اگر هر روز باید Google Ads، Meta Ads یا سایر کمپین‌های تبلیغاتی را بررسی کنید، احتمالاً بخش زیادی از زمان شما صرف جمع‌آوری اعداد و پیدا کردن تغییرات مهم می‌شود. در این آموزش یک «کارمند تبلیغات AI» روی VPS می‌سازیم که داده‌های کمپین را دریافت می‌کند، KPIها را مقایسه می‌کند، افت یا رشد غیرعادی را پیدا می‌کند و در یک گزارش روزانه، وضعیت و اقدام پیشنهادی را ارائه می‌دهد.

ایده اصلی این پروژه فقط ساخت یک چت‌بات نیست. هدف، ایجاد یک فرآیند دائمی است که در یک ساعت مشخص اجرا شود، اطلاعات تبلیغات را از API دریافت کند، داده خام را به شاخص‌های قابل فهم تبدیل کند و سپس از یک مدل زبانی برای تحلیل مدیریتی استفاده کند. این معماری برای کسب‌وکارهایی مناسب است که چند کمپین، چند محصول یا چند حساب تبلیغاتی دارند و نمی‌خواهند هر صبح گزارش‌ها را به‌صورت دستی بررسی کنند.

برای اجرای چنین سیستمی، VPS انتخاب مناسبی برای بخش پردازش و زمان‌بندی است؛ زیرا برنامه می‌تواند به‌صورت دائمی اجرا شود و بدون وابستگی به کامپیوتر شخصی، داده‌ها را جمع‌آوری و گزارش را تولید کند. در Google Ads نیز API رسمی امکان دریافت گزارش در سطح کمپین و حتی داده‌های جزئی‌تر را فراهم می‌کند. :contentReference[oaicite:1]{index=1}

کارمند تبلیغات AI دقیقاً چه کاری انجام می‌دهد؟

یک کارمند تبلیغات AI را بهتر است به‌عنوان یک تحلیلگر خودکار کمپین در نظر بگیریم، نه رباتی که بدون نظارت بودجه تبلیغات را تغییر می‌دهد.

چرا گزارش روزانه تبلیغات با AI ارزش دارد؟

در یک حساب کوچک شاید بررسی چند کمپین بیشتر از چند دقیقه زمان نگیرد. مشکل زمانی شروع می‌شود که تعداد کمپین‌ها افزایش پیدا می‌کند. در این شرایط، تغییر مهم ممکن است در میان ده‌ها عدد گم شود.

برای مثال، ممکن است هزینه یک کمپین ۳۰ درصد افزایش پیدا کند، اما تعداد تبدیل‌ها تقریباً ثابت بماند. از طرف دیگر، ممکن است CTR کاهش پیدا کند ولی هزینه هر تبدیل هنوز قابل قبول باشد. بنابراین مشاهده یک عدد به‌تنهایی برای تصمیم‌گیری کافی نیست و سیستم باید رابطه بین چند شاخص را بررسی کند.

چه KPIهایی را باید به کارمند تبلیغات AI بدهیم؟

داده ورودی سیستم باید بر اساس هدف کمپین انتخاب شود. یک کمپین آگاهی از برند با کمپین فروش مستقیم شاخص‌های یکسانی ندارد. با این حال، برای شروع می‌توان مجموعه زیر را در نظر گرفت.

Google Ads API برای گزارش‌گیری، فیلدهایی مانند کلیک، نمایش، CTR، هزینه و تبدیل را در اختیار برنامه قرار می‌دهد و امکان تقسیم داده بر اساس زمان، دستگاه و برخی ابعاد دیگر نیز وجود دارد. :contentReference[oaicite:2]{index=2}

معماری پیشنهادی کارمند تبلیغات AI روی VPS

برای اینکه پروژه قابل توسعه باشد، بهتر است آن را به چند بخش جدا تقسیم کنیم. در این حالت اگر بعداً بخواهید Meta Ads یا یک منبع داده دیگر را اضافه کنید، لازم نیست کل سیستم را از ابتدا بنویسید.

در چنین معماری‌ای، مدل زبانی نباید مستقیماً مسئول محاسبات اصلی باشد. بهتر است اعداد، درصد تغییرات و KPIها ابتدا توسط کد محاسبه شوند و سپس نتیجه ساختاریافته به مدل داده شود. این کار احتمال خطا در محاسبات را کمتر می‌کند و گزارش نهایی قابل کنترل‌تر خواهد بود.

نصب محیط روی سرور مجازی لینوکس

برای پروژه‌های سبک گزارش‌گیری، یک VPS لینوکس با منابع متوسط می‌تواند نقطه شروع مناسبی باشد. اگر تعداد حساب‌ها و دفعات اجرای تحلیل زیاد شود، می‌توان منابع را افزایش داد یا بخش‌های مختلف را جدا کرد.

sudo apt update
sudo apt install -y python3 python3-venv python3-pip git

mkdir -p ~/ad-ai-worker
cd ~/ad-ai-worker

python3 -m venv .venv
source .venv/bin/activate

pip install --upgrade pip
pip install pandas requests python-dotenv

اگر پروژه فقط از APIهای بیرونی و مدل‌های ابری استفاده کند، معمولاً نیازی به GPU روی VPS برای خود تحلیل وجود ندارد. VPS بیشتر نقش سرور همیشه‌روشن برای زمان‌بندی، دریافت داده، ذخیره گزارش و اجرای منطق برنامه را دارد.

دریافت داده کمپین از Google Ads

برای اتصال مستقیم به Google Ads باید دسترسی API، احراز هویت و مجوزهای لازم را تنظیم کنید. مستندات رسمی Google Ads API استفاده از OAuth 2.0 و developer token را توضیح می‌دهد و در سناریوهای بدون تعامل انسانی، استفاده از service account نیز مطرح شده است. :contentReference[oaicite:3]{index=3}

برای شروع بهتر است حساب تبلیغاتی را فقط در سطح دسترسی موردنیاز به سرویس متصل کنید. اطلاعات محرمانه را نیز داخل کد قرار ندهید.

GOOGLE_ADS_CUSTOMER_ID=1234567890
GOOGLE_ADS_DEVELOPER_TOKEN=your_token
OPENAI_API_KEY=your_api_key

در نمونه بالا مقدارهای واقعی باید در فایل محیطی یا Secret Manager امن قرار بگیرند. فایل حاوی کلیدها نباید وارد Git یا در اختیار کاربران دیگر قرار گیرد.

برای مشاهده مستندات رسمی می‌توانید از راهنمای شروع Google Ads API و مستندات Reporting API استفاده کنید. :contentReference[oaicite:4]{index=4}

ساخت منطق تحلیل کمپین

بعد از دریافت داده، بهتر است ابتدا یک لایه تحلیلی ساده بسازیم. فرض کنید اطلاعات امروز و میانگین هفت روز گذشته را داریم. سیستم می‌تواند برای هر کمپین درصد تغییر را محاسبه کند.

change_percent = ((today - previous) / previous) * 100

اما یک درصد تغییر به‌تنهایی نباید باعث هشدار شود. برای مثال، اگر یک کمپین از ۱ تبدیل به ۲ تبدیل برسد، رشد ۱۰۰ درصدی اتفاق افتاده است؛ ولی این عدد به‌تنهایی ارزش تحلیلی زیادی ندارد. بنابراین بهتر است حداقل مقدار داده نیز در تصمیم‌گیری لحاظ شود.

نمونه قوانین تشخیص وضعیت

دادن داده ساختاریافته به مدل زبانی

بعد از اینکه محاسبات انجام شد، می‌توان نتیجه را به شکل JSON به مدل زبانی داد. این روش نسبت به ارسال یک جدول بزرگ و بدون ساختار، کنترل بیشتری روی خروجی ایجاد می‌کند.

{
  "campaign": "Iran VPS Search",
  "today": {
    "cost": 42.5,
    "clicks": 186,
    "conversions": 12,
    "ctr": 0.071
  },
  "seven_day_average": {
    "cost": 35.2,
    "clicks": 201,
    "conversions": 15,
    "ctr": 0.083
  }
}

در مرحله بعد، مدل باید وظیفه مشخصی داشته باشد؛ مثلاً وضعیت را خلاصه کند، مهم‌ترین تغییر را توضیح دهد و فقط پیشنهادهایی ارائه کند که نیازمند بررسی انسانی هستند.

پرامپت پیشنهادی برای تحلیلگر تبلیغات

You are an advertising performance analyst.

Analyze the supplied campaign data.

For each campaign:

1. Identify significant changes.
2. Compare today's metrics with the historical baseline.
3. Explain possible causes only when supported by the data.
4. Highlight campaigns that require human review.
5. Suggest the next investigation or action.
6. Never invent missing metrics.
7. Never make budget changes automatically.

Return:

* Overall summary
* Critical alerts
* Campaign-by-campaign findings
* Recommended next actions

در این مدل، AI نقش تحلیلگر را دارد و تصمیم نهایی را به انسان واگذار می‌کند. اگر از OpenAI استفاده کنید، مستندات رسمی API نیز ساخت agentها و استفاده از ابزارها را پوشش می‌دهد. :contentReference[oaicite:5]{index=5}

گزارش روزانه تبلیغات چه شکلی باشد؟

گزارش روزانه نباید صرفاً یک خروجی طولانی از اعداد باشد. مدیر معمولاً می‌خواهد بداند امروز چه چیزی تغییر کرده، کدام کمپین نیاز به توجه دارد و قدم بعدی چیست.

اجرای خودکار هر روز با Cron

وقتی اسکریپت تحلیل آماده شد، Cron می‌تواند آن را هر روز در ساعت مشخص اجرا کند. برای مثال، اگر بخواهید گزارش ساعت ۸ صبح آماده شود:

0 8 * * * /home/USER/ad-ai-worker/.venv/bin/python /home/USER/ad-ai-worker/main.py >> /home/USER/ad-ai-worker/worker.log 2>&1

با این ساختار، VPS هر روز برنامه را اجرا می‌کند، اطلاعات تبلیغات را می‌گیرد، تحلیل را انجام می‌دهد و گزارش را تولید می‌کند.

آیا باید اجازه تغییر خودکار کمپین را به AI بدهیم؟

حتی خود Google Ads نیز قابلیت‌هایی برای اعمال خودکار برخی توصیه‌ها دارد و امکان کنترل و بررسی آن‌ها در حساب وجود دارد؛ بنابراین در یک سیستم سفارشی بهتر است مرز مشخصی بین «تحلیل AI» و «اجرای تغییرات» تعریف شود. :contentReference[oaicite:6]{index=6}

سطوح دسترسی پیشنهادی برای کارمند تبلیغات AI

ذخیره‌سازی تاریخچه گزارش‌ها

یکی از بخش‌های مهم پروژه این است که فقط گزارش امروز را نگه نداریم. اگر داده‌ها ذخیره شوند، AI می‌تواند روندهای طولانی‌تر را نیز بررسی کند.

این ساختار در آینده امکان ساخت داشبورد، تشخیص روندهای چند هفته‌ای و حتی ارزیابی کیفیت پیشنهادهای قبلی AI را فراهم می‌کند.

برای چند پلتفرم تبلیغاتی چه کنیم؟

اگر کسب‌وکار هم‌زمان از چند پلتفرم استفاده می‌کند، بهتر است اطلاعات همه منابع به یک ساختار مشترک تبدیل شود.

به این ترتیب AI مجبور نیست ساختار هر پلتفرم را از صفر بفهمد و فقط با داده استانداردشده کار می‌کند.

چه زمانی VPS قوی‌تری لازم است؟

برای یک کارمند تبلیغات که روزی یک یا چند بار APIها را بررسی می‌کند، بار اصلی معمولاً پردازش محلی سنگین نیست. اما وقتی چند Agent، پایگاه داده، داشبورد، پردازش فایل، مدل محلی یا چند حساب تبلیغاتی هم‌زمان اضافه شوند، منابع بیشتری لازم خواهد بود.

این اعداد نقطه شروع معماری هستند و ظرفیت واقعی باید بر اساس تعداد حساب‌ها، تعداد اجراها، اندازه داده، نوع مدل AI و سرویس‌های هم‌زمان تعیین شود.

امنیت کارمند تبلیغات AI را جدی بگیرید

چگونه این پروژه را از یک گزارش‌ساز ساده به AI Employee تبدیل کنیم؟

نسخه ساده پروژه فقط گزارش می‌دهد. اما اگر بخواهید مفهوم AI Employee را جدی‌تر پیاده کنید، می‌توانید چرخه‌ای مانند زیر بسازید:

در این حالت، سیستم فقط یک‌بار گزارش نمی‌سازد؛ بلکه یک حلقه یادگیری عملیاتی ایجاد می‌کند. برای مثال، اگر AI روز دوشنبه کاهش CTR را گزارش کرد و مدیر تبلیغات روز سه‌شنبه تغییراتی انجام داد، سیستم می‌تواند در گزارش‌های بعدی بررسی کند که KPIها چه تغییری کرده‌اند.

اشتباهاتی که نباید در ساخت AI Employee تبلیغات انجام دهید

باکس رفع مشکل و راه‌اندازی

جمع‌بندی؛ کارمند تبلیغات AI چه چیزی را خودکار می‌کند؟

منابع رسمی مرتبط:
Google Ads API Reporting،
Google Ads API Quickstart،
OpenAI API Quickstart.

📞 تماس با پشتیبانی: 021-91302460 | ایرانیکاسرور