Hagnaður:
- Geta til að túlka mælikvarða eins og viðskiptahlutfall, körfumeðaltal, árgang og lífstímagildi viðskiptavina (LTV) með stuðningi við gervigreind
- Geta til að búa til innsýn og eftirspurnarspádrög úr sölugögnum og koma með inntak í lager- og herferðaákvarðanir
- Geta til að viðurkenna hættuna á því að rugla saman fylgni við orsakasamhengi og búa til falsar tölur og sannreyna hverja greiningu með eigin gagnagjafa
Í rafrænum viðskiptum eru gögn alls staðar: hversu margir komu, hversu margir keyptu, hversu mikið þeir settu í körfuna, hvaða rás það kom frá, komu þeir aftur í annað sinn. Faldar innan þessara gagna eru ákvarðanirnar sem munu auka viðskipti þín; En hrá gögn ein og sér veita ekki leiðbeiningar, það þarf að túlka þau. Gervigreind (AI) er öflugt hjálpartæki til að draga saman og túlka gögnin þín fljótt, finna mynstur og frávik, semja skýrslur og búa til eftirspurnarspár. En það eru tvær stórar gildrur gervigreindar í greiningu: töluflakk (framleiðir mælikvarða án aðgangs að gögnunum þínum) og að misskilja fylgni við orsakasamhengi (að halda að tveir hlutir sem hreyfast saman séu „ein orsök hins“). Í þessari einingu munum við læra bæði réttar mælingar og hvernig á að nota gervigreind á öruggan hátt.
Við skulum skilgreina grunnmælingar. Viðskiptahlutfall: hversu hátt hlutfall gesta kaupa. Meðalkerfa (AOV): meðalfjöldi pantana. Árgangagreining: fylgjast með hegðun í gegnum tíðina hjá hópi viðskiptavina (árgangur) sem verslaði í fyrsta skipti á sama tímabili. Líftímavirði viðskiptavinar (LTV): mat á heildarhagnaði sem viðskiptavinur skilur eftir sig á meðan á sambandinu stendur. Abandonment (Churn): þegar viðskiptavinurinn hættir að versla. Saman svara þessar mælingar spurningunni „hvað græði ég mikið og hvar stækka ég“?
Hvaða mælikvarði segir hvað?
Hver mælikvarði svarar spurningu; Að horfa á rangan mælikvarða leiðir til rangrar ákvörðunar.
mæligildi
Spurning
Ef það hækkar
Athygli
Viðskiptahlutfall
Er umferð að breytast í sölu?
gott
Lesið með umferðargæðum
Meðalkarfa (AOV)
Hvað þéni ég fyrir hverja pöntun?
gott
Krosssölu/búntáhrif
Endurtekningartíðni árganga
Er viðskiptavinurinn að snúa aftur?
Það er tryggð
Mismunandi eftir rásum
LTV
Hvers virði er viðskiptavinurinn til lengri tíma litið?
gott
Það er mat, ekki víst.
yfirgefa (hræring)
Er ég að missa viðskiptavini?
slæmt
Hvers vegna ætti að rannsaka það?
Skilahlutfall
Uppfyllir varan væntingar?
slæmt
Venjulegt stig er mismunandi eftir flokkum
Mikilvæg meginregla: einn mælikvarði er villandi. Ef viðskipti jukust en ávöxtun jókst líka, er kannski villandi efni að auka sölu og kalla fram ávöxtun. Lestu mælikvarðana saman.
Greining með gervigreind: fjöldamarsgildran
Hættulegustu mistök gervigreindar eru að hún framleiðir örugga tölu eins og „viðskiptahlutfallið þitt er 4,2 prósent“ án þess að horfa nokkurn tíma á gögnin þín (ofskynjanir). Þessi tala er algjörlega uppspuni. Reglan er skýr: mælikvarðar koma aðeins frá þínum eigin greiningaruppsprettu - Google Analytics, mælaborði markaðstorgsins, skýrslu frá innviði rafrænna viðskipta. Notaðu gervigreindina til að túlka þessi gögn: þú gefur þeim þau (nafnlaust) og hún dregur þau saman, finnur mynstur, semur skýrslu. Ekki til að muna gögn.
Varúð: Jafnvel þegar gervigreindin talar mæligildi mjög reiprennandi og nákvæmlega skaltu spyrja hvaðan þessi tala kom. "Út frá hvaða gögnum reiknaðir þú þessa tölu?" Ef þú gafst það ekki, bjó hann til. Sérhver númer sem fer inn í skýrsluna verður að vera staðfest frá þínu eigin mælaborði.
Fylgni og orsakasamband
Önnur stóra gildran er rökvilla orsakasamhengisins. Í gögnum getur gervigreind sagt „auglýsingaútgjöld jukust, sala jókst líka, sem þýðir að auglýsingar jukust sölu“. Þetta er fylgni (virka saman); en það er kannski ekkert orsakasamband. Kannski er þriðji þátturinn sem eykur hvort tveggja: til dæmis eykur hátíðartímabilið bæði auglýsingar og sölu. Að misskilja fylgni fyrir orsakasamhengi mun valda því að þú eyðir peningum í eitthvað sem virkar ekki. Leiðin til að skilja orsakasamhengi er stýrð prófun: A/B próf (sýna tvo hópa á sama tíma og mæla muninn) eða að minnsta kosti hreinsa fyrir-eftir samanburðinn frá öðrum þáttum. Láttu gervigreind búa til tilgátur; Sannaðu orsakasamhengi með prófun.
Eftirspurnarspá
AI getur framleitt atburðarás eftirspurnarspár út frá sögulegum sölugögnum þínum: "í þessum mánuði í fyrra seldir þú þetta mikið, þróunin er í þessa átt, fríáhrifin eru þessi" osfrv. Þetta er dýrmætt inntak fyrir birgða- og innkaupaákvarðanir; Það hjálpar til við að ná jafnvægi á milli ótímabærrar eyðingar (tapuð sölu) og umfram birgða (bundið fjármagn, bráðnun). En spá er spá: óvænt herferð, framboðsvandamál eða tískubreyting truflar myndina. Notaðu matið sem „sviðssvið“, ekki „harða tölu“ og blandaðu því saman við þína eigin viðskiptaþekkingu.
Fjögur afritanleg sniðmát
1) Metrasamantekt og athugasemd:
Hlutverk þitt: aðstoðarmaður netverslunarsérfræðings. Hér að neðan eru raunveruleg gögn frá mínu eigin mælaborði (nafnlaust): viðskiptahlutfall, gestur, pöntun, AOV, ávöxtunarhlutfall, tímabil. Gögn: [tafla]. Verkefni: túlka þessar mælingar saman; flagga óvenjulegar hreyfingar; skrifaðu mögulegar orsakir sem TILGANGUR (ekki segja ákveðna orsök). Regla: ekki framkalla neina tölu sem ekki er gefin upp; merktu gögn sem vantar [DATA MISSING].
2) Athugun á fylgni/orsakatengslum:
Íhugaðu eftirfarandi fullyrðingu: "[mæling A] jókst, svo gerði [mælikvarði B], þannig að A olli B."Samhengi: [tímabil, herferð, ytri þættir]. Verkefni: ræða hvort þetta sé fylgni eða orsakasamband; taldu upp algenga þætti sem gætu hafa aukið báða; Útskýrðu hvernig á að setja upp A/B próf til að sanna orsakasamhengi.
3) Árgangur/hlutagreining:
Hér að neðan eru nafnlaus árgangagögn (fyrsti mánuður kaups, endurtekningarhlutfall). Gögn: [tafla]. Verkefni: túlka hvaða árgangur er tryggari, hvernig endurtekningartíðni breytist með tímanum; Merktu við hvaða hluti hefur tækifæri/áhættu. Regla: notaðu aðeins tölurnar sem gefnar eru upp.
4) Eftirspurnarspá atburðarás:
Söguleg sala: [mánaðarupplýsingar]. Þekktir þættir: [hátíð, herferð, árstíð]. Verkefni: búa til litla/miðlungs/mikla eftirspurn fyrir næsta [tímabil]; skrifaðu niður forsendur hverrar atburðarásar.Regla: segðu að það sé ágiskun; Ekki gefa upp nákvæma tölu, gefðu upp bil.
þrjú smámál
Mál 1 - Að lesa saman. Ein verslun var ánægð með að sjá viðskiptahlutfallið hækka; En þegar hann túlkaði gervigreind og mæligildi saman sá hann að ávöxtunarhlutfallið hækkaði líka. Hvers vegna: vörulýsingar voru ýktar í herferð; Viðskiptavinir myndu kaupa það en skila því þegar væntingar þeirra stóðust ekki. Gleðin við að horfa á eina mælikvarða breyttist í vandamál þegar við lásum hana saman og það var lagað.
Mál 2 - Fölsuð mæligildi. Stjórnandi spurði gervigreindina „hver var umbreytingin okkar í síðasta mánuði“; AI sagði „3,5 prósent“. Stjórinn notaði þetta sem markmið á liðsfundinum. Raunverulegt hlutfall var 1,9 prósent á heildina litið. Rangur grunnur fæddi rangt markmið. Lærdómur: mælikvarðar koma aðeins frá mælaborðinu.
Mál 3 - Orsakavilla. Ein verslun tvöfaldaði tíðni tölvupósta og sagði "sala jókst daginn sem við sendum tölvupóst, svo tölvupóstur eykur sölu." En þeir dagar voru líka afsláttardagar; Aðalatriðið var afslátturinn. Tíðar tölvupóstar pirruðu viðskiptavini og jukust áskriftir. A/B próf myndi sýna raunverulegan ökumann.
Veik kvaðning / Sterk kvaðning
Veik kvaðning:
Greindu frammistöðu verslunarinnar minnar og segðu mér viðskiptahlutfallið mitt.
Þar sem engin gögn eru gefin, myndar gervigreind viðskiptahlutfallið; Greiningin er ranglega byggð frá upphafi.
Öflug tilvitnun:
Þitt hlutverk: sérfræðingur í rafrænum viðskiptum. Hér að neðan eru gögnin sem ég fékk frá mínu eigin Analytics mælaborði (nafnlaust): Gestir 42.000, pantanir 780, AOV 640 TL, skilahlutfall 9%, tímabil: júní. Verkefni: REIKNAÐU viðskiptahlutfallið út frá þessum gögnum (sýna reikning), túlkaðu mælikvarðana saman, merktu óvenjulega punkta sem tilgátur. Búa til tölur sem ekki eru gefnar upp.
Algeng mistök
- Að láta gervigreind biðja um mælikvarða. Að biðja um mælikvarða án þess að leggja fram eigin gögn mun leiða til falsaðra tölur.
- Horft á einn mælikvarða. Ef viðskipti jukust en ávöxtun jókst líka er taflan villandi.
- Að misskilja fylgni fyrir orsakasamhengi. Að halda fram „orsök“ án þess að prófa leiðir til rangra fjárfestinga.
- Að gera ráð fyrir að matið sé nákvæm tala. Eftirspurnarmat er svið, ekki trygging.
- Að deila gögnum án nafnleyndar. Jafnvel þótt gögn viðskiptavina fari í greiningu verður að fjarlægja persónulegt rými.
- Ekki staðfesta reikninginn. Athugaðu handvirkt alla útreikninga sem gervigreind gerir.
Í stuttu máli
Greining rafrænna viðskipta er fræðigreinin sem breytir hráum gögnum í ákvarðanir. Lestu saman mælikvarða eins og viðskipti, AOV, árgang, LTV og ávöxtun; Einn mælikvarði er villandi. Gervigreind er öflug við að draga saman gögn, finna mynstur og semja skýrslur; en til að forðast að falla í gildrur mæligildis og að rugla saman fylgni við orsakasamhengi skaltu sannreyna hverja tölu úr eigin uppruna og prófa hverja „orsök“ fullyrðingu með stýrðri prófun. Notaðu eftirspurnarspána sem atburðarásarbil, ekki sem nákvæma tölu. Nafnlausu persónulega reiti þegar þú sendir gögn til greiningar.
Umsóknarverkefni
Dragðu nafnlaust út mæligildi raunverulegs tímabils (gestir, pantanir, AOV, ávöxtunarhlutfall) úr þínu eigin greiningarborði. Biddu gervigreind um athugasemdir með sniðmátinu „samantekt mæligilda og athugasemd“; Láttu það reikna sjálft viðskiptahlutfallið, en þú getur staðfest það handvirkt. Hugsaðu síðan um "A aukin, B aukin" fullyrðingu um fyrirtækið þitt, prófaðu það með sniðmátinu "Fylgni/orsakaeftirlit" og hannaðu A/B próf. Að lokum skaltu búa til eftirspurnarspá atburðarás og bera saman við þína eigin viðskiptaþekkingu.
gátlisti
- [ ] Ég dró allar mælingar úr eigin greiningaruppsprettu; Ég gerði það ekki upp við gervigreind.
- [ ] Ég sannreyndi handvirkt alla útreikninga sem gervigreind gerði.
- [ ] Ég túlkaði mælikvarðana saman, ekki hver fyrir sig.
- [ ] Ég prófaði fullyrðingar um „orsakatengsl“ fyrir fylgni/orsakatengsl.
- [ ] Ég fór með eftirspurnarspána sem sviðssvið, ekki nákvæma tölu.
- [ ] Ég nafngreindi persónulega reiti í gögnunum sem greind voru.