Pelnas:
- Galimybė interpretuoti metriką, pvz., konversijų rodiklį, krepšelio vidurkį, grupę ir kliento viso laikotarpio vertę (LTV), naudojant dirbtinio intelekto palaikymą
- Gebėjimas parengti įžvalgų ir paklausos prognozių juodraščius iš pardavimo duomenų ir pateikti informaciją apie atsargų ir kampanijos sprendimus
- Gebėjimas atpažinti riziką supainioti koreliaciją su priežastiniu ryšiu ir padaryti netikrus skaičius bei patikrinti kiekvieną analizę naudojant savo duomenų šaltinį
Elektroninėje prekyboje duomenys yra visur: kiek žmonių atėjo, kiek pirko, kiek įdėjo į krepšelį, iš kokio kanalo atkeliavo, ar grįžo antrą kartą. Šiuose duomenyse paslėpti sprendimai, kurie padės plėsti jūsų verslą; Tačiau vien neapdoroti duomenys nepateikia gairių, juos reikia interpretuoti. Dirbtinis intelektas (AI) yra galinga pagalba greitai apibendrinant ir interpretuojant duomenis, ieškant modelių ir nukrypimų, rengiant ataskaitas ir generuojant paklausos prognozavimo scenarijus. Tačiau analitikoje yra dvi didelės AI spąstos: skaičių gniuždymas (metrikos kūrimas neturint prieigos prie jūsų duomenų) ir koreliacijos sumaišymas su priežastiniu ryšiu (manant, kad du dalykai, judantys kartu, yra „viena kito priežastis“). Šiame skyriuje išmoksime teisingos metrikos ir kaip saugiai naudoti AI.
Apibrėžkime pagrindinius rodiklius. Konversijų rodiklis: kiek procentų lankytojų perka. Vidutinis krepšelis (AOV): vidutinis užsakymų kiekis. Grupės analizė: klientų grupės (kohortos), kuri pirmą kartą apsipirko per tą patį laikotarpį, elgsenos stebėjimas laikui bėgant. Kliento viso laikotarpio vertė (LTV): viso pelno, kurį klientas palieka per santykius, įvertinimas. Atsisakymas (churn): kai klientas nustoja apsipirkti. Kartu šie rodikliai atsako į klausimą „kiek aš uždirbu ir kur auginu?
Kuri metrika ką sako?
Kiekviena metrika atsako į klausimą; Žvelgiant į neteisingą metriką, priimamas neteisingas sprendimas.
metrinė
Klausimas
Jeigu pakyla
Dėmesio
Konversijos rodiklis
Ar srautas virsta pardavimu?
geras
Skaitykite su eismo kokybe
Vidutinis krepšelis (AOV)
Kiek aš uždirbu už užsakymą?
geras
Kryžminio pardavimo / sujungimo efektas
Grupės pasikartojimo dažnis
Ar klientas grįžta?
Yra lojalumas
Skiriasi pagal kanalą
LTV
Ko vertas klientas ilgalaikėje perspektyvoje?
geras
Tai apytikslis, neaiškus.
apleidimas (nutraukimas)
Ar aš prarandu klientus?
blogai
Kodėl tai turėtų būti tiriama?
Grąžinimo norma
Ar produktas atitinka lūkesčius?
blogai
Įprastas lygis skiriasi priklausomai nuo kategorijos
Svarbus principas: vienas rodiklis yra klaidinantis. Jei padaugėjo konversijų, bet padidėjo ir grąža, galbūt klaidinantis turinys padidina pardavimą ir skatina grąžą. Kartu skaitykite metrikas.
Analizė su AI: skaičių traiškymo spąstai
Pavojingiausia dirbtinio intelekto klaida yra ta, kad jis pateikia patikimą skaičių, pvz., „jūsų konversijų rodiklis yra 4,2 proc.“, niekada nežiūrėdamas į jūsų duomenis (haliucinacija). Šis skaičius yra visiškai išgalvotas. Taisyklė aiški: metrika gaunama tik iš jūsų analizės šaltinio – „Google Analytics“, prekyvietės informacijos suvestinės, el. prekybos infrastruktūros ataskaitos. Norėdami interpretuoti šiuos duomenis, naudokite dirbtinį intelektą: pateikiate juos (anonimiškai) ir jis juos apibendrina, suranda šablonus, parengia ataskaitą. Ne tam, kad atsimintų duomenis.
Atsargiai: net kai AI kalba metriką labai sklandžiai ir tiksliai, paklauskite, iš kur kilo šis skaičius. „Iš kokių duomenų apskaičiavote šį skaičių? Jei nedavei, jis sugalvojo. Kiekvienas skaičius, įtrauktas į ataskaitą, turi būti patvirtintas jūsų prietaisų skydelyje.
Koreliacija ir priežastinis ryšys
Antroji didelė spąstai yra priežastinio ryšio klaidingumas. Duomenyse AI gali pasakyti, kad „padidėjo išlaidos reklamai, taip pat padidėjo pardavimai, o tai reiškia, kad reklama padidino pardavimus“. Tai yra koreliacija (veikiant kartu); bet priežastingumo gali nebūti. Galbūt yra ir trečias veiksnys, didinantis abu: pavyzdžiui, atostogų sezonas didina ir reklamą, ir pardavimus. Supainioję priežastinį ryšį, jūs iššvaistysite pinigus tam, kas neveikia. Priežastingumo supratimo būdas yra kontroliuojamas testavimas: A/B testavimas (vienu metu rodomas dvi grupės ir matuojamas skirtumas) arba bent jau palyginimo prieš ir po išvalymas nuo kitų veiksnių. Tegul AI generuoja hipotezes; Įrodykite priežastinį ryšį su bandymais.
Paklausos prognozė
AI gali generuoti paklausos prognozės scenarijus iš jūsų istorinių pardavimų duomenų: „šį mėnesį praėjusiais metais pardavėte tiek, tendencija šia kryptimi, atostogų efektas toks“ ir tt Tai yra vertinga informacija priimant sprendimus dėl atsargų ir pirkimo; Tai padeda išlaikyti pusiausvyrą tarp ankstyvo išeikvojimo (prarastų pardavimų) ir atsargų pertekliaus (pririštas kapitalas, žlugimas). Tačiau prognozė yra prognozė: netikėta kampanija, tiekimo problema ar mados pasikeitimas sujaukia vaizdą. Naudokite sąmatą kaip „scenarijaus diapazoną“, o ne „kietąjį skaičių“ ir sumaišykite jį su savo verslo žiniomis.
Keturi kopijuojami šablonai
1) Metrinė santrauka ir komentaras:
Jūsų vaidmuo: el. prekybos analitiko padėjėjas.Žemiau pateikiami faktiniai duomenys iš mano prietaisų skydelio (anoniminiai): konversijų rodiklis, lankytojas, užsakymas, AOV, grąžinimo rodiklis, laikotarpis.Duomenys: [lentelė].Užduotis: interpretuokite šias metrikas kartu; vėliavos neįprasti judesiai; galimas priežastis parašykite kaip HIPOTEzę (nesakykite tikslios priežasties).Taisyklė: nesukurkite nepateikto skaičiaus; pažymėkite trūkstamus duomenis [DUOMENŲ TRŪKSTA].
2) Koreliacijos / priežastinio ryšio patikrinimas:
Apsvarstykite šį teiginį: "[metrika A] padidėjo, taip pat [metrika B], todėl A sukėlė B." Kontekstas: [laikotarpis, kampanija, išoriniai veiksniai]. Užduotis: aptarkite, ar tai koreliacija, ar priežastinis ryšys; išvardykite bendrus veiksnius, kurie galėjo padidinti abu; Paaiškinkite, kaip nustatyti A/B testą, kad būtų įrodytas priežastinis ryšys.
3) kohortos / segmento analizė:
Žemiau pateikiami anoniminiai kohortos duomenys (pirmasis pirkimo mėnuo, pakartotinio pirkimo rodikliai).Duomenys: [lentelė].Užduotis: interpretuokite, kuri grupė yra lojalesnė, kaip keičiasi pasikartojimo dažnis laikui bėgant; Pažymėkite, kuris segmentas turi galimybę / riziką. Taisyklė: naudokite tik nurodytus skaičius.
4) Paklausos prognozės scenarijus:
Istoriniai pardavimai: [mėnesio duomenys]. Žinomi veiksniai: [festivalis, kampanija, sezonas]. Užduotis: sukurti mažos/vidutinės/didelės paklausos scenarijų kitam [laikotarpiui]; užsirašykite kiekvieno scenarijaus prielaidą.Taisyklė: nurodykite, kad tai yra spėjimas; Nenurodykite tikslaus skaičiaus, nurodykite diapazoną.
trys mini dėklai
1 atvejis – skaitymas kartu. Viena parduotuvė apsidžiaugė, kad jos konversijų rodiklis padidėjo; Tačiau kai jis kartu interpretavo AI ir metrikas, jis pamatė, kad grąžos rodiklis taip pat smarkiai išaugo. Kodėl: kampanijoje produktų aprašymai buvo perdėti; Klientai jį pirktų, bet grąžintų, kai nepasiteisintų jų lūkesčiai. Vienos metrikos žiūrėjimo džiaugsmas virto problema, kai kartu skaitėme ir ji buvo ištaisyta.
2 atvejis – netikra metrika. Vadovas paklausė AI „kokia buvo mūsų konversija praėjusį mėnesį“; AI pasakė „3,5 proc.“. Vadovas tai panaudojo kaip tikslą komandos susirinkime. Faktinė norma buvo 1,9 proc. Netinkamas pagrindas pagimdė netinkamą tikslą. Pamoka: metrika gaunama tik iš prietaisų skydelio.
3 atvejis. Priežastinio ryšio klaidingumas. Viena parduotuvė padvigubino laiškų siuntimo dažnumą, sakydama, kad „pardavimai išaugo tą dieną, kai siunčiame el. laiškus, todėl el. laiškai padidina pardavimus“. Tačiau tos dienos buvo ir nuolaidų dienos; Pagrindinis veiksnys buvo nuolaida. Dažni el. laiškai erzino klientus ir padidino prenumeratos atsisakymų skaičių. A/B testas parodytų tikrąjį vairuotoją.
Silpnas raginimas / Stiprus raginimas
Silpnas raginimas:
Išanalizuokite mano parduotuvės našumą ir pasakykite man mano konversijų rodiklį.
Kadangi duomenų nepateikiama, AI sudaro konversijos koeficientą; Analizė nuo pat pradžių klaidingai pagrįsta.
Galingas raginimas:
Jūsų vaidmuo: elektroninės prekybos analitikas. Toliau pateikiami duomenys, kuriuos gavau iš savo „Analytics“ informacijos suvestinės (anoniminės): lankytojų 42 000, užsakymų 780, AOV 640 TL, grąžinimo norma 9%, laikotarpis: birželio mėn. Užduotis: APSKAIČIUOKITE konversijų rodiklį pagal šiuos duomenis (rodykite paskyrą), kartu interpretuokite metrikas, pažymėkite neįprastus taškus kaip hipotezes. Neduotų skaičių generavimas.
Dažnos klaidos
- Priversti dirbtinį intelektą prašyti metrikos. Užklausus metrikos nepateikus savo duomenų, bus gauti netikri skaičiai.
- Žiūrint į vieną metriką. Jei padaugėjo konversijų, bet padidėjo ir grąža, lentelė yra klaidinanti.
- Klaidinga koreliacija ir priežastinis ryšys. Teigiant „priežastį“ neatliekant bandymų, investuojama į netinkamai.
- Daryti prielaidą, kad įvertinimas yra tikslus skaičius. Paklausos įvertinimas yra diapazonas, o ne garantija.
- Duomenų bendrinimas be anonimiškumo. Net jei klientų duomenys bus analizuojami, asmeninė erdvė turi būti pašalinta.
- Nepatvirtina paskyros. Rankiniu būdu patikrinkite kiekvieną AI atliktą skaičiavimą.
Apibendrinant
El. prekybos analitika yra disciplina, kuri neapdorotus duomenis paverčia sprendimais. Kartu skaitykite metriką, pvz., konversiją, AOV, grupę, LTV ir grąžas; Viena metrika yra klaidinanti. AI yra galingas apibendrinant duomenis, ieškant modelių ir rengiant ataskaitas; bet kad nepatektumėte į metrinio pritaikymo spąstus ir nepainiotumėte koreliacijos su priežastiniu ryšiu, patikrinkite kiekvieną skaičių iš savo šaltinio ir patikrinkite kiekvieną teiginį apie priežastį naudodami kontroliuojamą testavimą. Naudokite paklausos prognozę kaip scenarijaus diapazoną, o ne kaip tikslų skaičių. Pateikdami duomenis analizei anonimizuoti asmeninius laukus.
Taikymo užduotis
Anonimiškai ištraukite faktinio laikotarpio metriką (lankytojų, užsakymų, AOV, grąžos rodiklį) iš savo analizės prietaisų skydelio. Paprašykite AI komentarų naudodami šabloną „metrikos suvestinė ir komentaras“; Leiskite pačiam apskaičiuoti konversijos koeficientą, bet galite jį patikrinti rankiniu būdu. Tada pagalvokite apie teiginį „A padidėjo, B padidino“ apie savo verslą, išbandykite jį naudodami šabloną „Sąryšio / priežastinio ryšio patikrinimas“ ir sukurkite A/B testą. Galiausiai sukurkite paklausos prognozės scenarijų ir palyginkite jį su savo verslo žiniomis.
kontrolinis sąrašas
- [ ] Visas metrikas paėmiau iš savo analizės šaltinio; Aš neatlaikiau dirbtinio intelekto.
- [ ] Rankiniu būdu patikrinau kiekvieną AI atliktą skaičiavimą.
- [ ] Metrikas interpretavau kartu, o ne atskirai.
- [ ] Išbandžiau „priežastinio ryšio“ teiginius dėl koreliacijos / priežastinio ryšio.
- [ ] Paklausos prognozę traktavau kaip scenarijaus diapazoną, o ne tikslų skaičių.
- [ ] Asmeninius laukus analizuojamuose duomenyse anoniminau.