Nyereség:
- A mesterséges intelligencia támogatásával olyan mutatók értelmezésének képessége, mint a konverziós arány, a kosár átlaga, a kohorsz és az ügyfél élettartamára vonatkozó érték (LTV)
- Képes betekintést és kereslet-előrejelzéseket készíteni az értékesítési adatokból, és bemenetet biztosítani a készlet- és kampánydöntésekhez
- Képes felismerni a korreláció és az ok-okozati összefüggés összetévesztésének kockázatát, hamis számokat készíteni, és minden elemzést saját adatforrással ellenőrizni
Az e-kereskedelemben mindenhol ott vannak az adatok: hányan jöttek, hányan vásároltak, mennyit tettek kosárba, milyen csatornáról jött, visszatértek-e másodszor is. Ezekben az adatokban rejlenek azok a döntések, amelyek növelik vállalkozását; De a nyers adatok önmagukban nem adnak eligazítást, azokat értelmezni kell. A mesterséges intelligencia (AI) hatékony segítség az adatok gyors összefoglalásában és értelmezésében, a minták és anomáliák megtalálásában, jelentések készítésében és kereslet-előrejelzési forgatókönyvek létrehozásában. Az AI-nak azonban van két nagy buktatója az analitikában: a számok összeszorítása (mérőszámok létrehozása az adatokhoz való hozzáférés nélkül) és a korreláció összetévesztése az okozati összefüggéssel (ha azt gondoljuk, hogy két dolog együtt mozog „egyik oka a másiknak”). Ebben az egységben megtanuljuk a helyes mérőszámokat és az AI biztonságos használatát.
Határozzuk meg az alapvető mérőszámokat. Konverziós arány: a látogatók hány százaléka vásárol. Átlagos kosár (AOV): átlagos rendelési mennyiség. Kohorszelemzés: egy olyan vásárlói csoport (kohorsz) viselkedésének nyomon követése, akik ugyanabban az időszakban vásároltak először. Ügyfél élettartam-értéke (LTV): az ügyfél által a kapcsolat során elhagyott teljes nyereség becslése. Elhagyás (churn): amikor a vásárló abbahagyja a vásárlást. Ezek a mutatók együttesen választ adnak arra a kérdésre, hogy „mennyit keresek és hol fejlődjek?”
Melyik mérőszám mit mond?
Minden mérőszám egy kérdésre ad választ; A rossz mérőszám megtekintése rossz döntéshez vezet.
metrikus
kérdés
Ha felemelkedik
Figyelem
Átváltási arány
A forgalom eladásba fordul?
jó
Olvassa el a forgalom minőségével
Átlagos kosár (AOV)
Mit keresek rendelésenként?
jó
Keresztértékesítési/csomagolási hatás
A kohorsz ismétlődési aránya
Visszatér az ügyfél?
Létezik hűség
Csatornánként változó
LTV
Mit ér az ügyfél hosszú távon?
jó
Ez egy becslés, nem biztos.
elhagyás (lemorzsolódás)
Vevőket veszítek?
rossz
Miért kell vizsgálni?
Megtérülési arány
A termék megfelel az elvárásoknak?
rossz
A normál szint kategóriánként változik
Egy fontos elv: egy mérőszám félrevezető. Ha a konverziók száma nőtt, de a megtérülés is nőtt, akkor a félrevezető tartalom valószínűleg növeli az eladásokat és megtérülést vált ki. Olvassa el együtt a mutatókat.
Elemzés mesterséges intelligencia segítségével: a számcsavaró csapda
A mesterséges intelligencia legveszélyesebb hibája az, hogy olyan magabiztos számot ad ki, mint például: „a konverziós aránya 4,2 százalék”, anélkül, hogy megnézné az adatait (hallucináció). Ez a szám teljesen kitalált. A szabály egyértelmű: a mutatók csak a saját elemzési forrásából származnak – Google Analytics, piactéri irányítópult, jelentés az e-kereskedelmi infrastruktúrából. Használja az AI-t az adatok értelmezéséhez: megadja neki (névtelenül), és összefoglalja, mintákat talál, jelentést készít. Nem az adatok emlékezésére.
Vigyázat: Még ha az AI nagyon folyékonyan és pontosan beszél egy metrikát, kérdezze meg, honnan származik ez a szám. – Milyen adatokból számolta ki ezt a számot? Ha nem adtad, kitalálta. A jelentésben szereplő minden számot meg kell erősíteni a saját irányítópultjáról.
Korreláció és ok-okozati összefüggés
A második nagy csapda az ok-okozati összefüggés tévedése. Egy adatban az AI azt mondhatja, hogy "növekedtek a hirdetési kiadások, az eladások is növekedtek, ami azt jelenti, hogy a reklám növelte az eladásokat". Ez egy összefüggés (együtt cselekvés); de lehet, hogy nincs ok-okozati összefüggés. Talán van egy harmadik tényező, amely mindkettőt növeli: például az ünnepi időszak növeli a reklámozást és az eladásokat is. Ha összetéveszti az oksági összefüggést, akkor pénzt pazarol valamire, ami nem működik. Az ok-okozati összefüggés megértésének módja a kontrollált tesztelés: A/B tesztelés (két csoport egyidejű megjelenítése és a különbség mérése) vagy legalább az előtte-utána összehasonlítás megtisztítása más tényezőktől. A mesterséges intelligencia generáljon hipotéziseket; Bizonyítsd be teszteléssel az okozati összefüggést.
Kereslet előrejelzés
A mesterséges intelligencia kereslet-előrejelzési forgatókönyveket generálhat az Ön korábbi eladási adataiból: "múlt évben ebben a hónapban ennyit értékesített, a tendencia ebbe az irányba mutat, az ünnepi hatás ez" stb. Ez értékes input a készlet- és vásárlási döntésekhez; Segít megtalálni az egyensúlyt az idő előtti kimerülés (elveszett értékesítés) és a felesleges készletek (lekötött tőke, összeomlás) között. De a jóslat jóslat: egy váratlan kampány, kínálati probléma vagy divatváltozás megzavarja a képet. Használja a becslést „forgatókönyv-tartományként”, ne „kemény számként”, és keverje össze saját üzleti ismereteivel.
Négy másolható sablon
1) Metrikus összefoglaló és kommentár:
Az Ön szerepköre: e-kereskedelmi elemző asszisztens.Az alábbiakban a saját irányítópultom aktuális adatai (anonim): konverziós arány, látogató, rendelés, AOV, visszatérési arány, időszak.Adatok: [táblázat].Feladat: ezen mutatók együttes értelmezése; zászló szokatlan mozgások; írd fel a lehetséges okokat HIPOTÉZIS-ként (ne mondj határozott okot). Szabály: ne adj meg nem adott számot; jelölje meg a hiányzó adatokat [ADATOK HIÁNYZIK].
2) Korreláció/ok-okozati összefüggés ellenőrzése:
Tekintsük a következő állítást: "[A mérőszám] nőtt, így nőtt a [B mérőszám], tehát A B-t okozott." Kontextus: [időszak, kampány, külső tényezők]. Feladat: beszéljük meg, hogy ez összefüggés vagy ok-okozati összefüggés; sorolja fel a közös tényezőket, amelyek mindkettőt növelhették; Magyarázza el, hogyan állíthat be A/B tesztet az ok-okozati összefüggés bizonyítására.
3) Kohorsz/szegmens elemzés:
Az alábbiakban anonim kohorsz adatok láthatók (a vásárlás első hónapja, ismétlődő vásárlási arányok).Adatok: [táblázat].Feladat: értelmezze, melyik kohorsz a lojálisabb, hogyan változik az ismétlési arány idővel; Jelölje meg, hogy melyik szegmensben van lehetőség/kockázat. Szabály: csak a megadott számokat használja.
4) Kereslet-előrejelzési forgatókönyv:
Történelmi eladások: [havi adatok]. Ismert tényezők: [fesztivál, kampány, szezon]. Feladat: alacsony/közepes/nagy keresletű forgatókönyv generálása a következő [időszakra]; írja le az egyes forgatókönyvek feltételezését.Szabály: állítsa, hogy ez egy találgatás; Ne pontos számot adj meg, hanem tartományt.
három mini tok
1. eset – Közös olvasás. Egy üzlet örömmel tapasztalta, hogy nőtt a konverziós aránya; Ám amikor együtt értelmezte az AI-t és a mérőszámokat, azt látta, hogy a megtérülési ráta is az egekbe szökött. Miért: a termékleírásokat eltúlozták egy kampányban; A vásárlók megveszik, de visszaküldik, ha nem teljesülnek az elvárásaik. Az egyetlen mérőszám nézésének öröme problémává vált, amikor együtt olvastuk, és megoldódott.
2. eset – Hamis mérőszám. Egy menedzser megkérdezte az AI-t, hogy „mi volt a konverziónk a múlt hónapban”; Az AI 3,5 százalékot mondott. A menedzser ezt használta gólnak a csapattalálkozón. A tényleges ráta összességében 1,9 százalék volt. A rossz alap rossz célt szült. Tanulság: a mutatók csak az irányítópultról származnak.
3. eset – Az ok-okozati összefüggés tévedése. Egy üzlet megduplázta az e-mailek gyakoriságát, mondván: "az eladások növekedtek azon a napon, amikor e-maileket küldtünk, így az e-mailek növelik az eladásokat". De azok a napok is akciós napok voltak; A fő tényező a kedvezmény volt. A gyakori e-mailek bosszantották az ügyfeleket, és megnövekedett a leiratkozások száma. Az A/B teszt megmutatná az igazi sofőrt.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Elemezze üzletem teljesítményét, és mondja el a konverziós arányomat.
Mivel nincs adat, az AI alkotja a konverziós arányt; Az elemzés kezdettől fogva tévesen alapul.
Erőteljes felszólítás:
Az Ön szerepköre: e-kereskedelmi elemző. Alább láthatók az adatok, amelyeket a saját Analytics irányítópultjáról kaptam (névtelen): Látogatók száma 42 000, rendelések 780, AOV 640 TL, visszatérési arány 9%, időszak: június. Feladat: KISZÁMÍTSA az adatokból a konverziós arányt (számla megjelenítése), értelmezze együtt a mutatókat, jelölje meg a szokatlan pontokat hipotézisként. Nem adott számok generálása.
Gyakori hibák
- A mesterséges intelligencia mérőszámokat kér. A mutatók kérése saját adatok megadása nélkül hamis számokat eredményez.
- Egy mérőszámot nézve. Ha a konverziók száma nőtt, de a megtérülés is nőtt, a táblázat félrevezető.
- Az ok-okozati összefüggés összetévesztése. Az „ok” állítása tesztelés nélkül helytelen befektetéshez vezet.
- Feltételezni, hogy a becslés egy pontos szám. A kereslet becslése tartomány, nem garancia.
- Adatok megosztása anonimizálás nélkül. Még ha az ügyféladatok elemzésbe is kerülnek, a személyes teret el kell távolítani.
- Nem ellenőrizték a fiókot. Manuálisan ellenőrizze az AI által végzett minden számítást.
Összefoglalva
Az e-kereskedelmi elemzés az a tudományág, amely a nyers adatokat döntésekké alakítja. Olvassa össze az olyan mutatókat, mint a konverzió, az AOV, a kohorsz, az LTV és a hozamok; Egyetlen mérőszám félrevezető. A mesterséges intelligencia hatékony az adatok összegzésében, a minták megtalálásában és a jelentések elkészítésében; de annak elkerülése érdekében, hogy a metrikus illesztés csapdájába essen, és ne keverje össze az ok-okozati összefüggést, ellenőrizze az egyes számokat a saját forrásából, és ellenőrizze az egyes „ok” állításokat ellenőrzött teszteléssel. Használja a kereslet-előrejelzést forgatókönyv-tartományként, ne pontos számként. Anonimizálja a személyes mezőket, amikor adatokat küld elemzésre.
Pályázati feladat
Névtelenül kinyerheti egy aktuális időszak mérőszámait (látogatók, rendelések, AOV, megtérülési arány) a saját elemzési irányítópultjáról. Kérjen AI megjegyzéseket a „mérőszámok összefoglalása és megjegyzése” sablon segítségével; Hagyja magát kiszámítani a konverziós arányt, de manuálisan ellenőrizheti. Ezután gondoljon egy „A növekedés, B növekedés” állításra a vállalkozásával kapcsolatban, tesztelje az „Összefüggés/ok-okozati összefüggés ellenőrzése” sablonnal, és tervezzen A/B tesztet. Végül készítsen egy kereslet-előrejelzési forgatókönyvet, és hasonlítsa össze saját üzleti ismereteivel.
ellenőrző lista
- [ ] Az összes mérőszámot a saját elemzési forrásomból gyűjtöttem ki; Nem tettem fel az AI-t.
- [ ] Manuálisan ellenőriztem az AI által végzett minden számítást.
- [ ] A mérőszámokat együtt értelmeztem, nem külön-külön.
- [ ] Az „oksági” állításokat korrelációra/ok-okozati összefüggésre teszteltem.
- [ ] Az igény-előrejelzést forgatókönyv-tartományként kezeltem, nem pontos számként.
- [ ] Az elemzett adatokban anonimizáltam a személyes mezőket.