Dobici:
- Sposobnost tumačenja mjernih podataka kao što su stopa konverzije, prosjek košarice, kohorta i životna vrijednost korisnika (LTV) uz podršku umjetne inteligencije
- Sposobnost izrade nacrta uvida i predviđanja potražnje iz podataka o prodaji i pružanja unosa u odluke o zalihama i kampanji
- Sposobnost prepoznavanja rizika od brkanja korelacije s uzročnom vezom i pravljenja lažnih brojeva te provjere svake analize s vlastitim izvorom podataka
U e-trgovini podaci su posvuda: koliko je ljudi došlo, koliko je kupilo, koliko su stavili u košaricu, s kojeg je kanala došlo, jesu li se vratili drugi put. Unutar ovih podataka skrivene su odluke koje će unaprijediti vaše poslovanje; Ali sami neobrađeni podaci ne daju smjernice, potrebno ih je protumačiti. Umjetna inteligencija (AI) moćna je pomoć u brzom sažimanju i tumačenju vaših podataka, pronalaženju obrazaca i anomalija, izradi izvješća i stvaranju scenarija predviđanja potražnje. Ali postoje dvije velike zamke AI u analitici: drobljenje brojeva (proizvodnja mjernih podataka bez pristupa vašim podacima) i zamjena korelacije za uzročnost (mišljenje da su dvije stvari koje se kreću zajedno "jedan uzrok druge"). U ovoj jedinici naučit ćemo ispravne metrike i kako sigurno koristiti AI.
Definirajmo osnovne metrike. Stopa konverzije: koliki postotak posjetitelja kupuje. Prosječna košarica (AOV): prosječna količina narudžbi. Kohortna analiza: praćenje ponašanja tijekom vremena grupe kupaca (kohorte) koji su kupovali prvi put u istom razdoblju. Životna vrijednost kupca (LTV): procjena ukupnog profita koji kupac ostavlja tijekom odnosa. Napuštanje (churn): kada kupac prestane kupovati. Zajedno, ove metrike odgovaraju na pitanje "koliko zarađujem i gdje rastem?"
Koja metrika govori što?
Svaka metrika odgovara na pitanje; Promatranje pogrešne metrike dovodi do pogrešne odluke.
metrički
Pitanje
Ako se digne
Pažnja
Stopa pretvorbe
Pretvara li se promet u prodaju?
dobar
Čitajte uz kvalitetu prometa
Prosječna košarica (AOV)
Što zarađujem po narudžbi?
dobar
Učinak unakrsne prodaje/paketa
Stopa ponavljanja kohorte
Vraća li se kupac?
Postoji lojalnost
Razlikuje se ovisno o kanalu
LTV
Koliko kupac vrijedi dugoročno?
dobar
To je procjena, nije sigurno.
napuštanje (odljev)
Gubim li klijente?
loše
Zašto bi to trebalo istraživati?
Stopa povrata
Ispunjava li proizvod očekivanja?
loše
Normalna razina ovisi o kategoriji
Važan princip: jedna metrika dovodi u zabludu. Ako su se konverzije povećale, ali su se i povrati povećali, možda pogrešan sadržaj povećava prodaju i pokreće povrate. Zajedno pročitajte metriku.
Analiza pomoću umjetne inteligencije: zamka drobljenja brojeva
Najopasnija pogreška umjetne inteligencije je ta što proizvodi pouzdan broj kao što je "vaša stopa konverzije je 4,2 posto" bez da je uopće pogledala vaše podatke (halucinacija). Ovaj broj je potpuno izmišljen. Pravilo je jasno: mjerni podaci dolaze samo iz vašeg vlastitog analitičkog izvora — Google Analyticsa, nadzorne ploče tržišta, izvješća iz vaše infrastrukture e-trgovine. Upotrijebite AI za tumačenje ovih podataka: date mu ih (anonimno) i on ih sažima, pronalazi uzorke, sastavlja izvješće. Nije za pamćenje podataka.
Oprez: Čak i kada AI izgovara metriku vrlo tečno i precizno, pitajte odakle dolazi taj broj. "Iz kojih podataka ste izračunali ovu brojku?" Ako ti nisi dao, on je to izmislio. Svaki broj koji ulazi u izvješće mora biti potvrđen s vaše nadzorne ploče.
Korelacija i uzročnost
Druga velika zamka je zabluda o kauzalnosti. U podacima AI može reći "povećana je potrošnja na oglašavanje, prodaja je također porasla, što znači da je oglašavanje povećalo prodaju". Ovo je korelacija (djeluju zajedno); ali možda nema uzročnosti. Možda postoji treći faktor koji povećava oboje: na primjer, blagdanska sezona povećava i oglašavanje i prodaju. Zamjena korelacije s uzročno-posljedičnom vezom uzrokovat će vas bacanje novca na nešto što ne funkcionira. Način razumijevanja uzročnosti je kontrolirano testiranje: A/B testiranje (prikazivanje dvije grupe u isto vrijeme i mjerenje razlika) ili barem pročišćavanje usporedbe prije-poslije od drugih faktora. Neka AI generira hipoteze; Dokažite uzročnost testiranjem.
Prognoza potražnje
AI može generirati scenarije predviđanja potražnje iz vaših povijesnih podataka o prodaji: "ovaj mjesec prošle godine prodali ste ovoliko, trend je u ovom smjeru, učinak praznika je ovo" itd. Ovo je vrijedan unos za inventar i odluke o kupnji; Pomaže uspostaviti ravnotežu između preranog iscrpljivanja (gubitak prodaje) i viška zaliha (vezani kapital, kolaps). Ali predviđanje je predviđanje: neočekivana kampanja, problem s opskrbom ili modna promjena poremeti sliku. Koristite procjenu kao "raspon scenarija", a ne kao "tvrdi broj", i pomiješajte je sa svojim poslovnim znanjem.
Četiri predloška za kopiranje
1) Sažetak metrike i komentar:
Vaša uloga: pomoćnik analitičara e-trgovine. Ispod su stvarni podaci s moje nadzorne ploče (anonimno): stopa konverzije, posjetitelj, narudžba, AOV, stopa povrata, razdoblje. Podaci: [tablica]. Zadatak: interpretirajte ove metrike zajedno; označiti neobične pokrete; napiši moguće uzroke kao HIPOTEZE (nemoj reći definitivan uzrok). Pravilo: ne proizvodi nijedan broj koji nije zadan; označi podatke koji nedostaju [DATA MISSING].
2) Provjera korelacije/uzročnosti:
Razmotrite sljedeću tvrdnju: "[metrika A] je porasla, kao i [metrika B], pa je A uzrokovala B." Kontekst: [razdoblje, kampanja, vanjski čimbenici]. Zadatak: raspravite je li to korelacija ili uzročnost; navedite zajedničke čimbenike koji su mogli povećati oboje; Objasnite kako postaviti A/B test za dokazivanje uzročnosti.
3) Analiza kohorte/segmenta:
Ispod su anonimni podaci o kohorti (prvi mjesec kupnje, stope ponovljene kupnje). Podaci: [tablica]. Zadatak: protumačite koja je kohorta lojalnija, kako se stopa ponovne kupnje mijenja tijekom vremena; Označite koji segment ima priliku/rizik. Pravilo: koristite samo navedene brojeve.
4) Scenarij predviđanja potražnje:
Povijesne prodaje : [mjesečni podaci]. Poznati faktori: [festival, kampanja, sezona]. Zadatak: generirati scenarij niske/srednje/visoke potražnje za sljedeće [razdoblje]; zapišite pretpostavku svakog scenarija. Pravilo: navedite da je to nagađanje; Nemojte navoditi točan broj, navedite raspon.
tri mini kućišta
Slučaj 1 — Čitanje zajedno. Jedna je trgovina bila oduševljena povećanjem stope konverzije; Ali kada je zajedno protumačio umjetnu inteligenciju i metriku, vidio je da je stopa povrata također naglo porasla. Zašto: opisi proizvoda bili su preuveličani u kampanji; Kupci bi ga kupili, ali bi ga vratili kada njihova očekivanja nisu bila ispunjena. Radost gledanja jedne metrike pretvorila se u problem kada smo je zajedno pročitali i to je popravljeno.
Slučaj 2 — Lažna metrika. Menadžer je pitao AI "koja je bila naša konverzija prošli mjesec"; AI je rekao "3,5 posto". Menadžer je to iskoristio kao cilj na timskom sastanku. Stvarna stopa bila je 1,9 posto u cijelosti. Krivi temelji izrodili su krivi cilj. Lekcija: metrika dolazi samo s nadzorne ploče.
Slučaj 3 — Pogreška uzročnosti. Jedna je trgovina udvostručila učestalost e-pošte, rekavši da je "prodaja porasla onoga dana kada smo poslali e-poštu, tako da e-pošta povećava prodaju." Ali ti su dani bili i dani popusta; Glavni faktor bio je popust. Česti e-mailovi živcirali su kupce i povećali broj odjava. A/B test bi pokazao pravog vozača.
Slab upit / Jak upit
Slab upit:
Analiziraj izvedbu moje trgovine i reci mi moju stopu konverzije.
Budući da nisu dati podaci, AI čini stopu konverzije; Analiza je od početka pogrešno utemeljena.
Snažan upit:
Vaša uloga: analitičar e-trgovine. Ispod su podaci koje sam dobio s vlastite nadzorne ploče Analyticsa (anonimno): Posjetitelji 42 000, narudžbe 780, AOV 640 TL, stopa povrata 9%, razdoblje: lipanj. Zadatak: IZRAČUNAJ stopu konverzije iz ovih podataka (prikaži račun), zajedno protumači metriku, označi neobične točke kao hipoteze. Generiranje brojeva koji nisu zadani.
Uobičajene greške
- Natjerati AI da traži metriku. Zahtjev za metriku bez pružanja vlastitih podataka rezultirat će lažnim brojevima.
- Gledajući jednu metriku. Ako su se konverzije povećale, ali su se i povrati povećali, tablica je pogrešna.
- Zamjena korelacije za uzročnost. Tvrdnja o "uzroku" bez testiranja dovodi do pogrešnog ulaganja.
- Pretpostaviti da je procjena točan broj. Procjena potražnje je raspon, a ne jamstvo.
- Dijeljenje podataka bez anonimizacije. Čak i ako podaci o kupcima idu u analizu, osobni prostor mora biti uklonjen.
- Ne provjerava račun. Ručno provjerite svaki izračun koji AI napravi.
Ukratko
Analitika e-trgovine je disciplina koja sirove podatke pretvara u odluke. Čitajte zajedno mjerne podatke kao što su konverzija, AOV, kohorta, LTV i povrati; Jedna metrika dovodi u zabludu. AI je moćan u sažimanju podataka, pronalaženju obrazaca i izradi izvješća; ali kako biste izbjegli upadanje u zamke metričkog uklapanja i brkanja korelacije s uzročno-posljedičnom vezom, provjerite svaki broj iz vlastitog izvora i testirajte svaku tvrdnju o "uzroku" kontroliranim testiranjem. Koristite prognozu potražnje kao raspon scenarija, a ne kao točan broj. Anonimizirajte osobna polja prilikom slanja podataka na analizu.
Zadatak aplikacije
Anonimno izvucite metriku stvarnog razdoblja (posjetitelji, narudžbe, AOV, stopa povrata) s vlastite analitičke nadzorne ploče. Pitajte AI za komentare s predloškom "sažetak metrike i komentar"; Neka sam izračuna stopu konverzije, ali možete je provjeriti ručno. Zatim razmislite o tvrdnji "A povećano, B povećano" o vašem poslovanju, testirajte ga s predloškom "Provjera korelacije/uzročnosti" i osmislite A/B test. Na kraju izradite scenarij predviđanja potražnje i usporedite ga sa svojim poslovnim znanjem.
popis za provjeru
- [] Izvukao sam sve metrike iz vlastitog analitičkog izvora; Nisam se iskupio za AI.
- [ ] Ručno sam provjerio svaki izračun koji je AI napravio.
- [ ] Mjerne podatke sam tumačio zajedno, a ne pojedinačno.
- [ ] Testirao sam tvrdnje o "uzročnosti" na korelaciju/uzročnost.
- [ ] Tretirao sam prognozu potražnje kao raspon scenarija, a ne kao točan broj.
- [ ] Anonimizirao sam osobna polja u analiziranim podacima.