ઈ-કોમર્સ એનાલિટિક્સ: કન્વર્ઝન, બાસ્કેટ, કોહોર્ટ અને ડિમાન્ડ ફોરકાસ્ટિંગ

નફો:

• આર્ટિફિશિયલ ઇન્ટેલિજન્સ સપોર્ટ સાથે કન્વર્ઝન રેટ, બાસ્કેટ એવરેજ, કોહોર્ટ અને કસ્ટમર લાઇફટાઇમ વેલ્યુ (LTV) જેવા મેટ્રિક્સનું અર્થઘટન કરવાની ક્ષમતા
• વેચાણ ડેટામાંથી આંતરદૃષ્ટિ અને ડિમાન્ડ ફોરકાસ્ટ ડ્રાફ્ટ બનાવવાની ક્ષમતા અને સ્ટોક અને ઝુંબેશના નિર્ણયોમાં ઇનપુટ પ્રદાન કરવાની ક્ષમતા
• કાર્યકારણ અને નકલી નંબરો બનાવવા અને દરેક વિશ્લેષણને તેના પોતાના ડેટા સ્ત્રોત સાથે ચકાસવાના જોખમને ઓળખવાની ક્ષમતા

ઈ-કોમર્સમાં, ડેટા દરેક જગ્યાએ છે: કેટલા લોકો આવ્યા, કેટલા ખરીદ્યા, તેઓએ કાર્ટમાં કેટલું મૂક્યું, તે કઈ ચેનલમાંથી આવ્યું, શું તેઓ બીજી વાર પાછા ફર્યા. આ ડેટાની અંદર છુપાયેલા નિર્ણયો છે જે તમારા વ્યવસાયમાં વૃદ્ધિ કરશે; પરંતુ માત્ર કાચો ડેટા માર્ગદર્શન પૂરું પાડતું નથી, તેનું અર્થઘટન કરવાની જરૂર છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) એ તમારા ડેટાનો ઝડપથી સારાંશ અને અર્થઘટન કરવા, પેટર્ન અને વિસંગતતાઓ શોધવા, રિપોર્ટનો મુસદ્દો તૈયાર કરવા અને માંગની આગાહીના દૃશ્યો જનરેટ કરવામાં એક શક્તિશાળી સહાય છે. પરંતુ એનાલિટિક્સમાં AI ની બે મોટી ખામીઓ છે: નંબર ક્રંચિંગ (તમારા ડેટાની ઍક્સેસ વિના મેટ્રિક્સનું ઉત્પાદન કરવું) અને કાર્યકારણ માટે ભૂલથી સહસંબંધ (બે વસ્તુઓ એકસાથે આગળ વધવું એ "બીજાનું એક કારણ" છે તેવું વિચારવું). આ એકમમાં, આપણે સાચા મેટ્રિક્સ અને એઆઈનો સુરક્ષિત રીતે ઉપયોગ કેવી રીતે કરવો તે બંને શીખીશું.

ચાલો મૂળભૂત મેટ્રિક્સ વ્યાખ્યાયિત કરીએ. રૂપાંતર દર: મુલાકાતીઓ કેટલા ટકા ખરીદે છે. સરેરાશ કાર્ટ (AOV): ઓર્ડરની સરેરાશ રકમ. સમૂહ વિશ્લેષણ: સમાન સમયગાળા દરમિયાન પ્રથમ વખત ખરીદી કરનારા ગ્રાહકોના જૂથ (સમૂહ)ના સમય જતાં વર્તનને ટ્રૅક કરવું. ગ્રાહક જીવનકાળ મૂલ્ય (LTV): સંબંધ દરમિયાન ગ્રાહકે છોડેલા કુલ નફાનો અંદાજ. ત્યાગ (મંથન): જ્યારે ગ્રાહક ખરીદી કરવાનું બંધ કરે છે. એકસાથે, આ મેટ્રિક્સ એ પ્રશ્નનો જવાબ આપે છે કે "હું કેટલું કમાઉં છું અને હું ક્યાં ઉગાડું છું?"

કયું માપદંડ શું કહે છે?

દરેક મેટ્રિક એક પ્રશ્નનો જવાબ આપે છે; ખોટા મેટ્રિકને જોવું ખોટા નિર્ણય તરફ દોરી જાય છે.

મેટ્રિક

પ્રશ્ન

જો તે વધે છે

ધ્યાન

રૂપાંતર દર

શું ટ્રાફિક વેચાણમાં ફેરવાઈ રહ્યો છે?

સારું

ટ્રાફિક ગુણવત્તા સાથે વાંચો

સરેરાશ ટોપલી (AOV)

હું ઓર્ડર દીઠ શું કમાઈ શકું?

સારું

ક્રોસ-સેલિંગ/બંડલિંગ અસર

સમૂહ પુનરાવૃત્તિ દર

શું ગ્રાહક પાછો આવે છે?

વફાદારી છે

ચેનલ પ્રમાણે બદલાય છે

LTV

લાંબા ગાળે ગ્રાહકનું મૂલ્ય શું છે?

સારું

તે એક અંદાજ છે, ચોક્કસ નથી.

ત્યાગ (મંથન)

શું હું ગ્રાહકો ગુમાવી રહ્યો છું?

ખરાબ

તેની તપાસ શા માટે થવી જોઈએ?

વળતર દર

શું ઉત્પાદન અપેક્ષાઓને પૂર્ણ કરે છે?

ખરાબ

સામાન્ય સ્તર શ્રેણી દ્વારા બદલાય છે

એક મહત્વપૂર્ણ સિદ્ધાંત: એક મેટ્રિક ભ્રામક છે. જો રૂપાંતરણ વધ્યું પરંતુ વળતર પણ વધ્યું, તો કદાચ ભ્રામક સામગ્રી વેચાણમાં વધારો કરી રહી છે અને વળતરને ટ્રિગર કરી રહી છે. મેટ્રિક્સ એકસાથે વાંચો.

AI સાથે વિશ્લેષણ: નંબર ક્રંચિંગ ટ્રેપ

AI ની સૌથી ખતરનાક ભૂલ એ છે કે તે તમારા ડેટા (એક આભાસ) ને જોયા વિના "તમારો રૂપાંતરણ દર 4.2 ટકા છે" જેવો વિશ્વાસ નંબર ઉત્પન્ન કરે છે. આ આંકડો સંપૂર્ણપણે બનાવટી છે. નિયમ સ્પષ્ટ છે: મેટ્રિક્સ ફક્ત તમારા પોતાના એનાલિટિક્સ સ્ત્રોતમાંથી આવે છે — Google Analytics, માર્કેટપ્લેસ ડેશબોર્ડ, તમારા ઈ-કોમર્સ ઈન્ફ્રાસ્ટ્રક્ચરમાંથી રિપોર્ટ. આ ડેટાનું અર્થઘટન કરવા માટે AI નો ઉપયોગ કરો: તમે તેને (અનામી રૂપે) આપો છો અને તે તેનો સારાંશ આપે છે, પેટર્ન શોધે છે, રિપોર્ટનો ડ્રાફ્ટ બનાવે છે. ડેટા યાદ રાખવા માટે નથી.

સાવધાન: જ્યારે AI મેટ્રિક ખૂબ જ અસ્ખલિત અને ચોક્કસ રીતે બોલે છે, ત્યારે પૂછો કે તે નંબર ક્યાંથી આવ્યો. "તમે કયા ડેટામાંથી આ આંકડાની ગણતરી કરી?" જો તમે તે ન આપ્યું, તો તેણે તે બનાવ્યું. રિપોર્ટમાં જતો દરેક નંબર તમારા પોતાના ડેશબોર્ડ પરથી કન્ફર્મ થવો જોઈએ.

સહસંબંધ અને કારણ

બીજી મોટી જાળ એ કાર્યકારણની ભ્રામકતા છે. ડેટામાં, AI કહી શકે છે કે "જાહેરાત ખર્ચમાં વધારો થયો, વેચાણમાં પણ વધારો થયો, એટલે કે જાહેરાતથી વેચાણમાં વધારો થયો". આ એક સહસંબંધ છે (એકસાથે કામ કરવું); પરંતુ ત્યાં કોઈ કારણ હોઈ શકે છે. કદાચ ત્યાં એક ત્રીજું પરિબળ છે જે બંનેને વધારે છે: ઉદાહરણ તરીકે, તહેવારોની મોસમ જાહેરાત અને વેચાણ બંનેમાં વધારો કરે છે. કાર્યકારણ માટે સહસંબંધની ભૂલ કરવાથી તમે એવી કોઈ વસ્તુ પર પૈસા વેડફશો જે કામ કરતું નથી. કાર્યકારણને સમજવાનો માર્ગ નિયંત્રિત પરીક્ષણ છે: A/B પરીક્ષણ (એક જ સમયે બે જૂથો બતાવવું અને તફાવતને માપવા) અથવા ઓછામાં ઓછા અન્ય પરિબળોથી સરખામણી પહેલાં-પછી શુદ્ધ કરવું. AI ને પૂર્વધારણાઓ જનરેટ કરવા દો; પરીક્ષણ સાથે કાર્યકારણ સાબિત કરો.

માંગની આગાહી

AI તમારા ઐતિહાસિક વેચાણ ડેટામાંથી માંગની આગાહીના દૃશ્યો જનરેટ કરી શકે છે: "ગયા વર્ષે આ મહિને તમે આટલું વેચાણ કર્યું હતું, વલણ આ દિશામાં છે, રજાની અસર આ છે" વગેરે. ઇન્વેન્ટરી અને ખરીદીના નિર્ણયો માટે આ મૂલ્યવાન ઇનપુટ છે; તે અકાળ અવક્ષય (ખોવાયેલ વેચાણ) અને વધારાની ઇન્વેન્ટરી (મૂડી બાંધી, મેલ્ટડાઉન) વચ્ચે સંતુલન જાળવવામાં મદદ કરે છે. પરંતુ આગાહી એ આગાહી છે: એક અણધારી ઝુંબેશ, પુરવઠાની સમસ્યા અથવા ફેશન પરિવર્તન ચિત્રને વિક્ષેપિત કરે છે. અંદાજનો ઉપયોગ "પરિદ્રશ્ય શ્રેણી" તરીકે કરો, "હાર્ડ નંબર" તરીકે નહીં, અને તેને તમારા પોતાના વ્યવસાય જ્ઞાન સાથે મિશ્રિત કરો.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) મેટ્રિક સારાંશ અને ભાષ્ય:

તમારી ભૂમિકા: ઈકોમર્સ વિશ્લેષક સહાયક. નીચે મારા પોતાના ડેશબોર્ડ (અનામી)માંથી વાસ્તવિક ડેટા છે: રૂપાંતર દર, મુલાકાતી, ઓર્ડર, AOV, વળતર દર, સમયગાળો. ડેટા: [ટેબલ]. કાર્ય: આ મેટ્રિક્સનું એકસાથે અર્થઘટન કરો; ફ્લેગ અસામાન્ય હિલચાલ; સંભવિત કારણોને હાયપોથેસીસ તરીકે લખો (ચોક્કસ કારણ ન કહો). ગુમ થયેલ ડેટાને ચિહ્નિત કરો [DATA MISSING].

2) સહસંબંધ/કારણકારણ તપાસ:

નીચેના દાવાને ધ્યાનમાં લો: "[મેટ્રિક A] વધ્યું, તેથી [મેટ્રિક B] વધ્યું, તેથી A કારણે B." સંદર્ભ: [કાળ, ઝુંબેશ, બાહ્ય પરિબળો]. કાર્ય: ચર્ચા કરો કે આ સહસંબંધ છે કે કારણ છે; સામાન્ય પરિબળોની સૂચિ બનાવો કે જે બંનેમાં વધારો કરી શકે છે; કાર્યકારણ સાબિત કરવા માટે A/B પરીક્ષણ કેવી રીતે સેટ કરવું તે સમજાવો.

3) સમૂહ/સેગમેન્ટ વિશ્લેષણ:

નીચે અનામી સમૂહનો ડેટા છે (ખરીદીનો પ્રથમ મહિનો, પુનરાવર્તિત ખરીદી દરો). ડેટા: [કોષ્ટક]. કાર્ય: અર્થઘટન કરો કે કયો સમૂહ વધુ વફાદાર છે, સમય જતાં દર કેવી રીતે બદલાય છે; કયા સેગમેન્ટમાં તક/જોખમ છે તે માર્ક કરો. નિયમ: આપેલ સંખ્યાઓનો જ ઉપયોગ કરો.

4) માંગની આગાહીનું દૃશ્ય:

ઐતિહાસિક વેચાણ: [માસિક ડેટા]. જાણીતા પરિબળો: [તહેવાર, ઝુંબેશ, મોસમ].કાર્ય: આગામી [ગાળા] માટે ઓછી/મધ્યમ/ઉચ્ચ માંગની સ્થિતિ પેદા કરો; દરેક દૃશ્યની ધારણા લખો. નિયમ: જણાવો કે તે અનુમાન છે; ચોક્કસ નંબર આપશો નહીં, શ્રેણી આપો.

ત્રણ નાના કેસો

કેસ 1 - સાથે વાંચવું. એક સ્ટોર તેના રૂપાંતરણ દરમાં વધારો જોઈને ખુશ હતો; પરંતુ જ્યારે તેણે AI અને મેટ્રિક્સનું એકસાથે અર્થઘટન કર્યું, ત્યારે તેણે જોયું કે વળતરનો દર પણ આસમાને પહોંચ્યો હતો. શા માટે: ઝુંબેશમાં ઉત્પાદન વર્ણનો અતિશયોક્તિપૂર્ણ હતા; ગ્રાહકો તેને ખરીદશે પરંતુ જ્યારે તેમની અપેક્ષાઓ પૂરી ન થાય ત્યારે તે પરત કરશે. એક જ મેટ્રિક જોવાનો આનંદ સમસ્યામાં ફેરવાઈ ગયો જ્યારે અમે તેને એકસાથે વાંચ્યું અને તે ઠીક થઈ ગયું.

કેસ 2 - નકલી મેટ્રિક. એક મેનેજરે AI ને પૂછ્યું કે “ગયા મહિને અમારું રૂપાંતરણ શું હતું”; AIએ જણાવ્યું હતું કે "3.5 ટકા". મેનેજરે ટીમ મીટિંગમાં આનો ગોલ તરીકે ઉપયોગ કર્યો. સમગ્ર બોર્ડમાં વાસ્તવિક દર 1.9 ટકા હતો. ખોટા પાયાએ ખોટા ધ્યેયને જન્મ આપ્યો. પાઠ: મેટ્રિક્સ ફક્ત ડેશબોર્ડથી આવે છે.

કેસ 3 - કાર્યકારણની ભૂલ. એક સ્ટોરે ઈમેલની આવર્તન બમણી કરી, "અમે ઈમેઈલ મોકલ્યા તે દિવસે વેચાણમાં વધારો થયો, તેથી ઈમેલ વેચાણમાં વધારો કરે છે." પણ એ દિવસો ડિસ્કાઉન્ટના દિવસો પણ હતા; મુખ્ય પરિબળ ડિસ્કાઉન્ટ હતું. વારંવારના ઈમેઈલ ગ્રાહકોને હેરાન કરે છે અને અનસબ્સ્ક્રાઈબમાં વધારો કરે છે. A/B ટેસ્ટ વાસ્તવિક ડ્રાઇવરને બતાવશે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

મારા સ્ટોરના પ્રદર્શનનું વિશ્લેષણ કરો અને મને મારો રૂપાંતરણ દર જણાવો.

કોઈ ડેટા આપવામાં આવ્યો ન હોવાથી, AI રૂપાંતરણ દર બનાવે છે; વિશ્લેષણ શરૂઆતથી જ ખોટી રીતે આધારિત છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: ઈ-કોમર્સ વિશ્લેષક. નીચે મને મારા પોતાના Analytics ડેશબોર્ડ (અનામી) પરથી મળેલો ડેટા છે: મુલાકાતીઓ 42,000, ઓર્ડર 780, AOV 640 TL, વળતર દર 9%, સમયગાળો: જૂન. કાર્ય: આ ડેટામાંથી રૂપાંતરણ દરની ગણતરી કરો (એકાઉન્ટ બતાવો), મેટ્રિક્સનું એકસાથે અર્થઘટન કરો, અસામાન્ય બિંદુઓને પૂર્વધારણા તરીકે ચિહ્નિત કરો. નંબરો જનરેટ કરી રહ્યા છે જે આપવામાં આવ્યા નથી.

સામાન્ય ભૂલો

• AI ને મેટ્રિક્સ માટે પૂછવું. તમારો પોતાનો ડેટા પ્રદાન કર્યા વિના મેટ્રિક્સની વિનંતી કરવાથી નકલી નંબરો પરિણમશે.
• એક મેટ્રિક જોઈ રહ્યાં છીએ. જો રૂપાંતરણ વધ્યું પણ વળતર પણ વધ્યું, તો ટેબલ ગેરમાર્ગે દોરનારું છે.
• કાર્યકારણ માટે સહસંબંધની ભૂલ. પરીક્ષણ વિના "કારણ"નો દાવો કરવાથી ખોટા રોકાણ થાય છે.
• ધારવું કે અંદાજ ચોક્કસ સંખ્યા છે. માંગનો અંદાજ એ શ્રેણી છે, ગેરંટી નથી.
• અનામી વગર ડેટા શેર કરી રહ્યા છીએ. જો ગ્રાહક ડેટા વિશ્લેષણમાં જાય તો પણ, વ્યક્તિગત જગ્યા દૂર કરવી આવશ્યક છે.
• ખાતાની ચકાસણી કરી રહ્યા નથી. AI દ્વારા કરવામાં આવતી દરેક ગણતરી મેન્યુઅલી તપાસો.

સારાંશમાં

ઈ-કોમર્સ એનાલિટિક્સ એ એવી શિસ્ત છે જે કાચા ડેટાને નિર્ણયોમાં ફેરવે છે. રૂપાંતર, AOV, સમૂહ, LTV અને વળતર જેવા મેટ્રિક્સ એકસાથે વાંચો; એક જ મેટ્રિક ભ્રામક છે. AI ડેટાનો સારાંશ આપવા, પેટર્ન શોધવા અને રિપોર્ટનો મુસદ્દો તૈયાર કરવામાં શક્તિશાળી છે; પરંતુ મેટ્રિક ફિટિંગની જાળમાં પડવાનું ટાળવા અને કાર્યકારણ સાથેના ગૂંચવણભર્યા સંબંધને ટાળવા માટે, તમારા પોતાના સ્ત્રોતમાંથી દરેક સંખ્યાને ચકાસો અને નિયંત્રિત પરીક્ષણ સાથે દરેક "કારણ" દાવાની ચકાસણી કરો. માંગની આગાહીનો ઉપયોગ દૃશ્ય શ્રેણી તરીકે કરો, ચોક્કસ સંખ્યા તરીકે નહીં. પૃથ્થકરણ માટે ડેટા સબમિટ કરતી વખતે અંગત ક્ષેત્રોને અનામી બનાવો.

એપ્લિકેશન કાર્ય

તમારા પોતાના એનાલિટિક્સ ડેશબોર્ડમાંથી અનામી રીતે વાસ્તવિક સમયગાળાના મેટ્રિક્સ (મુલાકાતીઓ, ઓર્ડર્સ, AOV, વળતર દર) કાઢો. AI ને "મેટ્રિક્સ સારાંશ અને ટિપ્પણી" નમૂના સાથે ટિપ્પણીઓ માટે પૂછો; તેને રૂપાંતરણ દરની ગણતરી કરવા દો, પરંતુ તમે તેને જાતે ચકાસી શકો છો. પછી, તમારા વ્યવસાય વિશે "A વધ્યો, B વધ્યો" દાવા વિશે વિચારો, તેને "કોરિલેશન/કારણ તપાસ" ટેમ્પલેટ વડે પરીક્ષણ કરો અને A/B પરીક્ષણ ડિઝાઇન કરો. અંતે, માંગની આગાહીનું દૃશ્ય બનાવો અને તેને તમારા પોતાના વ્યવસાય જ્ઞાન સાથે સરખાવો.

ચેકલિસ્ટ

• [ ] મેં મારા પોતાના એનાલિટિક્સ સ્ત્રોતમાંથી તમામ મેટ્રિક્સ ખેંચ્યા છે; મેં તેને AI સુધી બનાવ્યું નથી.
• [ ] AI દ્વારા કરવામાં આવેલી દરેક ગણતરી મેં મેન્યુઅલી ચકાસેલી છે.
• [ ] મેં મેટ્રિક્સનું એકસાથે અર્થઘટન કર્યું, વ્યક્તિગત રીતે નહીં.
• [ ] મેં સહસંબંધ/કારણ માટેના "કારણકારણ" દાવાઓનું પરીક્ષણ કર્યું.
• [ ] મેં માંગની આગાહીને એક દૃશ્ય શ્રેણી તરીકે ગણી, ચોક્કસ સંખ્યા તરીકે નહીં.
• [ ] મેં વિશ્લેષિત ડેટામાં અંગત ક્ષેત્રોને અનામી કર્યા છે.