פרסום פרוגרמטי מבוסס בינה מלאכותית: RTB, תחזיות ואופטימיזציה של תקציב

Programmatic Advertising AI: היכן נשברת הרכישה

המכרז ברכישה פרוגרמטית חי שברירי שנייה: יש להגיש הצעה לפני שהבורסה מחזירה תשובה. כל עוד ההחלטה בידי אדם, החלון סגור — ההצעה עוברת למחזור החישוב הבא, והאתר מוסר את החשיפה למתחרה עם לוגיקה זריזה יותר. זהו בדיוק צוואר הבקבוק ברכישת תנועה: מה שמגביל אינו התקציב, אלא מהירות ההחלטה.

השוק משתנה מהר יותר משהמומחה מספיק לעדכן את הכללים. המחיר לאלף חשיפות בתוך סגמנט צונח ומזנק בתוך שעה — בהתאם לקמפיין, ליום בשבוע, לאזור, ליתרת המכסה היומית של השכן במכרז. הצעות ידניות אינן מדביקות את השוק: עד שהתיקונים הוזנו, הן מתארות כבר את מצב האתמול. מכאן העלייה בשיעור המכרזים המופסדים וחשיפות בלי תגובה — ההוצאה נמשכת, הפעולה הממוקדת לא מופיעה.

הסיבה השנייה — נתוני חשיפות מפוזרים. אירוע המכרז, התגובה, ההתנהגות באתר והמרות אופליין יושבים במערכות שונות ומתכנסים באיחור. כלל שנבנה על סיכום של אתמול אינו מבחין שחלק מהמקורות נשרפו וחלקם מוערכים בחסר.

וההשבתה בניהול התקציבים — כשהמכסה נוצלה אך ההחלטה לגביה טרם התקבלה — עולה יותר מאשר תשלום יתר על חשיפה בודדת.

אנחנו מפרקים כיצד זה נסגר: חישוב מחדש של ההצעות ממש ברגע המכרז, איחוד אותות מפוזרים למודל אחד, ותקציב שעובד בלי התערבות ידנית.

מה נותן יישום AI בניהול הצעות

תחזית התגובה לחשיפה נבנית על היסטוריית מכרזים: המודל רואה כיצד הסתיימה חשיפה עבור הצמד «קריאייטיב — אתר — שעה ביום», ובבקשה חדשה מעריך את הסתברות התגובה לפני שליחת ההצעה.

כיול כאן חשוב לא פחות מדיוק: אם המודל מבטיח 4% תגובה, השיעור בפועל צריך להישאר בפער של עד שתי נקודות אחוז, אחרת ההצעה משלמת בקביעות יותר מדי על המלאי.

ניהול אוטומטי של הצעות מסיר את ההשהיה היומית של תיקונים ידניים. ההצעה מחושבת מחדש בכל מכרז בהתחשב ביתרת המכסה היומית, בתחרות ברגע הנתון ובתחזית התגובה — זינוק בביקוש מטופל בתוך דקות, ולא אחרי ייצוא דוח, כשהמלאי היקר כבר נרכש.

חלוקת התקציב מחדש בין האתרים מתבצעת ברצף: מקורות עם תשואה נמוכה מאבדים נתח, ואתרים עם תגובה יציבה מקבלים אותו באותה תדירות. בЯндекс Директ ובמערכות דומות זה עובד דרך עדיפויות והתאמות, אבל הלוגיקה אחת — הכסף הולך לשם שהתחזית מאומתת בו על ידי העובדות.

סוג הכשל שנעלם — חשיפות בלי תגובה: המלאי נרכש, הפעולה הממוקדת לא באה בעקבותיו. שיעור החשיפות הריקות במעגל כזה יורד מ-50–60% ל-15–25%, ואתר חלש מנותק לפי סטטיסטיקה שנצברה בשעות, ולא לפי תוצאות השבוע.

מצבי אופטימיזציה של הצעות: כללים, תחזיות, היברידי

המכרז מחזיר החלטה בתוך עשרות מילישניות, חלק מהאותות מגיעים באיחור, והייחוס נאסף בדיעבד. מצב ניהול ההצעה הוא בחירה בין שליטה לדיוק, ולא «להפעיל אסטרטגיה אוטומטית ולשכוח».

כללים על סף ההצעה — מעגל צפוי: ההצעה נשמרת בטווח, אתרים עם תשואה אפסית נחתכים, ותדירות החשיפות מוגבלת. הם עובדים בנפח נתונים קטן ובמקומות שבהם חשובה היכולת להסביר — ההחלטה מפורקת עד לתנאי. אבל ספים שהוגדרו לפי תקופה קודמת מתחילים לחתוך חשיפות רווחיות כשהמכרז מתייקר.

מודלים חזויים מעריכים את הסתברות הפעולה הממוקדת עבור חשיפה נתונה ומסירים את המגבלה הזו. הם זקוקים להיסטוריה מצטברת ולבקרת דריפט: בעת החלפת קריאייטיבים, גיאו או עונתיות, אימון מחדש הופך לחלק מהתפעול, ולא להגדרה חד-פעמית.

היבריד נלקח במקומות שבהם אסטרטגיות אוטומטיות טהורות נשברות: למידה מחיזוק מחפשת מצב בפנים, והכללים קובעים את הגבולות — תקרת ההצעה, מגבלת הוצאה לאתר, חיתוך מלאי לא רלוונטי.

בלי מספר מספיק של המרות לסגמנט, המודל לומד על רעש ומאיץ הוצאה על חשיפות ריקות וזולות — ולכן הגבולות חשובים יותר מהאסטרטגיה האוטומטית עצמה.

יישום: מביקורת נתונים ועד מסירת נהלים

תחזית הצעה חסרת תועלת כל עוד חשיפות, המרות והוצאות נאספות ממערכות שונות באיחור שונה. את מסלול היישום אנחנו בונים כך שלקראת ההצעה האמיתית הראשונה המודל יישען על היסטוריה מאומתת, והצוות יבין מה לעשות במקרה של אי-התאמה.

1. ביקורת נתונים. משווים מקורות — יומני חשיפות והצעות, דוחות של אתרים, אירועים מ-CRM וממערכת החיוב. מאחדים מזהים, אזורי זמן ומטבעות, ומחשבים את שיעור החסרים והכפילויות בכל חתך.
2. סכימת זרימות נתונים. קובעים היכן נולד האירוע, כמה זמן לוקח לו להגיע למאגר ובאיזה חלון הוא נצבר. בודקים אילו מאפיינים זמינים ברגע ההצעה — אחרת האימון ישאב את העתיד והתחזית תתפרק בתנועה חיה.
3. כיול התחזית. לוקחים רמת בסיס פשוטה לפי סגמנטים כנקודת ייחוס: מולה משווים כל גרסה חדשה. המדד המרכזי — כיול ההסתברות, כך ש-3% שנחזו יתאימו לנתון בפועל.
4. בדיקה על נתוני עבר. מריצים את המודל על תקופה סגורה עם היסטוריית הצעות שמורה ומשווים לתוצאה בפועל. פערים מפרקים לפי סגמנטים: היכן מפסידים באתרים נדירים, והיכן מעריכים יתר על המידה מלאי זול.
5. הרצה בצל. המודל מחשב הצעות במקביל לרכישה הנוכחית, בלי להוציא תקציב. משווים את הרכב הרכישה, פערים בין אתרים והתנהגות בזינוק חד בתחרות.
6. מסירת נהלים. מוסרים כללי אימון מחדש, ספי דעיכה, מדדי ניטור וסדר חזרה ללוגיקה הקודמת. מכאן והלאה צוות הלקוח מנהל את המעגל בעצמו.

מדיניות הצעות, סכימות זרימה ותיעוד עבודה

אחרי ההשקה נשארים אצל הלקוח לא רק מודלים עובדים, אלא גם סט מלא של ארטיפקטים: לפיהם אפשר לבצע ביקורת, להעביר את המערכת לצוות אחר או להרחיב את המעגל בכוחות עצמו. להלן מה שאנחנו מתעדים בכל בלוק.

• מדיניות הצעות: תקרות לפי ערוצים, מלאי וסגמנטים, עדיפויות בין קמפיינים ותנאים שבהם האוטומציה מחויבת להאט את קצב ההוצאה.
• סכימות זרימות נתונים: המסלול של האירוע מהאתר ועד חלון התחזיות, הרכב השדות, נקודות ההעשרה, ההשהיות המותרות וסדר בדיקת אי-ההתאמות בדוחות.
• נוהל אימון מחדש: טריגרים (צניחה בדיוק התחזית, שינוי עונתיות, דריפט בנתונים), תדירות, היקף הוולידציה ותנאי חזרה לגרסה הקודמת.
• תיעוד אינטגרציות: הרכב הבקשות, מגבלות תדירות, טיפול בכשלים ובשליחות חוזרות, התנהגות כאשר שירות חיצוני אינו זמין.
• בקרת איכות החלטות: סט מדדים והשוואתם לעובדות, סדר חקירת אירועים, מטריצת האחריות לשינויים במדיניות ההצעות.
• הוראות לצוות: כיצד להעלות סביבה, לכבות את האוטומציה, לייצא לוגים ולהעביר את ניהול המכרזים למצב ידני.

סט כזה מסיר את התלות במבצעים ספציפיים: החלפת ספק או ביקורת פנימית עוברות בלי לעצור את המכרזים. התיעוד מתעדכן יחד עם הקוד — מדיניות מיושנת מסוכנת יותר מהיעדרה.

מקרה בוחן: כיצד הפחיתו בחצי את שיעור החשיפות הבלתי יעילות

נקודת פתיחה: הצעה לפי ממוצע השבוע שעבר

הלקוח — מחלקת רכישת מדיה ברשת קמעונאית: כמה מאות קמפיינים, עשרות אתרים, מטרות שונות לפי קבוצות מוצרים. ההצעה חושבה מחדש פעם ביום, והתחזית נבנתה לפי ממוצע השבוע הקודם — במבצע או בזינוק ביקוש באזור מסוים המודל הציב אותה הצעה כמו יום קודם. שיעור החשיפות בלי תגובה עמד על 41%: מקומות זולים עם תגובה לא נרכשו, כי ההצעה עליהם לא הספיקה.

מה שינו ומה הראו המדדים

את התחזית פיצלנו לשני אופקים: יומי לפי נפח הביקוש וקצר — כדי לתפוס שינוי בפעילות בתוך היום. את ההצעה מחשב מודל לפי המטרה של הקמפיין הספציפי, ולא כלל כללי אחד; מגבלות התדירות וההוצאה היומית נשארו בהגדרות הקמפיין, כך שההוצאה מתיישרת והמודל אינו דורס אותה.

נתוני המכרז נמשכו מ-DV360 והושוו לחשיפות בפועל: פעם בשבוע פירקנו היכן התחזית סוטה מהעובדות ותיקנו את המאפיינים.

בתוך חודשיים שיעור החשיפות בלי תגובה ירד מ-41% ל-19%, והתגובה לזינוק בביקוש התקצרה משש שעות לחמש עשרה דקות. טעות התחזית בנפח החשיפות היומי — מ-22% ל-8%. את היציבות בדקנו על תקופה נדחית ובהחלפת קריאייטיב: במקומות שבהם המודל בעבר נפרד אחרי שבוע ראשון, היום הוא שומר על דיוק.

חשיפות לא יעילות נחתכות תוך כדי היום, ולא בניתוח התוצאות בדיעבד — תיקונים ידניים של הצעות כבר אינם נדרשים.

מודל חזוי או כללים על הסף: מה לבחור?

תשובה קצרה: זו אינה בחירה של «או-או». כלל על הסף הוא פונקציה דטרמיניסטית: ההצעה מחושבת לפי נוסחה ונחתכת מלמעלה כל עוד מתקיימים התנאים לסגמנט ולתדירות. המודל מנבא את הסתברות הפעולה הממוקדת בכל חשיפה וממנה גוזר את ההצעה. ההבדל אינו בדיוק, אלא בנפח הנתונים וביציבות המכרז.

כללים אמינים יותר במקומות שבהם האירועים נדירים, הסגמנטים צרים והמלאי חדש. התנהגות המערכת משוחזרת: אותו קלט נותן אותה הצעה, החזרה לאחור היא שחזור הסף הקודם, וביקורת אינה דורשת פירוק המודל.

בממשקים כמו Google Ads שתי הגישות מתקיימות זו לצד זו: הגבלת ההצעה מלמעלה היא סף, ואסטרטגיה לפי עלות פעולה ממוקדת היא מודל.

הקריטריון לבחירה הוא כיסוי: כמה המרות בשבוע נופלות על סגמנט. מעט — הכלל נותן תוצאה נשלטת בלי סיכון לאימון יתר; הרבה — המודל מוציא את ההצעה במקומות שבהם הסף מחטיא. הסכימה העובדת היא לרוב היברידית: המודל מדרג חשיפות, והכלל מחזיק את תקרת ההצעה ואת התקציב היומי. את הבחירה בודקים על קבוצת ביקורת — לפי עלות הפעולה הממוקדת ושיעור המכרזים שזכו.

ספקות: איכות נתונים ושקיפות החלטות

רכישה אלגוריתמית של חשיפות מתחילה לא במודל, אלא בתשובות כנות לשאלות לא נוחות. להלן אלה שנשאלות לרוב לפני ההתחלה: על נתונים חסרים, שקיפות החלטות המודל, מגבלות הצעה קשיחות והעברת המערכת לצוות הלקוח.

מה עושים עם חסרים ונתונים חלקיים?

חסרים מסומנים במפורש, ולא מולאים בממוצע: המערכת או מתעלמת מאות לא אמין, או עוברת לכלל גיבוי. זה יקר יותר בהגדרה, אבל המודל אינו לומד מהשערות של עצמו.

כיצד להבין מדוע נבחרה דווקא ההצעה הזו?

כל החלטה נרשמת ביומן: אילו מאפיינים השפיעו, על איזה אופק נבנתה התחזית, מה הייתה החלופה. כל חשיפה ניתנת לפירוק ידני, וסגמנט לא יציב מנותק בלי לעצור את כל הקמפיין.

האם המערכת לא תאיץ את ההוצאות?

תקרת ההצעה, המכסה היומית ועצירה אוטומטית בסטייה מהתוכנית נקבעות מלמעלה ואינן כפופות למודל. הוא מזיז את ההצעה רק בתוך הטווח: יציאה מהגבול היא אות לעצור ולפרק את הסיבה.

מה יישאר אצלנו אחרי המסירה?

מוסרים מערכת, ולא קופסה שחורה: קונפיגורציות, כללי הגבלה, יומני החלטות, נוהל אימון מחדש וניתוח תקלות. המהנדסים של הלקוח עוברים הכשרה על הנתונים שלהם, ומכאן והלאה הפיתוח ממשיך בלעדינו.

נדון במשימה: מה להכין לניתוח הראשון

ניתוח המשימה מתקדם מהר יותר כשיש ביד נתונים, ולא שחזור של משאלות כלליות. להלן מה שמועיל להכין לשיחה הראשונה: עם זה נראה מיד היכן המודל יניב תוספת, והיכן המגבלה חיצונית.

• גישות לנתונים: ייצוא לוגים של חשיפות וקלקים על פני כמה חודשים — מזהי קמפיינים, אתרים וקריאייטיבים, הצעות, תוצאות מכרזים. די לפתוח את החשבונות ומאגר האנליטיקה במצב קריאה בלבד.
• מטרות לפי מדדים: מה מייעלים — עלות פעולה ממוקדת, שיעור המלאי הנרכש, כיסוי בסגמנט הרצוי. יש צורך בערך נוכחי ובערך יעד, אחרת אין מול מה להשוות את התוצאה.
• מגבלות לפי אתרים: רשימות מקורות מותרים ואסורים, דרישות ביטחון מותג, גיאו, שעות חשיפה, קטגוריות תוכן חסומות.
• כללי הצעות ותקציבים: מכסות יומיות, הצעה מקסימלית, עדיפויות בין קמפיינים, התנהגות המערכת כשהמכסה נגמרת.
• אותות על המשתמש: אילו מאפיינים מותר להשתמש בהם — הקשר, מכשיר, גיאו, מקור התנועה, ומה חסום על ידי מדיניות והסכמות.
• מעגל התפעול: בענן של מי פורסים, מי מחזיק בסודות, ואיך נראית החזרה של המודל לגרסה קודמת.

שלחו את מה שכבר קיים: חלק מהנתונים הדרושים נמצא בדרך כלל בלוגי ההצעות שפשוט נשכחו. אחרי הניתוח נחזור עם הערכה לפי שלבים ותוכנית עבודה — מה עושים בנתונים, מה במודל, מה באינטגרציה, והיכן נמתין להחלטות מצדכם.