Skill התאמה אישית בקנה מידה עם AI ל-Claude

מתי להשתמש

"פרסונליזציה עם AI", "dynamic content", "recommendation engine", "1:1 personalization", "RAG personalization", "Dynamic Yield".

הוראות עבודה

1. רמות פרסונליזציה

2. 3 ארכיטקטורות עיקריות

A. Recommendations (klassi)

• Collaborative filtering (matrix factorization).
• Content-based.
• Hybrid (Netflix, Spotify).
• Deep learning (Two-tower, transformers).

B. RAG-based Personalization

המידע על המשתמש נטען לקונטקסט של LLM:

User profile + history + preferences
       ↓
Context assembly
       ↓
LLM generates personalized output

C. Generative Personalization

LLM/Image-gen יוצר תוכן ייחודי per user:

• Email subject lines.
• Landing page copy.
• Product images on background של ה-vibe שלו.

3. Stack מומלץ 2026

4. Use Cases מובילים

E-commerce

• Personalized product recommendations.
• Dynamic homepage hero per segment.
• Smart bundles (LLM-generated).
• Email subject lines personalized.

Media

• Article recommendations.
• Dynamic newsletter assembly.
• Personalized podcasts (תופעה חדשה — ElevenLabs + LLM).

SaaS

• Personalized onboarding flows.
• In-app messaging based on usage.
• Predictive churn → save offers.

Banking / Fintech

• Personalized financial advice (זהירות עם רגולציה).
• Spending insights.
• Product offers (loans, cards).

5. RAG Personalization Pattern

def personalize(user_id, query):
    profile = get_user_profile(user_id)  # demographics, prefs
    history = get_recent_actions(user_id, n=20)
    similar = vector_search_similar_users(user_id, k=5)
    
    context = f"""
    User: {profile}
    Recent: {history}
    Similar users liked: {similar}
    
    Query: {query}
    
    Generate personalized response.
    """
    
    return claude.complete(context, model="haiku-4-5")  # cheap, fast

6. Latency & Cost Considerations

• Real-time LLM per request = $$$.

• שכבות:

  1. Pre-computed (batch nightly) → 80% מה-cases.
  2. Cached (similar users) → 15%.
  3. Real-time LLM → 5% (premium users / critical moments).

• Haiku/Mini ל-real-time. Opus/GPT-5 ל-batch quality work.

• Prompt caching (Anthropic) → 90% חיסכון אם prompt structure חוזר.

7. Dynamic Content Generation

Email subject lines

• 50 variants ב-LLM, A/B test, learn winners per segment.
• Persado, Phrasee — מתמחים בזה.

Landing pages

• Dynamic hero copy.
• Personalized testimonials (from same industry).
• Image hero adapted (image gen).

Product descriptions

• Tone variation per buyer persona.
• Long/short version dynamically.

8. Privacy & Consent — קריטי

• GDPR / CCPA / חוק הגנת הפרטיות: עיבוד אוטומטי דורש בסיס משפטי + שקיפות.
• Cookie consent — אסור לעקוב לפני הסכמה.
• Right to explanation (GDPR Article 22) — אם החלטה אוטומטית מהותית, חובה הסבר.
• Israeli תיקון 13 (2024): profiling = רישום מאגר, DPIA.
• Anonymization vs Pseudonymization — חשוב להבין הבדל.

9. Measuring Success

• Lift vs control (חובה holdout group).
• CTR, conversion, revenue per user.
• Engagement (time, repeat visits).
• Long-term value — לא רק short-term clicks.
• Diversity — אל תשכחו serendipity, פילטר בועה.

10. Anti-patterns

• Too much personalization → creepy ("How do they know!").
• Filter bubble — רק עוד מאותו דבר.
• Personalization בלי attribution → לא יודעים מה עובד.
• Real-time LLM ב-scale בלי caching → bill shock.
• אין fallback אם AI נופל → הומפג שבור.

11. Israeli context

• Dynamic Yield — נוסדה בישראל, נמכרה ל-McDonald's ($300M, 2019), עכשיו עצמאית שוב.
• Granify — conversion AI (קנדי-ישראלי).
• Optimove — CRM marketing automation, ישראלי.
• Insider — engagement + personalization, פעילות חזקה בישראל.
• חוק הפרטיות הישראלי = מותאם ל-GDPR. סטנדרטים דומים.

12. Roadmap מומלץ

1. Foundation — CDP + analytics נכונים. בלי data clean = הכל נכשל.
2. Segments — הצגה דינמית לפי 3-5 סגמנטים. ROI מהיר.
3. Recs engine — product recs, content recs.
4. LLM augmentation — דינמי copy, dynamic emails.
5. Real-time generative — אישית 1:1 ב-moments חשובים.
6. Continuous experimentation — תרבות A/B.

קלט נדרש

פלט צפוי

כללי עבודה

• פלט בעברית, מונחים מקצועיים באנגלית
• מחירים per 1M tokens, per MAU
• 2026: generative personalization mainstream

דגלים אדומים

• ללא holdout group → אי אפשר למדוד lift.
• אין consent → הפרת חוק.
• Real-time LLM בכל request → bill shock.
• Filter bubble → user fatigue.
• אין fallback → site נשבר אם AI down.

הערות חשובות

• Personalization = 80% data + 20% AI. תתחילו ב-data.
• Cache aggressive — pre-compute את ה-default.
• Holdout 5-10% תמיד למדידה.
• Privacy first — GDPR/Israeli compliance קריטי.
• בעברית: צריך LLM שמדבר עברית טוב + מבין תרבות.

פרומפט לדוגמה

תכנן stack לפרסונליזציה ל-shop ישראלי 100K MAU.

איך משלבים LLM dynamic email subject lines ב-Klaviyo + holdout test?

Privacy DPIA לפרסונליזציה real-time בבנק בישראל.

© 2026 AI Expert Pro | גרסה 1.1.0