Mamdouh Aboammar - ممدوح ابوعمار

18/09/2026

بوست مثبت عشان أنا نفسي بعد شوية هنسى إحنا وصلنا لفين في حوار PyMC ده 😂

أنا بوثق هنا الرحلة بتاعة الـPyMC Marketing MCP من أول ما بدأت ألعب في MMM وأسأل هو الـROAS ده نصدقه ليه أصلًا، لحد كل مشكلة جديدة بتطلعلي وأنا بحاول أخلي الـAI ياخد Marketing Decisions من Models فعلية من غير ما يهبد أرقام من عنده

وده الـIndex، وكل ما جزء جديد ينزل هضيفه هنا

◉ 0. مش فاهم يعني ايه PyMC Marketing؟ البوست دا هينورلك دماغك.. وهيخلصك من التعفن الدماغي بسبب ريلز تيك توك الأي كلام!

🔗 https://www.facebook.com/share/p/1F4vBPzKRR/

◉ 1. فـ PyMC Marketing خلتني أشك في كل Dashboard فتحتها تقريبًا

🔗 https://www.facebook.com/share/p/1DhCnYWrtZ/

◉ 2. طب ليه الـMarketing Manager لازم يعرف Python عشان يستخدم كل ده؟

🔗 https://www.facebook.com/share/p/1JfPxbR8bX/

◉ 3. الـModel اشتغلت وطلعت Charts حلوة... مين قال ينفع ناخد عليها قرار؟

🔗 https://www.facebook.com/share/p/19EG5YrHiJ/

◉ 4. الـTool كانت Stable لحد ما الـTests قالتلي تعالى هنا يا حبيبي

🔗 https://www.facebook.com/share/p/1PpZjSrmvz/

◉ 5. مفاجأة كانت الـBudget Optimizer مجهزاها ليا مكنتش متوقعها صراحة.. بس اللي عملته معاها هي مكانتش متوقعهاه 😁

🔗 https://www.facebook.com/share/p/17chiCYbQe

◉ 6. قريبـــاً

🔗 SOON

والقصة مكملة لأن تقريبًا كل مرة بخلص مشكلة، المشروع يطلعلي واحدة أرخم منها 😄

الـBudget Optimizer عنده كلام معايا
الـAsync Worker عنده كلام معايا
والـRelease Evidence نفسها شكلها داخلة الدور قريب

فلو دخلت السلسلة من النص وقلت هو الراجل ده بيتخانق مع `R-hat` ليه، ابدأ من هنا أحسن 😂

ربنا يستر على باقي الـrepo 🫠

18/09/2026

مش فاهم يعني ايه PyMC Marketing؟ البوست دا هينورلك دماغك.. وهيخلصك من التعفن الدماغي بسبب ريلز تيك توك الأي كلام!

بعد 5 بوستات (سايب لك لينكاتهم في الكومنتس) وأنا كل مرة أطلعلك بـR-hat وLift Tests وSLSQP وBug جديدة طالعلي من تحت الأرض، غالبا من حقك تسألني سؤال بسيط جدًا:

يا ممدوح، هو PyMC Marketing MCP دي بتعمل إيه أصلًا؟ 😄

المرة دي هنركن الـPosterior والـDivergences ومشاكل الـSolver شوية، ونبص على الفكرة من مكان شخص شغال Marketing أو Business وعنده سؤال واحد: الحاجة دي هتفيدني في إيه؟

خليني أبدأ من موقف أظن أي حد اشتغل Performance أو Growth شاف نسخة منه قبل كده

عندك Meta وGoogle وTikTok وYouTube، عندك GA4، عندك CRM، عندك Sales من الـbackend، عندك Promotions، ويمكن عندك Offline كمان، ومش بس كدا.. البراند أو البزنس بيشتغل في مصر والسعودية والإمارات.. وكل مكان فيهم عنده أرقام وتقارير وتحليلات تكفي تفتح متحف Dashboards صغير في الشركة

وتيجي في الآخر تسأل السؤال اللي عليه فلوس فعلية:

أنا الربع الجاي معايا 6 مليون عملة (جنيه أو دولار حسب أنت بتلعب ف نادي إيه)، أحطهم فين؟

هنا فجأة كل الأرقام الجميلة تبدأ تتخانق مع بعض 😄 والدنيا تسيح

تيجي Meta تقولك أنا جبت Revenue كذا، Google تقولك وأنا كذا، الـCRM عنده رقم تالت مختلف أوي، والـbackend ممكن يبقى شايف الدنيا بطريقة رابعة، وفوق كل ده رمضان داخل أو Promotion نزلت أو السعر اتغير أو المنافس عمل عرض أو العميل أصلًا كان ناوي يشتري قبل ما يشوف الإعلان

ودلوقتي دخل الـAI على الخط

تقدر فعلًا ترفعله CSV وتسأله: شايف نصرف فين؟ وغالبا هيعرف يقرأ الملف، يعمل شوية calculations، يلاحظ patterns ويشرحهم كويس جدًا

بس أول ما السؤال يبقى فيه Causality أو Incrementality أو Forecast أو Budget Allocation، أنا شخصيًا عايز الحساب يطلع من حاجة معمولة للحساب ده، والـAI يمسك الفهم والحوار وترتيب الشغل والنقاش مع حضرتك بس مش أكتر من كدا.. مش هنحمله مسؤولية هو مش قدها

🚨⚠️ الـ AI مينفعش يدخل في القرارات دي.. وحضرتك نفسك دماغك مينفعش تقرر بشكل عشوائي الكلام دا.. دي فلوس ناس ⚠️🚨

فــــــــ من هنا جه PyMC Marketing MCP

عندنا 3 أسماء شبه بعض شوية، فخليني أفككهم بسرعة

الــ PyMC-Marketing في حد ذاتها هي Python library مفتوحة المصدر للـMarketing Science، فيها Marketing Mix Modeling وCustomer Lifetime Value وBudget Optimization وExperiment Calibration وحاجات تانية لطيفة تخليك تسأل أسئلة أعمق من مين جاب Conversions أكتر

الـــ MCP اختصار Model Context Protocol، وهو open standard بيخلي تطبيقات الـAI زي (Claude و ChatGPT و Codex و Gemini و Kimi وغيرهم...) تعرف الأدوات والبيانات المتاحة لها خارج المساحة بتاعتها، تفهم كل Tool محتاجة Inputs إيه، تناديها، وتاخد Output معروف بدل ما كل integration يتبني مخصوص من أول وجديد

الــــ PyMC Marketing MCP بقا بتاعتنا.. بقى هي المشروع اللي أنا ببنيه عشان أخلي Agent الجامد بتاعك أجمد.. ويقدر يستخدم شغل PyMC-Marketing من خلال Tools ليها معنى واضح في التسويق، ومعاها قواعد تمنع القرار إنه يعدي لما الـEvidence نفسها متكونش مستعدة تتحمل مسؤولية القرار.... مش فاهم؟؟

طب خليك معايا بس.. وأنا أوعدك هتتبسط أوي من اللي هتقرأه

بص الـ MCP بتاعنا دا فكرته يعني بدل ما أدي الـ AI Agent حتة Python Code مفتوحة وأقوله اتصرف يا نجم، هو يشوف حاجات من نوع:

`inspect_dataset`

`validate_dataset`

`fit_mmm`

`diagnose_mmm`

`get_incremental_roas`

`simulate_budget`

`optimize_budget`

دي عبارة عن (لو هنبسطها يعني) أدوات Tools كل واحدة ليها وظيفة معروفة، Input معروف، Output معروف، وحاجات لازم تكون حصلت قبلها

وده يقربنا بقى من كلمة Agentic Marketing اللي بقت تتقال كتير الفترة دي

بالنسبالي الــ Agentic Marketing يبدأ لما الـAI يقدر يمسك Job أو تاسكاية فعلية من أول السؤال لحد النتيجة، يختار الـــــ Tools المناسبة، ينفذ كل خطوة، يبص على اللي رجعله، ويحدد الخطوة اللي بعدها حسب الـEvidence اللي ظهرت

يعني تقوله مثلًا:

⚪ عندي حبة شروط وقيود
عندي بيانات آخر سنتين، والربع الجاي Budget بتاعتي 6 مليون، Meta لازم تفضل فوق مليون ونص، Search لازم ياخد حد أدنى، TikTok لسه Experimental وعندي Cap معين عليها، شوفلي أفضل سيناريو أقدر أتناقش فيه مع الـ CEO في الـBudget Meeting

فـ⬇️ــ

الـAgent هنا يقدر يمشي تقريبًا كده:

🔴 يفهم الـData ...
🟡 يتأكد إنها تنفع للتحليل (داتا نضيفة يعني ومترتبة بشكل كويس أعمدة وصفوف مرتبطة ببعض)
🟠 يبني MMM
🔵 يراجع الـDiagnostics
🟢 يشوف Contributions وIncremental ROAS
⚫ يجرب Scenarios
⚪ وبعدها يشغل Budget Optimization تحت (الشروط اللي انت قولتها ليه فوق) اللي إنت حاططها

ولو من أولها الـ Model طلعت مرفوضة، الـOptimization نفسها ما تشتغلش

ولو القيود اللي إنت حاططها مستحيل تتحقق مع بعض، يرجعلك إن الــ Constraints غير قابلة للتنفيذ بدل Allocation شكلها صح وخلاص

ولو الـ Data نفسها مش قادرة تفصل تأثير Channel عن التانية بثقة معقولة، يقدر يوقف عند النقطة دي ويقولك محتاج Evidence زيادة أو Experiment أنضف

ودي بالنسبة لي أحلى نسخة من الـAI في الـMarketing لحد دلوقتي، لأن الـــ AI يعرف يعمل حاجة مفيدة ويعرف كمان إمتى معلوماته الحالية متديهوش حق يكمل

طيب بعيدًا عن المثال الطويل ده، تقدر تستخدم الحكاية دي في إيه فعليًا؟

◉ لو عندك Spend موزع على كذا Channel، تقدر تستخدم MMM عشان تفهم مساهمة القنوات مع وجود Seasonality وPromotions وعوامل تانية بتحرك الـBusiness، وبعدها تبص على الـIncremental والـMarginal Return بدل ما تكتفي بالأرقام اللي كل Platform بتنسبها لنفسها

◉ لو داخل Budget Planning، تقدر تجرب What-if Scenarios قبل ما تحرك الفلوس: إيه اللي يتوقعه الـModel لو قللت Meta، زودت Search، ثبت YouTube، أو حطيت Limits معينة لكل Channel، وبعدها تشغل Allocation تحت Business Constraints حقيقية.. ودا عشق جماعة الـــ Growth

◉ لو الميزانية بتتوزع كمان خلال أسابيع أو Planning Periods، عندك Flighting Optimization يساعدك تفكر في إمتى تصرف، مع القيود وتأثير الـCarryover، بدل ما القرار يبقى Channel Allocation وخلاص

◉ لو عندك Experiment أو Geo Lift Test، تقدر تدخل النتيجة كـEvidence جديدة وتعمل Calibration للـModel، فالتجربة اللي اتعملت في السوق ترجع تأثر على التحليل اللي هتبني عليه القرار الجاي

◉ لو عندك Subscription أو E-commerce أو أي Business عنده Repeat Customers، عندك CLV workflows تساعدك تفكر في قيمة العميل خلال وقت وجوده معاك بدل ما تحكم على Channel من أول Purchase بس

◉ لو شغلك Agency أو Marketing Team وعندك الـ Analytics works بيتكرر كل شهر، تقدر تخلي الـAgent يمشي على Workflow ثابتة: Data Readiness، Modeling، Diagnostics، Scenario Planning، Decision، مع Provenance تخليك تعرف كل نتيجة طلعت من Data وإعدادات وModel إيه

◉ ولو السؤال نفسه سابق لأوانه، زي إن Tracking مكسور أو الـbackend وPlatforms مختلفين على تعريف الـConversion، فالـData Validation المفروض توقفك بدري، لأن الـ Marketing Science قوية بقدر جودة الـData اللي داخلالها

وآخر نقطة دي تستحق تتعلق على الحيطة بصراحة

لو الـTracking بايظ، PyMC Marketing MCP مش هتعملك سحر يعني ولا هتصلح مشاكل التراكينج

لو الـSales Data ناقصة، أو عندك Promotions مش متسجلة، أو القنوات كلها اتحركت مع بعض طول السنة، أو مفيش Variation كفاية، ممكن أفضل Output تاخده يبقى: الداتا الحالية متسمحش بالقرار ده

وده مفيد جدًا في الــ Business أكتر مما شكله يوحي.. علفكرة دي أصلاً الـ Edge Point اللي بنيت عليها PyMC MCP أساساً وقاعد بحكيلك عنها طول البوستات الـ 5 اللي فاتت.. ولو مش فاهم السبب ضروري ترجع تقرأهم

بس خليني أختصرها ليك
لأن جزء من الشغل اللي بشوفه حواليا بيتعامل مع وجود الـData كأنه دليل إننا نقدر ناخد أي Decision، مع إن وجود Data وحده لا يضمن إن السؤال اللي بتسأله قابل للإجابة بالـEvidence الموجودة إطلاقاً

تخيل مثلًا مؤسسة عندها موسم ضخم في رمضان

التبرعات أو المبيعات بتزيد طبيعي في الموسم، وفي نفس الوقت الشركة بتزود Media Spend، وتعمل Campaigns جديدة، وتدخل Offers أو Messages جديدة

بعد الشهر تفتح الـDashboards وتلاقي كل Channel تقريبًا مقتنعة إنها السبب في النجاح اللي حصل خلال الموسم 😄

السؤال المفيد هنا يبقى: قد إيه من الحركة دي مرتبطة بالموسم نفسه؟ قد إيه عندنا Evidence على Incremental Effect للإعلانات؟ ولو معايا جنيه إضافي الموسم الجاي، أنهي مكان عنده فرصة أحسن ياخده؟

يعني يعني
لو العميل قرر يكافئنا ونزود الباجت السنة الجاية
الفلوس الزيادة دي نوديها لأي قناة من القنوات اللي عملت معانا أحلى واجب السنة دي؟

لأنك لو قولت جوجل دلعنا.. فـ هندلعه! ممكن تتفاجيء أن أصلاً الدولار الزيادة اللي هتديه لجوجل هيخليه يبدأ يقلل النتايج مش يزودها

وده السؤال اللي PyMC-Marketing المكتبة نفسها معمولة عشان تساعد في تحليله، والـMCP تخلي الـAgent يعرف يمشي الرحلة من السؤال للـTools للـResult من غير ما المستخدم يبقى محتاج يكتب Notebook أو يعرف API بتاعة PyMC ولا Jupyter ولا أي شيء

وعلى الناحية التانية، تخيل Brand عندها Customer Acquisition شكله غالي في Channel معينة

الـDashboard ممكن تقول اقفل القناة

بس لو العملاء اللي جايين منها بيرجعوا يشتروا أكتر وCLV بتاعتهم أعلى، القرار محتاج يبص أبعد من أول Conversion

فــ تاني لو Brand عندها مثلاً Meta تاريخيًا هو أعلى ROAS

ده برضه ما يقولكش تلقائيًا إن الجنيه الجاي يروح Meta، لأن القناة ممكن تكون قربت من Saturation والـMarginal Return في Channel تانية بقى أحسن عند مستوى الإنفاق الحالي ومتزودش ربع جنيه كمان

فـ هو دا مستوى التفكير اللي خلاني أصلًا متعلق بالمشروع دا

أنا شايف استخدام الـAI في Marketing طول الفترة اللي فاتت اتحبس شوية في Content Generation وSummaries وChat with your data

لكن الــ Agentic Marketing بالنسبالي أمتع لما الـAgent يقدر يدخل في شغل الـ Decision Making نفسه، ويكون وراه Tools متخصصة، و Contracts واضحة، و Scientific Calculations حقيقية، وChecks تمنع الثقة الزيادة عن اللزوم اللي بتشوفها في كل ردود Claude

وفيه حاجة كمان بدأت تهمني وأنا ببني المشروع

الـAI ممكن يبقى Interface ممتاز لشغل معقد جدًا

بمعنى إن الـMarketing Manager مش لازم يعرف يكتب PyMC أو يفهم كل Parameter في الـSampler عشان يسأل: لو زودت Budget هنا إيه المتوقع يحصل؟

وفي نفس الوقت الشخص المتخصص يفضل قادر يفتح الـDiagnostics والـModel Configuration والـEvidence ويشوف الحساب اتبنى على إيه

يعني مدير الـMarketing ياخد إجابة مفهومة، والـMarketing Scientist يفضل عنده التفاصيل اللي تخليه يراجعها ويعترض عليها لو محتاج يعني

وده بالنسبة لي شكل عملي جدًا للتعاون بين الـAI والناس اللي فاهمة الـDomain دا

وفيه شوية حدود مهمة أحب تفضل واضحة وأنا بحكي عن المشروع

لو الـ Diagnostic Approval ما تثبتش Causality لوحدها، وMMM مش بديل عن الـ Experiments، والـMCP نفسها مش بتدخل تعدل Campaigns على Meta وGoogle تلقائيًا حاليًا، والـrepo لسه Advanced Beta ومش Release-approved للـProduction

أنا أفضل بصراحة أقول الحتة دي بوضوح لأن الهدف عندي إن الحاجة تبقى Decision-safe فعلًا.. عشان منلبسش حد في حوارات 😄

فلو هتلخص PyMC Marketing MCP في دماغك بعد البوست ده، افتكر المشهد ده:

إنت بتتكلم بلغتك العادية عن مشكلة Business

الـAgent يفهم السؤال ويختار العملية المناسبة

وـــ PyMC-Marketing تعمل الـ Calculations بتاعتها اللي محتاجة Marketing Science

الـDiagnostics والـDecision Rules يحددوا هل النتيجة ينفع توصل بينا لقرار ولا لازم نقف هنا ونشوف فين المشكلة بالضبط

والـAgent بعد كل دا يرجعلك الكلام بلغة تفهمها ومعاه الـEvidence اللي تقدر تراجعه

أنا عايز أوصل للحظة اللي Marketing Director يقول فيها:

عندي 6 مليون الربع الجاي، ومعايا الشروط دي، وريني السيناريوهات اللي تستاهل أفكر فيها

والـAgent يعرف يكمل لو عنده Evidence، ويقف لو الـEvidence ناقصة، ويرجعلك سبب واضح بدل Recommendation لازم تطلع بأي شكل

ساعتها كلمة Agentic Marketing بالنسبة لي تبدأ تبقى مفيدة فعلًا 😄

الـrepo هتلاقيه في الكومنتس مع حبة لينكات تانية لو حابب تتسحل معايا:

18/09/2026

وقعت النهاردة على Thread في Reddit واحد بيسأل سؤال غالبا ناس كتير بقت بتسأله بصيغ مختلفة

إزاي أستخدم الـAI وأعمل منه فلوس؟

الراجل شغله وقف، وبدأ يجرب حاجات بسيطة، logos، captions، شوية أفكار، وبعدها حاول يعمل app للـtrucking، ولما اكتشف إن فيه app قريب من فكرته قال خلاص غالبا أدوّر على حاجة تانية

وطبعا Reddit قام بالواجب 😂

واحد نصحه إن أحسن business دلوقتي هو إنك تبيع كورس بـ10,000$ عن إزاي تعمل فلوس بالـAI

وبين الهزار فيه comment لخص الموضوع بشكل عجبني جدا

ابدأ بحاجة الناس ممكن تدفع فيها فلوس، وبعدها استخدم الـAI عشان تساعدك تعملها أحسن وأسرع

وأنا قاعد بقرأ حسيت إن جزء كبير من الهوس الحالي بالـAI جاي من إننا بنبدأ من الأداة

وـــــ ChatGPT موجود، Codex موجود، agents موجودة، أقدر أعمل apps، أقدر أعمل صور، أقدر أكتب، أقدر أعمل automation

جميل.. بس مين هيدفع؟ وعلى إيه بالظبط؟

تخيل حد سألك إزاي أعمل فلوس من Excel؟! السؤال نفسه هيبقى غريب شوية.. صح؟

وــــ Excel ممكن يساعدك تدير شركة، تعمل financial model، تحلل data، تتابع inventory، أو تعمل شغل ناس تدفع لك مقابله

بس وجود Excel على اللابتوب عمره ما كان business idea.. ونفس الحكاية بتحصل دلوقتي مع الـAI

أنا أقدر النهاردة أفتح coding agent وأخليه يبني لي prototype أسرع بكتير من اللي كنت أقدر أعمله من فترة قصيرة

أقدر أعمل research أسرع، أراجع code، أكتب documentation، أجرب عشر أفكار بدل فكرة، وأختصر جزء كبير من الشغل الممل.. كل ده مفيد جدا

بس لو بنيت حاجة محدش محتاجها، أنا بس بقيت أسرع في بناء حاجة محدش محتاجها 😅

والحتة اللي لفتت نظري أكتر في صاحب الـthread إنه ساب فكرة الـtrucking app أول ما لقى competitor

مع إن وجود competitor ممكن يبقى أول معلومة مفيدة عندك

فيه ناس بالفعل بتستخدم النوع ده من المنتجات... فيه market تقدر تراقبه.. فيه reviews تقدر تقراها

فيه users تقدر تشوف بيتخانقوا مع إيه، وإيه اللي بيتكرر في complaints، وإيه اللي بيدفعوا عشانه رغم إنهم متضايقين

ساعتها تبدأ تسأل أسئلة أحسن.. مين المستخدم اللي أنا فاهمه كويس؟

إيه الحاجة اللي بتضيع منه وقت أو فلوس بشكل متكرر؟ بيحلها دلوقتي إزاي؟

إيه اللي مضايقه في الحلول الموجودة؟ هل المشكلة مؤلمة بالنسبة ليه كفاية إنه يدفع عشان تتحل؟

وبعد ما تلاقي إجابات تستاهل، افتح بقى ChatGPT وCodex وGemini وClaude وكل أصحابنا واقعد العب براحتك

خليهم يساعدوك في الـresearch، prototype، code، content، support، testing، analysis وكل الشغل اللي يخلّيك تجرب أسرع وتتعلم أسرع

أنا شخصيا بقيت أبص للـAI بالطريقة دي أكتر كل يوم.. مشروع كويس + AI ممكن يخليك تتحرك بسرعة مجنونة

فكرة ملهاش customer مستعد يشتريها + AI ممكن يخليك توصل لنفس النهاية الغير سعيدة بسرعة مجنونة برضه.. بس هتكون حرقت توكنز وفلوس كتير

فاللي بيدور دلوقتي على AI idea تكسبه فلوس، يمكن يستفيد أكتر لو قفل ChatGPT ساعة ونزل يدور على ناس عندها مشكلة تستاهل فلوس

وبعدين يرجع يفتح ChatGPT تاني

ساعتها الحوار بيبقى أمتع بكتير

14/09/2026

12/09/2026

طيب فاكر الـBudget Optimizer اللي قلتلك في آخر البوست اللي فات إنها مستنياني في الركن هناك كدا وبتبصلي وبتعملي كدا 🤌🏻 بايديها؟

أهو أنا بقا خدت حبايتين شجاعة من بتوع محمد هنيدي في ورحتلها لغاية عندها😄

وطلعت مجهزة لي درس لطيف جدًا في الـCausality جاي أحكيلك عنه

القصة بدأت من Test اسمها `test_full_persistence_lifecycle_across_restarts`، اسم محترم جدًا يخليك داخل عليها وأنت متوقع تتأكد إن الـModel تعرف تعيش بعد ما الـApplication تقفل وتفتح تاني

الـFlow كان تقريبًا كده: نبني MMM على Synthetic Data، نشغل الـDiagnostics، الـModel تعدي الـDecision Gate، نحفظها، نعمل Application جديدة، نرجع نحمل نفس الـModel، نجرب `simulate_budget` فتشتغل عادي، وبعدها نجرب `optimize_budget` على Budget بـ `150,000` لـ Four Planning Periods

وهنا PyMC Marketing قالتلي:

`MinimizeException: Optimization failed: Positive directional derivative for linesearch`

الله ينور يا روح قلبي 😄

أول حاجة دماغي قالتها كانت واضحة جدًا: الـPersistence بوظت حاجة

ما هو الـModel كانت شغالة، اتحفظت، اتعمل لها Reload، وبعدها الـOptimizer وقعت

الــ Case closed يا حضرة المحقق كونان 🤡

بس استنى شوية، أنا أصلًا من أول السلسلة دي قاعد أصدعك بحكاية إن أي إنفاق إعلاني على Meta حصل قبل الـSales لا يثبت أبداً إن Meta هي اللي جابت المبيعات دي.. وإن لو Google ظهر قبل الـConversion لا يخليه ياخد الـCredit كله، وإن وجود event قبل event تاني ميديكش Causality هدية

وقوم إيه بقى، لقيت نفسي هتهم الـPersistence لأنها ظهرت في الـTimeline قبل الـFailure 😂

الـTest اسمها Persistence Lifecycle، والـFailure ظهرت بعد Reload، وده Evidence إن المشكلة ظهرت في المسار ده فعلًا

سبب المشكلة نفسه لسه محتاج Experiment أبسط: نفس الـModel، نفس الـBudget، نفس الـPlanning Periods، نفس الـBounds، نشغل الـOptimization قبل الحفظ وبعدين نشغلها بعد الـReload

لو الاتنين وقعوا بنفس الطريقة، الـPersistence تاخد براءة ونروح نبص على الـFixture أو الـConstraints أو الـOptimizer setup نفسها

لو اللي قبل الحفظ نجحت واللي بعدها وقعت، ساعتها عندي دليل يستاهل أدخل على الـSerialization والـCoordinates والـdtypes وترتيب الـDimensions والحاجات اللي ممكن تكون اتغيرت أثناء الحفظ والتحميل>> ودا عادي علفكرة بيحصل مش أزمة كبيرة يعني

وآه دي حتة عجبتني جدًا لأن الـdebugging هنا رجعني لنفس السؤال بتاع الـMarketing Science: إيه اللي حصل فعلًا؟ وإيه اللي عندي دليل إنه سببه؟

السؤالين قريبين جدًا وإنت بتحكي القصة، إنما القرار اللي هتاخده بعدهم ممكن يروح في حتة أربعتاشر خالص

خليني أرجع خطوة للـError نفسها .. عشان فيها جزئية كدا مش مفهومة 😄

خلينا متفقين سوا ان PyMC Marketing المكتبة نفسها بتعمل Budget Optimization كمسألة constrained optimization.. دا تمام

إنت عندك Total Budget، وعندك Channels، وممكن تحط Minimums وMaximums وقيود إضافية، والـOptimizer يحاول يلاقي Allocation تدي Expected Response أعلى تحت القيود دي.. ودا تمام بردو

الـBudget Optimizer في PyMC Marketing بيستخدم SLSQP، وده solver للمسائل اللي فيها constraints.. حلو دا.. بس الـ مش حلو بقا اللي جاي 🥴

رسالة `Positive directional derivative for linesearch` معناها عمليًا إن الـsolver وقف ومقدرش يلاقي step مناسبة تكمل بيها الـline search تحت الـobjective والـconstraints بالشكل الحالي

الرسالة دي لوحدها متقوليش السبب

ممكن يبقى عندي مشكلة Scaling، أو الـConstraints عاملة مساحة صعبة جدًا أو مفيهاش حل valid أصلًا، أو الـinitial point وحش، أو حاجة في الـModel state والـcoordinates اتغيرت بعد الـreload، أو الـSynthetic Fixture نفسها بتطلب حاجة صعبة عدديًا

وفيه حتة مهمة هنا أنا شخصيًا كنت محتاج أفصلها في دماغي

نجاح الـ `simulate_budget` بعد الـReload مش بيجبر الـ `optimize_budget` إنها تنجح

الـSimulation بتاخد Scenario أنت محدده أصلًا وتقيّم الـModel عليه

الـOptimization عندها شغل تاني خالص، هي بتدور جوه مساحة كبيرة من الـAllocations وتحاول تلاقي واحدة تحقق الهدف وتحترم كل القيود في نفس الوقت

فنجاح الـSimulation دليل مفيد إن الـModel المعمول لها Load قادرة تحسب Response لسيناريو معين>> هو دا حلو طبعاً

لكن لسه محتاجين دليل منفصل إن الـOptimization نفسها قادرة تحل المسألة اللي اديناهالها

وعشان كده أسهل Fix هنا هو أكتر واحد مخوفني: أزود retries، أغير tolerance، أبدل initial guess، أجرب seed تانية، أو أغير شوية أرقام في الـFixture لحد ما الـCI تبقى خضرا ونرجع كلنا بيوتنا ننام مرتاحين البال؟

نجاح الـsolver مرة بعد شوية حنكشة ميقوليش إني فهمت السبب

ومع Tool وظيفتها تقولك تحط ملايين فين، أنا محتاج Evidence أحسن من `اشتغلت لما زقيناها خطوتين شوية` 😄 .. دي فلوس ناس يابا

وفيه مثال أبسط يخلي اللي بحكيلك عليه دا واضح

تخيل إنك داخل للـOptimizer وبتقوله الـ Budget كلها مليون، وفي نفس الوقت حاطط Minimum على Meta بـ600 ألف وMinimum على Google بـ500 ألف

أنت كده طلبت منها توزع مليون تحت شروط محتاجة على الأقل 1.1 مليون

مفيش Allocation سحرية هتصلح الكلام ده، والرد المهني هنا إن القيود نفسها غير قابلة للتنفيذ بالشكل الحالي

أي Tool ترجعلك أرقام شكلها مرتب في الحالة دي هتبقى بتديلك Recommendation مريحة بصريًا ومضروبة بالنار رياضيًا

وده فتحلي Gate جديدة في دماغي فوق الـDecision Gate اللي حكيتلك عنها في البوست الثالث

أنا كنت مركز إن الـModel لازم تعدي الـDiagnostics الأول: Divergences، R-hat، ESS، Posterior Predictive Checks، وكل الحاجات اللي تحدد هل ينفع نسمح للـDecision Tools تشتغل ولا لأ

دلوقتي واضح عندي إن قرار الميزانية عنده مرحلتين لازم يعدوا

صلاحية الـModel نفسها، وبعدها صلاحية نتيجة الـOptimization

وده نوع تاني من المشاكل غير الـStatistical Uncertainty اللي كنت بتكلم عنها في أول السلسلة دي

ممكن يبقى عندك Posterior كويسة والـDiagnostics مطمنة، وفي نفس الوقت الـNumerical Solver مقدرتش تحل مسألة الـAllocation اللي طلبتها منها

ساعتها مفيش أي تناقض

الـModel بتقول إن عندها Evidence تسمح بالحساب

والـSolver بتقول إن عملية البحث الحالية موصلتش لحل صالح تقدر ترجعهولك

ومن هنا بدأت أبص على Output الـOptimizer نفسها كحاجة محتاجة Evidence

الـsolver رجعت Success فعلًا؟ الـBudget النهائي محفوظ بالكامل؟ كل Channel احترمت الـBounds بتاعتها؟ أي Cell Constraints موجودة اتحققت؟ الـAllocation فيها أرقام finite ومنطقية؟

ولو الـOptimizer فشلت، النتيجة المفيدة هي Failure واضح ومفهوم من غير Allocation تتخيل إنها Recommendation وهي مفترض لأ

ودي نقطة حساسة جدًا مع الـAI تحديدًا لأن الـAgent بطبيعته عايز يكمل الـTask (ويقولك هييييييييه خلصنا "خُد")

إنت قلتله `وزعلي الـBudget`، فهو عايز يرجعلك Budget متوزعة

لو الـTool اللي وراه اديتله Exception خام، عندك كذا احتمال سيئ: الـAgent يحاول retry بطريقة ملهاش أساس، يغير Parameters من عنده، أو يفسر Error تقنية لمستخدم ملوش أي ذنب في SLSQP ومشاكله العائلية 😄

أنا عايز الـBoundary هنا تبقى واضحة

الـOptimizer قدرت تنتج Allocation صالح تحت القيود المعطاة؟ رجع النتيجة ومعاها الـEvidence اللي تخليني أفهمها

الـOptimizer مقدرتش؟ رجع Failure ثابت بلغة الـDomain تقول إن مفيش Allocation موثوقة اتولدت، وتحافظ على السبب التقني جوه الـEvidence من غير ما نحول الـFailure لـ Fake Success

والأهم إننا عمرنا ما ناخد الـinitial allocation أو الـhistorical allocation ونرجعها للمستخدم على إنها optimized لمجرد إننا محتاجين Answer

لأن ساعتها الـAI هتكون عملت أسوأ حاجة ممكنة في الـ Analytics: خدت حالة `معرفش` ولبستها رقم وخُد تاني يا يوزر

وده رجعني لحاجة بدأت تبقى Theme غصب عني في المشروع

في البوست الأول لو تفتكر.. كنت قلقان من ان يكون فيه Attribution الرقم بتاعها واخد ثقة زيادة عن اللزوم، في التاني كنت عايز الـAI تعرف إمتى تطلب Calculation حقيقية، في التالت قفلت الـDecision Tools ورا Diagnostics، وفي الرابع اكتشفت إن الـTool Contract نفسها ممكن تبقى كاتبة حاجة والـImplementation طالبة حاجة تانية

ودلوقتي وصلت لمرحلة أبعد: حتى بعد ما الـData تعدي، والـModel تعدي، والـContract تبقى سليمة، الـNumerical Optimization نفسها ممكن تقولك `أنا مقدرتش أوصل لحل أقدر أدافع عنه`

وده Valid Response جدًا، خصوصًا إن الـOptimization في الحياة الفعلية بتبدأ بقيود Business حقيقية

Meta مينفعش تنزل عن رقم عشان عندك always-on activity، Search لازم يفضل موجود، TikTok عندها Cap عشان لسه Experimental، YouTube فيه Commitment متفق عليه، وفي الآخر عايز Budget واحدة تتوزع وتحقق هدف

كل Constraint بتضيفها بتقلل المساحة اللي الـsolver تقدر تتحرك فيها، وفي لحظة معينة ممكن تكتشف إن الشروط اللي إنت حاططها هي اللي متخانقة مع بعض والـsolver واقفة قدام مسألة مفيهاش مساحة valid تتحرك فيها

وده بالنسبالي مفيد جدًا في الـProduct نفسه

بدل ما الفنكشن `optimize_budget` تكون زرار بيطلع Allocation وخلاص، أنا عايزها تعرف تميز بين كذا حالة: Model مرفوضة، Constraints مش هينفع تتنفذ، Solver مقدرتش توصل للحل، وOptimization نجحت وعدت الـinvariants

لأن كل حالة من دول بالنسبة لواحد داخل Budget Meeting معناها قرار مختلف تماماً

والـIssue عندي لسه مفتوحة كـP1 لحد دلوقتي

أنا لسه معنديش Root Cause مثبتة للـfailure دي، ومفيش قصة بطولة جاهزة هنا

الخطوة اللي تستحق تتعمل دلوقتي بسيطة جدًا في شكلها: نفس الـOptimization قبل الـPersistence وبعدها، وبعدها أقارن الحاجات اللي المفروض تفضل ثابتة وأشوف أول مكان النتيجة اتغيرت عنده

لو الـpre-reload نجحت والـpost-reload وقعت، هندخل على Persistence ونشوف إيه اللي اتغير

لو الاتنين وقعوا، هنسيب Persistence في حالها ونروح للـFixture والـBounds والـOptimizer setup

وبعد ما السبب يتثبت، الـFailure نفسها لازم تتحول لحاجة مفهومة تخلي الـAgent يقف هنا.. بدل ما يطلع Recommendation وهو شايف Failure قدامه

وأنا بصراحة مستمتع جدًا إن المشروع كل شوية يرجع يحطني قدام نفس مبادئ الـMarketing Science كل مرة ويرمي في وشي من ناحية تانية حاجات مكنتش متخيل اني ممكن أعرف اتعامل أو أفكر فيها

أنا قاعد أقول من أول يوم متقولش إن حاجة سببت حاجة عشان ظهرت قبلها، وفجأة لقيت Test اسمها Persistence وقعت بعد Reload وكنت هكتب في دماغي `Persistence bug`

حلو يا ممدوح 😄

لحد دلوقتي الإجابة الحقيقية هي: معرفش الـPersistence هي السبب ولا لأ، وعندي Test واضحة هتجاوبني

ودي تقريبًا أحسن حاجة ممكن أقولها عن الـIssue دي حاليًا، لأن لو جاوبت قبل ما أشغل المقارنة هكون بعمل في الـdebugging نفس الحاجة اللي قاعد أهاجمها في الـAttribution من أول بوست

شفت two events ورا بعض وقررت إن واحد سبب التاني

فـ PyMC عندها طرق غريبة جدًا تربي الواحد والله 🫠

مستنيك في بوست تاني اقولك عملت اي ووصلت فين

10/09/2026

من أكتر الحاجات اللي أنا مبسوط بيها في نفسي الفترة الأخيرة إني بقيت بعرف أتزنق كويس 😂

آه، أتزنق

تبقى قدامي مشكلة، الحل الجاهز مش موجود، الإمكانيات اللي قدامي محدودة، أو الـtool نفسها مبتعملش اللي أنا محتاجه بالظبط، فأول سؤال بييجي في دماغي بقى: طيب أنا عايز أوصل لإيه؟ وإيه المتاح قدامي دلوقتي؟ وإزاي أعمل منهم workaround يقربني للنتيجة المطلوبة؟

يمكن دي من أكتر الـskills اللي حاسس إني اتعلمتها من الشغل فعلًا

زمان كنت أرتاح أكتر لما ألاقي best practice واضحة، documentation بتقول اعمل 1 و2 و3، أو حد جرب نفس الحاجة قبلي وكتب الحل

مع الوقت بدأت أتعامل مع النوع ده من الإجابات بحذر أكتر، لأن أغلب المشاكل اللي تستاهل وقتك أصلًا بيبقى فيها حاجة ناقصة: context مختلف، budget مختلف، الفريق مختلف، tool ناقصة، data مش كاملة، أو هدف لسه الناس نفسها مش متفقة عليه

وساعتها بقى السؤال الأهم عندي: إحنا محتاجين النتيجة دي ليه أصلًا؟

السؤال ده وفر عليا شغل كتير جدًا، لأنك ساعات تقعد تحل مشكلة لمدة يومين وبعدها تكتشف إن المشكلة كلها كانت ناتجة عن إنك بدأت من الـhow قبل ما تفهم الـwhy

عايزين podcast؟ طيب هيعمل إيه؟ عايزين dashboard؟ مين هياخد قرار منها؟ عايزين AI يدخل في الـworkflow؟ أنهي جزء فعلًا محتاجه؟ عايزين ننزل content أكتر؟ إيه اللي ناقص في الموجود أصلًا؟

ومع الـAI الموضوع بقى أوضح بالنسبالي أكتر

الإجابة السهلة بقت متاحة بسرعة جدًا، وده خلاني أدي وقت أكبر للـframing، للسؤال نفسه، وللتأكد إن الـoutput اللي قدامي بيحل الحاجة اللي أنا طلبتها فعلًا، لأن الحاجة اللي شكلها مقنع ممكن تعدي عليك بسهولة جدًا

أنا بقيت أخاف من الاستسهال في شغلي أكتر من زمان

تكتب prompt، تاخد answer، تعدل كلمتين، خلاص

وعشان كده كل ما باستخدم AI أكتر، بحاول أقاوم الحتة دي في نفسي، وأسأل زيادة: ليه قال كده؟ على أساس إيه؟ إيه اللي ناقص؟ إيه اللي افترضه من عنده؟ ولو الحل ده مش نافع، أقدر أوصل لنفس الغرض منين تاني؟

يمكن عشان كده كمان بقيت أحب جدًا الناس اللي عندها نفس الحتة دي وهي شغالة

الشخص اللي لما حاجة تقف قدامه، يفضل يفكر في البدائل المتاحة، يجرب، يلف حوالين المشكلة شوية، وييجي يقولك أنا معرفتش أعملها بالطريقة دي فعملت كذا ووصلت لنفس الغرض

النوع ده بالنسبالي مريح جدًا في الشغل، لأنك عارف إن أول roadblock هيخبط في وشه مش هيوقف الدنيا

واتعلمت حاجة تانية برضه أخدت مني وقت طويل: الانشغال سهل جدًا يستخبى في شكل إنجاز

meeting ورا meeting، report كبيرة، dashboard مليانة أرقام، content calendar زحمة، عشرين task اتقفلت في اليوم

دلوقتي أنا بحاول أسأل سؤال أبسط: إيه القرار اللي اتحسن بسبب كل ده؟ إيه المشكلة اللي اتحلت؟ إيه الحاجة اللي بقت أوضح؟

لو مفيش إجابة واضحة، غالبًا محتاج أراجع الشغل نفسه قبل ما أحتفل بكمية الشغل

ونفس الكلام حصل مع الـdata

بقيت أتعامل مع الرقم كخبر محتاج context

CTR طلع، حلو، مين ضغط؟ وليه؟ وبعدها عمل إيه؟ والناس اللي المفروض كانت تشوف الإعلان وما وصلهاش أصلًا فين؟

الـdata بتوريني اللي حصل، وأنا مسؤوليتي أدور كمان على اللي مش ظاهر فيها قبل ما أبني قرار كبير

وأعتقد إن من أحسن الحاجات اللي حصلت لطريقة تفكيري في السنين الأخيرة إني بقيت مرتاح أكتر مع جملة معرفش

بقولها، وبعدها أدور على أول حاجة أقدر أختبرها وأول نقطة أبدأ منها

وده يمكن أقرب وصف لطريقة شغلي دلوقتي

أنا بحب المشاكل اللي مفيهاش إجابة جاهزة، وبحب أكتر اللحظة اللي بعد شوية لف وتجريب تلاقي نفسك وصلت لحاجة كانت في الأول باينة مقفولة تمامًا

ولسه طبعًا باخد قرارات غلط، وبستسهل أوقات، وبقع في نفس الحاجات اللي بنتكلم عنها كلنا

اللي بحاول أحافظ عليه وسط كل الـtools والـAI والسرعة اللي حوالينا: أفضل أفكر في السؤال شوية زيادة قبل ما أفرح بالإجابة

08/09/2026

متحاولش تقنعني إنك عامل Strategy وإنت لسه بتبص على اللي ظهر قدامك في الـData وتتعامل مع الباقي كأنه مكنش موجود

في قصة مشهورة جدًا من الحرب العالمية التانية عن Abraham Wald، الراجل كان ضمن Statistical Research Group في Columbia، وكانوا شغالين على سؤال بسيط في شكله ومش بسيط خالص لما تدخل فيه

الطيارات اللي بترجع من المهمات عليها إصابات في أماكن مختلفة، فلو عندك وزن محدود تقدر تزوده كـArmor، تحطه فين؟

تبص على الطيارات الراجعة

تلاقي الجناحات واخدة ضرب كتير
جسم الطيارة واخد ضرب
وأماكن تانية عدد الإصابات فيها قليل جدًا

أول حاجة دماغك ممكن تقولها إن المناطق اللي عليها ضرب أكتر محتاجة Protection أكتر

أما Wald ركز في حاجة رخمة شوية

إحنا أصلًا بنبص على أنهي طيارات؟

اللي رجعت 😄

الطيارة اللي اتضربت في الجناح ولسه قدرت ترجع موجودة قدامنا في الـData
إنما الطيارة اللي اتضربت في مكان حساس جدًا ومكملتش الرحلة؟

دي عمرها ما وصلت عشان نحط عليها نقطة أصلًا

انك تشوف اصابات قليلة في مكان معين على الطيارات الناجية ممكن تكون معلومة أهم من كترها في مكان تاني
أبحاث Wald وقتها كانت فعلًا عن تقدير Vulnerability من الـ Damage الموجود على الطائرات الناجية، والقصة اللي بنحكيها النهارده اختصار لطيف للفكرة الأساسية دي

وأنا كل ما أفتكر القصة دي، بحس إننا بنعمل نسخة Marketing منها كل يوم تقريبًا من غير صواريخ ولا طيارات الحمدلله 😄

تفتح آخر 20 Post عندك وتختار أعلى 5 Engagement وتقول:
آه تمام، الجمهور بيحب النوع ده من الـContent
طب والـ15 التانيين؟
والناس اللي شافت أصلًا ومعملتش أي Interaction؟
والناس اللي كان المفروض الـContent يوصلها ومظهرش لها من الأساس؟
والناس اللي وصلها الـPost بس الـHook مخلتهاش تكمل؟
ولا إحنا هنا بنحاول نفهم الجمهور من الناس اللي نجت لحد آخر الـFunnel؟ 😄

نفس الحوار يحصل في الـPaid Media

تجيب الناس اللي Converted وتبدأ تعمل Analysis
سنهم كام؟
اهتماماتهم إيه؟
جايين من أنهي Campaign؟
أنهي Creative لمسوه؟

وبعد شوية يبقى عندك Profile محترم جدًا للناس اللي اشترت
حلو
بس عندك 200 ألف واحد شافوا الإعلان ومضغطوش أصلًا

وعندك ناس ضغطت وخرجت بعد ثانيتين

وناس بدأت Checkout واختفت
وناس Customer Profile بتاعها على الورق ممتاز، بس الإعلان أصلًا عمره ما دخل الـAuction عندهم

وناس كان عندها Intent تشتري منك، راحت اشترت من Competitor وإنت معندكش Event اسمها:
customer_was_about_to_buy_from_us_then_changed_his_mind 😂

فإنت ساعات بتبني استنتاج كامل على مجموعة من الناس كان لازم يحصل لهم شوية حاجات الأول عشان يدخلوا الداتا اللي بتبص عليها

ودي حتة تستاهل تقف عندها

لأن الـDashboard وهي مفتوحة قدامك بتديك إحساس مريح جدًا إن كل حاجة موجودة

Rows
Charts
Funnel
Percentages
Conversion Rate

بس وجود أرقام كتير ميقولكش إن العينة اللي قدامك بتمثل السؤال اللي إنت بتحاول تجاوبه
لو أنا بحلل الناس اللي عملت Click فقط، أقدر أتعلم حاجات عن الناس اللي Clicked

لو أنا عايز أفهم ليه أغلب الـAudience أصلًا مبيعملش Click، محتاج Evidence تانية

لو أنا بدرس العملاء اللي فضلوا معايا سنة، هما مفيدين جدًا لفهم الـRetention

بس لو عايز أعرف ليه الناس بتسيب المنتج بعد أسبوع، غالبًا الناس اللي اختفت هي أهم ناس محتاج أعرف عنها حاجة

وده بيحصل في الـStrategy بطريقة أرخم شوية

نلاقي Campaign نجحت فنقعد نحللها لحد ما نطلع منها Formula
الـVideo كان 23 ثانية
في Face في أول 3 ثواني
الـOffer ظهر بدري
الـHook سؤال

خلاص يا جماعة عرفنا الـWinning Formula

طب كام Video بنفس المواصفات اتعمل ومجابش حاجة؟

لو مفيش comparison محترم، إحنا ممكن نكون بنشرح النجاح بعد ما حصل وخلاص

نفسها لما حد يقولي:
أعلى Leads Quality عندنا جاية من LinkedIn
تمام

مين أصلًا بيتعرض لإعلانات LinkedIn عندك؟
مين الـAudience اللي الـBudget بيسمحلك توصله هناك؟
إيه الـCampaigns اللي اترفعت واتقفلت قبل ما تجمع Data كفاية؟
إيه الـSegments اللي مجربناهاش؟
وإيه Channel مظهرش كويس لأنك من البداية مدتهاش Spend يخليها تــ Prove حاجة معينة؟

فأوقات كتير السؤال اللي ناقص قبل ما تعمل Strategy هو:
إيه شروط دخول الشخص أو الحملة أو الـCreative للداتا اللي أنا شايفها أصلًا؟

السؤال ده لوحده بيخليك تبص للحاجات بشكل مختلف

لو بتقارن Customers، مين خرج قبل ما يبقى Customer؟
لو بتقارن Leads، مين عمره ما كمل الـForm؟
لو بتقارن Creatives، فين الـCreatives اللي اتجربت وفشلت؟
لو بتقارن Channels، هل كل Channel أخدت فرصة عادلة تتقاس أصلًا؟
لو بتبص على Funnel، مين أصلًا مقربش من أول Step فيه؟
وساعات الإجابة هتبقى إننا معندناش الـData دي
عادي جدًا
دي معلومة في حد ذاتها

أريح بكتير من إننا ناخد الجزء اللي متاح ونحاول نطلعه Strategy كاملة بالعافية

أنا عامة بقيت أحب قبل أي Dashboard Review أسأل سؤال سخيف شوية:

مين ناقص من الجدول ده؟
لأن الرقم اللي قدامك غالبًا بيشرح ناس أو Events نجحت في إنها توصل للمرحلة اللي بتقيسها

والناس اللي اختفت قبلها ممكن تكون هي السبب الحقيقي إن القرار اللي هتاخده يطلع غلط

ساعتها الـData مبتبقاش قليلة

بس السؤال أكبر من العينة اللي قدامك

ولو نسينا النقطة دي، التخمين ساعات بيبقى على هيئة Charts حلوة جدًا ويتعرض في الـMeeting بمنتهى الثقة 😄

نحاول نتعلم حاجة جديدة
دي سلسلة بشارك فيها معاك أفكار بتيجي في بالي وأنا مروح البيت