تجزیه و تحلیل تجارت الکترونیک: پیش بینی تبدیل، سبد، گروه و تقاضا

سود:

• امکان تفسیر معیارهایی مانند نرخ تبدیل، میانگین سبد، گروه و ارزش طول عمر مشتری (LTV) با پشتیبانی هوش مصنوعی
• توانایی تولید بینش و پیش‌نویس‌های پیش‌بینی تقاضا از داده‌های فروش و ارائه ورودی به سهام و تصمیمات کمپین
• توانایی تشخیص خطر اشتباه همبستگی با علت و ایجاد اعداد جعلی و تأیید هر تحلیل با منبع داده خاص خود

در تجارت الکترونیک، داده ها همه جا هستند: چند نفر آمدند، چند خریدند، چقدر در سبد خرید قرار دادند، از چه کانالی آمده بودند، آیا برای بار دوم برگشتند. در این داده ها تصمیماتی پنهان است که کسب و کار شما را رشد می دهد. اما داده های خام به تنهایی راهنمایی نمی کنند، بلکه باید تفسیر شوند. هوش مصنوعی (AI) کمکی قدرتمند در خلاصه‌سازی و تفسیر سریع داده‌های شما، یافتن الگوها و ناهنجاری‌ها، تهیه پیش‌نویس گزارش‌ها و ایجاد سناریوهای پیش‌بینی تقاضا است. اما دو مشکل بزرگ هوش مصنوعی در تجزیه و تحلیل وجود دارد: خرد کردن اعداد (تولید معیارها بدون دسترسی به داده‌های شما) و اشتباه گرفتن همبستگی برای علیت (تصور دو چیز که با هم حرکت می‌کنند "یکی از دلایل دیگر" هستند). در این بخش، هم معیارهای صحیح و هم نحوه استفاده ایمن از هوش مصنوعی را یاد خواهیم گرفت.

بیایید معیارهای اساسی را تعریف کنیم. نرخ تبدیل: چند درصد از بازدیدکنندگان خرید می کنند. میانگین سبد خرید (AOV): میانگین مقدار سفارشات. تجزیه و تحلیل گروهی: ردیابی رفتار در طول زمان گروهی از مشتریان (همگروهی) که برای اولین بار در همان دوره خرید کردند. ارزش طول عمر مشتری (LTV): تخمینی از کل سودی که مشتری در طول رابطه به جا می گذارد. رها شدن (سرریز): زمانی که مشتری خرید را متوقف می کند. این معیارها با هم به این سؤال پاسخ می دهند که "چقدر درآمد دارم و کجا رشد می کنم؟"

کدام متریک چه چیزی را می گوید؟

هر متریک به یک سوال پاسخ می دهد. نگاه کردن به معیار اشتباه منجر به تصمیم اشتباه می شود.

متریک

سوال

اگر بالا بیاید

توجه

نرخ تبدیل

آیا ترافیک به فروش تبدیل می شود؟

خوب

با کیفیت ترافیک بخوانید

سبد متوسط (AOV)

در هر سفارش چه درآمدی کسب می کنم؟

خوب

اثر فروش متقابل/بسته بندی

میزان عود گروهی

آیا مشتری برمی گردد؟

وفاداری وجود دارد

بر اساس کانال متفاوت است

LTV

ارزش مشتری در بلند مدت چیست؟

خوب

این یک تخمین است، قطعی نیست.

رها کردن (ترک کردن)

آیا من مشتریان خود را از دست می دهم؟

بد

چرا باید بررسی شود؟

نرخ بازگشت

آیا محصول انتظارات را برآورده می کند؟

بد

سطح نرمال بر اساس دسته بندی متفاوت است

یک اصل مهم: یک معیار گمراه کننده است. اگر تبدیل ها افزایش یافته اما بازده نیز افزایش یافته است، شاید محتوای گمراه کننده باعث افزایش فروش و ایجاد بازده شود. معیارها را با هم بخوانید.

تجزیه و تحلیل با هوش مصنوعی: تله خرد کردن اعداد

خطرناک ترین اشتباه هوش مصنوعی این است که بدون اینکه به داده های شما نگاه کند، عدد مطمئنی مانند "نرخ تبدیل شما 4.2 درصد است" تولید می کند (توهم). این شماره کاملا ساختگی است. قانون واضح است: معیارها فقط از منبع تجزیه و تحلیل خود شما - Google Analytics، داشبورد بازار، گزارش از زیرساخت تجارت الکترونیک شما می آیند. از هوش مصنوعی برای تفسیر این داده ها استفاده کنید: شما آن را (به صورت ناشناس) به آن می دهید و آن را خلاصه می کند، الگوها را پیدا می کند، یک گزارش تهیه می کند. نه برای به خاطر سپردن داده ها

احتیاط: حتی زمانی که هوش مصنوعی یک متریک را بسیار روان و دقیق بیان می کند، بپرسید که این عدد از کجا آمده است. "این رقم را از چه داده هایی محاسبه کردید؟" اگر ندادی، جبران کرد. هر عددی که وارد گزارش می شود باید از داشبورد خودتان تأیید شود.

همبستگی و علیت

دومین دام بزرگ، مغالطه علیت است. در یک داده، هوش مصنوعی می تواند بگوید "هزینه های تبلیغاتی افزایش یافت، فروش نیز افزایش یافت، به این معنی که تبلیغات فروش را افزایش داد". این یک همبستگی است (با هم عمل می کنند). اما ممکن است علیت وجود نداشته باشد. شاید عامل سومی وجود داشته باشد که هر دو را افزایش می دهد: به عنوان مثال، فصل تعطیلات هم تبلیغات و هم فروش را افزایش می دهد. اشتباه گرفتن همبستگی با علیت باعث می شود پول را برای چیزی که کار نمی کند هدر دهید. راه برای درک علیت، آزمایش کنترل شده است: آزمایش A/B (نشان دادن دو گروه به طور همزمان و اندازه گیری تفاوت) یا حداقل پاکسازی مقایسه قبل و بعد از سایر عوامل. اجازه دهید هوش مصنوعی فرضیه ایجاد کند. علیت را با آزمایش ثابت کنید.

پیش بینی تقاضا

هوش مصنوعی می‌تواند سناریوهای پیش‌بینی تقاضا را از داده‌های تاریخی فروش شما ایجاد کند: "در این ماه سال گذشته شما به این میزان فروختید، روند در این جهت است، اثر تعطیلات این است" و غیره. این یک ورودی ارزشمند برای تصمیم‌گیری موجودی و خرید است. این کمک می کند تا تعادل بین تخلیه زودرس (فروش از دست رفته) و موجودی اضافی (سرمایه بسته، سقوط) ایجاد شود. اما یک پیش‌بینی یک پیش‌بینی است: یک کمپین غیرمنتظره، مشکل عرضه یا تغییر مد، تصویر را مختل می‌کند. از تخمین به عنوان یک "محدوده سناریو" استفاده کنید، نه "عدد سخت" و آن را با دانش تجاری خود ترکیب کنید.

چهار قالب قابل کپی

1) خلاصه متریک و تفسیر:

نقش شما: دستیار تحلیلگر تجارت الکترونیک. در زیر داده های واقعی از داشبورد خودم (ناشناس): نرخ تبدیل، بازدیدکننده، سفارش، AOV، نرخ بازگشت، دوره. داده ها: [جدول]. وظیفه: این معیارها را با هم تفسیر کنید. پرچم حرکات غیر معمول؛ علل احتمالی را به عنوان فرضیه بنویسید (علت قطعی نگویید). داده های از دست رفته را علامت گذاری کنید [DATA MISSING].

2) بررسی همبستگی/علیت:

ادعای زیر را در نظر بگیرید: "[متریک A] افزایش یافت، [متریک B] نیز افزایش یافت، بنابراین A باعث B شد." زمینه: [دوره، کمپین، عوامل خارجی]. عوامل مشترکی را که ممکن است هر دو را افزایش داده اند فهرست کنید. نحوه تنظیم یک آزمون A/B برای اثبات علیت را توضیح دهید.

3) تجزیه و تحلیل گروهی/بخشی:

در زیر داده‌های گروهی ناشناس (ماه اول خرید، تکرار نرخ‌های خرید) آمده است. داده‌ها: [جدول]. وظیفه: تفسیر کنید که کدام گروه وفادارتر است، نرخ تکرار در طول زمان چگونه تغییر می‌کند. مشخص کنید کدام بخش فرصت/ریسک دارد. قانون: فقط از اعداد داده شده استفاده کنید.

4) سناریوی پیش بینی تقاضا:

فروش تاریخی: [اطلاعات ماهانه]. عوامل شناخته شده: [جشنواره، کمپین، فصل]. وظیفه: ایجاد سناریوی تقاضای کم/متوسط/بالا برای [دوره] بعدی؛ فرض هر سناریو را بنویسید. قانون: بیان کنید که یک حدس است. عدد دقیقی ارائه ندهید، محدوده بدهید.

سه کیف کوچک

مورد 1 - خواندن با هم. یک فروشگاه از مشاهده افزایش نرخ تبدیل خود خوشحال شد. اما وقتی هوش مصنوعی و معیارها را با هم تفسیر کرد، دید که نرخ بازگشت نیز به شدت افزایش یافته است. چرا: توضیحات محصول در یک کمپین اغراق آمیز بود. مشتریان آن را می‌خریدند اما زمانی که انتظاراتشان برآورده نشد، آن را پس می‌دادند. لذت نگاه کردن به یک متریک زمانی که آن را با هم خواندیم و رفع شد به مشکل تبدیل شد.

مورد 2 - متریک جعلی. مدیری از هوش مصنوعی پرسید "تبدیل ماه گذشته ما چه بود"؛ هوش مصنوعی گفت: "3.5 درصد". سرمربی از این به عنوان یک گل در جلسه تیم استفاده کرد. نرخ واقعی در کل 1.9 درصد بود. شالوده اشتباه باعث تولد هدف اشتباه شد. درس: معیارها فقط از داشبورد می آیند.

مورد 3 - مغالطه علیت. یکی از فروشگاه‌ها تعداد ایمیل‌ها را دوبرابر کرد و گفت: «روزی که ایمیل ارسال کردیم، فروش افزایش یافت، بنابراین ایمیل‌ها فروش را افزایش می‌دهند». اما آن روزها روزهای تخفیف هم بود. عامل اصلی تخفیف بود. ایمیل های مکرر باعث آزار مشتریان و افزایش لغو اشتراک می شود. تست A/B راننده واقعی را نشان می دهد.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

عملکرد فروشگاه من را تجزیه و تحلیل کنید و نرخ تبدیل من را به من بگویید.

از آنجایی که هیچ داده ای داده نمی شود، هوش مصنوعی نرخ تبدیل را تشکیل می دهد. تحلیل از ابتدا اشتباه است.

اعلان قدرتمند:

نقش شما: تحلیلگر تجارت الکترونیک. در زیر اطلاعاتی که از داشبورد آنالیتیکس خودم دریافت کردم (ناشناس): بازدیدکنندگان 42000، سفارشات 780، AOV 640 TL، نرخ بازگشت 9 درصد، دوره: ژوئن. وظیفه: محاسبه نرخ تبدیل از این داده ها (نمایش حساب)، معیارها را با هم تفسیر کنید، نقاط غیرمعمول را به عنوان فرضیه علامت گذاری کنید. تولید اعدادی که داده نشده است.

اشتباهات رایج

• وادار کردن هوش مصنوعی به درخواست معیارها. درخواست معیارها بدون ارائه داده های خود منجر به اعداد جعلی می شود.
• نگاهی به یک متریک اگر تبدیل ها افزایش یافته اما بازده نیز افزایش یافته است، جدول گمراه کننده است.
• اشتباه همبستگی برای علیت ادعای "علت" بدون آزمایش منجر به سرمایه گذاری نادرست می شود.
• فرض کنید که برآورد یک عدد دقیق است. برآورد تقاضا یک محدوده است، نه یک تضمین.
• به اشتراک گذاری داده ها بدون ناشناس سازی حتی اگر داده های مشتری به تجزیه و تحلیل برود، فضای شخصی باید حذف شود.
• تایید نشدن حساب هر محاسباتی را که هوش مصنوعی انجام می دهد به صورت دستی بررسی کنید.

به طور خلاصه

تجزیه و تحلیل تجارت الکترونیک رشته ای است که داده های خام را به تصمیم گیری تبدیل می کند. معیارهایی مانند تبدیل، AOV، گروه، LTV و بازده را با هم بخوانید. یک معیار منفرد گمراه کننده است. هوش مصنوعی در جمع‌بندی داده‌ها، یافتن الگوها و تهیه گزارش‌ها قدرتمند است. اما برای جلوگیری از افتادن در تله‌های برازش متریک و همبستگی گیج‌کننده با علیت، هر عدد را از منبع خود تأیید کنید و هر ادعای «علت» را با آزمایش کنترل‌شده آزمایش کنید. از پیش بینی تقاضا به عنوان محدوده سناریو استفاده کنید، نه به عنوان یک عدد دقیق. هنگام ارسال داده ها برای تجزیه و تحلیل، فیلدهای شخصی را ناشناس کنید.

وظیفه کاربردی

به طور ناشناس معیارهای یک دوره واقعی (بازدیدکنندگان، سفارشات، AOV، نرخ بازگشت) را از داشبورد تجزیه و تحلیل خود استخراج کنید. با الگوی «خلاصه و نظر سنجه‌ها» از هوش مصنوعی نظر بخواهید. اجازه دهید خود نرخ تبدیل را محاسبه کند، اما می توانید آن را به صورت دستی تأیید کنید. سپس به ادعای «A افزایش یافته، B افزایش یافته» در مورد کسب و کار خود فکر کنید، آن را با الگوی «بررسی همبستگی/علت» آزمایش کنید و یک تست A/B طراحی کنید. در نهایت، یک سناریوی پیش‌بینی تقاضا تولید کنید و آن را با دانش تجاری خودتان مقایسه کنید.

چک لیست

• [ ] من تمام معیارها را از منبع تحلیلی خودم استخراج کردم. من آن را به هوش مصنوعی تبدیل نکردم.
• [ ] من به صورت دستی هر محاسباتی را که هوش مصنوعی انجام داده بود تأیید کردم.
• [ ] من معیارها را با هم تفسیر کردم، نه به صورت جداگانه.
• [ ] من ادعاهای «علت» را برای همبستگی/علت آزمایش کردم.
• [ ] من پیش بینی تقاضا را به عنوان یک محدوده سناریو در نظر گرفتم، نه یک عدد دقیق.
• [ ] من زمینه های شخصی را در داده های تجزیه و تحلیل شده بی نام کردم.