הקצאת תקציב מדיה עם בינה מלאכותית הפכה מנושא תיאורטי לכלי עבודה יומיומי עבור מנהלי שיווק ובעלי עסקים בישראל. השאלה כבר אינה אם להשקיע יותר בגוגל או במטא, אלא איך לחלק כל שקל בין ערוצים, קמפיינים וקהלים בצורה שמניבה את התוצאה העסקית הגבוהה ביותר. כאן נכנסים לתמונה מודלים כמו Marketing Mix Modeling, מדידת אטריביושן וניסויי incrementality, וכולם יחד יוצרים מערכת החלטות שמבוססת על נתונים ולא על תחושות בטן. במאמר הזה נסביר איך המערכת הזאת עובדת בפועל, מאיפה מגיעים הנתונים, ואיך מתרגמים מודל אסטרטגי להחלטות שמקבלים כל בוקר מול המסך.
למה השיטה הישנה של חלוקת תקציב כבר לא מספיקה
במשך שנים חילקנו תקציב לפי היסטוריה. הערוץ שהביא הכי הרבה לידים בחודש שעבר קיבל תוספת, והערוץ שנראה חלש קוצץ. הבעיה היא שהתמונה שראינו בדוחות הייתה חלקית. פלטפורמות הפרסום מדווחות על ההמרות שהן עצמן ראו, וכל אחת מהן לוקחת קרדיט על אותו לקוח.
נוסיף לזה את השינויים ברגולציית הפרטיות, את חסימת הקוקיז של צד שלישי ואת המגבלות של iOS על מעקב, ונקבל מצב שבו הדוחות בממשקים כמו Meta Ads Manager ו-Google Ads מציגים פחות ופחות מהמסע האמיתי של הלקוח. עסק שמחלק תקציב רק לפי מה שהפלטפורמה מדווחת, למעשה מקבל החלטות על סמך חצי תמונה.
בינה מלאכותית לא פותרת את בעיית חוסר הנתונים בקסם, אבל היא כן יודעת לשלב מקורות מידע שונים, לזהות דפוסים על פני זמן ולהעריך את התרומה האמיתית של כל ערוץ גם כשאין מעקב ישיר ברמת המשתמש.
שלושת עמודי התווך: אטריביושן, MMM וניסויי incrementality
כדי להבין הקצאת תקציב מדיה עם בינה מלאכותית צריך להכיר שלוש שיטות מדידה שמשלימות זו את זו. אף אחת מהן אינה מושלמת לבדה, והשילוב ביניהן הוא מה שנותן החלטה אמינה.
אטריביושן: המסע ברמת המשתמש
מדידת אטריביושן עוקבת אחרי נקודות המגע של לקוח בודד בדרך להמרה. היא מצוינת לאופטימיזציה יומית ולהבנה של אילו מודעות ומילות מפתח מובילות לפעולה. החיסרון הוא התלות במעקב ברמת המשתמש, שנעשה חלקי יותר עם השנים. הרחבנו על הנושא במדריך שלנו על אטריביושן ומדידת שיווק בעזרת בינה מלאכותית, ומומלץ לקרוא אותו כבסיס.
MMM: התמונה הרחבה על פני זמן
Marketing Mix Modeling ניגש מכיוון הפוך. במקום לעקוב אחרי משתמש בודד, הוא מנתח נתונים מצטברים לאורך שבועות וחודשים, ומעריך כמה כל ערוץ מדיה תרם לתוצאה העסקית הכוללת. המודל לוקח בחשבון גם גורמים שאינם מדיה, כמו עונתיות, מזג אוויר, פעילות מתחרים או מבצעים. MMM לא זקוק לקוקיז ולא נפגע ממגבלות פרטיות, ולכן הוא הפך רלוונטי מאוד דווקא עכשיו.
ניסויי incrementality: מה קורה כשמכבים ערוץ
ניסוי incrementality בודק מה באמת קורה כשמפסיקים או מגבירים פעילות בערוץ מסוים. מחלקים את הקהל לקבוצת מבחן וקבוצת ביקורת, ומשווים תוצאות. זו הדרך הנקייה ביותר לבדוק אם ערוץ מייצר מכירות נוספות או רק אוסף מכירות שהיו קורות בלאו הכי. גם מטא וגם גוגל מציעים כלי ניסוי מובנים לבדיקות כאלה.
| שיטה | מה היא מודדת | מתאימה ל | מגבלה עיקרית |
|---|---|---|---|
| אטריביושן | נקודות מגע ברמת המשתמש הבודד | אופטימיזציה יומית של קמפיינים ומודעות | תלות במעקב שנעשה חלקי בשל פרטיות |
| MMM | תרומת כל ערוץ לתוצאה על פני זמן | תכנון תקציב אסטרטגי לרבעון ולשנה | דורש היסטוריית נתונים ואינו מיידי |
| Incrementality | התרומה האמיתית מעבר למה שהיה קורה ממילא | אימות החלטות והכרעה בין ערוצים | דורש תכנון ניסוי וזמן להרצה |
איך בינה מלאכותית משנה את MMM
מודלים של תמהיל שיווקי קיימים כבר עשרות שנים, אבל פעם הם היו נחלתם של תאגידים גדולים עם צוותי אנליסטים. בניית מודל לקחה שבועות, והתוצאה הייתה מסמך שהתיישן עד שהספיקו ליישם אותו. שני שינויים הפכו את הכלי לנגיש גם לעסקים בינוניים בישראל.
הראשון הוא כלים בקוד פתוח. Meridian של גוגל ו-Robyn של מטא מאפשרים לבנות מודל MMM בלי לשלם לחברת ייעוץ יקרה. שניהם משתמשים בשיטות סטטיסטיות מתקדמות ובלמידת מכונה כדי להעריך את תרומת הערוצים, כולל אפקטים כמו רוויה של תקציב ואפקט מתמשך של פרסום לאורך זמן.
השני הוא היכולת של בינה מלאכותית לאסוף ולנקות נתונים אוטומטית. כלי כמו Supermetrics מושכים נתונים מ-Google Ads, ממטא, מ-GA4 וממערכות נוספות למקום אחד, ו-Looker Studio מאפשר להציג את הכל בדשבורד חי. במקום שאנליסט יבנה טבלה ידנית כל שבוע, המודל מתעדכן כמעט בזמן אמת.
מה שהבינה המלאכותית מוסיפה מעבר לחישוב הוא היכולת לזהות דפוסים שאדם היה מפספס. למשל, שקמפיין וידאו במטא נראה חלש בדוח האטריביושן אבל בפועל מזין חיפושים ממותגים בגוגל שבוע לאחר מכן. מודל טוב יודע לחבר את הנקודות האלה.
מ-MMM אסטרטגי להחלטות יומיות
כאן נמצא הפער שמכשיל הרבה עסקים. MMM נותן תמונה אסטרטגית ברמת החודש והרבעון, אבל את התקציב מנהלים כל יום. הגשר בין השניים הוא שכבת החלטות שמתרגמת את התובנות הרחבות לכללי פעולה קונקרטיים.
בפועל התהליך נראה כך:
- המודל האסטרטגי קובע חלוקה כללית בין ערוצים לרבעון, למשל כמה הולך למטא, כמה לגוגל וכמה לפעילות אחרת.
- בתוך כל ערוץ, האלגוריתמים של הפלטפורמה עצמה מנהלים את האופטימיזציה ברמת המכרז והקהל.
- שכבת ניטור יומית עוקבת אחרי חריגות, מזהה מתי ערוץ מגיע לרוויה ומתי יש הזדמנות להגדיל.
- ניסויי incrementality תקופתיים מאמתים שהחלוקה האסטרטגית עדיין נכונה ומעדכנים את המודל.
הטעות הנפוצה היא לתת לבינה המלאכותית להחליט הכול בלי מסגרת. אלגוריתם שמחפש המרות זולות ידחוף תקציב לקהלים שכבר מכירים אתכם, כי הם ממירים בקלות. זה נראה מצוין בדוח אבל שוחק את קהל הלקוחות החדשים לאורך זמן. תפקיד המודל האסטרטגי הוא להציב גבולות שמונעים את השחיקה הזאת.
דוגמה ישראלית
נניח רשת חנויות רהיטים עם פעילות בגוגל ובמטא ותקציב חודשי בינוני. דוח האטריביושן מראה שרוב ההמרות מגיעות מקמפיינים ממותגים בגוגל, ולכן הפיתוי הוא להזרים לשם עוד תקציב. מודל MMM חושף תמונה אחרת. הקמפיינים הממותגים אוספים ביקוש שנוצר על ידי פעילות המודעות במטא ועל ידי חשיפה מוקדמת. קיצוץ במטא היה מוריד את החיפושים הממותגים כעבור כמה שבועות. ניסוי incrementality שבו מכבים את מטא באזור גיאוגרפי אחד היה מאמת את זה בתוך חודש. ההחלטה הנכונה היא לשמור על מטא כמנוע ביקוש ולא להעביר את כספו לגוגל.
הנתונים שצריך כדי להתחיל
מודל טוב מתחיל בנתונים טובים. לפני שנכנסים לכלים מתוחכמים, כדאי לוודא שהתשתית מסודרת:
- היסטוריית הוצאה שבועית מפורטת לכל ערוץ, רצוי שנה או יותר.
- נתוני המרה ומכירות אמינים, מחוברים היטב ב-GA4 וברמת המערכת העסקית.
- סימון של אירועים חיצוניים כמו מבצעים, חגים ושינויי מחיר, שמשפיעים על הביקוש.
- הגדרת יעד עסקי ברור, בין אם זה לידים איכותיים, מכירות אונליין או פניות טלפוניות.
עסקים שמנהלים גם קמפיינים לקהלים מפולחים ייהנו יותר מהמודל, כי הוא יודע להצליב בין ההשקעה לבין הפלחים שמגיבים. הרחבנו על בניית קהלים חכמה במדריך על פילוח קהלים בעזרת בינה מלאכותית.
שילוב עם ניהול הקמפיינים בפועל
הקצאת תקציב היא רק חצי מהמשוואה. הצד השני הוא איך מנהלים את הקמפיינים בתוך התקציב שהוקצה. הכלים האוטומטיים של גוגל, כמו Performance Max ואסטרטגיות הצעות מחיר חכמות, מנהלים חלק גדול מההחלטות במקומנו. צריך להזין להם את היעד הנכון ולתת להם מספיק אותות המרה כדי שילמדו. הרחבנו על העבודה מול המערכת הזאת במדריך על מודעות גוגל עם בינה מלאכותית.
העיקרון המנחה הוא חלוקת תפקידים. המודל האסטרטגי קובע כמה תקציב לכל ערוץ, האלגוריתם של הפלטפורמה מנהל את האופטימיזציה בתוך הערוץ, והאדם קובע את היעדים, בודק את ההיגיון העסקי ומריץ ניסויים לאימות. כשכל אחד עושה את מה שהוא טוב בו, התוצאה יציבה הרבה יותר.
טעויות שכדאי להימנע מהן
- להתאהב בדוח של פלטפורמה אחת. כל פלטפורמה לוקחת קרדיט לעצמה, וסכום הקרדיטים תמיד גדול מהמכירות האמיתיות.
- לבנות מודל ולשכוח אותו. MMM דורש עדכון תקופתי, אחרת הוא מתאר עולם שכבר השתנה.
- לוותר על ניסויים. בלי incrementality המודל נשאר הערכה, ועם ניסוי הוא הופך לעובדה.
- לחתוך ערוצי ביקוש כדי לממן ערוצי קציר. זו דרך בטוחה לשפר את הדוח החודשי ולפגוע בצמיחה של הרבעון הבא.
שאלות נפוצות
האם MMM מתאים גם לעסק קטן או בינוני
בעבר MMM היה נחלת התאגידים בלבד, אבל כלים בקוד פתוח כמו Meridian ו-Robyn הורידו את חסם הכניסה. עסק בינוני עם היסטוריית נתונים של שנה לפחות ותקציב מדיה עקבי יכול להפיק ממנו ערך. לעסק קטן מאוד, שבו ההוצאה השבועית נמוכה מדי, לרוב עדיף להתחיל באטריביושן טוב ובניסויים פשוטים לפני שנכנסים למודל מלא.
כמה זמן לוקח לראות תוצאות מהקצאת תקציב מבוססת בינה מלאכותית
בניית מודל ראשוני ואיסוף הנתונים לוקחים בדרך כלל כמה שבועות. אחרי זה, כדי לאמת שהחלוקה החדשה עובדת, צריך להריץ ניסוי incrementality שבדרך כלל נמשך חודש. המערכת הזאת מיועדת לשיפור מתמשך ולא לקפיצה חד פעמית, ולכן הערך האמיתי מצטבר לאורך רבעונים.
מה ההבדל המעשי בין אטריביושן ל-MMM
אטריביושן עונה על השאלה איזו מודעה הובילה להמרה של לקוח מסוים, והוא כלי מצוין לאופטימיזציה יומית. MMM עונה על השאלה כמה כל ערוץ תרם לתוצאה העסקית הכוללת לאורך זמן, והוא כלי לתכנון אסטרטגי. הם לא מתחרים אלא משלימים, ועסק בוגר משתמש בשניהם יחד.
האם אפשר לסמוך על האלגוריתמים של גוגל ומטא לחלק את התקציב
האלגוריתמים מצוינים באופטימיזציה בתוך ערוץ, אבל הם עיוורים לתמונה שמעבר לפלטפורמה שלהם. הם לא יודעים שקמפיין במטא הזין חיפוש בגוגל. לכן כדאי לתת להם לנהל את המכרז והקהל בתוך התקציב, אבל להשאיר את ההחלטה על החלוקה בין הערוצים למודל שרואה את כל התמונה.
אם אתם רוצים לבנות מערכת הקצאת תקציב שמחברת בין המודל האסטרטגי להחלטות היומיות, אנחנו בויראלי נשמח ללוות אתכם בתהליך, מבניית התשתית ועד ההרצה השוטפת.