך היום, ולא למחרת בבוקר.

היגיון התכנון השתנה: ערוצים מוערכים לפי תרומה לתוצאה, לא לפי המגע האחרון. התקציב הולך למקום שבו המודל מראה גידול בתמונה הכוללת של הנתונים, ולא למקום שנוח יותר לדווח עליו ממערכת נפרדת.

מודל Shapley מול שרשראות מרקוב: מה לבחור

שרשרת מרקוב מחלקת תרומה דרך מעברים בין מגעים: תרומת הערוץ היא הירידה בהסתברות ההמרה כשמסירים את המעבר שלו מהגרף. מודל Shapley מחשב אחרת — ממצע את הגידול על פני כל סדרי המגעים, ולכן מביא בחשבון נכון סינרגיה: שני ערוצים שפועלים בצירוף מקבלים יותר מכל אחד מהם בנפרד.

מכאן ההבדלים ביציבות. מודל מרקוב אמין במסלולים קצרים ובמספר המרות קטן — המעברים מוערכים לפי כל ההיסטוריה. חישוב Shapley עובר על כל תת-הקבוצות של מגעים, ולכן בפועל נעשה בדגימה: החלקים יציבים כשיש די נתונים, אבל במקטעים דלילים הם מתנדנדים באופן ניכר.

היבריד נדרש במקום שבו חלק מהמסלול לא משאיר עקבות מספריים: מודל שפה שולף משיחות ומהתכתבויות מאפייני מגע — נושא, שלב, התנגדות — ומביא אותם לאותו וקטור כמו מגעים דיגיטליים. משם את התרומה מחלקת מתמטיקה מוכרת, ולא ״הקליק האחרון״.

כלל בחירה מעשי הוא פשוט: קודם מסתכלים על היקף ההמרות ואורך המסלול, אחר כך על שיעור המגעים הלא מובנים. היקף קטן ומסלולים קצרים — שרשראות מרקוב; זרימה גדולה ושרשראות רב-ערוציות — Shapley; שיעור ניכר של אופליין — היבריד.

אנחנו בדרך כלל מחשבים את שתי החלוקות על אותם נתונים ומשווים היכן הפער מוסבר והיכן הוא מצביע על חור בתיוג.

ספקות טכניים שאנחנו מסירים לפני ההתחלה

חמש שאלות שצפות בשלב ההערכה — הן לא על בחירת השיטה, אלא על מה שיהיה אחרי ההרצה. להלן תשובות קצרות; אם המקרה שלכם שונה מהאופייני, ננתח אותו על הנתונים שלכם.

כבר פועל כלל הקליק האחרון — יהיה צריך לשבור אותו?

לא. חלוקת התרומה מחושבת במקביל, הדוח לפי הקליק האחרון נשאר כפי שהוא — אתם רואים את שניהם ואת ההבדל ביניהם. בדרך כלל הוא מראה ערוצים שסוגרים עסקה אבל לא יוצרים ביקוש.

כמה היסטוריה צריך?

מחזור עסקה מלא בתוספת מרווח לעונתיות — בפועל מחצי שנה. בחלון קצר המשקלים רועשים, ולכן תקופות ישנות נכנסות במשקל קטן יותר: שינוי המיקס לא מעוות את התמונה הנוכחית.

מה יקרה כשיופיע ערוץ חדש?

הוא נכנס לתיוג בלי אימון מחדש: המשקלים מחושבים מחדש על המדגם הכולל, והמקור מקבל חלק לפי תרומתו להמרה. בשבועות הראשונים הוא מסומן ״מעט נתונים״ — לא מסיקים מסקנות לגביו עד להצטברות מגעים.

מי אחראי לתיוג אחרי ההרצה?

אנחנו מעבירים סכימת תיוג, כללי שמות למקורות וולידטור שתופס פרמטרים לא מוכרים בקלט. בהמשך את התיוג מנהל הצוות שלכם, ואנחנו בתמיכה: מתקנים כללים כשמעגל הפרסום משתנה.

נדון במשימה ונחזור עם תוכנית עבודה

הערכת ייחוס AI נשענת על נתונים, לא על תיאור המשימה במילים כלליות. כדי לפרק את תרומת הערוצים דרך Shapley ולא להיתקע כבר בצעד הראשון בייצוא חלקי, צריך לראות מראש את מבנה המקורות ואת המגבלות על העיבוד שלהם. להלן הסט המינימלי שמספיק כדי לחזור עם תוכנית עבודה.

• גישות לנתונים — ייצוא מחשבונות פרסום ואנליטיקת ווב לתקופה ברת-השוואה, גישת קריאה למאגר או דוחות סדירים לפי לוח זמנים.
• רשימת ערוצים — אילו מקורות נחשבים בתשלום, אילו משניים, היכן קמפיינים מצטלבים לפי קהל וסביר שיהיו חפיפות מגעים.
• היגיון הדיווח הנוכחי — לפי איזה מודל מחשבים כיום, אילו חתכים עוברים לעסק ובאיזו תדירות.
• אירועי יעד וחלון ייחוס — מה נחשב המרה וכמה ימים אחרי המגע נלקחים בחשבון.
• מגבלות על עיבוד נתונים — מה אסור לייצא אל מחוץ להיקף, דרישות אנונימיזציה ותקופות אחסון.
• אחראים משני הצדדים — מי אצלכם אחראי על הנתונים והקבלה, ומי אצלנו — על המודל והתאמת התוצאות.

אם חלק מהנתונים עוד אין, גם זו תוצאה: מסמנים חסמים ובונים תוכנית כך שההתחלה לא תמתין לגישה האחרונה. תארו את המשימה — נחזור עם הערכה, תוכנית עבודה ונוהל התאמה של המודל החדש לדיווח הנוכחי.