תחזית נטישה וסגמנטציה של קוראים: AI למוציאים לאור

מדוע אנליטיקת קהל לא מסבירה נטישת קוראים

במערכת חדשות יש בדרך כלל את כל מה שמכנים אנליטיקת קהל: דוחות על ביקורים, עומק קריאה, מקורות הפניה, פתיחות של ניוזלטר וחידושי מנוי. הבעיה אינה בהיקף הנתונים, אלא בכך שנטישת מנויים נראית בדיווח כזה בדיעבד — כשאדם כבר חודש לא פתח לא הודעות ולא תכנים. אין על מה לבסס החלטה על מי להשאיר באמצעות המספרים האלה.

ממוצעים על פני כל הבסיס עונים על השאלה „מה קרה“, אך אינם נותנים מאפיין שלפיו אפשר לשייך קורא מסוים לקבוצת סיכון.

החלקה מסתירה את העיקר: כש-40% השלמות קריאה בממוצע נשארים יציבים, חלק מהאנשים עובר מסלול מ-80% ל-15% בתוך שבועיים — והם בדיוק אלה שיעלמו הבאים, בעודם בלתי נראים בגרף המסכם.

השכבה השנייה של הבעיה — פיזור הייצואים. התנהגות נמצאת ב-ווב אנליטיקה, היסטוריית תשלומים והסרות מנוי — במערכת חיוב המנויים, תגובות להודעות — במערכת הדיוור.

הם מקושרים לפי מזהה קורא באופן ידני, אחת לחודש, עם שגיאות ועיכוב; עד לרגע איחוד הטבלאות חלק מהקהל כבר אבוד, ואין במה להחזיר אותו.

כדי ששימור הקוראים יהיה ניתן לניהול, דרוש מאפיין ברמת הפרט, שנאסף מאותם נתונים — בלי מקורות חדשים ובלי איחוד ידני. נסביר איך מאפיין כזה נבנה ומה הוא משנה בעבודה היומיומית עם מנויים.

מה נותנת אנליטיקת קהל: אפקט בגדלים מדידים

סיכון הנטישה נראה שבועיים מראש, ולא בדיעבד

תחזית הנטישה נשענת על שינוי בהתנהגות: הפסקה בקריאה, ביטול הרשמה לדיוור, ירידה בעומק הצפייה. אות לגבי קורא מסוים מופיע כשבועיים לפני העזיבה, ולא בדוח על התקופה הקודמת.

סגמנטים מוכנים נכנסים לעבודה בלי תיוג מאפס

סגמנטציה התנהגותית מפיקה לא מאה מיקרו-סגמנטים, אלא שש-שמונה קבוצות עבודה: ליבה פעילה, קוראים על הקצה, רדומים, אלה שהגיעו מקמפיין. לכל אחת — כלל חישוב מחדש וגודל מינימלי, אחרת הדיוור מתפזר על מדגם של עשרה אנשים.

התראה מוקדמת משולבת במחזור היומי

ההסתברויות מחושבות מחדש לפי אירועים טריים ישירות במחסן הנתונים — BigQuery — ולקראת ישיבת הבוקר רשימת הסיכון כבר מוכנה. צוות העריכה, השיווק ושירות המנויים עובדים מתור אחד במקום ייצואים נפרדים משלהם.

ניתוחים ידניים יוצאים מהתהליך

האנליסט כבר לא מאחד טבלאות ידנית: כללי הסגמנטציה והספים נמצאים בקוד, והחישוב מחדש מתבצע לפי לוח זמנים. חלקם של הניתוחים הידניים יורד פי כמה, והמספרים בדוחות תואמים, כי הם מחושבים בשאילתה אחת.

התרומה של תכנים נמדדת לפי תזוזת סגמנטים

אם אחרי סדרת טקסטים חלקם של הקוראים על הקצה יורד, הנושא עובד לשימור, ולא רק לצפיות חד-פעמיות. ההשוואה נעשית לפי כללים קבועים, ולכן המסקנה אינה תלויה במי שאסף את הדוח.

אפשרויות למסלולי תחזית נטישה: השוואת גישות

אפשר להעריך נטישת קורא בשלוש דרכים, וההבדל ביניהן אינו במודל, אלא מתי מחושבת ההערכה ובאיזו תדירות היא מתעדכנת.

חישוב מחדש באצווה, הערכת סיכון בזמן אמת וסכמה משולבת נותנים רמת רעננות שונה של הציון בעומס שונה על מאגר הנתונים — ולכן בוחרים אותם לפי תרחיש השימוש, ולא „לצורך צמיחה עתידית“.

היגיון הבחירה פשוט. אם ההחלטה מתקבלת מחוץ לרגע הקריאה — מכתב, תקציר, סגמנט לקמפיין לשבוע — מספיק מסלול אצווה. אם התגובה נדרשת בתוך הסשן, ברגע הפעולה של הקורא, לא ניתן להסתדר בלי הערכה בזמן אמת. כשנדרשים שני המצבים, משלבים אותם לסכמה משולבת.

הפשרה המרכזית — תדירות עדכון ההערכה. במצב אצווה היא נקבעת לפי לוח הזמנים, במצב מיידי — לפי זרם האירועים עצמו, וממנה בדיוק תלוי אם הקורא ייתפס ברגע הסיכון או רק אחריו.

איך אנחנו מטמיעים תחזית נטישה וסגמנטציה של קוראים

אנחנו מתחילים לא מהמודל, אלא מהנתונים: תחזית נטישה תלויה במה שנרשם ביומני הגישה, במערכת חיוב המנויים ובדיוורים. אם מזהה הקורא אינו חוצה את כל המערכות, תרשים המאפיינים מתפרק לחלקים לא קשורים, והמודל לומד על רעש. לכן הצעד הראשון אינו פורמליות טכנית, אלא ביטוח מפני מספרים יפים על נתונים לא מתאימים.

1. ביקורת מקורות נתונים. מיפוי של יומנים, תשלומים, דיוורים ופניות לתמיכה: בודקים תדירות עדכון, עיכובים, חוסרים וכפילויות, ומחפשים היכן אובד הקשר בין הקורא למנוי שלו.
2. תרשים מאפיינים. קובעים את אופק התחזית ואת תווית המטרה, ואז אוספים מערך אותות: תדירות וקביעות הביקורים, עומק קריאה, הפסקות, תגובה להודעות, החלפת מסלול, העדפות נושאיות.
3. הרכבת המסלול. חישוב מחדש של מאגר הנתונים לפי לוח זמנים, אימון, ניהול גרסאות של מודלים וחזרה לגרסה קודמת — כדי שעדכון כושל לא יישאר בפרודקשן.
4. בדיקה על תקופה נדחית. המודל לומד על העבר, ונבחן על השבועות הבאים שלא ראה. בודקים לא רק את שיעור התשובות הנכונות, אלא גם התראות שווא: כל פנייה מיותרת עולה באמון הקורא.
5. אישור איכות. מעריכים בנפרד לפי סגמנטים — מנויים חדשים וותיקים, בתשלום ובחינם, מו"לים שונים בתוך הקבוצה. קובעים סף שמתחתיו לא מוציאים החלטה.
6. העברת נהלים. מוסרים תיאור מאפיינים, לוח זמנים לאימון מחדש, בקרת ירידת ביצועים וסדר עדכון: מכאן ואילך צוות הלקוח מנהל את המסלול בעצמו.

התוצאה — ההערכות נכנסות לסגמנטים שאיתם עובדים צוות העריכה והשיווק, ולא נשארות דוח עבור מחלקת האנליטיקה.

מה צוות המו"ל מקבל בסיום הפרויקט

אנחנו מוסרים את הפרויקט כך שצוות המו"ל ינהל את המודל בלעדינו: לא „קופסה מאומנת“, אלא ערכה ניידת של ארטיפקטים והסכמות. כל סעיף נבדק באישור הקבלה — לפיו רואים אם התוצאה משוחזרת אצלכם.

• תיאור מאפיינים. דרכון לכל אות שמשפיע על התחזית: מקור, תדירות עדכון, חלון צבירה, טיפול בחסרים. ממנו רואים מה יקרה לאיכות אם מקור אחד ייעדר.
• כללי גישה לנתונים. הפרדת תפקידים לקריאת ייצואים, תיעוד שאילתות ביומן, תקופות שמירה, סדר מתן גישה לעובדים חדשים — מתאמים עם מומחה הגנת הנתונים שלכם.
• תרשים המסלול. כיצד קשורים מאגר האירועים, מאגר המאפיינים ושירות התחזית; היכן מתעדכנת הסגמנטציה, כיצד נבדקת האיכות ומה קורה כאשר מקור אינו זמין.
• נוהל אימון מחדש. תדירות וטריגרים — שינוי בהתפלגות, ירידה במדדים, שינוי בפורמט האירועים; בדיקה על תקופה נדחית ותנאים לחזרה לגרסה קודמת.
• הוראות לצוות העריכה ולשיווק. מה לעשות עם סגמנט: אילו מדורים ודיוורים להציע לו, כיצד לקרוא את הערכת סיכון הנטישה ולא להפוך הצעות אישיות לטורדניות.
• לוח בקרה והעברה. מדדים לפי סגמנטים ואיכות המודל, חתכים לפי קוהורטות מנוי, ניתוח עם הצוות שלכם ואחראי למודל לאחר ההשקה.

מקרה בוחן: כיצד הפחתנו נטישת מנויים בלי להגדיל את העומס

מו"ל עם מנוי בתשלום ובסיס של עשרות אלפי קוראים למד על הנטישה בדיעבד: ביטולים הופיעו בסוף תקופת החיוב, כשכבר אין במה להחזיר את האדם.

צוות העריכה איחד פעם בשבוע באופן ידני פעילות מ-Google Analytics ומפלטפורמת הדיוור לטבלאות — על כך הלכו ימי עבודה, והסיכום בכל זאת לא הראה מי בדיוק עומד לעזוב.

מה שינו: אספו מאפייני סיכון — כמה זמן עבר מאז הביקור האחרון, עומק קריאת התכנים, שיעור פתיחת ההודעות, תגובה לגיליונות האחרונים, הפסקה בתשלום.

מודל התחזית מחשב מחדש את הסתברות הנטישה לכל קורא מדי יום, והסגמנטציה מפרסת את הבסיס לפי שלבי התקררות: מ„קורא, אבל פחות“ ועד „הפסיק לפתוח הודעות“. צוות העריכה מקבל לא גרף מסכם, אלא רשימה של כתובות קונקרטיות עם סיבת הסיכון והפעולה המומלצת.

מה השתנה במדדים

זמן ההתראה על סיכון עלה מאפס לשבועיים-שלושה — זה מספיק למכתב, להחלפת נושא הגיליון או להפסקה בדיוור בלי לחץ על הקורא. העומס על צוות העריכה ירד מימים אחדים של דגימה ידנית לכמה שעות בשבוע: את הניתוב לפי סגמנטים מבצעת האינטגרציה, והאדם רק מאשר את הפעולה.

דינמיקת הנטישה ברבעון הראשון לאחר ההשקה — מינוס שליש לעומת רמת הבסיס, ושיעור הקוראים שנשמרו בתוך קבוצת הסיכון — כ-30%. המודל מתאמן מחדש על כל ביטול חדש, ולכן ספי הסיכון לא קופאים על נתוני החודש הראשון, והסגמנטים מורכבים מחדש לפי התנהגות טרייה.

במה סגמנטציה התנהגותית שונה מפרופילית

סגמנטציה פרופילית נשענת על מה שהקורא סיפר על עצמו: ענף, תפקיד, נושאים בעת ההרשמה, תשובות בשאלון. הקבוצות יציבות ומובנות לצוות העריכה, אבל הן מתארות עניין מוצהר, ולא הרגל: מנוי עשוי היה לסמן שיווק ומאז לא לפתוח אף פריט תוכן בנושא.

סגמנטציה התנהגותית נבנית מפעולות על פני חלון: עומק השלמת הקריאה, חזרות, אשכולות נושאיים, תגובה לדיוורים. היא מציגה עניין נוכחי, אבל הקבוצות זזות — עונה או קמפיין חד-פעמי מזיזים את התווית.

האירועים מתאחדים למאגר אחד לפי מזהה הקורא (ייצואים מ-Google Analytics ויומני מנויים), ולכן לוקחים חלון מתגלגל, ולסגמנט נכנסים קוראים עם נפח אירועים מינימלי.

העבודה המרכזית — לפתור את החפיפה בין קבוצות, ולא לבחור סכמה אחת. קורא עם פרופיל „מנהל“ נכנס לסגמנט התנהגותי „כתבות ארוכות על אנליטיקה“, ושתי העובדות נכונות; ואילו התווית „עניין בכספים“ עם אפס פתיחות של דיוור כזה פשוט התיישנה.

יציבות הסגמנטים נקבעת באמצעות ספים: מינימום אירועים לחלון, אורך חיים של תווית, איסור על הרכבה מחדש של קבוצה בגלל פרץ בודד. הדוחות מפסיקים לקפוץ, וההשוואה בין תקופות נשארת תקפה.

ספקות טכניים שאנחנו מסירים לפני תחילת העבודה

לפני ההתחלה, הספקות נוגעים לא למודל, אלא לנתונים שסביבו: יומני קריאה נמצאים בנפרד מהמנויים, חלק מהשדות ריקים, ואי אפשר למסור את הייצוא כולו החוצה. להלן השאלות שעולות ראשונות.

איך לא לפגוע בפרטיות הקוראים?

נתונים אישיים אינם נחוצים למודל: עובדים עם מזהים אנונימיים ומצרפי התנהגות, הדואר והתשלומים נשארים במעגל שלכם. תקופות שמירה ומחיקה נקבעות לפני תחילת העבודה.

איך לוודא שהתחזית עובדת?

מדדים מחשבים על תקופה נדחית שהמודל לא ראה, ומשווים לכלל הנוכחי — למשל, „לא נכנס N ימים“. בודקים שלמות: איזה חלק מהעוזבים אנחנו מוצאים וכמה התראות שווא אנחנו נותנים.

היכן התחזית אינה ישימה?

בסגמנטים חדשים עם היסטוריה קצרה ובפרצי תנועה חד-פעמיים היא אינה אמינה. את האופק קובעים מראש, מחשבים מחדש באופן קבוע, ומתחת לסף הביטחון ההחלטה מתקבלת בידי אדם, ולא בידי המודל.

מה יקרה לאחר ההעברה?

אנחנו מוסרים שירות עובד, ולא דוח: קוד, קונפיגורציות, תרשים מאפיינים, נוהל אימון מחדש ולוח מדדים. בתקופה הראשונה מלווים ומנתחים את ירידת האיכות יחד עם הצוות שלכם.

נדון במשימה: כיצד לשלב את התחזית בתהליכים שלכם

כדי שההערכה תהיה עניינית, ולא „בערך“, אנחנו צריכים מינימום של נתוני קלט על אנליטיקת הקהל שלכם. להלן — מה לשלוח, אילו החלטות נקבל בשיחה ומה תקבלו בסיכום הדיון במשימה.

• ייצוא של אירועי קריאה מכמה חודשים: מי, מתי, איזה פריט תוכן פתח ובאיזה ערוץ הגיע.
• תרשים של מאגר הנתונים הנוכחי: מאין הנתונים מגיעים, היכן הם מועשרים, מי משתמש בהם בעבודה היומיומית.
• רשימת ההחלטות שכבר מתקבלות לגבי הקהל: דיוורים, גישה בתשלום, תוכנית עריכה, חבילות פרסום.
• מגבלות הפרויקט: לוחות זמנים, הרכב הצוות מצד המזמין, דרישות לשמירת נתונים אישיים.
• דוגמאות לנטישה שכבר שמתם לב אליהן בעצמכם — זה מכייל את המאפיינים ואת מדד האיכות.
• טיוטת קריטריונים למוכנות: איך נבין שהתחזית משולבת בעבודה, ולא שוכבת כדוח נפרד.

בשיחה נגדיר מה אנחנו מחשיבים כנטישה במשפך הקריאה שלכם: היעדר ביקורים, ירידה בעומק, ביטול מנוי בתשלום. ננתח כיצד לחלק קוראים לסגמנטים יציבים ואילו מאפיינים לכך באמת קיימים בנתונים — בלי הנחות שאין במה לאמת. נקבע מי ובאיזו תדירות יקבל את התוצאה.

בסיכום תקבלו הערכת היקף העבודה, תוכנית שלבים עם בדיקות ביניים ותיאור כיצד התחזית תשתלב בתהליכים הנוכחיים של צוות העריכה והשיווק. תארו את המשימה ושלחו נתונים — נחזור עם הערכה ותוכנית.