פיתוח מערכת AI להתאמה אישית של מבצעים

למה התאמה אישית של מבצעי פרומו נשברת בקנה מידה

כל עוד התאמה אישית של מבצעי פרומו נשענת על קהלים ידניים של מבצעים, היא עובדת בדיוק עד הרגע שבו מספר הקמפיינים עובר את העשרה. משם מתגלה חפיפת קהלים: לקוח אחד נכנס בבת אחת לשלוש-ארבע קבוצות, כי כל אחת נאספה בייצוא נפרד עבור המבצע שלה.

עדיפות ביניהן לא מוגדרת בשום מקום — בכל פעם מסכמים אותה ידנית, ובקנה מידה ההסכמה לא ניתנת להרחבה: כלל משתנה במבצע אחד ושובר בשקט מבצע שכן.

השבירה השנייה — הצעות מיושנות. הרשימה נאספת מראש, וההצגה מתבצעת לפי לוח זמנים, וברגע שהלקוח רואה את הבאנר, הסטטוס, הסל או ההסכמה שלו כבר השתנו. צריך לתפוס את זה ידנית: לפני כל הפעלה מישהו בודק את הייצואים, מנקה חריגים ומתקן תנאים.

בכל איטרציה התיקונים הידניים נעשים רבים יותר מהכללים עצמם, ואין במה לבדוק אותם — אין לא יומן החלטות שהתקבלו ולא דרך להחזיר שינוי מסוים.

המחיר של סכמה כזו נראה במדדים: שיעור החשיפות מחוץ לקהל היעד עולה יחד עם מספר המבצעים, ביטולי הרשמה מגיעים אחרי הצעות שגויות, והאנליסט מבזבז זמן לא על השערות אלא על איחוד רשימות.

בהמשך נפרק איך זה נסגר — באיזו שכבה מתוארים העדיפות בין ההצעות ובדיקת התנאים ברגע ההצגה, ולא ברגע הייצוא.

דיוק בחירת הקהל ומהירות הוצאת המבצעים

את הדיוק בודקים לפי שיעור החשיפות הרלוונטיות: כמה הצעות אדם באמת יכול לקבל בהתחשב בתנאים שלו. כללי הבחירה, מגבלות התדירות ועדיפויות המבצעים מצטלבים לפני ההצגה, ולכן הקהל מפסיק להיות הימור אחד — כל אחד מקבל את ההצעה שמתאימה לו.

המהירות נראית בקטע שבין הרעיון למבצע ועד ההתחלה. התנאים מתוארים במרשם משותף ונעשה בהם שימוש חוזר בין קמפיינים, הקהל נאסף לפי דרישה במקום ייצוא רשימות ידני, הפרסום לא דורש התאמה — הדרך קצרה יותר, והפערים בין הרעיון למה שיצא ללקוחות קטנים יותר.

סוג נפרד של שגיאות — כפילויות בהצעות והתנגשות תנאים, כשאדם נכנס לשני מבצעים עם כללים חופפים או מקבל הנחות שלא אמורות להצטבר. אי-הכללה הדדית ועדיפויות נבדקות לפני הפרסום: זוג מתנגש לא מגיע ללקוחות, ולא נתפס לפי תלונות.

הצד השני של כללים נוקשים — כיסוי הקהל. הדוח מראה כמה אנשים נשארים אחרי כל סינון, ואיזו מגבלה חותכת את הקהל הכי חזק; כללים מוחלשים נקודתית, ולא על ידי כיבוי ההתאמה האישית כולה.

רשימת הבדיקה קצרה: שיעור החשיפות הרלוונטיות, זמן מהרעיון עד ההפעלה, היעדר כפילויות, הפרדת התנגשויות תנאים, כיסוי צפוי. אם לפחות סעיף אחד מחזיק ידנית — המערכת עדיין לא מוכנה.

פורמטים של התאמה אישית למבצעי פרומו: כללים, מודלים, היברידי

התאמה אישית של מבצעי פרומו היא בחירת הצעה ברגע הפנייה של הלקוח. המצב שבו הבחירה הזו נעשית קובע שלושה דברים: מהירות התגובה, יכולת ההסבר של ההחלטה והיקף העבודה לתחזוקת האיכות.

כללי פילוח נוקשים מחושבים באופן מיידי והם שקופים לחלוטין לעסק, אבל עובדים רע בחפיפת קהלים ומתיישנים יחד עם התנהגות הלקוחות. מודל למידה לדירוג הצעות נותן התאמה מדויקת בהרבה, אך דורש נתונים מתויגים, אימון מחדש סדיר ובקרה — אחרת האיכות יורדת בשקט.

הגישה ההיברידית בפועל מתבררת כעיקרית: כללים קובעים מסגרות — מה אסור להציג, למי ובאיזו תדירות — והמודל מדרג אפשרויות בתוך המסגרות האלה. פתרון מקוון מחשב תגובה במסגרת הזמן שהוקצב לטעינת העמוד, ולכן חישובים כבדים מתבצעים מראש, וברגע הבקשה נשארת רק בחירה מבין מועמדים מוכנים.

אימון מחדש של המודל מתבצע לפי לוח זמנים ולפי טריגר: אם שיעור הדחיות של ההצעה עולה מעל הסף, הגרסה נבנית מחדש ועוברת השוואה בקבוצת ביקורת. חזרה לגרסה קודמת היא חלק חובה מהסכמה; בלעדיה הניסוי הופך לשינוי בלתי הפיך.

איך אנחנו מטמיעים מערכת AI: שלבי העבודה ההנדסית

העבודה מתקדמת מביקורת של הלוגיקה הקיימת למסירה מבוקרת לתפעול. סדר השלבים אינו מקרי: כל שלב עוקב נשען על הארטיפקטים של הקודם, ולכן תקלה בכל שלב נראית לפני שהמערכת מתחילה להשפיע על מבצעי פרומו אמיתיים.

1. ביקורת לוגיקת המבצעים. מפרקים את הכללים הפעילים: אילו קהלים אתם מגדירים, לפי אילו מאפיינים אתם נותנים הנחה או בונוס, היכן כללים מתנגשים ומשכפלים זה את זה. התוצאה — רשימת כללים עם הביצועים בפועל שלהם ורשימה של אלה שכדאי להעביר למודל.
2. סכמת נתונים. קובעים אילו אירועים נדרשים להתאמה אישית, איך הם נאספים היום ומה חסר. מתעדים את הרכב המאפיינים, תדירות העדכון וכללי הניקוי — בלי זה כל מודל לומד על רעש.
3. בדיקה על נתונים היסטוריים. מריצים את הלוגיקה העתידית על הפעלות קודמות: משווים אילו הצעות היא הייתה נותנת ואיך זה מתייחס לתגובות אמיתיות של קונים. כך השערות נבדקות לפני תעבורה ובלי סיכון לקמפיינים הנוכחיים.
4. הרכבה והטמעה של המערך. מרכיבים מערך המלצות, מחברים אותו למערכת המבצעים ומגדירים מגבלות: תדירות הצעות, עדיפויות, כללי עצירה. ההפעלה נעשית בהדרגה, עם אפשרות להחזיר את הלוגיקה לקודמת.
5. הכשרת הצוות ומסירה. מראים למשווקים ולאנליסטים איך לקרוא דוחות, לשנות כללים ולעצור ניסוי כראוי. מוסרים תיעוד של סכמת הנתונים ונוהל עדכון המודל.

סדר כזה סוגר את הסיכון העיקרי של התאמה אישית — כשהלוגיקה האטומה חיה בנפרד מכללי העסק ואי אפשר לא להסביר אותה ולא לעצור אותה במהירות.

חבילת מסירה: קונפיגורציות, סכמות, מדיניות גישה

מסירה היא לא ארכיון של פרויקט ולא תיקיית קבצים, אלא סט שלפיו הצוות שלכם מפעיל ומשנה קמפיינים בלעדינו. להלן מה בדיוק נשאר בידיים, באיזה צורה ולמה.

• קונפיגורציות עבודה: כללי פילוח, ספי הפעלה, משקלי מאפיינים והגדרות הצגת הצעות — במערכת בקרת גרסאות, עם היסטוריית שינויים ואפשרות להחזיר כל פרמטר לערך הקודם.
• סכמת זרימות נתונים: מאיפה מגיע האירוע, באיזה רגע מועשר הפרופיל, היכן נבחרת ההצעה ואיך התוצאה חוזרת לדיווח — עם נקודות כשל מסומנות, חזרות והשהיות אספקה.
• מדיניות גישה לנתונים: הפרדת תפקידים בין מי שרואה קהלים אנונימיים לבין מי שעובד עם מזהים; הסכמות לעיבוד נרשמות בכניסה, ופניות לשדות רגישים נכתבות ליומן.
• נוהל הפעלת מבצע: סדר צעד-אחר-צעד מהקמת קהל ובדיקת איכות המדגם ועד בקרה לפי קבוצת בדיקה, כולל פעולות עצירה וחזרה.
• תיעוד המערכת: ייעוד המודלים, הרכב מאפייני הקלט, דרישות לשלמות נתונים, מגבלות ידועות ונקודות תורפה — עם דוגמאות לשאילתות אופייניות.
• מסירת תמיכה: תחומי אחריות, סדר הסלמה, חלונות ניטור לאיכות ההצגה וכללי עדכון המודל בלי לעצור קמפיינים.
• סביבת בדיקה: מדגם אנונימי ותרחישי בדיקה, כדי ששינויים בכללי ההתאמה האישית של מבצעי פרומו ייבדקו לפני היציאה לסביבת העבודה, ולא אחריה.

אנחנו נשארים בקשר בתקופת הליווי ומטפלים בתקלות יחד עם הצוות שלכם, אבל נקודת היציאה קבועה: המערכת עובדת ומתפתחת בכוחות המהנדסים שלכם.

מקרה בוחן: עלייה בשיעור התגובה וצמצום קהלים ידניים

לפני ההטמעה לוגיקת הפרומו חיה בקהלים ידניים: המשווק אסף 6–8 קבוצות ב-CRM לפי מין, עיר וסכום קנייה ממוצע, עדכן אותן פעם ברבעון, ועבור כל מבצע ייצא רשימות ידנית. שיעור התגובה נשמר בטווח צר וירד בכל הרחבה של הקהל, והכנת קמפיין אחד ארכה כמה ימים — בזמן הזה המבצע הספיק לאבד רלוונטיות.

מה שינינו במערך ההחלטות

את החיתוך הידני החליף מערך שאוסף בעצמו מאפיינים: היסטוריית רכישות, צפיות בכרטיסי מוצר, תגובה להצעות קודמות ומגבלות תדירות פניות. המודל מדרג הצעות עבור משתמש מסוים, והמשווק קובע רק מסגרות — קטגוריה, מועד, עומק הנחה מותר. הקהלים נבנים מחדש בזרימת אירועים, אין יותר ייצוא רשימות.

מדדים לפני ואחרי

שיעור התגובה עלה פי 2.4 על קהל בר-השוואה, מספר הקהלים הידניים ירד בכ-80%, והכנת הקמפיין התקצרה מכמה ימים לשעה. התשואה לשליחה אחת עלתה בלי גידול בנפחי השליחה — חלק מהפניות הסרנו בכוונה, כדי לא לשרוף את הבסיס.

את המדידה הובלנו לפי מחזור CRISP-DM: תחילה קיבע�ו קו בסיס, אחר כך הפעלנו את הלוגיקה באזור אחד, השווינו לקבוצת ביקורת ורק לאחר מכן פרסנו על כל הבסיס. הסכמה הקודמת נשארה נקודת חזרה — כששיעור הדחיות עולה, חוזרים אליה במתג אחד.

במה שונה פילוח לפי כללים ממודלים של דירוג

כללים ומודל פותרים משימות שונות: כללים עונים על השאלה «האם האובייקט מתאים לתנאי», המודל — «באיזה סדר להציג אפשרויות בתוך המאגר המתאים». הראשון נותן בחירה דטרמיניסטית ושחזורית, השני — הערכה הסתברותית שמשתנה יחד עם הנתונים.

פילוח לפי כללים נבנה על תנאים מפורשים: סף פעילות, קטגוריית רכישה, אזור, זמן מאז הביקור. השליטה בהצגה כאן מקסימלית — כל הצגה אפשר להסביר, לשחזר על היסטוריה ולהחזיר על ידי תיקון תנאי במנוע ההחלטות Drools. אבל מספר שילובי התנאים גדל מהר יותר מהתועלת, ושילובים לא ברורים של מאפיינים נשארים בלתי מורגשים.

מודלים של דירוג בנויים אחרת: הם מעריכים כל אפשרות הצעה מותרת לפי ריבוי אותות ובונים סדר הצגה. הדרישות לנתונים כאן גבוהות באופן עקרוני — נדרשת היסטוריית חשיפות ותגובות, תיוג פעולת יעד, מאפיינים משוחזרים לרגע קבלת ההחלטה ומדגם נפרד לבקרת איכות.

השליטה במודל מובטחת לא בנוסחאות אלא במעטפת: רשימות חסימה, מגבלות תדירות תקשורת, הגבלות על עומק הנחה, הרצת צל לצד הלוגיקה הנוכחית, ניטור סחיפה וחזרה לכללים.

לכן בפועל הגישות כמעט תמיד עובדות יחד: כללים קובעים מסגרות נוקשות — מה אסור להציג ללקוח — והמודל מדרג אפשרויות מותרות ומשלים כיסוי במקומות שבהם התנאים לא מוגדרים.

ספקות טכניים: נתונים, איכות, תמיכה

לפני הקבלה נשארים למזמין הטכני ארבע שאלות: האם הנתונים שנצברו מספיקים, איך נמדדת איכות ההצגה, מי אחראי למערכת אחרי המסירה ואיך היא מתעדכנת כשהתנהגות הקהל משתנה. אנחנו סוגרים אותן לא בהסכמות נפרדות בדיעבד, אלא בחלקים של המערך שמתוכננים מהשלב הראשון.

איך נשלטת איכות ההצגה אחרי ההפעלה?

האיכות נבדקת בשני רבדים. על מדגם מוחזק — מדדי אופליין לכל קהל לפני השחרור, כדי לראות את האפקט לפני ההצגה ללקוח. בפרודקשן — שיעור ההמלצות המוצלחות, כיסוי ויציבות ההתפלגות בין קבוצות.

בנפרד אנחנו עוקבים אחרי סחיפת נתונים: אם התנהגות הקהל מתרחקת מהתפלגות האימון, המדד יורד לפני שזה נהיה מורגש בהכנסות. הסף נקבע מראש — כשחוצים אותו, מתבצעת חזרה אוטומטית לגרסה הקודמת של המודל.

מה כלול בתמיכה אחרי המסירה ואיך בנוי האימון המשלים?

אנחנו מוסרים לא רק את המודל אלא גם את הנוהל: סכמת נתונים, תיאור מדדים, הוראות להפעלה מחדש ולחזרה, סדר טיפול בתקלות. המהנדסים שלנו נשארים בקשר בתקופת הליווי המוסכמת ומטפלים בסטיות יחד עם הצוות שלכם.

האימון המשלים של המודל מתבצע לפי לוח זמנים או לפי טריגר סחיפה, בלי לעצור את השירות: הגרסה החדשה עוברת את אותן בדיקות על מדגם מוחזק והשוואה לזו שפעילה. אם אין שיפור, השחרור לא נפרס — הגרסה הישנה ממשיכה לשרת את התעבורה.

נדון במשימה ונחזור עם הערכה ותוכנית

כדי לחזור עם הערכה ותוכנית, ולא עם ניסוח «תלוי בנתונים», אנחנו צריכים תמונה אמיתית: ייצוא אירועים לתקופה מייצגת, מאגר הצעות וכללי פרומו פעילים. תארו את המשימה בצורה חופשית — איזה מערך אתם רוצים להתאים אישית (דיוורים, בלוקים באתר, התאמת הצעה באפליקציה) ומה אתם מחשיבים להצלחה.

מה להכין לדיון:

• אירועים: חשיפות, קליקים, הוספות לסל, רכישות — עם מזהה לקוח וחתימת זמן.
• מאגר הצעות ומוצרים: קטגוריות, מסגרות רווחיות, רשימות חסימה.
• כללי פרומו: עומק הנחה מקסימלי, תאימות מבצעים, מגבלת פניות ללקוח.
• נקודות אינטגרציה: אתר, אפליקציה, CRM, שער דיוור — ואיך ההצעה נבחרת עכשיו.
• דרישות לנתונים אישיים: מה נשמר, כמה זמן, אילו שדות הופכים אנונימיים.
• מגבלות זמן תגובה: תוך כמה זמן ההחלטה צריכה לחזור ומה להציג אם השירות אינו זמין.
• מדדים נוכחיים: המרת פרומו ושיעור ההצעות המנוצלות — נקודת השוואה למערך החדש.

אחרי ניתוח הנתונים אנחנו חוזרים עם הערכה ותוכנית עבודה: היכן מספיק חישוב אצוותי של קהלים, והיכן נדרשת התאמה ברגע הבקשה, אילו בדיקות איכות נכלול.

השלב הראשון בפרויקט — איסוף ותיוג של היסטוריית אירועים ובנוסף מדידת הכללים הנוכחיים: בלי העוגן הזה אין במה להוכיח את אפקט ההתאמה האישית.

תארו את המשימה ושלחו גישה לייצואים — נחזור עם תרשים עבודה, לוחות זמנים ותוכנית לשלב הראשון.