מה שצריך לדעת: היתרונות והחסרונות של ביג דאטה במדידת קהלים

ביג דאטה במדידת קהלים בשיווק באינטרנט: היתרונות, החסרונות ומה באמת אפשר ללמוד מהנתונים

מעולם לא היו למשווקים כל כך הרבה נתונים על קהלים — ומעולם לא היה מסובך כל כך להבין מה הם באמת אומרים. מערכת פרסום יכולה לדווח על מיליוני חשיפות, אלפי הקלקות ומאות המרות, אך המספרים המרשימים אינם מבטיחים שהקמפיין הגיע לאנשים הנכונים או שתרם בפועל למכירות.

זהו הפרדוקס של ביג דאטה במדידת קהלים. היקף הנתונים מאפשר לזהות דפוסים במהירות, לפלח משתמשים ולשפר החלטות כמעט בזמן אמת. במקביל, הוא יוצר בעיות של הטיה, כפילויות, פרטיות, איכות נתונים ותלות במערכות מדידה של פלטפורמות מסחריות.

עבור מי שעוסק בשיווק באינטרנט, השאלה החשובה אינה אם להשתמש בביג דאטה. ברוב המקרים השימוש כבר מובנה במערכות הפרסום והאנליטיקה. השאלה היא כיצד להבחין בין נתון שימושי לבין מספר שנראה מדויק, אך מספר רק חלק מהסיפור.

מהו ביג דאטה בהקשר של מדידת קהלים?

ביג דאטה, או נתוני עתק, הוא שם כולל למאגרי מידע גדולים, מגוונים ומתעדכנים במהירות, שלא תמיד ניתן לנתח ביעילות באמצעות כלים מסורתיים. בתחום השיווק הדיגיטלי מדובר, בין היתר, בחשיפות למודעות, חיפושים, הקלקות, צפיות בווידאו, ביקורים באתר, עסקאות, שימוש באפליקציות ונתוני מועדוני לקוחות.

מקובל לתאר ביג דאטה באמצעות שלושה מאפיינים מרכזיים: נפח גדול של מידע, מהירות גבוהה שבה הוא נוצר, ומגוון רחב של מקורות ופורמטים. לעיתים מוסיפים גם שני מאפיינים חשובים במיוחד למדידה: אמינות הנתונים והערך העסקי שאפשר להפיק מהם.

לא כל מאגר גדול הוא בהכרח מקור טוב למדידת קהל. מיליארד אירועים טכניים אינם שקולים למיליארד בני אדם. אותו אדם יכול להופיע כמה פעמים, להשתמש במספר מכשירים או למחוק קובצי Cookie. מנגד, כמה בני משפחה עשויים לצפות בתוכן דרך אותו מסך או להשתמש באותו מחשב.

לכן חשוב להבחין בין אירוע, מכשיר ואדם. חשיפה היא אירוע. טלפון הוא מכשיר. צרכן הוא אדם. חלק גדול מהטעויות במדידת קהלים מתחיל כאשר מערכות מתייחסות לשלושת הדברים כאילו היו זהים.

היתרון הראשון: תמונה רחבה ומהירה יותר של התנהגות הקהל

היתרון הבולט של ביג דאטה הוא הכיסוי. במקום להסתמך רק על סקרים או על מדגם קטן של משיבים, ניתן לנתח כמויות עצומות של אינטראקציות בפועל. הנתונים יכולים להראות אילו מודעות הוצגו, מה המשתמשים חיפשו, באיזה שלב נטשו את האתר ואילו פעולות קדמו לרכישה.

המהירות משנה גם את אופן ניהול הקמפיינים. מנהל קמפיין של פרסום בגוגל אינו צריך להמתין לסיכום חודשי כדי לזהות ירידה בשיעור ההמרה. הוא יכול לראות שינוי בתוך שעות, לבדוק אם מקורו בדף נחיתה, בקהל מסוים או בתקלה בתהליך התשלום, ולפעול בהתאם.

היתרון הזה משמעותי במיוחד בתקופות של שינוי מהיר. השקת מוצר, מבצע קצר או אירוע חדשותי יכולים לשנות את הביקוש כמעט בן לילה. נתונים עדכניים מאפשרים לזהות את התנועה בזמן, בעוד שסקר תקופתי עלול להגיע מאוחר מדי.

עם זאת, מהירות אינה תחליף לבדיקה. מערכת שמדווחת בזמן אמת על אירועים שגויים פשוט מאפשרת לקבל החלטות שגויות מהר יותר. לכן יש לאמת שהתגיות פועלות, שהגדרות ההמרה נכונות ושאירוע שנקרא “רכישה” אכן מייצג עסקה שהושלמה.

היתרון השני: פילוח מדויק יותר — לפחות ברמה ההתנהגותית

ביג דאטה מאפשר לעבור מפילוח רחב, כמו גיל או אזור מגורים, לפילוח המבוסס על התנהגות. אפשר לזהות לקוחות חוזרים, גולשים שנטשו עגלת קניות, אנשים שצפו במוצר מסוים או משתמשים שנוטים להגיב למסרים מסוג מסוים.

עבור עסק קמעונאי, למשל, ההבדל בין “נשים בגילי 25–44” לבין “לקוחות שרכשו מוצרי ריצה פעמיים בשנה האחרונה” הוא מהותי. הקבוצה השנייה משקפת התנהגות ממשית ורלוונטית יותר להצעה שיווקית, גם אם לא ידועים עליה פרטים דמוגרפיים רבים.

נתונים כאלה מסייעים בהתאמת מסרים, בהקצאת תקציב ובבניית קהלים דומים. הם גם מאפשרים לזהות שלבים שונים במסע הלקוח: התעניינות ראשונית, השוואה, רכישה ונאמנות.

אבל “מדויק” אינו תמיד “מייצג”. קהל התנהגותי מתאר את מי שהמערכת הצליחה לזהות, לא בהכרח את כלל השוק. משתמשים שחוסמים מעקב, אינם מחוברים לחשבון או מבצעים רכישה בחנות פיזית עלולים להיעדר מהתמונה.

היתרון השלישי: חיבור בין חשיפה לתוצאה עסקית

אחת ההבטחות הגדולות של השיווק הדיגיטלי היא היכולת לקשור בין פעילות פרסומית לבין תוצאה. חיבור נתוני מדיה, אתר, מערכת CRM ומכירות יכול לספק תמונה טובה יותר של הדרך מחשיפה ועד רכישה.

כך, למשל, חברה יכולה לגלות שמודעת וידאו כמעט אינה מייצרת רכישות מיידיות, אך מופיעה בתחילת מסעות לקוח שבסופם מתבצעת רכישה דרך חיפוש ממותג. ללא חיבור בין מקורות הנתונים, המודעה עלולה להיראות ככישלון רק משום שלא קיבלה את הקרדיט האחרון.

כאן נכנס מושג הייחוס, או Attribution: הכללים שלפיהם מחלקים את הקרדיט בין נקודות המגע. מודל “קליק אחרון” מעניק את מלוא הקרדיט לערוץ האחרון לפני ההמרה. מודלים אחרים מנסים לחלק אותו בין מספר ערוצים או להעריך את תרומתם באמצעות מודלים סטטיסטיים.

אף מודל אינו משחזר את המציאות באופן מושלם. הוא מייצג דרך מסוימת לפרש אותה. כאשר משנים מודל ייחוס, תוצאות הקמפיין עשויות להשתנות על הנייר גם אם התנהגות הלקוחות לא השתנתה כלל.

החיסרון המרכזי: הרבה נתונים אינם בהכרח נתונים מייצגים

מדגם קטן שנבנה היטב עשוי לייצג אוכלוסייה טוב יותר ממאגר עצום שנאסף באופן מוטה. זהו עיקרון בסיסי במחקר, והוא רלוונטי במיוחד למדידת קהלים דיגיטליים.

אם הנתונים מגיעים רק ממשתמשי אפליקציה מסוימת, הם אינם מייצגים בהכרח אנשים שאינם משתמשים בה. אם מערכת מדידה מזהה טוב יותר משתמשים מחוברים, היא עלולה להעניק להם משקל עודף. אוכלוסיות מבוגרות, ילדים, משתמשים בעלי אוריינות דיגיטלית נמוכה או מי שמקפידים במיוחד על פרטיות עלולים להיות מיוצגים בחסר.

זו הסיבה שחברות מדידת קהל משלבות לעיתים נתונים בקנה מידה גדול עם פאנלים מחקריים. Nielsen, למשל, מתארת בשיטות המדידה שלה שילוב בין נתוני צפייה ממכשירים לבין פאנלים שמספקים מידע דמוגרפי וכיול. גם BARB, הגוף הבריטי למדידת צפייה, משתמש בגישה המשלבת פאנל עם נתונים ממכשירים וממקורות דיגיטליים.

הפאנל מספק עומק והקשר על בני האדם; הנתונים הגדולים מספקים היקף ופירוט. השילוב אינו מבטל את כל ההטיות, אך הוא בדרך כלל חזק יותר מהסתמכות עיוורת על מקור יחיד.

כפילויות, זהויות ושאלת “כמה אנשים באמת ראו?”

מדידת Reach, מספר האנשים הייחודיים שנחשפו לקמפיין, נעשית מורכבת כאשר אותו אדם משתמש בטלפון, במחשב, בטלוויזיה חכמה ובטאבלט. ללא מנגנון איחוד, הוא עלול להיספר ארבע פעמים.

קיימות שתי גישות עיקריות לפתרון. זיהוי דטרמיניסטי מבוסס על אות ברור יחסית, כגון התחברות לאותו חשבון במספר מכשירים. זיהוי הסתברותי משתמש בדפוסים טכניים והתנהגותיים כדי להעריך שמכשירים שונים שייכים לאותו אדם או משק בית.

הגישה הראשונה אמינה יותר בדרך כלל, אך מוגבלת למשתמשים מזוהים. השנייה מרחיבה את הכיסוי, אך מבוססת על הסתברות ועלולה לטעות. כאשר פלטפורמה מציגה מספר מדויק עד הספרה האחרונה, כדאי לזכור שמאחוריו עשויה לעמוד הערכה סטטיסטית, לא ספירה ודאית.

הקושי גדל במדידה חוצת פלטפורמות. Google, Meta, TikTok, אתרי תוכן ושירותי סטרימינג משתמשים במערכות זהות ובמתודולוגיות שונות. כל אחת יכולה לספור היטב יחסית בתוך סביבתה, אך קשה להסיר כפילויות בין הסביבות בלי גישה לנתונים משותפים.

לא כל חשיפה היא תשומת לב

מערכות פרסום מצטיינות בספירת אירועים טכניים, אך אירוע טכני אינו מעיד בהכרח על השפעה אנושית. מודעה יכולה להיטען בתחתית עמוד בלי שהמשתמש הגיע אליה. סרטון יכול להתנגן כשהטלפון מונח בצד. הקלקה יכולה להיות מקרית או להיווצר על ידי בוט.

תקני MRC למדידת נראות קובעים רף מקובל שלפיו מודעת תצוגה נחשבת נצפית כאשר לפחות 50% מהפיקסלים שלה נמצאים באזור הנראה במשך שנייה רצופה; בווידאו מדובר בשתי שניות רצופות. זהו תנאי טכני חשוב, אך הוא אינו מוכיח שהאדם שם לב למסר, הבין אותו או זכר את המותג.

לכן יש להפריד בין חשיפה, נראות, תשומת לב והשפעה. אלה ארבע שכבות שונות. ביג דאטה מודד היטב יחסית את שתי הראשונות. את השתיים האחרות יש לעיתים להשלים באמצעות סקרי זכירות, ניסויים מבוקרים, מחקרי Brand Lift או בדיקת שינוי במכירות.

פרטיות ורגולציה: הנתונים אינם חומר גלם חופשי

ככל שמערך המדידה עשיר יותר, כך גדלה האחריות המשפטית והניהולית. תקנות GDPR באיחוד האירופי מחייבות, בין היתר, מטרה מוגדרת לעיבוד מידע, שקיפות, צמצום נתונים ואבטחה. הפרות חמורות עשויות להוביל לקנסות של עד 20 מיליון אירו או 4% מהמחזור העולמי השנתי, לפי הגבוה מביניהם.

בישראל חלים חוק הגנת הפרטיות ותקנות הגנת הפרטיות בנושא אבטחת מידע. הם מחייבים ארגונים להתייחס, בין היתר, למטרות השימוש במידע, להרשאות גישה, לאבטחה ולניהול מאגרי מידע בהתאם לנסיבות.

גם שינויים טכנולוגיים משפיעים על המדידה. מנגנון App Tracking Transparency של Apple, שהושק עם iOS 14.5, מחייב אפליקציות לבקש רשות לפני מעקב אחר משתמשים באפליקציות ובאתרים של חברות אחרות. דפדפנים ומערכות הפעלה מגבילים גם הם אמצעי זיהוי מסוימים.

התוצאה היא מעבר הדרגתי לנתוני צד ראשון: מידע שהעסק אוסף ישירות מלקוחותיו, כמו עסקאות, הרשמות והעדפות שנמסרו באופן מודע. נתונים כאלה יכולים להיות איכותיים ושימושיים, אך הם אינם פוטרים מהסכמה מתאימה, אבטחה, הגבלת שימוש ומדיניות שמירת מידע.

הסכנה הניהולית: אופטימיזציה למדד הלא נכון

מערכות אוטומטיות משתפרות במה שהוגדר להן למדוד. אם המטרה היא הקלקות, הן יחפשו משתמשים שנוטים להקליק. אם המטרה היא מילוי טופס, הן עשויות למצוא קהל שמשאיר פרטים בקלות — גם אם רוב הפניות אינן הופכות ללקוחות.

נניח שמכללה מפעילה קמפיין קידום בגוגל ומגדירה כל טופס שנשלח כהמרה. האלגוריתם עשוי להוזיל את העלות לליד, אך אם לא מחברים את מערכת הפרסום לנתוני הרשמה בפועל, אין דרך לדעת אם הלידים הזולים הם גם איכותיים.

הפתרון אינו לבחור רק מדד אחד “מושלם”, אלא לבנות שרשרת מדדים: חשיפות ונראות, ביקורים איכותיים, לידים תקינים, עסקאות, הכנסה ורווחיות. ככל שהמדד קרוב יותר לתוצאה העסקית, כך הוא שימושי יותר — אך בדרך כלל גם איטי, נדיר ומורכב יותר למדידה.

כך בונים מדידת קהלים אמינה יותר בשיווק באינטרנט

הגישה הנכונה היא היברידית. היא משלבת נתונים התנהגותיים בהיקף גדול עם מחקר, בקרת איכות והבנה עסקית. אין צורך למדוד כל דבר; צריך למדוד את הדברים שעוזרים לקבל החלטה.

ראשית, יש להגדיר מהי יחידת המדידה: משתמש, משק בית, מכשיר, חשבון או עסקה. שנית, יש לתעד את מקור כל נתון ואת המגבלות שלו. נתון ממערכת CRM אינו זהה לנתון מפלטפורמת פרסום, וגם כאשר שני הדוחות משתמשים במילה “המרה”, ייתכן שהם מתכוונים לאירועים שונים.

שלישית, כדאי לבצע הצלבות. אם פלטפורמה מדווחת על עלייה חדה בהמרות, יש לבדוק אם היא מופיעה גם במערכת המכירות, בנתוני התשלום או בהכנסות. פער אינו בהכרח תקלה: הוא יכול לנבוע מחלונות ייחוס שונים, מביטולי עסקאות, ממעקב בין מכשירים או ממודלים סטטיסטיים.

רביעית, כאשר ההחלטה משמעותית, רצוי להשתמש בניסוי. בדיקת A/B, חלוקה גיאוגרפית או קבוצת ביקורת יכולות לספק תשובה טובה יותר לשאלה הסיבתית: מה קרה בגלל הפרסום, ולא רק מה התרחש לאחריו. גם ניסוי אינו חסין מטעויות, אך הוא מפחית את התלות במתאמים בלבד.

לבסוף, יש לקבוע ספי איכות. שיעור חריג של תנועה לא אנושית, נפילה פתאומית בכמות האירועים או פער גדול בין עסקאות מדווחות להכנסות הם סימנים לעצור ולבדוק לפני שמגדילים תקציב.

טבלת סיכום: מה ביג דאטה נותן ומה הוא עלול להסתיר

השאלות שכדאי לשאול לפני שמאמינים לדוח

• האם הנתון מתאר אנשים, מכשירים, חשבונות או אירועים — וכיצד מסירים כפילויות ביניהם?
• מי אינו נכלל במאגר, והאם ההיעדרות שלו יוצרת הטיה בקהל הנמדד?
• האם ההמרה שנמדדת קשורה להכנסה או לרווח, או שהיא רק פעולה דיגיטלית שקל לספור?
• באיזה מודל ייחוס ובאיזה חלון זמן נעשה שימוש, וכיצד בחירה זו משפיעה על התוצאה?
• האם איסוף המידע נחוץ, מאובטח ותואם את ההסכמות, המטרות והדרישות הרגולטוריות?

המסקנה: להשתמש בביג דאטה, אך לא להתבלבל בינו לבין האמת

ביג דאטה שינה את מדידת הקהלים משום שהוא מאפשר לראות יותר, מהר יותר וברמת פירוט שלא הייתה זמינה בעבר. הוא מסייע לזהות דפוסים, להתאים מסרים, לעקוב אחר מסעות לקוח ולחבר פעילות שיווקית לתוצאות עסקיות.

אבל הנתונים אינם המציאות עצמה. הם תוצר של בחירות: מה נאסף, ממי, באיזו מערכת, לפי איזו הגדרה ובאיזה מודל. קהל גדול במערכת אחת יכול להיות קהל חלקי במציאות; המרה מדווחת יכולה להיות ליד חלש; ודיוק עד הספרה האחרונה יכול להסתיר הנחות וחוסר ודאות.

מדידת קהלים מקצועית אינה נשענת על לוח מחוונים יחיד. היא מחברת בין נתוני עתק, נתוני צד ראשון, מחקר, ניסויים והיגיון עסקי. היתרון האמיתי אינו שייך למי שאוסף הכי הרבה מידע, אלא למי שיודע אילו שאלות להפנות אליו — ומתי לא לקבל את התשובה כפשוטה.