Ieguvumi:
- Spēja interpretēt un ziņot KPI, piemēram, apgrozījumu, peļņas normu, konversiju, groza lielumu un krājumu apgrozījuma ātrumu ar mākslīgā intelekta atbalstu
- Spēja sagatavot vadības kopsavilkumu, anomāliju noteikšanu un rīcības priekšlikumu no neapstrādātiem pārdošanas datiem
- Izpratne par to, ka mākslīgā intelekta radītās analīzes un grafiskās interpretācijas ir jāpārbauda ar avota datiem un aprēķiniem
Mazumtirdzniecībā datu ir daudz, bet ieskats ir reti. Katru dienu no kases, e-komercijas un krājumiem plūst tūkstošiem līniju; Galvenais ir analizēt šos neapstrādātos datus "kas notiek, kāpēc tas notiek, kas jādara?" lai to pārvērstu atbildēs uz jūsu jautājumiem. Šajā nodaļā jūs izmantosit mākslīgo intelektu kā analītiķi, kas no neapstrādātiem pārdošanas datiem sagatavo kopsavilkumu, KPI interpretāciju, anomāliju noteikšanu un darbības ieteikumus. Atkal ir spēkā zelta likums: katrs skaitlis un mākslīgā intelekta radītā interpretācija ir jāpārbauda ar avota datiem un aprēķiniem.
Pamatjēdzieni:
KPI (Key Performance Indicator): kritiskie rādītāji, kas apkopo uzņēmuma stāvokli. Mazumtirdzniecībā galvenie ir: apgrozījums, bruto peļņa, konversijas likme, vidējais grozs, akciju apgrozījuma ātrums.
Reklāmguvumu līmenis: cik cilvēku, kas iegāja veikalā/apmeklēja vietni, iegādājās preces. Ja 4 no 100 apmeklētājiem to iegādājās, reklāmguvums ir 4%.
Vidējais groza lielums: vidējie izdevumi par darījumu.
Krājumu aprites ātrums: cik reižu krājumi tiek apgriezti (pārdoti un atjaunoti) periodā. Augsts = efektīva skaidras naudas izmantošana.
Anomālija: negaidīts datu lēciens vai kritums; bieži vien agrīns signāls par problēmu vai iespēju.
Mazumtirdzniecības KPI informācijas panelis
KPI
ko tas saka
Iespējamais iemesls, ja tas nokrīt
apgrozījums
Kopējais biznesa apjoms
Trafika/reklāmguvums/cenas kritums
bruto peļņa
Pārdošanas rentabilitāte
Pārmērīga atlaide, izmaksu pieaugums
Reklāmguvumu līmenis
Apmeklējuma pārvēršana izpārdošanā
Nav noliktavā, cena, pieredzes problēma
Vidējais grozs
Viena darījuma vērtība
Slikta savstarpējā pārdošana, kampaņa beigusies
Krājumu apgrozījuma ātrums
skaidras naudas efektivitāte
Pārpalikums/beigts krājums
Atdeves likme
Produkts / cerības atbilst
Nepareizs saturs, kvalitātes problēma
Padoms. Nepieņemiet lēmumu, pamatojoties uz vienu KPI. Ja peļņa pieaug, kamēr apgrozījums pieaug, tas nozīmē, ka jūs "nopirkāt" izpārdošanu ar atlaidi. Lasiet KPI kopā.
Kā mākslīgais intelekts pārvērš neapstrādātus datus kopsavilkumā?
Jūs varat sniegt pārdošanas tabulu (datums, kategorija, daudzums, apgrozījums, atgriešana) un lūgt:
- Kopsavilkums: Labākais/sliktākais sniegums, ievērojamas izmaiņas.
- Salīdzinājums: Šis periods pret pēdējo periodu, veikals utt. tirdzniecības centrs.
- Anomālija: negaidīti lēcieni/kritumi un iespējamie cēloņi.
- Darbība: viena teikuma ieteikums katram atradumam.
AI to paveic dažu minūšu laikā; Bet kritisks: viņš var kļūdīties, pats aprēķinot skaitļus. Tāpēc pārbaudiet izvades kopsummas, procentus un tendences, izmantojot avota datus.
Anomāliju noteikšana: agrīna brīdināšana
Dienas apgrozījums pēkšņi samazinās uz pusi; kategorijas atdeves likmes dubultošana; Veikala kritums atšķirībā no jebkura cita. Tie var liecināt par datu kļūdām, noliktavām, cenu kļūdām vai darbības problēmām. Mākslīgais intelekts atzīmē šīs novirzes, bet uzņemas cēloni, nevis pārbaudi. “Apgrozījums samazinājies, jo nebija krājumu” ir hipotēze; Jūs skatāties krājuma datus un tos pārbaudāt.
Uzmanību: AI dažreiz var radīt "tendenci" vai "cēloņu", kas neeksistē (halucinācijas). Pirms komentāra pārvēršanas darbībā uzdodiet jautājumu: “Vai tas tiešām tiek rādīts datos?” Atgriezieties pie avota.
Soli pa solim analīze
- Sagatavot anonīmus, tīrus datus: nav personas informācijas; datums, kategorija/SKU, daudzums, apgrozījums, peļņa, atdeve.
- Precizējiet jautājumu: "Kas noticis?" (kopsavilkums), "kāpēc?" (galvenais iemesls), "ko darīt?" (darbība).
- Pieprasījuma kopsavilkums un anomālija: ar noteikumu, ka jāpaļaujas tikai uz skaitli datos.
- Pārbaudīt: manuāli/izklājlapā pārbaudiet kopsummas un procentus; Pārbaudiet iemeslus, salīdzinot ar avota datiem.
- Pārvērtieties darbībā: piešķiriet prioritāti apstiprinātajiem atklājumiem un pieņemiet lēmumus.
mini futrāļi
1. gadījums — agrīnais brīdinājums par anomāliju: ķēdes veikala filiāles sestdienas apgrozījums ir par 55% mazāks par nedēļas vidējo. Mākslīgais intelekts to atzīmē kā anomāliju. Izmeklēšana atklāj, ka POS (izrakstīšanās) sistēma tajā dienā avarēja 3 stundas; Apgrozījuma zudums nav reāls, tas ir reģistrācijas jautājums. Ziņojums tiek labots un tehniskā kļūme tiek fiksēta. Ja mākslīgais intelekts teiktu, ka "pieprasījums ir samazinājies", tiktu veikta nepareiza rīcība.
2. gadījums — Apgrozījuma un peļņas normas pretruna: e-komercijas uzņēmums priecājas, ka tā mēneša apgrozījums pieaug par 14%. AI KPI interpretācija liecina, ka bruto peļņa ir samazinājusies par 6% punktiem, un pieaugums ir saistīts ar lielām atlaidēm. Vadība pārskata atlaižu intensitāti; Ilūzijas "mēs augam" vietā uzsvars tiek likts uz rentablu izaugsmi.
3. gadījums — validācija uztver halucinācijas: analītiķis salīdzina AI kopsavilkumu “dzērienu kategorija pieauga par 30%” ar avota datiem; faktiskais pieaugums ir 12%. AI nepareizi saskaitīja dažas nedēļas. Analītiķis labo. Bez verifikācijas darbības vadībai tiktu iesniegts nepatiess izaugsmes stāsts.
Pareizs salīdzinājums: salīdzina ābolus ar āboliem
Visizplatītākā kļūda pārdošanas analīzē ir nepareiza salīdzinošā novērtēšana. Vienas nedēļas apgrozījuma salīdzināšana ar iepriekšējo ir maldinoša, ja pa vidu ir kādi svētki, laikapstākļi vai akcija. Mazumtirdzniecībā veselīgs salīdzinājums parasti balstās uz līdzīgu periodu: tā pati nedēļa pagājušajā gadā, tas pats dienas veids (sestdiena pret sestdienu), tā pati kampaņas situācija. Veicot salīdzinājumu, piešķiriet mākslīgajam intelektam šo kontekstu: "salīdziniet nevis ar pagājušo nedēļu, bet ar to pašu nedēļu pagājušajā gadā, jo šonedēļ ir brīvdiena."
LFL (Like-for-Like / salīdzināmi veikalu pārdošanas apjomi): mērs, kas salīdzina tikai to veikalu pārdošanas apjomus, kuri ir atvērti vismaz vienu gadu. Ir maldinoši pieskaitīt jaunatvērto veikalu apgrozījumu kopsummai un teikt "esam auguši"; Patiesais jautājums ir par to, vai esošie veikali aug organiski. Ķēdes pārvaldībā LFL ir viens no godīgākajiem patiesās darbības rādītājiem.
Padoms. Ja kāds skaitlis jums šķiet labs vai slikts, jautājiet "saskaņā ar ko?" jautāt. Neviens KPI nav jēgpilns pats par sevi bez atsauces (pagājušais gads, mērķis, līdzīgs veikals). Pieprasot komentārus no mākslīgā intelekta, sniedziet atsauci.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Interpretējiet šos pārdošanas datus.
Jautājums ir neskaidrs; virspusējas, nepārbaudāmas interpretācijas atgriežas.
Spēcīga uzvedne:
Jūsu loma: mazumtirdzniecības analītiķis. Dati: zemāk ir norādīts uz kategorijām balstīts apgrozījums, daudzums, peļņa un atdeves skaits par pēdējām 8 nedēļām (anonīmi). Uzdevums: (1) 3 labākās un vājākās kategorijas, (2) 3 ievērojamas izmaiņas, salīdzinot ar pagājušo nedēļu, (3) vai ir kādas negaidītas novirzes (anomālijas), iespējamo iemeslu atzīmējiet kā HIPOTĒZI, (4) viena teikuma darbība katram atradumam. Noteikums: paļaujieties tikai uz skaitli datos, nepievienojiet informāciju no ārpuses. Aprēķiniet procentus. Parādiet man, lai varu pārbaudīt. Formāts: raksts pa rakstam, ne vairāk kā 250 vārdi. Dati: [ielīmēt]
Kopējamas uzvedņu veidnes
1) Iknedēļas vadības kopsavilkums
Izveidojiet kopsavilkumu no šādiem anonīmiem iknedēļas pārdošanas datiem: augstākās/vājākās kategorijas, būtiskas izmaiņas, 3 darbības ieteikumi. Vienkārši izmantojiet skaitli datos, parādiet procentus. Dati: [ielīmēt]
2) KPI aprēķins un komentārs
No šiem datiem aprēķiniet šādus KPI: apgrozījums, bruto peļņa %, vidējais grozs, atdeves līmenis. Salīdziniet to ar pēdējo periodu un komentējiet, ko katrs nozīmē vienā teikumā. Rādīt kontu. Dati: [ielīmēt]
3) Anomāliju noteikšana
Vai turpmākajās dienas/nedēļas sērijās ir kādi negaidīti lēcieni vai kritumi? Atzīmējiet katru anomāliju un norādiet tās IESPĒJAMO cēloni kā hipotēzi (nevis pierādījumus), un pierakstiet, ar kādiem datiem tā ir jāpārbauda. Dati: [ielīmēt]
4) Izvades pārbaude
Norādiet visas skaitliskās pretenzijas tikko izveidotajā kopsavilkumā. Katrai no tām parādiet, no kurām rindām/slejām tas nāk, lai es varētu to salīdzināt ar avota datiem. Atzīmējiet, ja viņi nav pārliecināti.
Biežas kļūdas
- Aplūkojot vienu KPI: būtu maldinoši nelasīt apgrozījumu-maržas-reklāmguvumu kopā.
- Netiek apstiprināti skaitļi: AI var pieļaut kopējās/procentuālās kļūdas.
- Hipotēzes maldināšana par faktu: “Kāpēc” bieži vien ir pieņēmums; atgriezties pie avota.
- Paļaušanās uz halucināciju tendenci: var izdomāt smaile/rakstu, kas nav datos.
- Apejot anonimizāciju: pārskata datos var būt arī personas informācija.
- Ziņojums bez darbības: ja atradums nav saistīts ar darbību, analīze tiks izniekota.
Rezumējot
Laba pārdošanas analīze pārvērš neapstrādātus datus atbildēs "kas notika, kāpēc, ko darīt". Lasiet KPI kopā; Paskatieties uz peļņu, pieaugot apgrozījumam. AI paātrina kopsavilkumu, KPI interpretāciju un anomāliju noteikšanu, taču var nepareizi aprēķināt skaitļus un noteikt cēloņus. Apstipriniet katru numuru un komentāru ar avota datiem un pārvērtiet tos darbībā.
Lietojumprogrammas uzdevums
Anonīmā tabulā iegūstiet pēdējo 8 nedēļu apgrozījuma, peļņas un peļņas datus par kategorijām. Izveidojiet kopsavilkumu ar "1) Nedēļas pārvaldības kopsavilkums", atrodiet novirzes ar "3) Anomāliju noteikšana", pēc tam salīdziniet skaitļus ar avota datiem, izmantojot uzvedni "4) Izvades validācija".
kontrolsaraksts
- [ ] Pārskata datus padarīju anonimizētu.
- [ ] Es lasu KPI kopā (apgrozījums + peļņa + konversija).
- [ ] Es pārbaudīju mākslīgā intelekta aprēķinātos skaitļus.
- [ ] Es pārbaudīju anomāliju cēloni ar avota datiem.
- [ ] Es atdalīju hipotēzi no pierādījumiem.
- [ ] Katru atradumu es saistīju ar darbību.