ಮಾರಾಟದ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ವರದಿ: KPI, ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಮತ್ತು ನಿರ್ಧಾರ ಬೆಂಬಲ

ಲಾಭಗಳು:

• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಬೆಂಬಲದೊಂದಿಗೆ ವಹಿವಾಟು, ಅಂಚು, ಪರಿವರ್ತನೆ, ಬಾಸ್ಕೆಟ್ ಗಾತ್ರ ಮತ್ತು ಸ್ಟಾಕ್ ವಹಿವಾಟು ದರದಂತಹ KPI ಗಳನ್ನು ಅರ್ಥೈಸುವ ಮತ್ತು ವರದಿ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ
• ಕಚ್ಚಾ ಮಾರಾಟದ ಡೇಟಾದಿಂದ ಕರಡು ನಿರ್ವಹಣಾ ಸಾರಾಂಶ, ಅಸಂಗತತೆ ಪತ್ತೆ ಮತ್ತು ಕ್ರಿಯೆಯ ಪ್ರಸ್ತಾಪವನ್ನು ರಚಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಗ್ರಾಫಿಕ್ ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಮೂಲ ಡೇಟಾ ಮತ್ತು ಲೆಕ್ಕಾಚಾರಗಳೊಂದಿಗೆ ಪರಿಶೀಲಿಸಬೇಕು ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು

ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರದಲ್ಲಿ, ಡೇಟಾ ಹೇರಳವಾಗಿದೆ ಆದರೆ ಒಳನೋಟವು ಅಪರೂಪ. ನಗದು ರಿಜಿಸ್ಟರ್, ಇ-ಕಾಮರ್ಸ್ ಮತ್ತು ಸ್ಟಾಕ್‌ನಿಂದ ಪ್ರತಿದಿನ ಸಾವಿರಾರು ಸಾಲುಗಳು ಹರಿಯುತ್ತವೆ; ಮುಖ್ಯ ವಿಷಯವೆಂದರೆ ಈ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು "ಏನು ನಡೆಯುತ್ತಿದೆ, ಏಕೆ ನಡೆಯುತ್ತಿದೆ, ಏನು ಮಾಡಬೇಕು?" ಅದನ್ನು ನಿಮ್ಮ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರವಾಗಿ ಪರಿವರ್ತಿಸಲು. ಈ ಘಟಕದಲ್ಲಿ, ಕಚ್ಚಾ ಮಾರಾಟದ ಡೇಟಾದಿಂದ ಕಾರ್ಯನಿರ್ವಾಹಕ ಸಾರಾಂಶ, KPI ವ್ಯಾಖ್ಯಾನ, ಅಸಂಗತ ಪತ್ತೆ ಮತ್ತು ಕ್ರಿಯೆಯ ಶಿಫಾರಸುಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ವಿಶ್ಲೇಷಕರಾಗಿ ನೀವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸುತ್ತೀರಿ. ಮತ್ತೊಮ್ಮೆ, ಸುವರ್ಣ ನಿಯಮವು ಅನ್ವಯಿಸುತ್ತದೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಪ್ರತಿಯೊಂದು ಸಂಖ್ಯೆ ಮತ್ತು ವ್ಯಾಖ್ಯಾನವನ್ನು ಮೂಲ ಡೇಟಾ ಮತ್ತು ಲೆಕ್ಕಾಚಾರದೊಂದಿಗೆ ಪರಿಶೀಲಿಸಬೇಕು.

ಮೂಲ ಪರಿಕಲ್ಪನೆಗಳು:

KPI (ಕೀ ಪರ್ಫಾರ್ಮೆನ್ಸ್ ಇಂಡಿಕೇಟರ್): ವ್ಯಾಪಾರದ ಆರೋಗ್ಯವನ್ನು ಸಾರಾಂಶಗೊಳಿಸುವ ನಿರ್ಣಾಯಕ ಮೆಟ್ರಿಕ್ಸ್. ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರದಲ್ಲಿ ಮುಖ್ಯವಾದವುಗಳೆಂದರೆ: ವಹಿವಾಟು, ಒಟ್ಟು ಅಂಚು, ಪರಿವರ್ತನೆ ದರ, ಸರಾಸರಿ ಬುಟ್ಟಿ, ಸ್ಟಾಕ್ ವಹಿವಾಟು ದರ.

ಪರಿವರ್ತನೆ ದರ: ಎಷ್ಟು ಜನರು ಅಂಗಡಿಯನ್ನು ಪ್ರವೇಶಿಸಿದರು/ಭೇಟಿ ಮಾಡಿದ ಸೈಟ್ ಖರೀದಿಸಿದ್ದಾರೆ. 100 ಸಂದರ್ಶಕರಲ್ಲಿ 4 ಜನರು ಅದನ್ನು ಖರೀದಿಸಿದರೆ, ಪರಿವರ್ತನೆಯು 4% ಆಗಿದೆ.

ಸರಾಸರಿ ಬ್ಯಾಸ್ಕೆಟ್ ಗಾತ್ರ: ಪ್ರತಿ ವಹಿವಾಟಿಗೆ ಸರಾಸರಿ ಖರ್ಚು.

ಇನ್ವೆಂಟರಿ ವಹಿವಾಟು ದರ: ಒಂದು ಅವಧಿಯಲ್ಲಿ ಎಷ್ಟು ಬಾರಿ ಸ್ಟಾಕ್ ಅನ್ನು ತಿರುಗಿಸಲಾಗಿದೆ (ಮಾರಾಟ ಮತ್ತು ನವೀಕರಿಸಲಾಗಿದೆ). ಹೆಚ್ಚಿನ = ನಗದು ಸಮರ್ಥ ಬಳಕೆ.

ಅಸಂಗತತೆ: ಡೇಟಾದಲ್ಲಿ ಅನಿರೀಕ್ಷಿತ ಜಿಗಿತ ಅಥವಾ ಕುಸಿತ; ಸಾಮಾನ್ಯವಾಗಿ ಸಮಸ್ಯೆ ಅಥವಾ ಅವಕಾಶದ ಆರಂಭಿಕ ಸಂಕೇತ.

ಚಿಲ್ಲರೆ KPI ಡ್ಯಾಶ್‌ಬೋರ್ಡ್

ಕೆಪಿಐ

ಅದು ಏನು ಹೇಳುತ್ತದೆ

ಅದು ಬಿದ್ದರೆ ಸಂಭವನೀಯ ಕಾರಣ

ವಹಿವಾಟು

ಒಟ್ಟು ವ್ಯವಹಾರದ ಪ್ರಮಾಣ

ಸಂಚಾರ/ಪರಿವರ್ತನೆ/ಬೆಲೆ ಕುಸಿತ

ಒಟ್ಟು ಅಂಚು

ಮಾರಾಟದ ಲಾಭದಾಯಕತೆ

ವಿಪರೀತ ರಿಯಾಯಿತಿ, ವೆಚ್ಚ ಹೆಚ್ಚಳ

ಪರಿವರ್ತನೆ ದರ

ಭೇಟಿಯನ್ನು ಮಾರಾಟವಾಗಿ ಪರಿವರ್ತಿಸುವುದು

ಸ್ಟಾಕ್ ಇಲ್ಲ, ಬೆಲೆ, ಅನುಭವ ಸಮಸ್ಯೆ

ಸರಾಸರಿ ಬುಟ್ಟಿ

ಪ್ರತಿ ವಹಿವಾಟಿನ ಮೌಲ್ಯ

ಕಳಪೆ ಅಡ್ಡ ಮಾರಾಟ, ಪ್ರಚಾರ ಮುಗಿದಿದೆ

ಸ್ಟಾಕ್ ವಹಿವಾಟು ದರ

ನಗದು ದಕ್ಷತೆ

ಹೆಚ್ಚುವರಿ/ಡೆಡ್ ಸ್ಟಾಕ್

ರಿಟರ್ನ್ ದರ

ಉತ್ಪನ್ನ/ನಿರೀಕ್ಷೆ ಹೊಂದಿಕೆ

ತಪ್ಪು ವಿಷಯ, ಗುಣಮಟ್ಟದ ಸಮಸ್ಯೆ

ಸಲಹೆ: ಒಂದು KPI ಅನ್ನು ಆಧರಿಸಿ ನಿರ್ಧರಿಸಬೇಡಿ. ವಹಿವಾಟು ಹೆಚ್ಚುತ್ತಿರುವಾಗ ಅಂಚು ಹೆಚ್ಚಾದರೆ, ನೀವು ರಿಯಾಯಿತಿಯಲ್ಲಿ ಮಾರಾಟವನ್ನು "ಖರೀದಿಸಿದ್ದೀರಿ" ಎಂದರ್ಥ. KPI ಗಳನ್ನು ಒಟ್ಟಿಗೆ ಓದಿ.

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಸಾರಾಂಶವಾಗಿ ಹೇಗೆ ಪರಿವರ್ತಿಸುತ್ತದೆ?

ನೀವು ಮಾರಾಟ ಕೋಷ್ಟಕವನ್ನು ಒದಗಿಸಬಹುದು (ದಿನಾಂಕ, ವರ್ಗ, ಪ್ರಮಾಣ, ವಹಿವಾಟು, ಹಿಂತಿರುಗಿಸುವಿಕೆ) ಮತ್ತು ಹೀಗೆ ಕೇಳಬಹುದು:

• ಸಾರಾಂಶ: ಅತ್ಯುತ್ತಮ/ಕೆಟ್ಟ ಪ್ರದರ್ಶನ, ಗಮನಾರ್ಹ ಬದಲಾವಣೆಗಳು.
• ಹೋಲಿಕೆ: ಈ ಅವಧಿ ವಿರುದ್ಧ ಕೊನೆಯ ಅವಧಿ, ಅಂಗಡಿ ಇತ್ಯಾದಿ ಶಾಪಿಂಗ್ ಸೆಂಟರ್.
• ಅಸಂಗತತೆ: ಅನಿರೀಕ್ಷಿತ ಜಿಗಿತಗಳು/ಹನಿಗಳು ಮತ್ತು ಸಂಭವನೀಯ ಕಾರಣಗಳು.
• ಕ್ರಿಯೆ: ಪ್ರತಿ ಸಂಶೋಧನೆಗೆ ಒಂದು ವಾಕ್ಯದ ಶಿಫಾರಸು.

AI ಇದನ್ನು ನಿಮಿಷಗಳಲ್ಲಿ ಮಾಡುತ್ತದೆ; ಆದರೆ ನಿರ್ಣಾಯಕ: ಸಂಖ್ಯೆಗಳನ್ನು ಸ್ವತಃ ಲೆಕ್ಕಾಚಾರ ಮಾಡುವಾಗ ಅವನು ತಪ್ಪುಗಳನ್ನು ಮಾಡಬಹುದು. ಆದ್ದರಿಂದ ಮೂಲ ಡೇಟಾದೊಂದಿಗೆ ಔಟ್‌ಪುಟ್‌ನಲ್ಲಿ ಒಟ್ಟುಗಳು, ಶೇಕಡಾವಾರು ಮತ್ತು ಪ್ರವೃತ್ತಿಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.

ಅಸಂಗತತೆ ಪತ್ತೆ: ಮುಂಚಿನ ಎಚ್ಚರಿಕೆ

ಒಂದು ದಿನದ ವಹಿವಾಟು ಹಠಾತ್ತನೆ ಅರ್ಧಕ್ಕೆ ಇಳಿಯುತ್ತದೆ; ಒಂದು ವರ್ಗದ ಆದಾಯದ ದರದ ದ್ವಿಗುಣಗೊಳಿಸುವಿಕೆ; ಇತರರಿಗಿಂತ ಭಿನ್ನವಾಗಿ ಅಂಗಡಿಯ ಕುಸಿತ. ಇವುಗಳು ಡೇಟಾ ದೋಷಗಳು, ಸ್ಟಾಕ್‌ಗಳ ಹೊರಗಿರುವಿಕೆ, ಬೆಲೆ ದೋಷಗಳು ಅಥವಾ ಕಾರ್ಯಾಚರಣೆಯ ಸಮಸ್ಯೆಗಳನ್ನು ಸೂಚಿಸಬಹುದು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ ವಿಚಲನಗಳನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡುತ್ತದೆ ಆದರೆ ಕಾರಣವನ್ನು ಊಹಿಸುತ್ತದೆ, ಪರಿಶೀಲನೆಯಲ್ಲ. "ನೀವು ಸ್ಟಾಕ್ ಇಲ್ಲದ ಕಾರಣ ವಹಿವಾಟು ಕುಸಿಯಿತು" ಎಂಬುದು ಒಂದು ಊಹೆ; ನೀವು ಸ್ಟಾಕ್ ಡೇಟಾವನ್ನು ನೋಡಿ ಮತ್ತು ಅದನ್ನು ಪರಿಶೀಲಿಸಿ.

ಎಚ್ಚರಿಕೆ: AI ಕೆಲವೊಮ್ಮೆ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ "ಪ್ರವೃತ್ತಿ" ಅಥವಾ "ಕಾರಣ"ವನ್ನು ಮಾಡಬಹುದು (ಭ್ರಮೆ). ಕಾಮೆಂಟ್ ಅನ್ನು ಕ್ರಿಯೆಯಾಗಿ ಪರಿವರ್ತಿಸುವ ಮೊದಲು, "ಇದು ಡೇಟಾದಲ್ಲಿ ನಿಜವಾಗಿ ತೋರಿಸುತ್ತದೆಯೇ?" ಎಂದು ನೀವು ಕೇಳಬೇಕು. ಮೂಲಕ್ಕೆ ಹಿಂತಿರುಗಿ.

ಹಂತ ಹಂತದ ವಿಶ್ಲೇಷಣೆ

1. ಅನಾಮಧೇಯ, ಕ್ಲೀನ್ ಡೇಟಾವನ್ನು ತಯಾರಿಸಿ: ವೈಯಕ್ತಿಕ ಮಾಹಿತಿ ಇಲ್ಲ; ದಿನಾಂಕ, ವರ್ಗ/SKU, ಪ್ರಮಾಣ, ವಹಿವಾಟು, ಅಂಚು, ಹಿಂತಿರುಗಿಸುವಿಕೆ.
2. ಪ್ರಶ್ನೆಯನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಿ: "ಏನಾಯಿತು?" (ಸಾರಾಂಶ), "ಏಕೆ?" (ಮೂಲ ಕಾರಣ), "ಏನು ಮಾಡಬೇಕು?" (ಕ್ರಿಯೆ).
3. ವಿನಂತಿಯ ಸಾರಾಂಶ ಮತ್ತು ಅಸಂಗತತೆ: ಡೇಟಾದಲ್ಲಿನ ಸಂಖ್ಯೆಯನ್ನು ಮಾತ್ರ ಅವಲಂಬಿಸುವ ನಿಯಮದೊಂದಿಗೆ.
4. ಪರಿಶೀಲಿಸಿ: ಒಟ್ಟು ಮತ್ತು ಶೇಕಡಾವಾರುಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ/ಸ್ಪ್ರೆಡ್‌ಶೀಟ್ ಪರಿಶೀಲಿಸಿ; ಮೂಲ ಡೇಟಾದ ವಿರುದ್ಧ ಕಾರಣಗಳನ್ನು ಪರೀಕ್ಷಿಸಿ.
5. ಕ್ರಿಯೆಗೆ ತಿರುಗಿ: ಮೌಲ್ಯೀಕರಿಸಿದ ಸಂಶೋಧನೆಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡಿ ಮತ್ತು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ.

ಮಿನಿ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 — ಅಸಂಗತತೆಯ ಮುಂಚಿನ ಎಚ್ಚರಿಕೆ: ಸರಣಿ ಅಂಗಡಿಯ ಶಾಖೆಯ ಶನಿವಾರದ ವಹಿವಾಟು ಅದರ ವಾರದ ಸರಾಸರಿಗಿಂತ 55% ಕಡಿಮೆಯಾಗಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಇದನ್ನು ಅಸಂಗತತೆ ಎಂದು ಗುರುತಿಸುತ್ತದೆ. ಆ ದಿನ 3 ಗಂಟೆಗಳ ಕಾಲ POS (ಚೆಕ್‌ಔಟ್) ವ್ಯವಸ್ಥೆಯು ಕ್ರ್ಯಾಶ್ ಆಗಿರುವುದನ್ನು ತನಿಖೆಯು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ; ವಹಿವಾಟಿನ ನಷ್ಟ ನಿಜವಲ್ಲ, ಇದು ನೋಂದಣಿ ಸಮಸ್ಯೆಯಾಗಿದೆ. ವರದಿಯನ್ನು ಸರಿಪಡಿಸಲಾಗಿದೆ ಮತ್ತು ತಾಂತ್ರಿಕ ಅಸಮರ್ಪಕ ಕಾರ್ಯವನ್ನು ದಾಖಲಿಸಲಾಗಿದೆ. ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ "ಬೇಡಿಕೆ ಕುಸಿದಿದೆ" ಎಂದು ಹೇಳಿದರೆ, ತಪ್ಪು ಕ್ರಮ ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತದೆ.

ಪ್ರಕರಣ 2 - ವಹಿವಾಟು-ಅಂಚು ವಿರೋಧಾಭಾಸ: ಇ-ಕಾಮರ್ಸ್ ಕಂಪನಿಯು ತನ್ನ ಮಾಸಿಕ ವಹಿವಾಟು 14% ರಷ್ಟು ಹೆಚ್ಚಳವನ್ನು ನೋಡಲು ಸಂತೋಷವಾಗಿದೆ. AI KPI ವ್ಯಾಖ್ಯಾನವು ಒಟ್ಟು ಅಂಚು 6% ಅಂಕಗಳಿಂದ ಕಡಿಮೆಯಾಗಿದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚಳವು ಭಾರೀ ರಿಯಾಯಿತಿಗಳೊಂದಿಗೆ ಬರುತ್ತದೆ. ನಿರ್ವಹಣೆಯು ರಿಯಾಯಿತಿಯ ತೀವ್ರತೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತಿದೆ; "ನಾವು ಬೆಳೆಯುತ್ತಿದ್ದೇವೆ" ಎಂಬ ಭ್ರಮೆಯ ಬದಲಾಗಿ, ಲಾಭದಾಯಕ ಬೆಳವಣಿಗೆಯತ್ತ ಗಮನ ಹರಿಸಲಾಗಿದೆ.

ಪ್ರಕರಣ 3 - ಮೌಲ್ಯೀಕರಣವು ಭ್ರಮೆಯನ್ನು ಹಿಡಿಯುತ್ತದೆ: ವಿಶ್ಲೇಷಕರು AI ಸಾರಾಂಶವನ್ನು "ಪಾನೀಯ ವರ್ಗವು 30% ರಷ್ಟು ಬೆಳೆದಿದೆ" ಎಂದು ಮೂಲ ಡೇಟಾಗೆ ಹೋಲಿಸುತ್ತಾರೆ; ನಿಜವಾದ ಹೆಚ್ಚಳವು 12% ಆಗಿದೆ. AI ಕೆಲವು ವಾರಗಳನ್ನು ತಪ್ಪಾಗಿ ಸೇರಿಸಿದೆ. ವಿಶ್ಲೇಷಕರು ಸರಿಪಡಿಸುತ್ತಾರೆ. ಪರಿಶೀಲನೆಯ ಹಂತವಿಲ್ಲದೆ, ತಪ್ಪು ಬೆಳವಣಿಗೆಯ ಕಥೆಯನ್ನು ನಿರ್ವಹಣೆಗೆ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ.

ಸರಿಯಾದ ಹೋಲಿಕೆ: ಸೇಬುಗಳನ್ನು ಸೇಬುಗಳಿಗೆ ಹೋಲಿಸುವುದು

ಮಾರಾಟದ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿನ ಸಾಮಾನ್ಯ ತಪ್ಪು ಎಂದರೆ ತಪ್ಪಾದ ಮಾನದಂಡ. ಒಂದು ವಾರದ ವಹಿವಾಟನ್ನು ಹಿಂದಿನದಕ್ಕೆ ಹೋಲಿಸುವುದು ಸಾರ್ವಜನಿಕ ರಜೆ, ಹವಾಮಾನ ಘಟನೆ ಅಥವಾ ಪ್ರಚಾರದ ನಡುವೆ ಇದ್ದರೆ ತಪ್ಪುದಾರಿಗೆಳೆಯುತ್ತದೆ. ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರದಲ್ಲಿ, ಆರೋಗ್ಯಕರ ಹೋಲಿಕೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಇದೇ ಅವಧಿಯನ್ನು ಆಧರಿಸಿದೆ: ಕಳೆದ ವರ್ಷ ಅದೇ ವಾರ, ಅದೇ ದಿನದ ಪ್ರಕಾರ (ಶನಿವಾರ ವರ್ಸಸ್ ಶನಿವಾರ), ಅದೇ ಪ್ರಚಾರದ ಪರಿಸ್ಥಿತಿ. ಹೋಲಿಕೆ ಮಾಡುವಾಗ AI ಗೆ ಈ ಸಂದರ್ಭವನ್ನು ನೀಡಿ: "ಕಳೆದ ವಾರದೊಂದಿಗೆ ಹೋಲಿಸಬೇಡಿ, ಆದರೆ ಕಳೆದ ವರ್ಷ ಅದೇ ವಾರದೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ ಏಕೆಂದರೆ ಈ ವಾರ ರಜೆ ಇದೆ."

LFL (ಲೈಕ್ ಫಾರ್ ಲೈಕ್ / ಹೋಲಿಸಬಹುದಾದ ಸ್ಟೋರ್ ಸೇಲ್ಸ್): ಕನಿಷ್ಠ ಒಂದು ವರ್ಷ ತೆರೆದಿರುವ ಅಂಗಡಿಗಳ ಮಾರಾಟವನ್ನು ಮಾತ್ರ ಹೋಲಿಸುವ ಅಳತೆ. ಹೊಸದಾಗಿ ತೆರೆದಿರುವ ಮಳಿಗೆಗಳ ವಹಿವಾಟನ್ನು ಒಟ್ಟು ಸೇರಿಸಿ "ನಾವು ಬೆಳೆದಿದ್ದೇವೆ" ಎಂದು ಹೇಳುವುದು ದಾರಿ ತಪ್ಪಿಸುತ್ತದೆ; ಈಗಿರುವ ಮಳಿಗೆಗಳು ಸಾವಯವವಾಗಿ ಬೆಳೆಯುತ್ತಿವೆಯೇ ಎಂಬುದು ನಿಜವಾದ ಸಮಸ್ಯೆ. ಸರಣಿ ನಿರ್ವಹಣೆಯಲ್ಲಿ, LFL ನಿಜವಾದ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅತ್ಯಂತ ಪ್ರಾಮಾಣಿಕ ಸೂಚಕಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ.

ಸಲಹೆ: ಒಂದು ಸಂಖ್ಯೆ ನಿಮಗೆ ಒಳ್ಳೆಯದು ಅಥವಾ ಕೆಟ್ಟದ್ದು ಎಂದು ತೋರಿದರೆ, "ಯಾವುದರ ಪ್ರಕಾರ?" ಕೇಳು. ಯಾವುದೇ KPI ಉಲ್ಲೇಖವಿಲ್ಲದೆ ತನ್ನದೇ ಆದ ಅರ್ಥಪೂರ್ಣವಾಗಿದೆ (ಕಳೆದ ವರ್ಷ, ಗುರಿ, ಇದೇ ರೀತಿಯ ಅಂಗಡಿ). ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಕಾಮೆಂಟ್‌ಗಳನ್ನು ಕೇಳುವಾಗ, ಉಲ್ಲೇಖವನ್ನು ನೀಡಿ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ಈ ಮಾರಾಟದ ಡೇಟಾವನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ.

ಪ್ರಶ್ನೆ ಅಸ್ಪಷ್ಟವಾಗಿದೆ; ಮೇಲ್ನೋಟದ, ಪರಿಶೀಲಿಸಲಾಗದ ವ್ಯಾಖ್ಯಾನ ಹಿಂತಿರುಗಿಸುತ್ತದೆ.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ನಿಮ್ಮ ಪಾತ್ರ: ಚಿಲ್ಲರೆ ಮಾರಾಟ ವಿಶ್ಲೇಷಕ. ಡೇಟಾ: ಕಳೆದ 8 ವಾರಗಳಲ್ಲಿ (ಅನಾಮಧೇಯ) ವರ್ಗ-ಆಧಾರಿತ ವಹಿವಾಟು, ಪ್ರಮಾಣ, ಅಂಚು ಮತ್ತು ಆದಾಯಗಳ ಸಂಖ್ಯೆಯನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ. ಕಾರ್ಯ: (1) 3 ಉತ್ತಮ ಮತ್ತು ದುರ್ಬಲ ವರ್ಗಗಳು, (2) ಕಳೆದ ವಾರಕ್ಕೆ ಹೋಲಿಸಿದರೆ 3 ಗಮನಾರ್ಹ ಬದಲಾವಣೆಗಳು, (3) ಯಾವುದೇ ಅನಿರೀಕ್ಷಿತ ವಿಚಲನಗಳು (ವೈಪರೀತ್ಯಗಳು), ಸಂಭವನೀಯ ಕಾರಣವನ್ನು ಹೈಪೋಥಿಸಿಸ್ ಎಂದು ಗುರುತಿಸಿ, (4) ಪ್ರತಿ ಸಂಶೋಧನೆಗೆ ಒಂದು ವಾಕ್ಯ ಕ್ರಿಯೆ. ನಿಯಮ: ಡೇಟಾದಲ್ಲಿನ ಸಂಖ್ಯೆಯನ್ನು ಮಾತ್ರ ಅವಲಂಬಿಸಿ, ಹೊರಗಿನಿಂದ ಮಾಹಿತಿಯನ್ನು ಸೇರಿಸಬೇಡಿ. ಶೇಕಡಾವಾರು ಲೆಕ್ಕಾಚಾರ. ನನಗೆ ತೋರಿಸಿ ಇದರಿಂದ ನಾನು ಪರಿಶೀಲಿಸಬಹುದು. ಸ್ವರೂಪ: ಲೇಖನದ ಮೂಲಕ ಲೇಖನ, 250 ಪದಗಳಿಗಿಂತ ಹೆಚ್ಚಿಲ್ಲ. ಡೇಟಾ: [ಅಂಟಿಸಿ]

ನಕಲು ಮಾಡಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

1) ಸಾಪ್ತಾಹಿಕ ನಿರ್ವಹಣೆಯ ಸಾರಾಂಶ

ಕೆಳಗಿನ ಅನಾಮಧೇಯ ಸಾಪ್ತಾಹಿಕ ಮಾರಾಟದ ಡೇಟಾದಿಂದ ಕಾರ್ಯನಿರ್ವಾಹಕ ಸಾರಾಂಶವನ್ನು ಪಡೆದುಕೊಳ್ಳಿ: ಉನ್ನತ/ದುರ್ಬಲ ವಿಭಾಗಗಳು, ಗಮನಾರ್ಹ ಬದಲಾವಣೆಗಳು, 3 ಕ್ರಿಯೆಯ ಶಿಫಾರಸುಗಳು. ಡೇಟಾದಲ್ಲಿನ ಸಂಖ್ಯೆಯನ್ನು ಬಳಸಿ, ಶೇಕಡಾವಾರುಗಳನ್ನು ತೋರಿಸಿ. ಡೇಟಾ: [ಅಂಟಿಸಿ]

2) ಕೆಪಿಐ ಲೆಕ್ಕಾಚಾರ ಮತ್ತು ಕಾಮೆಂಟ್

ಈ ಡೇಟಾದಿಂದ ಕೆಳಗಿನ KPI ಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ: ವಹಿವಾಟು, ಒಟ್ಟು ಅಂಚು %, ಸರಾಸರಿ ಬಾಸ್ಕೆಟ್, ಆದಾಯದ ದರ. ಕೊನೆಯ ಅವಧಿಯೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ ಮತ್ತು ಪ್ರತಿಯೊಂದೂ ಒಂದು ವಾಕ್ಯದಲ್ಲಿ ಏನನ್ನು ಅರ್ಥೈಸುತ್ತದೆ ಎಂಬುದನ್ನು ಕಾಮೆಂಟ್ ಮಾಡಿ. ಖಾತೆಯನ್ನು ತೋರಿಸಿ. ಡೇಟಾ: [ಅಂಟಿಸಿ]

3) ಅಸಂಗತತೆ ಪತ್ತೆ

ಕೆಳಗಿನ ದೈನಂದಿನ/ಸಾಪ್ತಾಹಿಕ ಸರಣಿಗಳಲ್ಲಿ ಯಾವುದೇ ಅನಿರೀಕ್ಷಿತ ಜಿಗಿತಗಳು ಅಥವಾ ಕುಸಿತಗಳಿವೆಯೇ? ಪ್ರತಿ ಅಸಂಗತತೆಯನ್ನು ಗುರುತಿಸಿ ಮತ್ತು ಅದರ ಸಂಭವನೀಯ ಕಾರಣವನ್ನು ಒಂದು ಊಹೆಯಾಗಿ (ಸಾಕ್ಷ್ಯವಲ್ಲ) ತಿಳಿಸಿ ಮತ್ತು ಅದನ್ನು ಯಾವ ಡೇಟಾವನ್ನು ಪರಿಶೀಲಿಸಬೇಕು ಎಂಬುದನ್ನು ಬರೆಯಿರಿ. ಡೇಟಾ: [ಅಂಟಿಸಿ]

4) ಔಟ್ಪುಟ್ ಪರಿಶೀಲನೆ

ನೀವು ಈಗಷ್ಟೇ ತಯಾರಿಸಿದ ಸಾರಾಂಶದಲ್ಲಿ ಎಲ್ಲಾ ಸಂಖ್ಯಾತ್ಮಕ ಹಕ್ಕುಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ. ಪ್ರತಿಯೊಂದಕ್ಕೂ, ಅದು ಯಾವ ಸಾಲುಗಳು/ಕಾಲಮ್‌ಗಳಿಂದ ಬಂದಿದೆ ಎಂಬುದನ್ನು ನನಗೆ ತೋರಿಸಿ, ಹಾಗಾಗಿ ನಾನು ಅದನ್ನು ಮೂಲ ಡೇಟಾಗೆ ಹೋಲಿಸಬಹುದು. ಅವರು ಖಚಿತವಾಗಿರದಿದ್ದರೆ ಗುರುತಿಸಿ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಒಂದೇ KPI ಅನ್ನು ನೋಡುವುದು: ವಹಿವಾಟು-ಅಂಚು-ಪರಿವರ್ತನೆಯನ್ನು ಒಟ್ಟಿಗೆ ಓದದಿರುವುದು ತಪ್ಪುದಾರಿಗೆಳೆಯುತ್ತದೆ.
• ಸಂಖ್ಯೆಗಳನ್ನು ಮೌಲ್ಯೀಕರಿಸುತ್ತಿಲ್ಲ: AI ಒಟ್ಟು/ಶೇಕಡಾವಾರು ದೋಷಗಳನ್ನು ಮಾಡಬಹುದು.
• ವಾಸ್ತವವಾಗಿ ಒಂದು ಊಹೆಯನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು: "ಏಕೆ" ಸಾಮಾನ್ಯವಾಗಿ ಒಂದು ಊಹೆಯಾಗಿದೆ; ಮೂಲಕ್ಕೆ ಹಿಂತಿರುಗಿ.
• ಭ್ರಮೆ ಪ್ರವೃತ್ತಿಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ: ಡೇಟಾದಲ್ಲಿ ಇಲ್ಲದ ಸ್ಪೈಕ್/ಪ್ಯಾಟರ್ನ್ ಅನ್ನು ರಚಿಸಬಹುದು.
• ಅನಾಮಧೇಯತೆಯನ್ನು ಬೈಪಾಸ್ ಮಾಡುವುದು: ವರದಿ ಡೇಟಾವು ವೈಯಕ್ತಿಕ ಮಾಹಿತಿಯನ್ನು ಸಹ ಒಳಗೊಂಡಿರಬಹುದು.
• ಕ್ರಮವಿಲ್ಲದೆ ವರದಿ ಮಾಡಿ: ಶೋಧನೆಯು ಕ್ರಿಯೆಗೆ ಲಿಂಕ್ ಮಾಡದಿದ್ದರೆ, ವಿಶ್ಲೇಷಣೆ ವ್ಯರ್ಥವಾಗುತ್ತದೆ.

ಸಾರಾಂಶದಲ್ಲಿ

ಉತ್ತಮ ಮಾರಾಟ ವಿಶ್ಲೇಷಣೆಯು ಕಚ್ಚಾ ಡೇಟಾವನ್ನು "ಏನಾಯಿತು, ಏಕೆ, ಏನು ಮಾಡಬೇಕು" ಉತ್ತರಗಳಿಗೆ ಅನುವಾದಿಸುತ್ತದೆ. KPI ಗಳನ್ನು ಒಟ್ಟಿಗೆ ಓದಿ; ವಹಿವಾಟು ಹೆಚ್ಚಾದಂತೆ ಅಂಚು ನೋಡಿ. AI ಸಾರಾಂಶ, KPI ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ಅಸಂಗತತೆಯನ್ನು ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ, ಆದರೆ ಸಂಖ್ಯೆಗಳನ್ನು ತಪ್ಪಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಬಹುದು ಮತ್ತು ಕಾರಣಗಳನ್ನು ಮಾಡಬಹುದು. ಪ್ರತಿ ಸಂಖ್ಯೆಯನ್ನು ಮೌಲ್ಯೀಕರಿಸಿ ಮತ್ತು ಮೂಲ ಡೇಟಾದೊಂದಿಗೆ ಕಾಮೆಂಟ್ ಮಾಡಿ ಮತ್ತು ಅದನ್ನು ಕ್ರಿಯೆಯಾಗಿ ಪರಿವರ್ತಿಸಿ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಅನಾಮಧೇಯ ಕೋಷ್ಟಕದಲ್ಲಿ ಕಳೆದ 8 ವಾರಗಳ ವರ್ಗ ಆಧಾರಿತ ವಹಿವಾಟು, ಮಾರ್ಜಿನ್ ಮತ್ತು ರಿಟರ್ನ್ ಡೇಟಾವನ್ನು ಪಡೆಯಿರಿ. "1) ಸಾಪ್ತಾಹಿಕ ನಿರ್ವಹಣೆ ಸಾರಾಂಶದೊಂದಿಗೆ ಸಾರಾಂಶವನ್ನು ಮಾಡಿ, "3) ಅಸಂಗತತೆ ಪತ್ತೆ" ಯೊಂದಿಗೆ ವಿಚಲನಗಳನ್ನು ಹುಡುಕಿ, ನಂತರ "4) ಔಟ್‌ಪುಟ್ ಮೌಲ್ಯೀಕರಣ" ಪ್ರಾಂಪ್ಟ್‌ನೊಂದಿಗೆ ಮೂಲ ಡೇಟಾದೊಂದಿಗೆ ಸಂಖ್ಯೆಗಳನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ವರದಿ ಡೇಟಾವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು KPI ಗಳನ್ನು ಒಟ್ಟಿಗೆ ಓದುತ್ತೇನೆ (ವಹಿವಾಟು + ಅಂಚು + ಪರಿವರ್ತನೆ).
• [ ] ನಾನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಲೆಕ್ಕಾಚಾರ ಮಾಡಿದ ಸಂಖ್ಯೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಮೂಲ ಡೇಟಾದೊಂದಿಗೆ ವೈಪರೀತ್ಯಗಳ ಕಾರಣವನ್ನು ಪರೀಕ್ಷಿಸಿದೆ.
• [ ] ನಾನು ಊಹೆಯನ್ನು ಪುರಾವೆಯಿಂದ ಪ್ರತ್ಯೇಕಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಪ್ರತಿ ಅನ್ವೇಷಣೆಯನ್ನು ಕ್ರಿಯೆಗೆ ಲಿಂಕ್ ಮಾಡಿದ್ದೇನೆ.