אופטימיזציה חוצת ערוצים של תקציב הפרסום: בינה מלאכותית, מיקס שיווקי ואינקרמנטליות

למה אופטימיזציה של תקציב פרסום נשברת באנליטיקה מקצה לקצה

תקלה קלאסית מתחילה במפגש בין מערכות: פלטפורמת הפרסום רושמת את ההמרה לעצמה, ה-CRM — לשיחה של מנהל, אנליטיקת הווב — למעבר האחרון. רכישה אחת נספרת שלוש פעמים, שכפול המרות מנפח את הסיכום בכל ערוץ, ופער בייחוס הערוצים יוצר הבדל של סדרי גודל בין דוחות שבהם מאמינים בו-זמנית. חלונות ייחוס ומודלים שונים בין המערכות, ולכן אפילו סכום ההזמנות הכולל לתקופה לא מתכנס.

אופטימיזציה של תקציב פרסום בסכימה כזו הופכת להעברה ידנית של השקעות: מייצאים לטאבלה, משווים לפי תאריכים ומחליטים בעין למי להוסיף ולמי לקצץ. עד שההחלטה מגיעה לחשבון, עובר שבוע — המכרז והתעריפים כבר שונים, והאות התיישן.

כך מתקבעת טעות בהקצאת ההשקעות: ערוץ שלוכד ביקוש מוכן נראה הטוב ביותר ומקבל גידול, ואילו ערוץ שיוצר ביקוש נקצץ.

דיווח חוצה-ערוצים בצורה כזו לא עונה על השאלה המרכזית — מה היה קורה בלעדי ההשקעה הזו. אנו מפרקים כיצד זה נסגר: מאחדים ערוצים למערכת קואורדינטות אחת, מפרידים בין לכידה ליצירת ביקוש ובודקים תרומה באמצעות מדידה, לא באמצעות ייחוס — ורק אחרי זה מקצים מחדש את התקציב.

האפקט של מודל אחיד לתכנון חוצה-ערוצים

לאחר הטמעת מודל תכנון אחיד משתנה לא הדוח, אלא דרך קבלת ההחלטות. מודל מבוסס Marketing Mix Modeling, מכויל בבדיקות אינקרמנטליות, רואה חפיפת קהלים והעברת ביקוש בין ערוצים — לכן אפקט הקצאה מחדש של ערוצים מחושב לפני ההרצה, ולא מוסבר בדיעבד.

חלק ההמרות האינקרמנטליות הופך למדד המרכזי, ומהירות הרכבת התוכנית יורדת מכמה ימי בדיקה ידנית לכמה שעות: תרחיש חדש מורץ על אותם נתונים ומושווה לבסיס.

מה יוצא מהדיווח

מוסר סוג של טעויות עם ספירה כפולה: אותה המרה מפסיקה להיכנס בו-זמנית לסטטיסטיקה של הפלטפורמה, לייחוס ולדוח של הרמה התחתונה. נעלמות טעויות אופק — השוואה בין ערוצים בחלונות המרה שונים בלי תיקון לשהות בין מגע לפעולה.

נסגרת גם טעות אקסטרפולציה: המשקל מועבר למקום שבו התשואה נמדדה על נפח מספק, ולא למקום שבו פשוט יש יותר נתונים.

כיצד אנו מודדים אפקט ללא תלות בכספים

אנו סופרים התנהגות, לא עלות: חלק ההמרות האינקרמנטליות לפי בדיקות גאו, חלק החשיפות שהמודל מייחס כלא יעילות מראש, ויציבות הערכת הערוץ בין הרצות. מדד נפרד — מהירות הרכבת התוכנית: כמה זמן עובר מקלט חדש לתרחיש מוכן עם חלוקה מחושבת מחדש.

אם הערכת הערוץ בין הרצות חורגת מסף שהוגדר, המודל לא מאושר להקצאה מחדש — גם זו תוצאה ניתנת לבדיקה, לא הבטחה.

השוואת גישות: כללים, מודלים ובדיקות שדה

אף גישה אינה «נכונה» כשלעצמה — הבחירה נקבעת לפי נפח הנתונים המצטברים, קצב השינויים בערוץ ומחיר הטעות. להלן חלופות עבודה שבהן באמת בוחרים בעת הקצאת השקעות.

מתי מספיקים כללים היוריסטיים

אם ההשקעות מעטות, הערוצים יציבים, וההחלטות נבחנות מחדש לעתים קרובות, די בכללים עם מגבלות ותנאי עצירה. החוזק שלהם — שקיפות: רואים למה חלק הערוץ השתנה, וקל לחזור מהכלל. נקודת התורפה — רוויה: הכלל לא שם לב שהצעד הבא לאותו ערוץ נותן פחות תשואה.

מתי אי אפשר בלי בדיקות שדה

כאשר המודל מראה תרומה, אבל לא ידוע אם התוצאה הייתה מתקבלת בלי ההשקעה, יש צורך בבדיקה על ידי כיבוי בחלק מהקהל או מהגאוגרפיה. הבדיקה נותנת הערכה סיבתית ומכיילת את המודל: פער בין תחזית למציאות מראה אילו ערוצים הוא מעריך יתר על המידה. בפועל משלבים גישות — כללים כשלד, מודל לתעדוף, בדיקה לאימות החלטות גדולות.

כיצד אנו מטמיעים מודל הקצאה: שלבי העבודה

העבודה מתקדמת מנתונים למודל, ואחר כך לתקנון חישוב מחדש: עד שלא נאסף זרם אירועים בר-השוואה, האופטימיזציה הופכת להתאמה לדוח. לכן השלבים מתבצעים בסדר קפדני, עם קבלה בכל שלב.

ביקורת נתונים ומקורות

1. מיפוי מקורות: ייצואים מחשבונות פרסום, מוני אנליטיקת ווב, CRM, שיחות, מכירות אופליין. בודקים היכן יש הוצאות ופעולות יעד, והיכן הנתונים מגיעים רק כמצרפים יומיים.
2. סכימת איסוף אירועים: מזהה משתמש אחיד, חיבור סשנים בין מכשירים, הסרת כפילויות מפניות, אזורי זמן תקינים. בלי זה חלק ההמרות ברות-ההשוואה נופל פי כמה, והמודל לומד על רעש.
3. התאמה ותיוג: משווים אירועים להוצאות לפי ימים, משחזרים חסרים, מסמנים תקופות בדיקות והשבתות של קמפיינים — אחרת הן מעוותות את הלמידה.

בדיקה על נתונים היסטוריים

• הגדרת המודל: מאפיינים (ערוץ, קריאייטיב, יום בשבוע, עונתיות), השהיה בין חשיפה לרכישה, רוויה של הערוץ ותדירות החישוב מחדש.
• הרצה אחורה: המודל מתאמן על העבר, התחזית מושווית למציאות בכל ערוץ. מסתכלים לא על סטייה ממוצעת, אלא על שגיאה בתקופות שבהן התקציבים השתנו.
• כיול לפי בדיקות אינקרמנטליות: מרימים קבוצות ביקורת ומתקנים את תרומת הערוצים לפי הגידול בפועל, לא לפי הקליק האחרון.
• מסירה לתפעול: לוח זמנים לחישוב מחדש, ספי התראות על אנומליות בנתונים, פאנל עם תרומת הערוצים ותקנון שלפיו הצוות עצמו משנה את החלוקה.

מה מוסרים לידיים: ארטיפקטים, סכמות ותקנונים

את העבודה מוסרים לא במצגת, אלא במעגל עבודה: לאחר ההרצה הצוות שלכם מחשב מחדש את המודל, מחבר ערוצים חדשים ובודק השערות. להלן מה בדיוק נשאר אצלכם במאגר, באחסון ובתיעוד.

ארטיפקטים של המודל

• מחברים מוגדרים לחשבונות פרסום, לאנליטיקת ווב ולמערכת חשבונאות פנימית — הנתונים מגיעים לפי לוח זמנים, בלי ייצוא ידני.
• סכמת זרימות נתונים: עבור כל מדד רואים מקור, שלב ניקוי ושכבה שבה הוא נכנס למודל.
• כללי חישוב מחדש של מדדים: כיצד משווים פערים בין חשבונות למערכת החשבונאות, ואיזו גרסה של המספר נחשבת לאמת.
• קוד אימון וחישוב מחדש במאגר עם תיאור פרמטרים והרצות ייחוס.
• מעגל בדיקת תרומת ערוצים: בדיקות גאו וקבוצות ביקורת, תוכנית מדידות לכמה תקופות קדימה.
• דשבורד עם פירוק תרומת ערוצים ודוח על הקצאת התקציב מחדש.

תיעוד ותקנונים

• תיעוד המודל: הנחות, מגבלות, רגישות לנתוני קלט וסיבות אופייניות לפערים.
• תקנון בחינה תקופתית: טריגרים (שינוי תעריפים, ערוץ חדש, שינוי עונתי) וסדרי פעולה לכל אחד.
• יומן החלטות: מה השתנה במודל, מתי ועל איזה בסיס.
• העברת ידע לצוות: דיונים משותפים, הרשאות שניתנו, הוראות קצרות להרצה ולחזרה לגרסה קודמת.

מקרה בוחן: הסרנו שכפול המרות בשני ערוצים

קמעונאי עם שני ערוצי גיוס פעילים — חיפוש ורשתות חברתיות — נתקל בכך שהחלטות תקציב התקבלו לפי דוחות שסתרו זה את זה. פירקנו את שרשרת הייחוס והפרדנו המרות שנספרו.

מה היה לפני

כל ערוץ ספר את אותה רכישה כשלו: מונה צד-לקוח באתר ואירוע שרת מהאפליקציה חוברו, לא הושוו. בדיווח חלק ההמרות המנופחות הגיע ל-34%, והערכות תרומת הערוצים לאותן מכירות נבדלו ב-±40%.

כדי לאחד את המספרים לתמונה אחת, המשווק הוציא ידנית נתונים מ-AppsFlyer ומחשבונות פרסום — ההתאמה ארכה עד שני ימי עבודה בשבוע.

מה קרה אחרי

הצבנו מזהה משתמש אחיד בקלט והסרנו ספירה כפולה ברמת מודל הייחוס: האירוע מגיע פעם אחת, והערוץ מקבל סימון «ראשון» או «מאשר». חלק ההמרות המנופחות ירד ל-4%, הפער בין הערכות הערוצים הצטמצם ל-±7%, וההתאמה הידנית ארכה 40 דקות במקום יומיים.

התקציב מוקצה מחדש לפי נתונים, ולא לפי מי שהדוח שלו משכנע יותר. בדיקות אינקרמנטליות אישרו: חלק מההוצאות ברמה העליונה של המשפך עבדו על משתמשים שכבר מחוממים — לאחר תיוג מחדש, הכספים האלה עברו לערוצים עם גידול מאומת במכירות.

ייחוס ומודל אפקט משולב חלוקים: למי להאמין?

ייחוס הקליק האחרון ומודל האפקט המשולב עונים על שאלות שונות, ולכן פער ביניהם הוא נורמה, לא תקלה. ייחוס מחלק את הקרדיט בתוך מגעים שנספרו ומנפח את חלק הערוצים התחתונים: חיפוש וריטרגטינג מקבלים קרדיט על ביקוש שיצרו פרסומים רחבי היקף. מודל האפקט המשולב עובד על נתונים מצטברים ורואה ביקוש שהייחוס לא לוקח בחשבון.

הבעיה מתחילה כשעושים מהפער החלטה תקציבית: הערכה אחת מציעה לקצץ בערוצים העליונים, השנייה — להגדיל. אנו מתייחסים כהערכת עוגן לזו שאושרה בניסוי — כיבוי ערוץ או בדיקת גאו עם קבוצת ביקורת של אזורים: רק מדידה מפרידה בין גידול לקורלציה.

אנו מפייסים זאת באמצעות כיול: תוצאות המדידות הופכות לעוגן למודל האפקט המשולב. מימושים פתוחים כמו Meridian נותנים הערכה בייסיאנית של תרומת הערוצים, אבל גם אותה אנו בודקים בניסוי, ולא מקבלים כאמת.

ייחוס נשאיר לניהול יומיומי בתוך הערוץ, ואת התקציב נקצה מחדש לפי המודל המכויל — לפי מרווחים, לא לפי מספרים נקודתיים.

ספקות טכניים נפוצים לגבי נתונים ומודל

נתונים מחשבונות פרסום וממערכות אנליטיקה מגיעים למודל מוכנים לעתים רחוקות: במקום אחד הסדרה קצרה מהנדרש, במקום אחר הייצוא מפגר בכמה ימים, ומבנה הקמפיינים משתנה מהר יותר מהצטברות ההיסטוריה. להלן ספקות שנשמעים לרוב במסירת המודל, וכיצד אנו סוגרים אותם ברמת הכנת הנתונים וההגדרה.

כיצד להתמודד עם השהיה בייצואים מחשבונות?

סטטיסטיקה מגיעה בפיגור, וחלק מהייחוס נבנה מאוחר יותר. מאמנים את המודל על חתכים מבוססים, מסמנים ימים טריים כמקדמיים, ולאחר התייצבות הנתונים מחליפים במציאות ומחשבים מחדש את התחזית.

האם המודל לא יבלבל עונתיות עם אפקט הפרסום?

עונתיות, חגים ופרומו נכנסים למודל כמאפיינים נפרדים — לוח שנה, מבצעים, גורמי מזג אוויר. קפיצה בחגים לא מיוחסת לתקציב, ותרומת הפרסום מוערכת ביושר. לוח פרומו לא מתויג משחזרים לפי קפיצות ומתאמים אתכם לפני האימון.

חשבונות משנים מבנה קמפיינים — המודל יתפרק?

השיוך אינו לקמפיין, אלא לחתכים יציבים: ערוץ, סוג מיקום, גאו, פלח קהל. בעת מיזוג או שינוי שם הסדרה נבנית מחדש לפי טבלת התאמות, וההיסטוריה נשמרת. שינויים גדולים מסמנים כנקודות שבירה ומאמנים את המודל בנפרד לפני ואחריהם.

באיזו תדירות לאמן מחדש את המודל?

מחזור בסיסי — חישוב מתוכנן של מקדמים ובחינה מלאה של המודל אחת לרבעון, ובנוסף בקרה מתמדת של פער בין תחזית למציאות. אם השגיאה יוצאת ממסלול סביר במשך כמה תקופות ברצף, מפעילים אימון מחדש שלא מתוכנן, כדי שהמודל יגיב לשינויים אך לא ילמד יתר על המידה על רעש.

נדון במשימה: מה צריך כדי להתחיל

כדי שהפגישה הראשונה תהיה עניינית, כדאי לאסוף מראש נתוני פתיחה — לא דוח, אלא מה שכבר קיים במערכות העבודה. ככל שיהיה יותר הקשר בקלט, ההערכה תהיה מדויקת יותר ומספר סבבי ההבהרה לאחר מכן קטן יותר.

• הצגת המשימה: איזו מטרה סוגרים — גידול חלק, הפחתת עלות גיוס, הקצאה מחדש בין ערוצים — ולפי איזה מדד אתם שופטים את התוצאה.
• רשימת מקורות: חשבונות פרסום, אנליטיקת ווב ומוצר, CRM, ייצואים לפי הזמנות והכנסות; לאיזו תקופה נשמרה ההיסטוריה.
• גישות לנתונים: חשבונות עם הרשאת קריאה בלבד, גישה לאחסון או לייצואים תקופתיים ואיש קשר שמאשר הרשאות אלה.
• לוגיקת הייחוס והקצאת התקציב הנוכחית — נקודת המוצא שממנה מחשבים שיפור.
• מגבלות: פלטפורמות חובה, קמפיינים ממותגים, שיאים עונתיים, מסגרות לניסויים.
• קצב קבלת החלטות: פעם בשבוע או פעם בחודש — מכך תלויה תדירות החישוב מחדש ופורמט הדיווח.

לאחר מכן אנו חוזרים עם הערכה ותוכנית עבודה: הרכב השלבים, מי נדרש מצד הלקוח, לוחות זמנים עד לתוצאות ברות-בדיקה ראשונות. אם חלק מהנתונים חסר — נאמר מיד, נציע חלופה ונראה כיצד זה ישפיע על תכנון בדיקת האינקרמנטליות.