Kasu:
- Võimalus tõlgendada tehisintellekti toega selliseid mõõdikuid nagu konversioonimäär, ostukorvi keskmine, kohort ja kliendi eluea väärtus (LTV)
- Võimalus koostada müügiandmetest ülevaate ja nõudluse prognoosi kavandeid ning anda sisendit lao- ja kampaaniaotsuste tegemisel
- Oskus ära tunda korrelatsiooni ja põhjusliku seose segi ajamise ja võltsnumbrite tegemise ohtu ning kontrollida iga analüüsi oma andmeallikaga
E-kaubanduses on andmed igal pool: kui palju inimesi tuli, kui palju ostis, kui palju ostukorvi panid, mis kanalist tuli, kas naasid teist korda. Nendes andmetes on peidus otsused, mis teie ettevõtet kasvatavad; Kuid algandmed üksi ei anna juhiseid, neid tuleb tõlgendada. Tehisintellekt (AI) on võimas abivahend andmete kiireks kokkuvõtmiseks ja tõlgendamiseks, mustrite ja kõrvalekallete leidmiseks, aruannete koostamiseks ja nõudluse prognoosimise stsenaariumide genereerimiseks. Kuid analüütikas on tehisintellektil kaks suurt lõksu: arvude krigistamine (mõõdikute loomine ilma teie andmetele juurdepääsuta) ja korrelatsiooni segi ajamine põhjusliku seosega (arvates, et kaks asja liiguvad koos on „teise üks põhjus”). Selles õppetükis õpime nii õigeid mõõdikuid kui ka AI ohutut kasutamist.
Määratleme põhilised mõõdikud. Konversioonimäär: kui suur protsent külastajatest ostab. Keskmine ostukorv (AOV): keskmine tellimuste arv. Kohordi analüüs: sama perioodi jooksul esimest korda sisseoste teinud klientide rühma (kohordi) käitumise jälgimine aja jooksul. Kliendi eluaegne väärtus (LTV): hinnang kogukasumile, mille klient suhte jooksul jätab. Loobumine (churn): kui klient lõpetab ostmise. Need mõõdikud koos vastavad küsimusele "kui palju ma teenin ja kus ma kasvan?"
Milline mõõdik mida ütleb?
Iga mõõdik vastab küsimusele; Vale mõõdiku vaatamine viib vale otsuseni.
meetriline
küsimus
Kui see tõuseb
Tähelepanu
Konversioonimäär
Kas liiklus muutub müügiks?
hea
Lugege liikluskvaliteediga
Keskmine korv (AOV)
Mida ma teenin tellimuse kohta?
hea
Ristmüügi/komplekteerimise efekt
Kohordi kordumise määr
Kas klient naaseb?
Lojaalsus on olemas
Erineb kanalite kaupa
LTV
Mis on klient pikas perspektiivis väärt?
hea
See on hinnanguline, mitte kindel.
hülgamine (pööramine)
Kas ma kaotan kliente?
halb
Miks peaks seda uurima?
Tagastusmäär
Kas toode vastab ootustele?
halb
Tavaline tase on kategooriati erinev
Oluline põhimõte: üks mõõdik on eksitav. Kui konversioonide arv suurenes, kuid ka tootlus suurenes, võib eksitav sisu suurendada müüki ja käivitada tulusid. Lugege koos mõõdikuid.
Analüüs tehisintellektiga: numbrite lõks
Tehisintellekti kõige ohtlikum viga on see, et see annab ilma teie andmeid vaatamata kindla arvu, näiteks "teie konversioonimäär on 4,2 protsenti" (hallutsinatsioon). See number on täielikult väljamõeldud. Reegel on selge: mõõdikud pärinevad ainult teie enda analüüsiallikast – Google Analyticsist, turuplatsi armatuurlauast, teie e-kaubanduse infrastruktuuri aruandest. Kasutage nende andmete tõlgendamiseks tehisintellekti: annate need talle (anonüümselt) ja see teeb neist kokkuvõtte, leiab mustreid, koostab aruande. Mitte andmete meeldejätmiseks.
Ettevaatust: isegi kui tehisintellekt räägib mõõdikut väga ladusalt ja täpselt, küsige, kust see number tuli. "Milliste andmete põhjal te selle arvu arvutasite?" Kui sa seda ei andnud, mõtles ta selle välja. Iga arv, mis aruandesse läheb, tuleb kinnitada teie enda armatuurlaualt.
Korrelatsioon ja põhjuslik seos
Teine suur lõks on põhjuslikkuse eksitus. Andmetes võib AI öelda, et "reklaamikulud suurenesid, ka müük kasvas, mis tähendab, et reklaam suurendas müüki". See on korrelatsioon (koos tegutsemine); kuid põhjuslikku seost ei pruugi olla. Võib-olla on kolmas tegur, mis suurendab mõlemat: näiteks pühadehooaeg suurendab nii reklaami kui ka müüki. Seoses põhjusliku seosega ekslikult raiskate raha millelegi, mis ei tööta. Põhjusliku seose mõistmise viis on kontrollitud testimine: A/B testimine (kahe rühma samaaegne näitamine ja erinevuse mõõtmine) või vähemalt enne-pärast võrdluse puhastamine muudest teguritest. Laske AI genereerida hüpoteese; Tõestage põhjuslikku seost testimisega.
Nõudluse prognoos
Tehisintellekt võib genereerida teie ajalooliste müügiandmete põhjal nõudluse prognoosi stsenaariume: "sellel kuul eelmisel aastal müüsite nii palju, trend on selles suunas, puhkuseefekt on selline" jne. See on väärtuslik sisend laoseisu ja ostuotsuste tegemisel; See aitab leida tasakaalu enneaegse ammendumise (kaotatud müük) ja üleliigsete varude (seotud kapital, kokkuvarisemine) vahel. Ennustus on aga ennustus: ootamatu kampaania, tarneprobleem või moemuutus rikub pildi. Kasutage hinnangut "stsenaariumivahemikuna", mitte "kõva arvuna" ja ühendage see oma äriteadmistega.
Neli kopeeritavat malli
1) Mõõdikute kokkuvõte ja kommentaar:
Teie roll: e-kaubanduse analüütiku assistent.Allpool on tegelikud andmed minu enda armatuurlaualt (anonüümne): konversioonimäär, külastaja, tellimus, AOV, tagastusmäär, periood.Andmed: [tabel].Ülesanne: tõlgendage neid mõõdikuid koos; lipu ebatavalised liigutused; kirjuta võimalikud põhjused HÜPOTEES (ära ütle kindlat põhjust).Reegel: ära tooda ühtegi arvu, mida pole antud; märkige puuduvad andmed [ANDMED PUUDUVAD].
2) Korrelatsiooni/põhjuslikkuse kontroll:
Mõelge järgmisele väitele: "[mõõdik A] suurenes, suurenes ka [mõõdik B], nii et A põhjustas B."Kontekst: [periood, kampaania, välistegurid].Ülesanne: arutage, kas see on korrelatsioon või põhjuslik seos; loetlege ühised tegurid, mis võisid mõlemat suurendada; Selgitage, kuidas seadistada A/B-test, et tõestada põhjuslikku seost.
3) Kohordi/segmendi analüüs:
Allpool on anonüümsed kohordi andmed (esimene ostukuu, korduvate ostude määrad).Andmed: [tabel].Ülesanne: tõlgendage, milline kohort on lojaalsem, kuidas korduste määr ajas muutub; Märgi, millises segmendis on võimalus/risk. Reegel: kasutage ainult antud numbreid.
4) Nõudluse prognoosi stsenaarium:
Ajalooline müük: [kuuandmed]. Tuntud tegurid: [festival, kampaania, hooaeg]. Ülesanne: luua järgmise [perioodi] madala/keskmise/suure nõudluse stsenaarium; pane kirja iga stsenaariumi eeldus.Reegel: ütle, et see on oletus; Ärge esitage täpset arvu, andke vahemik.
kolm minikarpi
1. juhtum – koos lugemine. Ühel kauplusel oli konversioonimäära tõusu üle hea meel; Kuid tehisintellekti ja mõõdikuid koos tõlgendades nägi ta, et ka tootlus tõusis hüppeliselt. Miks: tootekirjeldused olid kampaanias liialdatud; Kliendid ostaksid selle, kuid tagastaksid selle, kui nende ootused ei vastanud. Ühe mõõdiku vaatamise rõõm muutus probleemiks, kui me seda koos lugesime ja see parandati.
Juhtum 2 – võltsmõõdik. Juht küsis tehisintellektilt "mis oli meie konversioon eelmisel kuul"; AI ütles "3,5 protsenti". Mänedžer kasutas seda meeskonna koosolekul eesmärgina. Tegelik määr oli üldiselt 1,9 protsenti. Vale vundament sünnitas vale eesmärgi. Õppetund: mõõdikud tulevad ainult armatuurlaualt.
3. juhtum – põhjusliku seose eksitus. Üks pood kahekordistas meilide sagedust, öeldes, et "müük kasvas päeval, mil me e-kirjad saatsime, nii et meilid suurendavad müüki." Aga need päevad olid ka allahindluspäevad; Peamine tegur oli allahindlus. Sagedased meilid ärritasid kliente ja suurendasid tellimuste tühistamisi. A/B test näitaks tegelikku juhti.
Nõrk viip / Tugev viip
Nõrk viip:
Analüüsin oma poe toimivust ja ütle mulle mu konversioonimäär.
Kuna andmeid ei anta, moodustab AI konversioonimäära; Analüüs põhineb algusest peale valesti.
Võimas viip:
Sinu roll: e-kaubanduse analüütik. Allpool on andmed, mille sain enda Analyticsi armatuurlaualt (anonüümne): Külastajaid 42 000, tellimusi 780, AOV 640 TL, tagastusmäär 9%, periood: juuni. Ülesanne: ARVUTAGE nende andmete põhjal konversioonimäär (näita kontot), tõlgendage mõõdikuid koos, märkige ebatavalised punktid hüpoteesideks. Arvude genereerimine, mida ei anta.
Levinud vead
- AI panemine mõõdikuid küsima. Mõõdikute taotlemine ilma oma andmeid esitamata toob kaasa võltsnumbrid.
- Vaadates ühte mõõdikut. Kui konversioonide arv suurenes, kuid ka tulud suurenesid, on tabel eksitav.
- Põhjusliku seose eksimine. "Põhjuse" väitmine ilma testimiseta viib valeinvesteeringuteni.
- Eeldada, et hinnang on täpne arv. Nõudluse hinnang on vahemik, mitte garantii.
- Andmete jagamine ilma anonüümsuseta. Isegi kui kliendiandmed lähevad analüüsi, tuleb isiklik ruum eemaldada.
- Kontot ei kinnitata. Kontrollige käsitsi kõiki tehisintellekti tehtud arvutusi.
Kokkuvõttes
E-kaubanduse analüütika on distsipliin, mis muudab algandmed otsusteks. Lugege koos mõõdikuid, nagu konversioon, AOV, kohort, LTV ja tulud; Üksik mõõdik on eksitav. AI on võimas andmete kokkuvõtete tegemisel, mustrite leidmisel ja aruannete koostamisel; kuid selleks, et vältida meetermõõdustiku sobitamise lõksu sattumist ja korrelatsiooni segadust põhjusliku seosega, kontrollige iga numbrit oma allikast ja kontrollige iga põhjuse väidet kontrollitud testimisega. Kasutage nõudluse prognoosi stsenaariumivahemikuna, mitte täpse arvuna. Andmete analüüsiks esitamisel anonüümseks muutke isiklikud väljad.
Rakenduse ülesanne
Anonüümselt eraldage oma analüüsi juhtpaneelilt tegeliku perioodi mõõdikud (külastajad, tellimused, AOV, tootlusmäär). Küsige tehisintellekti kommentaare malliga „mõõdikute kokkuvõte ja kommentaar“; Laske tal konversioonikursi ise arvutada, kuid saate seda käsitsi kontrollida. Seejärel mõelge oma ettevõtte kohta väitele "A suurenes, B suurenes", testige seda malliga "Korrelatsiooni/põhjusliku seose kontroll" ja koostage A/B test. Lõpuks koostage nõudluse prognoosi stsenaarium ja võrrelge seda oma äriteadmistega.
kontrollnimekiri
- [ ] Tõmbasin kõik mõõdikud oma analüüsiallikast; Ma ei jõudnud AI-ni.
- [ ] Kontrollisin käsitsi iga tehisintellekti tehtud arvutust.
- [ ] Tõlgendasin mõõdikuid koos, mitte eraldi.
- [ ] Testisin "põhjusliku seose" väiteid korrelatsiooni/põhjusliku seose osas.
- [ ] Käsitlesin nõudluse prognoosi stsenaariumivahemikuna, mitte täpse arvuna.
- [ ] Tegin analüüsitud andmetes isikuväljad anonüümseks.