כל מה שרצית לדעת על Attribution - חלק ב'

חלק ב' של "מה זה אטריביושן?" אחרי מה שלמדנו על רשתות הפרסום הגיע הזמן להסתכל על הכל מלמעלה.

בחלק הקודם (כל מה שרצית לדעת על Attribution – חלק א'), הסברתי באריכות איך עובד האטריביושן של כל פלטפורמה בפני עצמה. איך פייסבוק או גוגל או כל רשת אחרת, יודעים לקחת אוונט כלשהו ולשייך אותו לקמפיין או מודעה ספציפית בתוך מערכת הניהול שלהם. ואכן, ביקום שבו מפרסמים בפלטפורמה אחת, הכל מושלם ואוטופי. אבל ברור לכולנו שזו לא המציאות. אז הגיע הזמן לעלות כמה אטמוספירות למעלה ולהסתכל על התמונה הכוללת עכשיו, זו שמכילה כמה צ'אנלים ביחד. אבל לפני זה, צריך להכיר שחקן נוסף ומשמעותי ביותר.

שחקן חדש – גוגל אנליטיקס!

בואו נדבר על גוגל אנליטיקס ואני אתייחס לשתי הגרסאות. הגרסה שיש לרובכם כרגע ושאתם רגילים לעבוד איתה, AKA יוניברסל אנליטיקס (בשביל הפשטות נקרא לה "גוגל אנליטיקס"), וכמובן גוגל אנליטיקס 4 (או בפשטות "GA4"). למרות האב הקדמון המשותף, מדובר בשתי מערכות שונות לגמרי, אבל אני אתייחס רק לעניין האטריביושן שהוא טיפה שונה בשתיהן.

איך גוגל אנליטיקס עושה אטריביושן

זוכרים את התמונה בחלק א' של המאמר? זו שמראה איך חלונות ההמרה של כל הפלטפורמות "חופפים"? אז לגוגל אין ממש "חלון המרה". מה שגוגל אנליטיקס רואה זה רק את הביקורים של היוזרים באתר על פי מקורות ההגעה שלהם (זה בהנחה שהכל מתויג פיקס עם UTM). מסע לקוח שכולל 5 ביקורים לפני ההמרה נראה בעיני גוגל אנליטיקס כאוסף של נקודות, או Touch points:

הכלל בגוגל אנליטיקס הוא שמי שמקבל את הקרדיט על ההמרה הוא תמיד מקור ההגעה האחרון (שאינו דיירקט). למודל הזה קוראים בפשטות Last Click והוא וותיק כמו השמש. בדוגמה לעיל, טאבולה תקבל את הקרדיט. אגב, גוגל אנליטיקס לא מעדכן את טאבולה בזה שהוא נתן לה קרדיט. גם הוא, מנהל את הספירה הזו בעצמו ולעצמו.

כל הדוחות בגוגל אנליטיקס מיישרים קו לפי אותו עקרון . למשל, אם תלכו לדוח המרות לפי מדינה, המדינה שהייתה בביקור האחרון תקבל את הקרדיט. אם טיילתי בעולם עם הלפטופ שלי, ונכנסתי לאתר שלכם בכל פעם ממדינה אחרת, אז בביקור החמישי משבדיה, שעשיתי דרך טאבולה וגם המרתי – ההמרה תשויך לשבדיה. כנ"ל דוח המרות לפי שעות. גם אם בכל הביקורים ההיסטוריים נכנסתי בשמונה בבוקר, אבל ב14/11 נכנסתי בשש בערב, אז גוגל יגיד ששש בערב זו שעת ההמרה. אבל זה לא הספיק לגוגל ובטח שלא למשתמשים ולאנליסטים. אז במקום לפרק ולבנות מחדש את כל המערכת, הם פיתחו סט דוחות שנקרא Multi Channel Attribution. 

Multi Channel Attribution

תחת דוחות ה Conversion תמצאו סט דוחות תחת הכותרת Multi Channel Attribution. שם תמצאו דוח חמוד בשם Top Conversion Paths שמציג את כל ה Touch points של היוזרים שהמירו. הדוח נראה ככה:

למעלה, תחת Conversion, בחרתי את ההמרה שמעניינת אותי, נניח Subscription, או PDF Download או Purchase. אגב, הדבר הכי גרוע לעשות זה להשאיר את ברירת המחדל שזה "All Conversions".

לאחר מכן, ב Path Length בחרתי "One or more" שזה אומר: "תראה לי המרות שכללו Touch point אחד לפחות." תוכלו לראות שגם פה אפשר לבחור Lookback window. כלומר, גוגל מסתכל על כל ההמרות שבוצעו בטווח התאריכים שבחרתם למעלה בצד ימין, ועבור כל אחת מההמרות, גוגל "הולך אחורה בזמן" לפי החלון שהגדרתם, כדי לאסוף מידע על היסטוריית הביקורים של היוזר. כמה אחורה? מה שתקבעו ב Lookback Window. ברירת המחדל היא 30 יום. 

בתמונה למעלה, בשורה השנייה בטבלה, היו 2 המרות, שכל אחת מהן הצריכה שני ביקורים. ביקור ראשון דרך Google/cpc והשנייה דרך Facebook/cpc. מכיוון שפייסבוק הוא האחרון, גוגל אנליטיקס יתן לו קרדיט בכל שאר הדוחות במערכת, אבל בדוח הזה, נראה את שניהם.

אם תקליקו על הכפתור Conversion Segments למעלה, תוכלו לייצר פילטר חכם שיעזור לכם להתפקס על צ'אנל אחד ספציפי שאתם רוצים לתחקר. נניח Facebook CPC, ולראות איך הוא משתלב בהמרות:

בפילטר תוכלו להגיד שאתם רוצים לראות איך Facebook CPC היה מעורב בכל תהליך ההמרה (Any Interaction) או לבחור First interaction ולראות כמה המרות כללו את פייסבוק כמפנה הראשון. אפשר כמובן לבנות פילטרים יותר מתקדמים, אבל זה העקרון שיאפשר לכם להתמקד בצ'אנל מסויים.

כמו שאולי הבנתם, הדוח הזה מאפשר לכם לראות את הקשר בין הצ'אנלים אבל עדיין לא להחליט מי מהם יקבל את הקרדיט. אולי תרצו לתת למפנה הראשון את הקרדיט? אולי תרצו לחלק חצי חצי? אולי ככל שהמסע ארוך יותר כך תרצו לתת יותר משקל לגורם האחרון ולא לראשון? אז גוגל נותנים לנו דוח נוסף שנקרא Model Comparison Tool המאפשר לכם להחליט איך לחלק את הההמרות.

למשל האופציה הרביעית, First Interaction, תתן את הקרדיט למי שהביא את היוזר ראשון. האופציה האחרונה Position Based, תתן חצי המרה לערוץ האחרון וחצי לערוץ ראשון, כך שכל הערוצים שהיו באמצע – לא יקבלו קרדיט.

כל מודל שנותן קרדיט לצ'אנל אחד בלבד, יושב תחת העולם של Single Touch Attribution. אלו מודלים שנחשבים מיושנים כי הם אידיאליים בעולם בו מסע הלקוח שלכם כולל ביקור אחד עד ההמרה, אבל הם עדיין אפקטיביים מאד כחלק מהאנליזה שלכם.

מודל שמחלק את הקרדיט בין כמה צ'אנלים, יושב תחת Multi Touch Attribution. ובדוח הזה גוגל נותן לכם לבחור מודל מתוך שני אלה. איזה מודל לבחור? נגיע לזה עוד מעט. לפני זה, בואו נראה איך Attribution עובד ב GA4.

איך GA4 עושה אטריביושן

בגרסה 4, גוגל החליטו שברירת המחדל תהיה Cross-Channel Data-Driven Model שזה אומר קודם כל, שהקרידט מתחלק בין כל הערוצים שהיו שותפים להמרה (חוץ מ Direct שלא יקבל כלום בדר"כ), שזה כבר אומר ש GA4 יושב תחת Multi Touch Attribution. אז ברגע שגוגל החליט מי הצ'אנלים שהיו מעורבים בהמרה, הוא צריך להחליט כמה קרדיט לתת לכל אחד מהם. האם זה מחולק שווה בשווה? אם הייתה המרה שהייתה כרוכה בארבעה Touch Points ממומנים, תתחלק שווה בשווה ביניהם וכל אחד יקבל רבע המרה? אז לא. גוגל החליטו לחלק את ההמרה על פי כל מיני מודלים מסתוריים מאחורי הקלעים. זה העתיד אגב, ולשם כולם הולכים.
אם יש לכם כמה המרות מוגדרות ב GA4, אז ה Data-Driven הזה יהיה שונה לכל אחד מהם. זה לא שיש עקרון אחד מנחה לכל החשבון.

גם ב GA4, תוכלו להכנס לדוחות האטריביושן ולבחור מודלים אחרים, משוכללים יותר ממה שיש ביוניברסל וכמובן שיש גם מודלים מסוג Single Touch. 

מי שלא רוצה לעבוד עם גוגל אנליטיקס, יוכל לבנות את אותם המודלים אצלכם בשרתים, בתנאי שאתם שואבים את כל הדאטה מכל הפלטפורמות ומערכות האנליטיקס ל Data Warehouse משלכם. כך או כך, צורת העבודה זהה.

אתגרים באטריביושן

אתגר 1: אטריביושן בעידן של Cross-Device

היוזר שלנו לא חי סביב Device אחד. יש לו סמארטפון בכיס, לפחות מחשב אחד בבית ואולי אפילו טאבלט. רוב רשתות הפרסום יודעות לא רע שאתם בנייד שלכם והרגע עברתם לדסקטופ. כל אחת עם שיטות משלה יודעת לאגד את המכשירים שלכם תחת הזהות שלכם. בפייסבוק, זה יחסית קל. הרי אם אתם גולשים בפייסבוק, זה אומר שאתם בלוגאין, אם בנייד או בדסקטופ, ולכן פייסבוק יכולים לעשות את ניתוחי ה Cross-Device. אצל Google Ads זה עובד אחרת כי אין לה רשת חברתית, אבל יש לה Gmail ו Android ועוד כלים שיכולים לחבר את הנקודות ולספר על עולם ה Cross-Device של כל יוזר. ספציפית גוגל אנליטיקס לא ממש מקבל את המידע הזה (כן, גם GA4 שטוען שהוא מצליח להתמודד עם זה) ולכן הסשנים "שבורים" יותר ולמעשה לא ממש מצליחים לזהות שזה שנכנס ממובייל וזה שנכנס מדסקטופ הם אותו אדם. הם מנסים, אבל זה רחוק מלהיות טוב (ויש גם ענייני Privacy וכל זה.)

אתגר 2: In-App browser ו Apple

כשאתם בטיקטוק או פייסבוק ומקליקים על לינק, סביר שהלינק יפתח בתוך דפדפן פנימי של האפליקציה, מה שקרוי In-App Browser ולא בדפדפן הרגיל של היוזר. אם היוזר יעבור משם לאתר הרגיל, שום דבר לא יעבור איתו. אם הוסיף מוצר לסל ב In-App Browser, המוצר לא יעבור איתו לדפדפן הרגיל. כך שכל הנושא של קוקיז וטרקינג הופך להיות מסובך, וגם פה, זה מייצר מצב של סשנים שנשברים. וזה עדו לפני שאני מתייחס לשינויי הפרטיות של אפל ב iOS 14 שמשבשים את המצב עוד יותר.

אתגר 3: אטריביושן של ערוצי אופליין ופעילות ברנדינג

פרסמתם גם ברדיו או בטלוויזיה, לקחתם חסויות באיזה פודקאסט, שמתם מודעה בעיתון, הצגתם באיזה כנס, ויש משפיענית טיקטוק שמדברת עליכם בלי הפסקה. איך אלה נכנסים למפת האטריביושן והאם הם אמורים בכלל להיכנס? אין פיקסל, אין קוקיז ואין מדידה חוץ מנתוני חשיפות/השמעות למיניהן. איפה כל אלה נכנסים? 

מעבר לזה, נניח ויש לכם ברנד חזק מאד. מה יקרה אם תפסיקו זמנית חלק מהפעילות הממומנת? מקובל להניח שעבור מותגים חזקים, התרומה של כל ערוצי הפרסום "רוכבת" על הברנד וייתכן ויש לה "תפוקה שולית". אבל כמה בדיוק?

אתגר 4: ערוצים שלא בשליטתנו

אתם לא חיים בבועה. אם הכל טוב, מדברים עליכם בחוץ, ממליצים עליכם, אולי מישהו עשה איזה סרטון עליכם ויש עוד 1001 דברים שיכולים להשפיע על האתר שלכם שלא נמצאים בהכרח בשליטתכם.

אתגר 5: איכות המידע

קשה לאסוף נתונים, לא תמיד הם נקיים, ההוא לא שם UTM-ים בלינקים, זאת לא התקינה את הפיקסל כמו שצריך, חסר מלא דאטה והווליום שלכם לא מספק. כל אלו מערימים קשיים למי שרוצה לבנות מודלים. צריך דאטה איכותי ובעיקר, מסה קריטית. אין מה להשקיע במודלים מתוחכמים כשאתם מגרדים עשר המרות בחודש. מודל Data Driven של גוגל אנליטיקס מצריך מינימום 600 המרות בחודש כדי להתחיל לזוז. הרבה דאטה מסייע בטשטוש הרעש, מחליק את הגרפים ומדגיש את העונתיות.

נסכם את הקשיים:

1. ריבוי ערוצי אונליין שלכל אחד חלונות המרה שונים ואלגוריתמים שונים לספירת המרות.
2. אלגורתמים שונים במערכות האנליטיקס.
3. יוזרים שמוחקים קוקיז או שלא נותנים הסכמה למעקב אחריהם (GDPR+User Consent).
4. זמני המרה ארוכים. לקוח נתקל בכם בפעם הראשונה היום ויכול לקחת לו חודשים עד שימיר.
5. ערוצי אופליין שיכולים להשפיע. לעניין הזה יש מה שנקרא אטריביושן עקיף – Implied attribution. שבו בודקים את ההשפעה של ערוצי האופליין על כניסות דיירקט או אורגני, גידול בחיפושי מותג וכו'. למשל קמפיין רדיו שעולה/יורד, כנס שנוכחתם בו שגורם לגידול זמני בכניסות לאתר שאפשר לייחס אותם לכנס וכו'. זה עובד באופן חלקי ולפעמים לפעילות שהיא בעיקר ברנדינג אין השפעה בטווח המיידי.
6. לא בטוח שיש ערוצים שצריך בכלל לשקלל (אונליין או אופליין).
7. לא יודעים איזה מודל לבחור.
8. ערוצים שלא בשליטתנו במיוחד, אבל עלולים לייצר השפעה על מפת האטריביושן.
9. פעילות ברנד משמעותית שכן בשליטתנו, אבל המדידה שלה כמעט בלתי אפשרית.
10. Cross Device.
11. ומעבר לזה – בעיות טכניות, כשלים במדידה, מדידה לא תקנית וכיו"ב.

הנחות יסוד לבחירת המודל

1. שום מודל אינו מושלם.
2. אין באמת בנצ'מארק. כל חברה פועלת אחרת. מכיר לא מעט שהולכים אוטומטית למודל של 40-20-40 כלומר 40% לצ'אנל הראשון, 40% לצ'אנל האחרון, וכל ה"באמצע" יסתפקו ב 20% ביחד (נקרא גם U-shape Model). אבל פופולריות של מודל לא אומרת שהוא מתאים לכם.
3. לכולם יש דעה בנושא אטריביושן. גם לחתול שלי. אל תקשיבו לאף אחד, גם לא לי. תעשו את הטסטים בעצמכם. אל תאמינו לכל בנצ'מארק שקראתם עליו. זה שמודל מסויים עבד טוב בחברה א', לא אומר שהוא יעבוד בחברה ב'.
4. גם אם מגיע משיח מהעתיד ומראה לכם את המודל המושלם ביקום, עדיין המודל הזה מתייחס לנתונים שהצלחתם לאסוף באופן תקין. יש המון רעש, המון דאטה שנופל בין החריצים ובעיקר חוסר דאטה שמשפיע. סוג של לחפש את המטבע מתחת לפנס.
5. אם היה פתרון קסם, כולם היו משתמשים בו. כל החברות הגדולות מנסות להתמודד עם הדבר הזה. אתם לא לבד.

איך בוחרים את מודל האטריביושן המתאים לכם

בשלב הזה אני יוצא מנקודת הנחה שכל הקמפיינים שלכם מתוייגים פיקס, הפיקסלים עובדים פרפקט, והאנליטיקס מראה המרות כמו שצריך. בנוסף, ייתכן ובשלבים הראשונים של הקמפיינים שלכם, תרצו לתת לפלטפורמות קצת אוויר עם חלון המרה גדול כדי לתת להן ללמוד את היוזרים שלכם ולהצליח לבנות קהלים, גם אם המחיר זה רשתות שונות שלוקחות קרדיט על אותה המרה. בהמשך תוכלו לצמצם את החלון הזה.

אני ממליץ כמובן להגדיר בנוסף להמרות "קשות" (קבלת ליד, מכירה וכו'), גם המרות רכות יותר (Micro Conversions) כמו add to cart ,צפייה בדף מוצר, הורדת eBook וכיו"ב.

שאלות שצריך לשאול

מה סייקל המכירה שלכם? כמה זמן לוקח ליוזר להמיר מהרגע שנחשף אליכם? כמה זמן לוקח תהליך קבלת ההחלטות? יש מוצרים/שירותים שהתהליך יכול להיות קצר מדי. אנשים רוצים לקבל הצעת מחיר נניח לטיפול כלשהו, הצעה לביטוח וכיו"ב. יש ללקוחות ידע מקדים על הבעיה שלהם ומה הפתרון ("מסתיים לי הביטוח, אני צריך לחדש אותו") הם כבר יודעים ברובם מה זה ביטוח ולכן הסייקל שלהם יחסית קצר. ייתכן ומספר הטלפון שלכם כבר "יושב" אצלהם כי הפצצתם אותם במליון פרסומות ברדיו כבר עשור והם יתקשרו מיד ואז שום ערוץ לא יקבל את הקרדיט, וייתכן שחלקם פשוט יחפשו בגוגל "ביטוח רכב" ויקליקו על שלל ההצעות שהם מקבלים. סביר שזה לא יקח להם חודשיים להמיר אלא משהו יותר קרוב לכמה ימים. במקרים כאלה הנטייה היא לתת את הקרדיט לפי מודל של Single Touch.

אם תרצו לתת את המשקל למודעה הראשונה שתפסה אותו כשחיפש ביטוח רכב, תבחרו ב First Click. אם עשיתם זאת, יצאתם למעשה מנקודת הנחה שאם המודעה הזו לא הייתה קיימת, כנראה הפסדתם את הלקוח הזה לנצח. כלומר, אם אתם מבינים את המוצר שלכם ואת הקהל, תוכלו להבין מה מסע הלקוח שלקוח אמור/יכול לעבור לפני שהוא מגיע אליכם. על פי זה, נוכל לבחור את מודל האטריביושן המתאים לנו.

אבל מה קורה כשמסע הלקוח אורך כמה חודשים ועובר דרך שלל צ'אנלים?

עוד דוגמא: פיתחתם מערכת SaaS חדשה המיועדת ל DevOps. התחלתם להרים וובינרים מקצועיים לתעשייה ואתם מפרסמים אותם באופן שוטף בקבוצות מקצועיות בפייסבוק ולינקדאין. במקביל, פעילות תוכן ענפה מתחילה לתת גז על מנת להגדיל את הטראפיק האורגני ואפילו הצלחתם להרים שני פרופילים שמתחילים לענות על שאלות ב Stack Exchange ולקבל קצת תשומת לב. לא רק זה, שני אנשי ה Sales שלכם מתחילים ליצור קשר עם לקוחות פוטנציאלים בלינקדאין באמצעות הודעות פרטיות ועוד כמה חודשים אתם בכנס מציגים את המערכת. כל זה, בשאיפה שאחרי 3-4 חודשים שמישהו "מתחכך" בכם בכל מיני צ'אנלים, סוף סוף יחתום על חוזה. במקרה הזה מקובל להשתמש במודל Multi Touch, או מודל U כמו שתארתי מקודם (40-20-40) או אפילו Time Decay שנותן קרדיט לכל הערוצים אבל ככל שהערוץ קרוב יותר לסוף הוא מקבל יותר קרדיט (שימושי כשהסייקל קצר יחסית.)

הפקטורים

מה שמשותף לדוגמאות שנתתי למעלה, הוא שאני מתייחס לשלושה פקטורים:

1. כמות הערוצים הרלוונטיים להמרה.
2. הזמן שלוקח ליוזר להמיר (עבור המרה מסויימת שבחרתם. להמרה אחרת ייתכן וזה זמן אחר ולכן גם מודל אחר)
3. חוזק המותג.

אלה מרכיבי הליבה שאני מתייחס אליהם כדי להבין איזה מודל יותר טבעי ומתאים לי. כמה דוגמאות:

ככל שמסע הלקוח ארוך יותר => הנטייה ללכת למודלים של Multi Touch.

ככל שמסע הלקוח קצר יותר => הנטייה ללכת למודלים של Single Touch.

מסע לקוח קצר עם מספר צ'אנלים מרובה=> הנטייה ללכת למודל Time decay שנותן משקל שהולך ועולה ככל שהצ'אנל קרוב לרגע ההמרה. 

מסע לקוח ארוך עם מספר צ'אנלים מרובה=> הנטייה ללכת למודל Position Based שנותן משקל משמעותי לצ'אנל הראשון והאחרון, ומשאיר קצת  לכל אלו שבאמצע (כמו 40-20-40.)

ככל שמספר הצ'אנלים קטן יותר => הנטייה ללכת למודל של Single Touch. אם אין עדיין פעילות Branding, הייתי מתחיל עם Last Click כדי לבחון איזה צ'אנל באמת מצליח להביא למכירה, ובמקביל גם First Click כדי לראות איזה צ'אנל מצליח להביא לי יוזרים טובים לתחילת הפאנל.

מותג חזק עם פעילות מרובת ערוצים => עובד במודל של Multi-Touch. תתחילו ממודל Position Based כלשהו (40-20-40 נניח) ואם טכנית זה אפשרי, אז Data Driven. ממליץ גם להשוות את התוצרים של שני המודלים האלה לראות אולי הם נותנים תוצאות זהות.

בסופו של דבר, עבור כל המרה באתר שלכם, יש צ'אנלים רלוונטיים. נסו לשחק עם המודלים עבור המרה ספציפית ולראות מה התפקיד של כל צ'אנל בהמרה. זה אומר לקחת נייר ועפרון ולמפות את הכל לאט לאט. בסופו של דבר תוכלו להבין (חלקית כמובן), מה החוזקות ומה החולשות של כל צ'אנל במפה השיווקית שלכם. יש צ'אנלים שמביאים יוזרים טובים אבל הם לא מצליחים להמיר אותם (את זה כבר צ'אנל אחר "יקצור"), ויש צ'אנלים שמביאים הרבה הרשמות לוובינרים אבל לא מעבר (ואז השאלה הבאה היא מה קרה ליוזרים שנרשמו לוובינר בהמשך), ויש כאלה שיודעים להביא יוזרים לסגור עסקה מהר אבל הם תלויים בזה שפעילות המיתוג שלכם תהיה חזקה.

כך או כך, מדובר בתהליך ארוך שכולל עבודת תשתית משמעותית ולאחר מכן, היכולת לקבל החלטות והכי חשוב – ליישם את מה שלמדתם. וכן, להחליט לחתוך תקציב בחצי באיזה ערוץ יכול להיות בשורות קשות להרבה אנשים.

בונוס: MMM – Marketing Mix Modeling

מודל אטריביושן בשם MMM הוא סוג של מקבילה וותיקה ל Data Driven Attribution, עם כמה הבדלים קטנים. בעוד המנגנונים של DDA הם בדר"כ דינמיים, מבוססי משין לרנינג, בבעלות הפלטפורמות ונמצאות מאחורי הקלעים ולא חשופים לנו, מודל MMM בבסיסו סטטיסטי, כולל בעיקר הרבה רגרסיות, ומבוסס על דאטה מצטבר של כמה שנים אחורה. בנוסף, אפשר לערבב שם גם ביצועי מדיה אופליין (טלוייזיה למשל). את המודל מריצים פעם אחת בגדול על הדאטה ההיסטורי וניתן לרענן אותו מדי פעם.

פייסבוק השיקו לפני כשנתיים מודל MMM בקוד פתוח, הקרוי בשם Robyn ותוכלו להתקין אותו בשרתים שלכם, בתמורה למעט משאבי פיתוח (יחסית למה שמקבלים). אני שקוע בחומר בימים אלו ומקווה שאוכל לכתוב על זה בקרוב. (בונוס: יאן יאנקו קוטליארסקי עדכן אותי שגם גוגל השיקו מודל MMM משלהם בשם Lightweight)

אז זהו, מקווה שהמאמר הזה עשה קצת סדר, אם יש לכם שאלות או הרחבות, הסתייגויות ותיקונים, מוזמנים לפנות אלי.

בהצלחה לכולם(: