למה LLM פותר מה ש-GA4 לא פתר
GA4 הוא כלי מצוין לאיסוף דאטה. הוא גרוע בלהסביר אותה. אם שאלת פעם ״למה ההמרות ירדו בשבוע שעבר?״ וקיבלת מ-GA4 גרף יורד בלי תשובה — זה לא באג, זה ה-Design. GA4 מראה מה קרה. LLM מסביר למה.
הבעיה של משווקים ישראלים ב-2026 היא לא חוסר דאטה — זה עודף דאטה מפוצל. יש לך חשבון GA4, חשבון Google Ads, חשבון Meta, חשבון TikTok, חשבון Mailchimp, גיליון ב-Monday עם לידים, וקובץ Excel של המכירות שהמנכ״ל שולח כל סוף חודש. כל מקור מספר סיפור חלקי. ה-LLM הוא השכבה שמאחדת את הסיפורים.
זמן ממוצע שמשווק ישראלי מבלה בחודש על יצירת דוח חודשי ידני (סקר פנימי, 2025)
אותו דוח עם AI Assistant מוגדר מראש (נתון מבוסס מדידת זמן של תהליך ידני לעומת אוטומציה)
מספר ממוצע של פלטפורמות דאטה שמשווק ישראלי מנהל במקביל ב-2026
סף סטטיסטי לזיהוי אנומליה — מעל 2 סטיות תקן מהממוצע זה כבר לא רעש
שלוש השאלות שאתה שואל כל שבוע — ו-GA4 לא עונה עליהן
- ״למה?״ — GA4 מראה ירידה. לא יודע להגיד אם זו שבת, שינוי אלגוריתם, או באג ב-Checkout. LLM יודע להצליב עם הקשר של כל הפלטפורמות וההיסטוריה שלך, ולהציע שלוש היפותזות מדורגות לפי הסבירות.
- ״מה כדאי לעשות?״ — GA4 מראה ש-Facebook מביא תעבורה זולה. לא יודע שה-LTV של לקוחות Facebook חצי מ-Google. LLM מחבר נתונים ממקורות שונים ומחזיר המלצה שמתחשבת ברווח לטווח ארוך, לא רק ב-CPA של היום.
- ״ספר לי סיפור בעמוד אחד״ — GA4 נותן 47 דשבורדים. LLM כותב פסקה. המנכ״ל לא רוצה 47 דשבורדים — הוא רוצה לדעת מה קרה ומה לעשות.
ההבדל המהותי הוא שAI לא מחליף את GA4 — הוא מוסיף לו שכבה של הבנה. המערכת של Google אוספת אירועים; ה-LLM מפרש אותם. חשוב על GA4 כמצלמה של האתר שלך ועל Claude כעורך ה-Documentary שהופך את הצילומים לסיפור.
ההבחנה בין Descriptive, Diagnostic, Predictive ו-Prescriptive
Gartner הגדירה ארבע רמות של Analytics. רוב המשווקים תקועים ברמה 1. המטרה של הפרק הזה היא לקחת אותך לרמה 3-4:
| רמה | השאלה | דוגמה | הכלי המתאים |
|---|---|---|---|
| 1. Descriptive | מה קרה? | ״הכנסות Q1 היו 480,000 ש״ח״ | GA4, Looker Studio |
| 2. Diagnostic | למה זה קרה? | ״ההכנסות ירדו כי Meta CPA עלה ב-32% בגלל Creative Fatigue״ | GA4 + Claude |
| 3. Predictive | מה יקרה? | ״אם המגמה נמשכת, Q2 יסתיים 8% מתחת ליעד״ | Claude + היסטוריה |
| 4. Prescriptive | מה כדאי לעשות? | ״להעביר 12,000 ש״ח מ-Meta ל-Google PMax ולרענן 3 Creatives״ | Claude Project + הקשר |
פתח טאב חדש. רשום שלוש שאלות שאתה (או המנכ״ל) שאלת השבוע לגבי הדאטה — ולא מצאת תשובה מלאה בדשבורד. אלה השאלות שה-Assistant שתבנה בהמשך הפרק צריך לענות עליהן. שמור את הרשימה — נשתמש בה עוד פעמיים בהמשך.
LLM לא אוסף דאטה. הוא קורא דאטה שמישהו אחר אסף. אם ה-GA4 שלך לא מוגדר נכון (אין Conversion Events, חסר Enhanced Measurement, ה-Pixel של Meta לא יורה) — גם Claude לא יעזור. לפני שמתחילים עם AI Analytics, וודא ש-GA4 ו-Ads Platforms אוספים את הדאטה הנכונה. בפרק 7 כבר הגדרת את זה — חזור לרשימת הצ׳קליסט אם אתה לא בטוח.
בניית ה-AI Data Assistant שלך
הגישה של ״אעלה CSV ל-ChatGPT כשצריך״ עובדת לשאלה אחת. היא נשברת ברגע שאתה מנהל 5 חשבונות לקוח או רוצה עקביות. הפתרון: Assistant קבוע שמכיר את העסק שלך, יודע איפה הדאטה, ומתנהג לפי כללים. Claude Projects, ChatGPT Custom GPTs, ו-Gemini Gems נותנים לך את זה חינם או ב-20$ לחודש.
ארכיטקטורה: 3 שכבות
- שכבת הדאטה (Data Layer): מקורות — GA4 Export ל-Google Sheets (חינם), Google Ads Report Editor, Meta Ads Manager Export, גיליון CRM ב-Monday
- שכבת ההקשר (Context Layer): Project Knowledge ב-Claude או System Instructions ב-GPT — העסק, הקהל, החגים, הבנצ׳מרקים, המטרות
- שכבת השאילתה (Query Layer): אתה שואל שאלה → ה-Assistant משלב את הדאטה עם ההקשר → מחזיר תובנה
תבנית System Instructions לעסק ישראלי
אתה עוזר אנליטיקס למשווק/סוכנות ישראלית. העסק שלי: [תיאור ב-2 משפטים — מה אנחנו מוכרים, למי, איפה].
KPIs עיקריים (מוגדרים לפי סדר חשיבות):
1. Revenue החודשי (יעד: [X] ש״ח)
2. CAC (יעד מקסימום: [X] ש״ח)
3. ROAS (יעד מינימום: [X])
4. Qualified Leads / חודש (יעד: [X])
5. Conversion Rate — אתר (יעד: [X]%)
ערוצי שיווק פעילים: Google Ads (Search + PMax), Meta Ads (Advantage+), SEO/Content, Email. תקציב חודשי כולל: [X] ש״ח.
הקשר ישראלי: כל הסכומים ב-ש״ח (כולל מע״מ 17% אלא אם צוין אחרת). שבתות (ו׳ 14:00 – ש׳ 20:00) = ירידה צפויה, לא אנומליה. חגים ישראליים שאתה חייב להכיר: ר״ה, יו״כ, סוכות, חנוכה, פסח, ל״ג בעומר, שבועות, ט׳ באב. פורמט תאריכים: DD/MM/YYYY.
כללי ניתוח:
— תמיד התחל בשורה תחתונה של שורה אחת לפני הפירוט
— כל תובנה חייבת להגיע עם פעולה מוצעת (״כדאי לעשות X״)
— אם הדאטה חסרה — תגיד במפורש ״חסר לי X כדי לענות במלואה״ ואל תמציא
— בכל אנומליה הצע 3 הסברים אפשריים, לפי סיכוי יורד
— השתמש במספרים מעוגלים (אלפים — 1,250 לא 1248.37)
כשאני שולח לך CSV — התחל בלהכריז על המבנה (שורות, עמודות, טווח תאריכים) לפני הניתוח. אם יש PII — תתריע ואל תעבד.
פתח Claude.ai → Projects → New Project → קרא לו ״AI Marketing Analyst — [שם העסק]״. העתק את התבנית למעלה, מלא את ה-[X] עם המספרים שלך (אל תדלג — Assistant בלי הקשר = Claude רגיל), ולחץ Save. אם אין לך Claude Pro — עשה את אותו דבר ב-ChatGPT Plus: Explore GPTs → Create → Instructions. אם אין לך שני אלה — Gemini Gems חינם.
Claude vs ChatGPT vs Gemini — מה לבחור ל-Analytics
שלושת ה-LLMs הגדולים מתאימים ל-Analytics, אבל עם הבדלים חשובים. לפי הניסיון של 2025-2026:
- Claude (Pro/Teams): הכי חזק בעבודה עם CSV ארוכים ובכתיבת נרטיב מובנה. Projects מעניק Knowledge Base מתמשך. Context window של 200K מאפשר להעלות כמה קבצים בשיחה אחת. המלצה: ברירת המחדל ל-Analytics.
- ChatGPT Plus (עם Advanced Data Analysis): היתרון הגדול — Code Interpreter יכול להריץ Python על הקבצים שלך. זה מבטיח שהחישובים מדויקים (לא ״משוער״). חולשה: פחות חזק בכתיבת טקסט עברי איכותי. השתמש בו כשאתה רוצה 100% דיוק על חישובים כמותיים.
- Gemini (Advanced): היתרון — שילוב ישיר עם GA4 ו-Google Workspace. אתה יכול לשאול שאלות ישירות בתוך GA4 ללא ייצוא. חולשה: עומק הניתוח עדיין פחות מ-Claude. השתמש בו לשאלות מהירות בתוך הממשק.
השילוב האופטימלי: Claude Project ל-Analytics נרטיבי + ChatGPT ADA לחישובים מדויקים + Gemini ל-Quick Questions ישירות ב-GA4. ב-2026 זה סביב 40 דולר לחודש על שלושה כלים — מצדיק את עצמו אחרי שעה אחת של חיסכון בדוח החודשי.
מה להעלות כ-Project Knowledge
Claude Projects מאפשר להעלות עד 100MB של מסמכים שה-Assistant רואה כל הזמן. אלה הדברים שכדאי להעלות פעם אחת ולא בכל שיחה מחדש:
- Brand Guide: הקובץ מפרק 3 — טון, קהל, בידול
- Product Catalog: רשימת המוצרים/שירותים עם מחירים ו-Margins
- Campaign History: גיליון עם כל הקמפיינים של 3 החודשים האחרונים — שם, תאריכי ריצה, תקציב, יעד
- Benchmarks: טבלת הבנצ׳מרקים הישראליים (מופיעה בהמשך הפרק — העלה אותה)
- חגים 2026: רשימת חגים עם תאריכי ״לא טובים לקמפיינים״ ו-״פיקים״
Project Knowledge הוא ל״כללים קבועים״. את הדאטה היומית/שבועית תעלה בשיחה עצמה כ-CSV. הסיבה: אם תעלה גיליון מכירות כ-Knowledge, כל שבוע יהיה לך קובץ מיושן ש-Claude מתבלבל ממנו. כלל אצבע: Knowledge = משתנה פעם בחודש. Chat attachments = משתנה כל שבוע.
שאלות בשפה טבעית — איך לשאול נכון
LLM טוב ככל שהשאלה שלך טובה. "איך הקמפיין עובד?" יניב תשובה כללית ורדודה. "למה ROAS של Performance Max ירד מ-4.2 ל-3.1 בין 01/03 ל-15/03, וכמה מזה נובע מירידה בקונברז׳ן vs ירידה בערך עסקה?" יניב ניתוח מדויק. ההבדל: הפרטים.
הנוסחה של שאלה טובה: M.E.T.R.I.C
- M — Metric: באיזה מדד מדובר (ROAS, CAC, CTR, Revenue)
- E — Entity: על מה (קמפיין ספציפי, ערוץ, מוצר, סגמנט)
- T — Time: איזה טווח (החודש, שבוע מול שבוע קודם, Q1 לעומת Q4)
- R — Reference: לעומת מה (יעד, ממוצע היסטורי, בנצ׳מרק ענפי)
- I — Interpretation: מה אתה רוצה שיסביר (סיבה, תחזית, המלצה)
- C — Context: מה הקשר עסקי (השקנו מוצר, שינינו מחיר, החגים)
רעה: ״איך הקמפיינים?״
טובה (לפי M.E.T.R.I.C):
״בקובץ המצורף, ROAS של קמפיין ״Q1-PMax-Shoes״ ב-Google Ads בין 01/03 ל-24/03 (3 שבועות). השווה לממוצע של 30 הימים שלפני כן. אני רוצה להבין: (1) האם הירידה משמעותית או רעש, (2) מה הגורם הדומיננטי — ירידה ב-Conversion Rate או ב-AOV, (3) מה קרה בקמפיינים האחרים באותו זמן. הקשר: ב-10/03 העלינו מחיר ב-8%. בנצ׳מרק Israel E-com ROAS בקטגוריית אופנה: 3.5-4.0.״
20 פרומפטים מוכנים לשימוש
העתק כל אחד מאלה ל-Notes שלך. השלם את ה-[סוגריים] לפני שימוש. שמור כל פרומפט שעבד טוב עם תאריך השימוש.
״סרוק את 7 הימים האחרונים לעומת 7 הימים הקודמים. דווח בטבלה: Revenue, Sessions, Conversions, CVR, CPA, ROAS, עם שינוי %. סמן בירוק מה גדל 5%+, באדום מה ירד 5%+. בסוף: שורה אחת — ״השבוע הזה לעומת הקודם: [טוב/רע/רגוע] כי [סיבה מרכזית]״.״
״[KPI] ירד מ-[X] ל-[Y] בין [תאריך] ל-[תאריך]. נתח את הנתונים המצורפים וזהה: (1) איזה ערוץ/קמפיין אחראי לרוב הירידה, (2) שלושה הסברים אפשריים מדורגים לפי סיכוי, (3) איך אני מוודא איזה הסבר נכון (איזה דאטה נוסף אצטרך), (4) פעולה מיידית שאפשר לעשות גם לפני שהאבחון הושלם.״
״התקציב הכולל שלי [X] ש״ח לחודש, מחולק היום כך: [פירוט]. על בסיס הביצועים ב-30 הימים האחרונים (קובץ מצורף), הצע חלוקה מחודשת שתמקסם Revenue תחת אותו תקציב. לכל שינוי: מ-Y ל-Z ש״ח, למה, וסיכון עיקרי. כלל: אל תעביר יותר מ-30% מערוץ קיים בבת אחת (יציבות).״
״בקובץ Search Terms Report של Google Ads מצ״ב: זהה את 10 מילות החיפוש הכי רווחיות (Revenue בניכוי Spend) ואת 10 המבזבזות ביותר (Spend ללא Conversions). לכל מילה רווחית — מה משותף לה? לכל מבזבזת — האם להוסיף ל-Negative או לבדוק Landing Page?״
״נתח את הפאנל: [שלב 1: X ביקורים] → [שלב 2: Y Add-to-Cart] → [שלב 3: Z Checkout Start] → [שלב 4: W Purchase]. חשב Drop-off % בין כל שלב. זהה את הצוואר. השווה Mobile vs Desktop — האם יש הבדל? הצע 3 A/B tests ספציפיים לשלב הבעייתי ביותר, עם השפעה מוערכת על Revenue אם כל אחד יצליח.״
״מצורף GA4 Landing Pages Report ל-30 יום. נתח את 20 הדפים המובילים לפי Engagement Rate ו-Conversions. לכל דף: (א) מה Retention Rate, (ב) Time on Page, (ג) Bounce, (ד) Conversions אם היו. זהה 3 דפוסים: מה משותף לדפים המצליחים? מה חסר בדפים שלא מתפקדים? הצע 5 שיפורים טכניים ו-3 שיפורי תוכן.״
״מצורף ייצוא מ-Similarweb/Searchen של תנועה שלנו ושל 3 מתחרים ישירים: [שמות]. נתח: (1) באיזה מקור תנועה הם חזקים יותר מאיתנו? (2) אילו מילות חיפוש הם מובילים שאנחנו לא? (3) איזו פלטפורמת Social מניבה להם תנועה שלא מניבה לנו? (4) מה 3 האפיקים שהכי כדאי לנו לפצח לעומתם ב-Q הבא?״
13 פרומפטים נוספים תבנה בעצמך לאורך הפרק — בכל סעיף יש דוגמה או תבנית לחיקוי. שמור את כולם בקובץ אחד בשם prompts-analytics.md והעלה אותו ל-Project Knowledge. כלל אצבע: כל פרומפט ששמרת ושימש אותך 3+ פעמים — הוסף אותו לספרייה עם תאריך ותוצאה.
קח את שלוש השאלות שרשמת ב-Do-Now הראשון של הפרק. שכתב כל אחת מהן לפי M.E.T.R.I.C. השווה — כמה יותר ספציפית היא עכשיו? אם לא יכולת לענות על אחד מ-6 המרכיבים — זה הסימן שחסר לך דאטה, לא Assistant. רשום לעצמך איזה דאטה חסר.
LLMs יכולים להמציא מספרים כשהם מעבדים CSV גדול — במיוחד כשהם ״מסכמים״ עמודות. תמיד בקש שישלב את החישוב: ״הראה לי את הטבלה שהגעת אליה לפני שחישבת את הממוצע.״ בדוק ידנית 2-3 שורות. אם המספר שלו סותר את ה-Gut Feeling שלך — בקש לראות את החישוב שלב אחר שלב. Claude 3.5+ שוגה פחות מ-GPT-4o בעיבוד CSV, אבל שניהם לא 100%.
Weekly Insight Report — דוח שבועי אוטומטי
הדוח השבועי הוא הפגישה השבועית של הדאטה עם ההחלטות. רוב המשווקים בונים אותו ידנית ב-3 שעות, מפרסמים אותו בשישי, ואף אחד לא קורא אותו עד הרבעון הבא. דוח טוב הוא עמוד אחד, נכתב ב-12 דקות, וגורם לפעולה עד יום שני.
מבנה הדוח: TL;DR + 5+3
כל דוח שבועי שלך מעכשיו ייראה ככה, בלי חריגה:
- TL;DR (2 משפטים): מה קרה, מה הפעולה המרכזית
- 5 KPIs (טבלה): המדדים הקריטיים + שינוי % מול שבוע קודם
- 3 Wins: מה עבד — עם מספר
- 3 Concerns: מה לא עבד — עם סיבה משוערת
- 3 Actions לשבוע הבא: פעולה, אחראי, יעד מדיד
זהו. בלי ״Total Sessions by Day״. בלי Pie Charts של Devices. אם אין פעולה נגזרת — זה לא צריך להיות בדוח.
״מצורף: GA4 export ו-Ads export ל-7 הימים האחרונים ולשבוע הקודם (שני קבצים). כתוב Weekly Insight Report בפורמט הבא:
— TL;DR: 2 משפטים. משפט ראשון = מה קרה השבוע. משפט שני = הפעולה החשובה ביותר לשבוע הבא.
— KPIs Table (5 שורות): Revenue, Sessions, Conversions, CVR, Blended CAC. לכל שורה: השבוע, שבוע קודם, שינוי %, Emoji 🟢/🔴/⚪.
— Wins (3 נקודות): עם מספר קונקרטי בכל נקודה.
— Concerns (3 נקודות): כל נקודה עם סיבה משוערת (לא ״צריך לבדוק״ — תן היפותזה).
— Actions (3 נקודות): [פעולה] — [אחראי: שיווק/מפתח/חיצוני] — [עד מתי] — [יעד מדיד].
אורך כולל: עד 300 מילים. טון: ישיר, עסקי, עברית. הסכומים בש״ח. אם חסר נתון — תגיד ״חסר״, אל תמציא.״
Token Management — למה הקבצים שלך לא עוברים
Claude Pro תומך ב-200K tokens של context — זה בערך 150K מילים. נשמע הרבה, אבל CSV של GA4 עם 90 יום וכל ה-dimensions יכול לאכול 40K tokens בעצמו. אם אתה מעלה שלושה קבצים כאלה — אתה כבר ב-120K. הוסף System Instructions, Knowledge Base, והיסטוריית השיחה — ואתה קרוב לגבול.
שלושה טריקים לחיסכון בטוקנים:
- ייצא רק את העמודות שצריך: ב-GA4, לחץ Customize → הסר עמודות מיותרות לפני Export. במקום 25 עמודות, ייצא 8. חיסכון: 60-70%.
- אגרג לפני העלאה: אם אתה שואל שאלה ברמה שבועית, אין טעם לייצא ברמה דקה. אגרג ל-Daily ב-Excel לפני ההעלאה. קובץ של 90 שורות במקום 90,000.
- השתמש ב-Sonnet לניתוחים גדולים: Claude 3.5 Sonnet זריז יותר ויותר יעיל ב-Token per Insight מאשר Opus כשמדובר בעיבוד CSV. שמור את Opus לניתוחים מורכבים עם הרבה שלבי reasoning.
דוח לסוכנות מול דוח פנימי
אם אתה סוכנות — יש לך גם ״דוח ללקוח״ וגם ״דוח פנימי״. ההבדל הוא הטון, לא הדאטה:
| מרכיב | דוח פנימי | דוח ללקוח |
|---|---|---|
| TL;DR | ״CVR ירד 12%, צ׳ק אאוט במובייל שבור, צריך fix״ | ״השבוע זיהינו הזדמנות לשיפור במובייל שתעלה את ה-ROI״ |
| Concerns | ״Meta CPA עלה 28% — יצירתיות עייפות, צריך 3 חדשים מיידית״ | ״מדדי Meta דורשים רענון יצירתי — מתוכנן לשבוע הבא״ |
| Actions | ״דן: A/B test בצ׳ק אאוט עד ד׳״ | ״הצוות שלנו מתקדם עם אופטימיזציות השבוע״ |
בשני המקרים — המספרים זהים, התובנה זהה. רק הניסוח. פרומפט נכון: ״כתוב את אותו דוח בשתי גרסאות — Internal Team ו-Client Facing.״ זה חוסך שעה בשבוע.
- ייצא דאטה (5 דקות): GA4 → Reports → Life Cycle → Traffic Acquisition → 7 ימים אחרונים → Share → Download CSV. חזור על זה ל-7 ימים שלפני. שני קבצים.
- הסר PII (2 דקות): פתח את הקבצים ב-Excel, וודא שאין עמודות של אימיילים/שמות/טלפונים. אם יש — מחק.
- העלה לפרויקט (2 דקות): גרור את שני הקבצים לשיחה חדשה ב-Claude Project שבנית קודם.
- שלח את הפרומפט (1 דקה): העתק את Prompt ה-Weekly Insight Report שלמעלה.
- קרא ביקורתית (5 דקות): האם ה-TL;DR מדויק? האם ה-Actions באמת אפשריות? אם לא — שאל שאלת Follow-up לתיקון.
- הוסף הקשר אנושי (5 דקות): ה-LLM לא יודע שהשקנו מוצר ביום ה׳ או שהיה חג. הוסף פסקת ״Context״ שלך ל-TL;DR.
- שמור Template (5 דקות): העתק את הפרומפט שהשתמשת בו לקובץ
weekly-report-template.md. בשבוע הבא רק תייצא שני קבצים חדשים — הפרומפט זהה.
תוצר: דוח שבועי כתוב + Template שמוכן לשימוש חוזר. מכאן כל שבוע = 12 דקות במקום 3 שעות.
Anomaly Detection — התראה לפני המשבר
אנומליה טובה שמזוהה בזמן שווה ROI של חודשיים. CPA שקפץ ב-40% ביום שלישי בבוקר — אם זיהית בצהריים, הפסדת 200 ש״ח. אם זיהית ביום חמישי — הפסדת 2,000. אם זיהית בסוף החודש — הפסדת את הבונוס.
רוב המשווקים מזהים אנומליות בסוף החודש כשהם עושים את הדוח. אתה תזהה אותן בבוקר כשאתה שותה קפה.
שלוש שיטות — בחר אחת
אם אתה משווק עצמאי עם 1-2 חשבונות → GA4 Custom Insights (חינם, דקה להגדרה, התראה במייל). פתח Admin → Custom Insights → Create. מגביל לקטגוריות GA4 בלבד — אבל מכסה 80% מהמקרים.
אם אתה מנהל 3-10 חשבונות → Looker Studio + Scheduled Email. בונה דשבורד אחד עם KPI חשובים, מגדיר Alerts, Looker שולח מייל שבועי אוטומטי. חינם.
אם אתה סוכנות עם 10+ חשבונות / זקוק להתראה יומית חוצה-פלטפורמות → Claude API + n8n + Slack. n8n מושך דאטה כל בוקר מ-GA4 ו-Ads APIs, Claude מנתח, Slack מתריע. עלות: ~150 ש״ח/חודש ב-n8n Cloud + Claude API usage. למתקדמים — נלמד את זה בפרק 13.
איך מחשבים אנומליה סטטיסטית — ה-Math הפשוט
אנומליה מוגדרת כערך שחורג ב-2 סטיות תקן או יותר מהממוצע. 2 סטיות תקן מכסה 95% מהפיזור הסטטיסטי של הדאטה — מה שאומר שרק 5% מהמקרים ״נופלים״ מחוץ לטווח הנורמלי. אם אירוע קורה רק 5% מהזמן — כדאי לשים לב אליו. להלן הנוסחה שתן ל-Claude להריץ:
- קח את 30 הימים האחרונים של ה-KPI (לא כולל היום שבודקים).
- חשב ממוצע:
Mean = Σ(values) / n. - חשב סטיית תקן:
StdDev = √(Σ(value - Mean)² / n). - חשב את ה-Z-Score של היום:
Z = (Today's Value - Mean) / StdDev. - אם |Z| > 2 → אנומליה. אם |Z| > 3 → אנומליה קיצונית (1 מכל 370 מקרים).
זה כל ה-״Data Science״ שצריך לזיהוי אנומליות בשיווק. אין צורך ב-ML models או Neural Networks — הסטטיסטיקה של Z-Score עובדת מעולה ל-95% מהמקרים. Claude יבצע את החישוב הזה מהקובץ שלך בשניות.
8 כללי ההתראה המומלצים
אלה ספים שעובדים לרוב העסקים. התאם ל-KPIs שלך אם הבנצ׳מרק שלך שונה מהותית.
| # | KPI | תנאי | חלון השוואה | חומרה | פעולה |
|---|---|---|---|---|---|
| 1 | Daily Revenue | ירידה >30% | 7 ימים ממוצע | קריטית | בדוק תשלומים, CRM, Checkout |
| 2 | Blended CAC | עלייה >25% | 14 ימים ממוצע | גבוהה | בדוק Creative Fatigue, תחרות |
| 3 | Google Ads ROAS | ירידה >20% | 7 ימים ממוצע | גבוהה | בדוק Search Terms, Quality Score |
| 4 | Meta CPM | עלייה >35% | 14 ימים ממוצע | בינונית | בדוק Audience Overlap, Frequency |
| 5 | Site CVR | ירידה >15% | 30 ימים ממוצע | קריטית | בדוק טכני — טעינה, Checkout, Form |
| 6 | Bounce Rate | עלייה >20% | 30 ימים ממוצע | בינונית | בדוק מקור Traffic — Bots? |
| 7 | Organic Traffic | ירידה >25% | 28 ימים ממוצע | גבוהה | בדוק Search Console, Indexing, Core Update |
| 8 | Email Open Rate | ירידה >30% | 5 קמפיינים אחרונים | בינונית | בדוק Deliverability, Spam flags |
״מצורף קובץ עם נתוני היום ונתוני 30 הימים הקודמים (3 עמודות: תאריך, KPI, ערך). סרוק את 8 ה-KPIs הבאים: Revenue, Blended CAC, Google Ads ROAS, Meta CPM, Site CVR, Bounce Rate, Organic Sessions, Email Open Rate. לכל KPI:
1. חשב ממוצע וסטיית תקן של 30 הימים הקודמים (לא כולל היום).
2. בדוק אם ערך היום חורג ב-2 סטיות תקן או יותר.
3. אם כן — סמן כאנומליה. אם לא — תגיד ״תקין״.
4. לכל אנומליה: חומרה (קריטית/גבוהה/בינונית) ופעולה מוצעת.
5. בסוף: סיכום בשורה אחת — ״היום יש [X] אנומליות. הכי דחופה: [Y]״.
חשוב: אם היום הוא שבת או חג ישראלי — סמן זאת במפורש ואל תתריע על ירידה צפויה.״
פתח GA4 → Admin → Custom Insights → Create. בחר ״Traffic Sources״ → Metric: Sessions → Condition: % Change < -30% vs Previous Period → Email Notification: yes. לחץ Save. עכשיו יש לך את ההתראה הראשונה. הוסף עוד אחת ל-Conversions. זה חינם ולוקח דקה.
״תתריע לי כש-CPA עולה ב-20%״ זה סף אבסולוטי — עובד רק אם העסק יציב. אם ה-CPA שלך תנודתי מטבעו (עונתי, קמפיינים קצרים), תקבל שפע False Positives ותפסיק לקרוא התראות. הפתרון: השתמש ב-2 סטיות תקן מהממוצע הנע. אנומליה אמיתית = חריגה סטטיסטית, לא חריגה אחוזית. תן ל-Claude לחשב את זה בשבילך (״חשב ממוצע וסטיית תקן של 30 יום, והתריע רק מעל 2σ״).
Attribution אמיתי — מעבר ל-Last Click
אם אתה מודד ערוצים רק לפי Last Click, אתה כנראה מפחית תקציב ל-Facebook ומגדיל ל-Google Branded Search. זו הסיבה ש-Branded Search ״ממיר הכי טוב״ — אבל הוא לא יצר את הביקוש. הוא רק תפס אותו. Facebook, SEO ו-Email בנו את הביקוש שהגיע לבסוף ל-Branded Search. אם תחתוך אותם, Branded Search יתחיל ״להיעלם״ — ואז תבין.
5 מודלים — מתי איזה
| מודל | מה עושה | מתי להשתמש |
|---|---|---|
| Last Click | 100% קרדיט לערוץ האחרון | מוצרים מיידיים (תגובה תוך שעות), חובה למדידת PPC בלבד |
| First Click | 100% קרדיט לערוץ הראשון | כשאתה בודק אם השקעה חדשה ב-Awareness עובדת |
| Linear | חלוקה שווה לכל הערוצים במסע | מסעות ארוכים (B2B, מוצרים יקרים), פתרון הוגן ולא מושלם |
| Time Decay | יותר קרדיט לערוצים קרובים להמרה | E-commerce עם מסע בינוני (שבוע-שבועיים) |
| Data-Driven (GA4) | GA4 לומד בעצמו על בסיס ההיסטוריה שלך | ברירת המחדל ב-GA4 — דרוש 400+ המרות בחודש |
אם יש לך 400+ המרות בחודש → Data-Driven ב-GA4. ה-Default. הוא מדויק יותר מכל כלל ידני.
אם יש לך פחות מ-400 המרות וה-Customer Journey קצר (<3 ימים) → Last Click זה בסדר, אבל תסתכל גם על Assisted Conversions Report (GA4 → Advertising → Attribution).
אם יש לך פחות מ-400 המרות וה-Customer Journey ארוך (שבוע+) → Time Decay. לא מושלם, אבל עדיף מ-Last Click.
אם אתה B2B עם מסע 60+ ימים → Linear או Position-Based. המציאות: Attribution ב-B2B זה יותר אמנות מדעית. החלטות התקציב שלך צריכות להסתמך יותר על Qualified Leads ו-Pipeline Velocity מאשר על מודל טכני.
דוגמה מייצגת: חנות אופנה ישראלית
חשוב על חנות E-com ישראלית בינונית שמוכרת ב-600,000 ש״ח בחודש. ה-Last Click מראה ש-80% מההכנסות מ-Google Branded Search ו-10% מ-Meta. ההחלטה האינטואיטיבית: להעביר עוד תקציב ל-Google ולחתוך את Meta. זו תהיה טעות חמורה.
כשמסתכלים על Conversion Paths ב-GA4, מתגלה התמונה האמיתית: 68% מהלקוחות שהגיעו דרך Branded Search ראו קודם פוסט Instagram או מודעת Facebook בשלושת השבועות שלפני הקנייה. Meta לא סוגרת — היא בונה. אם הייתה מתבטלת, בתוך חודשיים ה-Branded Search היה נעלם יחד איתה, כי ״מי שלא שמע עליך לא מחפש אותך בשם״. דוגמה כזו חוזרת בעשרות תיקי לקוחות — המספרים משתנים, הדפוס זהה. (דוגמאות מייצגות — משתנות לפי ענף; יש לאמת על הדאטה שלך.)
Assisted Conversions — הדאטה שאף אחד לא מסתכל עליה
GA4 מחזיק דוח בשם ״Conversion Paths״ (Advertising → Attribution → Conversion Paths). הוא מראה לך את הרצף של הערוצים שהובילו להמרות. רוב המשווקים מעולם לא פתחו אותו. זה הדאטה שיגרום לך להגיד ״חכה רגע...״.
״מצורף GA4 Conversion Paths Report של 90 הימים האחרונים. נתח:
1. כמה אחוז מההמרות הן Single Touch (רק ערוץ אחד)? כמה Multi Touch?
2. לערוצים Multi Touch — מה 5 המסלולים הנפוצים ביותר?
3. לכל ערוץ: כמה Last Touch Conversions יש לו? כמה פעמים הוא הופיע כ-First או Middle Touch (Assisted)?
4. יחס Assist / Last Touch: לכל ערוץ, האם הוא ״Closer״ או ״Initiator״?
5. ערוץ ש-Last Click נותן לו 100 המרות אבל הוא הופיע ב-Assist של 400 המרות — זה ערוץ חיוני. הצג את הערוצים כאלה במפורש.
6. המלצה: אם הייתי מעביר תקציב מ-[ערוץ עם הרבה Last Click] ל-[ערוץ עם הרבה Assist], מה הסיכון?״
הוסף שורה ל-Weekly Report שלך: ״Assist-to-Close Ratio״. זה אחוז ההמרות שבהן הערוץ הופיע כ-Assist מתוך כלל הפעמים שהוא הופיע במסע. ערוץ עם יחס גבוה (Facebook, Email, Blog) הוא ״בונה ביקוש״. ערוץ עם יחס נמוך (Branded Search, Direct) הוא ״סוגר״. שני הסוגים נחוצים. חיתוך תקציב ל-Builders = פגיעה עתידית ב-Closers.
CLV ו-Churn — מי שווה וכמה
שאלה: ה-CAC שלך הוא 450 ש״ח. האם זה הרבה? תשובה: לא יודע — כמה LTV? אם LTV=600, זו קטסטרופה (45 ש״ח רווח, בלי לספור שרת, עבודה, מיסים). אם LTV=5,000, זה חלום. כל דיון על CAC ללא LTV הוא דיון חסר משמעות.
חישוב CLV — נוסחה בסיסית
CLV = Average Order Value × Purchase Frequency × Average Customer Lifespan
דוגמה לחנות E-com ישראלית:
- AOV: 280 ש״ח (ממוצע הזמנה)
- Purchase Frequency: 2.4 פעמים בשנה (לקוח קונה בממוצע 2.4 פעמים)
- Average Lifespan: 3.1 שנים (עד שלקוח מפסיק לקנות)
- CLV = 280 × 2.4 × 3.1 = 2,083 ש״ח
עכשיו CAC של 450 ש״ח? זה x4.6 — תשואה סבירה אבל לא מרשימה. יעד בריא: CLV:CAC של 3:1 לפחות, 5:1 אידיאלי.
״מצורף גיליון של 12 חודשי הזמנות (Customer ID מוצפן, Order ID, Date, Revenue). חשב:
1. AOV (Average Order Value) — ממוצע רווח להזמנה
2. Purchase Frequency — ממוצע הזמנות ללקוח בתקופה
3. Average Lifespan — ממוצע זמן בין הזמנה ראשונה לאחרונה ללקוחות חוזרים
4. CLV בסיסי = שלושת הפרמטרים
5. חלוקה לסגמנטים: (א) לקוחות חד-פעמיים (ב) לקוחות של 2-3 קניות (ג) VIP (4+ קניות)
6. CLV לכל סגמנט
7. CAC מקסימלי מותר להיום = CLV / 3 (לכל סגמנט)
8. אם אני חותך את ה-CAC ל-CLV/5 — כמה לקוחות פחות ארכוש, וכמה רווח אקבל?״
CLV לפי סגמנט — לא כולם שווים אותו דבר
ה-CLV הממוצע שחישבת (2,083 ש״ח בדוגמה) הוא סיפור מטעה. סביר להניח ש-20% מהלקוחות אחראיים ל-60% מההכנסות — תופעת ה-Pareto שמשווקים מדברים עליה אבל מעולם לא מודדים אצל עצמם. פילוח CLV לסגמנטים הוא החלק שמשנה את החלטות התקציב:
- One-Time Buyers: קנו פעם אחת ולא חזרו. CLV נמוך (= AOV בלבד). חשוב להפחית השקעה ברכישת ״עוד אחד כמוהם״ ולהבין למה הם לא חזרו.
- Occasional (2-3 קניות): לב העסק. מהווים את רוב ההכנסות. כל תוספת קנייה ללקוח כזה = רווח טהור.
- VIPs (4+ קניות): הקבוצה עם ה-CLV הגבוה ביותר. ה-CAC שמותר להוציא עליהם הוא פי 3-5 מהממוצע, כי הם גם שגרירים.
הניתוח הזה חשוב כי הוא משנה את הקצאת ה-CAC לפי הסגמנט שאתה רודף: קמפיין שממקד את מי שדומה ל-VIPs מצדיק CAC של 900 ש״ח. קמפיין שממקד את מי שדומה ל-One-Time מצדיק CAC של 150 ש״ח בלבד. Meta Lookalike Audiences על בסיס CLV סגמנטים — זה השימוש הכי חכם של Advantage+.
Churn — מי עומד לנטוש
עלות שימור לקוח נמוכה פי 5-7 מעלות רכישת לקוח חדש. אבל רוב העסקים מגלים שלקוח עזב רק אחרי 6 חודשי שקט. בזמן הזה — הוא כבר אצל המתחרה. Churn Prediction טוב מזהה את הסימנים מוקדם.
סימני Churn מקדימים (Leading Indicators)
- ירידה בתדירות: לקוח שקונה בממוצע כל 45 יום לא קנה 90 יום = דגל אדום
- ירידה בסכום: לקוח שה-AOV שלו היה 400 ש״ח ועכשיו 180 ש״ח — בדרך החוצה
- Email Engagement: פתיחת מיילים ירדה מ-60% ל-10% בחודש — לא קורא אותך
- Support Tickets: 2+ פניות בחודש על בעיות חוזרות — מתוסכל
- Product Usage (SaaS): Logins ירדו ל-0 בשבועיים — מופעל Workflow שימור
״מצורף גיליון של 1,000 לקוחות פעילים. עמודות: Customer ID, Days Since Last Order, Lifetime Orders, Lifetime Revenue, Avg Days Between Orders, Last Email Open (days ago), Support Tickets Last 90d.
לכל לקוח, חשב Risk Score 0-100:
— 40 נקודות: Days Since Last Order / Avg Days Between Orders × 40 (כלומר, אם עבר כפליים מהזמן הרגיל = 80)
— 20 נקודות: Last Email Open > 30 ימים
— 20 נקודות: ירידה ב-AOV לעומת ממוצע אישי
— 20 נקודות: Support Tickets > 1 ב-90 ימים
חלק ל-3 סגמנטים: High Risk (70+), Medium (40-69), Low (<40).
לכל סגמנט: (א) כמה לקוחות (ב) סה״כ Revenue בסיכון (ג) קמפיין Win-Back מוצע (עם הנחה/תוכן/שיחה).
חשוב: הצע מעט הנחה ל-High Risk אבל לא ל-VIP — הם לא צריכים הנחה, צריכים שירות.״
- ייצא דאטה מה-CRM (8 דקות): מ-Shopify/Monday/Excel — גיליון עם Customer ID (בלי שם!), תאריך הזמנה, סכום. לפחות 12 חודשים אחורה.
- נקה PII (2 דקות): מחק כל עמודה שמכילה מייל/טלפון/שם/כתובת. השאיר רק ID מספרי.
- העלה ל-Project (2 דקות): קובץ אחד לשיחה חדשה ב-Claude.
- חשב CLV (5 דקות): הרץ את Prompt ה-CLV למעלה. קרא את התוצאה.
- אמת את המספרים (5 דקות): בקש: ״הראה לי את 10 הלקוחות עם ה-CLV הכי גבוה ועם ה-Raw Data שלהם.״ בדוק ידנית ב-Excel שהחישוב נכון עבור 2-3 לקוחות.
- Churn Analysis (5 דקות): בקש: ״עכשיו הרץ Churn Risk Scoring על אותם לקוחות.״ ראה מי ב-High Risk.
- גזור פעולה (3 דקות): בקש: ״עבור 5 לקוחות ב-High Risk עם הכי הרבה Revenue היסטורי — כתוב מייל Win-Back מותאם.״
תוצר: טבלה של CLV לפי סגמנט, Churn Risk Scores, ו-5 מיילי Win-Back מוכנים לשליחה. זה הדאטה שבונה את קמפיין השימור הבא שלך — בלי לשלם לחברת BI.
איזה כלי מתי — GA4 / Looker / Claude / BigQuery
״איזה כלי AI לאנליטיקס?״ זו שאלה לא נכונה. השאלה היא: ״איזה כלי לאיזה סוג שאלה.״ הנה מסגרת החלטה שמחליפה שעות של חיפוש.
אם השאלה היא ״כמה X היה אתמול?״ (שאלה מיידית, לא דחוף) → GA4 Intelligence. פתח GA4, לחץ על Search או איקון ה-Gemini, שאל בעברית. מיידי, חינם, אפס הגדרה.
אם זה דשבורד לקוח/מנכ״ל שרואים כל יום → Looker Studio. בונים פעם אחת, רץ לבד, יפה, חינם. יתרון נוסף: חיבורים ישירים ל-GA4 ו-Google Ads בלי ייצוא ידני.
אם השאלה היא ״למה?״ או ״מה כדאי?״ או נרטיב שבועי/חודשי → Claude Project. הוא הכלי היחיד שנותן לך שילוב של ניתוח + ידע רחב + כתיבה.
אם אתה עובד עם 1M+ שורות או זקוק ל-SQL → BigQuery. זה מחסן הנתונים של Google — GA4 מתחבר אליו ישירות (ייצוא חינם). Claude יכול לייצר לך את שאילתות ה-SQL.
אם אתה רוצה ״הכל במייל״ — שלב: Looker Studio → Scheduled Email → תמצית ב-Claude API (פרק 13). אבל אל תתחיל מפה — תתחיל מ-Claude Project ידני.
טבלת השוואה מהירה
| כלי | עלות | זמן התקנה | חוזק | חולשה |
|---|---|---|---|---|
| GA4 Intelligence | חינם | 0 | מיידי, מחובר ל-GA4 | שטחי, רק GA4 |
| Looker Studio | חינם | 2-4 שעות | ויזואלי, שיתוף קל | לא מסביר — רק מציג |
| Claude Projects | 20$/חודש | 20 דקות | ניתוח עומק + נרטיב | דורש ייצוא CSV |
| ChatGPT + ADA | 20$/חודש | 15 דקות | Code Interpreter = חישובים מדויקים | פחות חזק בטקסט |
| BigQuery | חינם עד 10GB | יום-יומיים | Scale, SQL, חיבור GA4 | דורש ידע SQL |
| Similarweb | 250$+/חודש | 10 דקות | דאטה של מתחרים | יקר, לא על האתר שלך |
רשום בטבלה שלך (או על נייר) את 3 השאלות הקבועות שאתה שואל על הדאטה כל שבוע (מה-Do-Now הראשון). ליד כל אחת — כתוב איזה כלי מהרשימה מתאים לה הכי טוב. זה ה-Stack האישי שלך. אל תשתמש בכלים שלא ברשימה שלך.
הקשר ישראלי — שבת, חגים, ש״ח
LLM אומן בעיקר על דאטה אמריקאי. הוא חושב ששבת זה יום רגיל. הוא לא יודע שפסח זה שבוע של ירידה בחלק מהענפים ועלייה באחרים. אתה צריך ללמד אותו — פעם אחת, ב-Project Knowledge.
לוח חגים ומועדים 2026 — עם השפעה על שיווק
| תקופה | תאריכי 2026 | השפעה | מה לעשות |
|---|---|---|---|
| ט״ו בשבט | 1-2/פב | ניטרלי | קמפיינים של בריאות/טבע |
| פורים | 3-4/מרץ | B2B: ירידה קלה. B2C: עלייה | קידום מוצרי מתנות, בידור |
| פסח | 2-9/אפר | ירידה 15-25% ברוב הענפים | הקטנת תקציבי PPC, קמפיין ״אחרי פסח״ |
| יום העצמאות | 23/אפר | עלייה לתיירות, ירידה B2B | קמפיינים עונתיים |
| ל״ג בעומר | 5/מאי | שולי | ברבקיו, בידור חוצות |
| שבועות | 21-22/מאי | ירידה B2B, עלייה מזון/מתנות | קמפיינים פיקיים |
| חופש גדול | יולי-אוגוסט | B2B: ירידה 10-15%. B2C תיירות: עלייה | B2B: מיקוד תוכן; B2C: פיק תקציב |
| סוף חופש / 1 בספט | 1/ספט | Back-to-School — עלייה 15-25% | הגדלת תקציבים, קמפיינים חוזרים |
| ראש השנה + יו״כ | 12-22/ספט | ירידה 25-40% | להכין מראש קמפיינים ל״אחרי החגים״ |
| סוכות | 26/ספט - 4/אוק | ירידה 15-25% | תוכן עונתי, הנחות סוף חגים |
| ימי רווק / BF | 11/11, 27/11 | עלייה חדה — 50-200% | המרועה הכי גדולה של השנה |
| חנוכה | 4-12/דצ | עלייה 10-20% (מתנות) | קמפיינים מתנות |
| שבתות קבועות | שישי 14:00 - שבת 20:00 | ירידה 30-50% | אל תשיק קמפיינים חדשים; צמצם תקציב יומי |
הערה: ההשפעות לעיל הן כלליות ומשתנות מהותית לפי ענף. נתוני 2026 מבוססים על לוח עברי רשמי.
בנצ׳מרקים ישראליים (2026)
כשClaude אומר ״CTR שלך נמוך״ — נמוך ביחס למה? העלה את הטבלה הזו ל-Project Knowledge.
| מטריקה | מתחת לממוצע | ממוצע ישראלי | טוב | מצוין |
|---|---|---|---|---|
| Google Ads CTR (Search) | <3% | 3-5% | 5-8% | 8%+ |
| Google Ads CPC | >8 ש״ח | 3-8 ש״ח | 2-4 ש״ח | <2 ש״ח |
| Meta Ads CTR | <0.8% | 0.8-1.5% | 1.5-2.5% | 2.5%+ |
| E-com CVR | <1% | 1-2% | 2-3.5% | 3.5%+ |
| Lead Gen LP CVR | <3% | 3-5% | 5-10% | 10%+ |
| Email Open Rate | <18% | 18-22% | 22-30% | 30%+ |
| Email CTR | <2% | 2-3% | 3-5% | 5%+ |
| Bounce Rate (LP) | >65% | 50-65% | 35-50% | <35% |
| CAC:CLV Ratio | >1:2 | 1:3 | 1:4 | 1:5+ |
מקור: ממוצעים מסוכמים מניתוח פנימי של עסקים ישראליים קטנים ובינוניים. משתנה משמעותית לפי ענף — השתמש כמדד התייחסות, לא אבסולוטי.
ענפים ישראליים — דפוסים ייחודיים שחשוב ללמד את ה-Assistant
כל ענף מרכזי בישראל מתנהג אחרת. אם אתה סוכנות עם כמה לקוחות בתחומים שונים, הוסף ל-System Instructions של כל לקוח את הדפוס הייחודי של הענף שלו:
- E-commerce אופנה: פיק חזק ב-Back to School (אוג-ספט), ימי רווק (11/11), חנוכה, ירידה בקיץ הבוער (יולי-אוגוסט משפחות בחופש).
- B2B / SaaS: שבוע שלישי של החודש הוא שיא פגישות המכירה. חודשי חגים (תשרי, ניסן) — כמעט שלא סוגרים עסקאות. ספטמבר הוא החודש הכי פורה בשנה.
- תיירות מקומית / מלונאות: פסח, סוכות, חנוכה = שיא. ינואר-פברואר = בינוני. יולי-אוגוסט = שיא חוף. הזמנות מתבצעות בממוצע 21-45 יום לפני החופשה.
- שירותים מקצועיים (עו״ד, רו״ח, יועצים): ינואר-מרץ שיא בגלל סוף שנת מס. אוגוסט חודש שקט — כל הלקוחות בחופש. דצמבר חלש בגלל חגים בעולם.
- בריאות ואסתטיקה: פיק לפני חגים (ר״ה, פסח), ולפני אירועי קיץ (חתונות). יולי-אוגוסט חלש כי אנשים לא רוצים טיפולים בחום.
- חינוך והכשרה: אוגוסט-ספטמבר הוא המרועה. פברואר הוא שיא שני (תחילת סמסטר ב׳). קיץ B2B = חלש, B2C קורסים לילדים = שיא.
ההוספה הזו ל-Assistant חוסכת פרשנויות מוטעות. במקום ש-Claude יסמן ״ירידה של 18% ביולי״ כאנומליה מדאיגה — הוא יבין שזה צפוי לשירותים מקצועיים, אבל כן מדאיג לעסק תיירות.
שקלים, מע״מ, פורמטים
- מטבע: הוסף תמיד ל-System Instructions: ״כל הסכומים ב-ש״ח (ILS). סימון: ₪ או ש״ח.״
- מע״מ: ציין אם הרווח שלך לפני או אחרי מע״מ (17%). ROAS ב-Revenue ברוטו לעומת נטו = הבדל של 17%!
- פורמט מספרים: ישראל משתמשת בפסיקים לאלפים (1,250) ונקודה לעשרוניות (3.75). כמו אמריקה, לא אירופה.
- תאריכים: DD/MM/YYYY — להבדיל מארה״ב MM/DD/YYYY. ציין בפרומפט לעבוד בפורמט ישראלי.
- שער דולר: אם מצליבים עם Ads שחויב בדולר — ציין את השער הנוכחי.
חוק הגנת הפרטיות הישראלי (תיקון 13 שנכנס לתוקף ב-2025) מחמיר את הדרישות על העברת מידע אישי לצד שלישי . שמות לקוחות, אימיילים, טלפונים, ת״ז — אסור להעלות ל-ChatGPT/Claude הציבוריים, גם ב-״שאלה קטנה״. הסר את כל ה-PII מכל קובץ לפני העלאה. השתמש ב-Customer ID מספרי מוצפן במקום. אם אתה חייב לעבד PII עם AI — השתמש ב-Claude Enterprise או Azure OpenAI שמעניקים הסכמי Data Processing (DPA), לא בפתרונות הצרכניים.
פתח את Claude Project שלך. הוסף ל-Knowledge את שתי הטבלאות מהסעיף הזה: לוח החגים ובנצ׳מרקים. שמור כקבצי .md או כטקסט ב-System Instructions. מעכשיו Claude יודע מה זה שבת, פסח, וש-CTR של 4% זה ממוצע אצלנו — לא ״נמוך״ כמו שאולי יחליט ללא הקשר.
תרגיל מסכם — Assistant שעונה למנכ״ל
זה התרגיל שמחבר את הכל. התרחיש: ביום שני בבוקר, המנכ״ל שולח לך הודעה: ״תכין לי דוח מצב — איך אנחנו ברבעון עד כה? איפה אני צריך להתערב?״ עכשיו יש לך 45 דקות במקום 5 שעות.
- איסוף דאטה (10 דקות):
- GA4: ייצוא של Q1 (90 ימים) — Traffic Acquisition + Conversions + Landing Pages
- Google Ads: Campaign Performance Report + Search Terms Report
- Meta Ads: Campaign-level export + Creative-level
- CRM/Orders: גיליון מכירות Q1 (Customer ID, Date, Revenue) — ללא PII
- העלאה ל-Project (3 דקות): שיחה חדשה ב-Claude Project שלך. העלה את כל הקבצים (Claude Pro תומך עד 30 קבצים בשיחה).
- בקשת הסקירה (2 דקות): שלח:
״זה Q1 Report למנכ״ל. חובה לענות על השאלות: (1) איך Revenue לעומת יעד [X ש״ח]? (2) איזה ערוץ הוביל ואיזה איכזב? (3) מה 3 ההחלטות הכי חשובות ל-Q2? (4) האם יש בעיה שדורשת התערבות מיידית?
פורמט: עמוד אחד. מקסימום 400 מילים. ללא ז׳רגון. בעברית עסקית. התחל ב-TL;DR של שלוש שורות. הסתיים ב-3 Asks ספציפיים שהמנכ״ל צריך לאשר.״
- בדיקה ביקורתית (10 דקות): עבור על הדוח. האם המספרים נכונים? בדוק 2-3 שלבי חישוב בידנית. האם ה-TL;DR משקף את המציאות או שהוא ״נחמד״?
- Follow-up Drill-Down (10 דקות): שאל 3 שאלות ממוקדות:
- ״על ה-Channel שהכי איכזב — למה? תן לי 3 היפותזות.״
- ״חשב את ה-Assist-to-Close ratio של כל ערוץ. מי ה-Hidden Hero?״
- ״על בסיס CLV של לקוחות Q1 — איזה CAC אני יכול להרשות לעצמי ב-Q2?״
- הוספת הקשר אנושי (5 דקות): ה-Assistant לא יודע על דברים שקרו בסביבה — מתחרה שפרסם מבצע, שינוי באתר שלך, קמפיין PR. הוסף פסקה ״הקשר חיצוני״ משלך.
- עריכה ושליחה (5 דקות): עבור על העברית, תקן מה שדורש תיקון, הדבק ל-Google Doc או למייל, שלח למנכ״ל.
תוצר: דוח Q1 מלא בן עמוד אחד, מוכן לשלוח למנכ״ל, שכולל 3 Asks קונקרטיים. + 3 פרומפטים חדשים בספריה שלך (הסקירה, ה-Drill-Down, החישובים).
שגרת עבודה — AI Analytics שבועי וחודשי
יומי (1-3 משימות)
- 5 דקות: סריקת התראות GA4 Custom Insights + Anomaly Detection (אם פועל)
- 2 דקות: בדיקת ״Daily Pulse״ ב-Ads Managers — CPA, Spend, Conversions של היום
- 3 דקות (אופציונלי): שאלה אחת ל-Claude Project על תקלה/תעלומה שעלתה ביום
שבועי (3-5 משימות)
- 15 דקות: יצירת Weekly Insight Report (פרומפט מוכן, ייצוא אוטומטי)
- 15 דקות: סקירת Search Terms Report של Google Ads + הוספת Negatives
- 10 דקות: בדיקת Creative Performance ב-Meta — Top 3 ו-Bottom 3
- 10 דקות: עדכון Slack/Email לצוות — ה-TL;DR של השבוע
- 5 דקות: עדכון 1-2 פרומפטים בספרייה (מה עבד טוב השבוע)
חודשי (2-4 משימות)
- 45 דקות: דוח חודשי למנכ״ל/לקוח עם תרגיל הסגירה של הפרק
- 30 דקות: Attribution Analysis — מי ה-Builders, מי ה-Closers, והאם חלוקת התקציב משקפת את זה
- 30 דקות: עדכון CLV + Churn Risk על נתונים חדשים + הגדרת קמפיין Win-Back
- 20 דקות: Review של כללי ה-Anomaly — האם יש False Positives? האם חסרות אנומליות אמיתיות שלא זיהינו?
בנה את Claude Project שלך עכשיו (או ChatGPT Custom GPT / Gemini Gem), מלא את תבנית ה-System Instructions עם המספרים של העסק שלך, והעלה 2 קבצים ל-Knowledge: טבלת הבנצ׳מרקים הישראליים ולוח החגים 2026. זהו. בפעם הבאה שתשאל ״למה?״ או ״כמה?״ — תשאל את ה-Assistant שלך, לא את Claude הגנרי. ההבדל בין השניים הוא ההבדל בין ״עצה כללית״ ל״תובנה מקצועית מותאמת לעסק שלך״.
- למה Last Click Attribution מטעה אותך באופן שיטתי? (רמז: Awareness vs. Closing channels)
- איך תדע אם CPA של 500 ש״ח הוא טוב או רע לעסק שלך? (רמז: LTV:CAC ratio)
- למה עדיף סף של 2 סטיות תקן על פני סף של 20% לחישוב אנומליה? (רמז: False Positives בעסקים תנודתיים)
- מה ההבדל בין Claude Project עם System Instructions מוגדרות לבין Claude רגיל לצורך ניתוח דאטה חוזר? (רמז: הקשר עסקי + עקביות)
- מתי תבחר ב-GA4 Intelligence ומתי ב-Claude Projects? (רמז: שאלה מיידית vs. ניתוח נרטיבי)
- איזה דאטה חייב להישאר מחוץ ל-LLM ציבורי ולמה? (רמז: PII וחוק הגנת הפרטיות)
אם ענית על 5 מתוך 6 — עברת את הפרק.
בפרק הזה עברת מ״מסתכל על מספרים״ ל״מבין מה הם אומרים.״ בניית ה-Claude Project עם System Instructions ישראלי, Knowledge Base של בנצ׳מרקים וחגים, וספריית פרומפטים מתויגים — הפכה אותך ממשווק שבולע דוחות למשווק שמפיק תובנות. למדת לנסח שאלות לפי M.E.T.R.I.C כדי לקבל תשובות שמובילות לפעולה, להגדיר כללי Anomaly Detection שמבוססים על סטיית תקן ולא גחמות, ולקרוא דאטת Attribution מעבר ל-Last Click כדי לראות מי באמת בונה את הביקוש.
היסוד הכי חשוב שנבנה: CLV כעוגן לכל החלטה. כל CAC, כל תקציב ערוץ, כל קמפיין Retention — הכל תלוי ב-CLV. בלי זה, אתה מנחש. עם זה, אתה מחליט. הדוח השבועי של 12 דקות וה-Anomaly Alerts בבוקר הם ה-Infrastructure שיבטיחו שלא תגלה בעיה רק בסוף החודש.
בפרק הבא — Customer Intelligence (פרק 12): ניקח את הדאטה הכמותית שניתחת כאן ונוסיף לה ממד איכותי — מי הם הלקוחות, מה הם אומרים, ואיך לבנות Personas ופרסונליזציה ב-Scale. זמן משוער: 70-90 דקות.
- ☐ בניתי Claude Project / Custom GPT / Gem עם System Instructions מלאות של העסק שלי
- ☐ העליתי ל-Knowledge: טבלת בנצ׳מרקים ישראליים + לוח חגים 2026 + Campaign History
- ☐ הגדרתי לפחות 4 התראות ב-GA4 Custom Insights
- ☐ בניתי את Weekly Insight Report הראשון שלי (תרגיל 1)
- ☐ שמרתי את פרומפט ה-Weekly Report כ-Template לשימוש חוזר
- ☐ ייצאתי גיליון הזמנות וחישבתי CLV בסיסי (תרגיל 2)
- ☐ הרצתי Churn Risk Scoring וזיהיתי לקוחות High Risk
- ☐ כתבתי לפחות 3 מיילי Win-Back למי שב-High Risk
- ☐ פתחתי את דוח Conversion Paths ב-GA4 (Advertising → Attribution)
- ☐ חישבתי Assist-to-Close Ratio לכל ערוץ במודעות
- ☐ יצרתי את דוח Q1 המסכם ושלחתי אותו (או שמרתי טיוטה) — תרגיל 3
- ☐ הוספתי לספריית הפרומפטים שלי לפחות 10 פרומפטים חדשים מהפרק
- ☐ וידאתי שלא העליתי PII לאף שיחה עם LLM ציבורי
- ☐ הגדרתי שגרה שבועית של 45-60 דקות ל-Analytics (תוספת ללוח שלי)