Ieguvumi:
- Iespēja interpretēt tādus rādītājus kā reklāmguvumu līmenis, groza vidējais rādītājs, kohorta un klienta kopējā vērtība (LTV), izmantojot mākslīgā intelekta atbalstu
- Spēja izveidot ieskatu un pieprasījuma prognožu uzmetumus no pārdošanas datiem un sniegt ieguldījumu krājumu un kampaņu lēmumos
- Spēja atpazīt risku sajaukt korelāciju ar cēloņsakarību un izveidot viltus skaitļus un pārbaudīt katru analīzi ar savu datu avotu
E-komercijā dati ir visur: cik cilvēku atnāca, cik pirka, cik ielika grozā, no kāda kanāla nāca, vai atgriezās otrreiz. Šajos datos ir paslēpti lēmumi, kas veicinās jūsu biznesa attīstību; Taču neapstrādāti dati vien nesniedz norādījumus, tie ir jāinterpretē. Mākslīgais intelekts (AI) ir spēcīgs palīglīdzeklis, lai ātri apkopotu un interpretētu jūsu datus, atrastu modeļus un anomālijas, sagatavotu pārskatus un ģenerētu pieprasījuma prognozēšanas scenārijus. Taču analītikā ir divas lielas mākslīgā intelekta kļūmes: skaitļu sašaurināšanās (metriku izveide bez piekļuves jūsu datiem) un korelācijas sajaukšana ar cēloņsakarību (domājot, ka divas lietas, kas pārvietojas kopā, ir “viens iemesls otram”). Šajā nodaļā mēs apgūsim gan pareizos rādītājus, gan to, kā droši izmantot AI.
Definēsim pamata metriku. Reklāmguvumu līmenis: cik procentu apmeklētāju iegādājas. Vidējais grozs (AOV): vidējais pasūtījumu daudzums. Kohortas analīze: klientu grupas (kohortas) uzvedības izsekošana laika gaitā, kuri tajā pašā periodā iepirkās pirmo reizi. Klienta mūža vērtība (LTV): aplēse par kopējo peļņu, ko klients atstāj attiecību laikā. Atteikšanās (churn): kad klients pārtrauc iepirkšanos. Kopā šie rādītāji atbild uz jautājumu “cik daudz es nopelnu un kur es augu?”
Kurš rādītājs par ko liecina?
Katrs rādītājs atbild uz jautājumu; Aplūkojot nepareizu metriku, tiek pieņemts nepareizs lēmums.
metriska
Jautājums
Ja tas paceļas
Uzmanību
Reklāmguvumu līmenis
Vai satiksme pārvēršas pārdošanā?
labi
Lasiet ar satiksmes kvalitāti
Vidējais grozs (AOV)
Ko es nopelnu par pasūtījumu?
labi
Savstarpējās pārdošanas / komplektēšanas efekts
Kohortas atkārtošanās biežums
Vai klients atgriežas?
Ir lojalitāte
Atšķiras atkarībā no kanāla
LTV
Kāda ir klienta vērtība ilgtermiņā?
labi
Tā ir aplēse, nav droša.
pamešana (izmešana)
Vai es zaudēju klientus?
slikti
Kāpēc tas būtu jāizmeklē?
Atdeves likme
Vai produkts atbilst cerībām?
slikti
Normālais līmenis atšķiras atkarībā no kategorijas
Svarīgs princips: viens rādītājs ir maldinošs. Ja reklāmguvumu skaits ir palielinājies, bet arī atdeve, iespējams, maldinošs saturs palielina pārdošanas apjomu un veicina atdevi. Lasiet metriku kopā.
Analīze ar AI: skaitļu kraušanas slazds
Visbīstamākā mākslīgā intelekta kļūda ir tāda, ka tā rada pārliecinošu skaitli, piemēram, "jūsu reklāmguvumu līmenis ir 4,2 procenti", nekad neapskatot jūsu datus (halucinācija). Šis numurs ir pilnībā izdomāts. Noteikums ir skaidrs: metrika nāk tikai no jūsu paša analīzes avota — Google Analytics, tirgus informācijas paneļa, pārskata no jūsu e-komercijas infrastruktūras. Izmantojiet AI, lai interpretētu šos datus: jūs sniedzat tos (anonīmi), un tas tos apkopo, atrod modeļus, sagatavo ziņojumu. Ne par datu atcerēšanos.
Uzmanību: pat tad, ja AI ļoti tekoši un precīzi runā par metriku, jautājiet, no kurienes šis skaitlis ir radies. "No kādiem datiem jūs aprēķinājāt šo skaitli?" Ja jūs to nedeva, viņš to izdomāja. Katrs pārskatā iekļautais numurs ir jāapstiprina jūsu informācijas panelī.
Korelācija un cēloņsakarība
Otrais lielais slazds ir cēloņsakarības maldība. Datos AI var teikt, ka "palielinājās reklāmas izdevumi, palielinājās arī pārdošanas apjomi, kas nozīmē, ka reklāma palielināja pārdošanas apjomus". Tā ir korelācija (kopīga darbība); bet cēloņsakarības var nebūt. Varbūt ir kāds trešais faktors, kas palielina abus: piemēram, brīvdienu sezona palielina gan reklāmu, gan pārdošanas apjomu. Kļūdains korelācijas noteikšana ar cēloņsakarību liks jums tērēt naudu kaut kam, kas nedarbojas. Veids, kā izprast cēloņsakarību, ir kontrolēta pārbaude: A/B testēšana (parāda divas grupas vienlaikus un mēra atšķirību) vai vismaz attīra pirms-pēc salīdzinājumu no citiem faktoriem. Ļaujiet AI ģenerēt hipotēzes; Pierādiet cēloņsakarību ar testēšanu.
Pieprasījuma prognoze
AI var ģenerēt pieprasījuma prognožu scenārijus no jūsu vēsturiskajiem pārdošanas datiem: "šomēnes pagājušajā gadā jūs pārdevāt tik daudz, tendence ir šajā virzienā, svētku efekts ir šāds" utt. Tas ir vērtīgs ieguldījums krājumu un pirkšanas lēmumu pieņemšanā; Tas palīdz panākt līdzsvaru starp priekšlaicīgu izsīkšanu (pārdošanas zudumi) un lieko krājumu (piesaistīts kapitāls, sabrukums). Bet pareģojums ir pareģojums: negaidīta kampaņa, piegādes problēma vai modes izmaiņas izjauc attēlu. Izmantojiet tāmi kā "scenārija diapazonu", nevis "stingru skaitli", un apvienojiet to ar savām zināšanām par uzņēmējdarbību.
Četras kopējamas veidnes
1) Metrikas kopsavilkums un komentāri:
Jūsu loma: e-komercijas analītiķa palīgs.Tālāk ir sniegti faktiskie dati no mana informācijas paneļa (anonīmi): reklāmguvumu līmenis, apmeklētājs, pasūtījums, AOV, atgriešanas līmenis, periods.Dati: [tabula].Uzdevums: interpretēt šos rādītājus kopā; karoga neparastas kustības; uzrakstiet iespējamos cēloņus kā HIPOTĒZI (nesakiet konkrētu cēloni). Noteikums: neveidojiet nevienu skaitli, kas nav norādīts; atzīmējiet trūkstošos datus [DATA MISSING].
2) Korelācijas/cēloņsakarības pārbaude:
Apsveriet šādu apgalvojumu: "[metrika A] palielinājās, palielinājās [metrika B], tāpēc A izraisīja B."Konteksts: [periods, kampaņa, ārējie faktori]. Uzdevums: pārrunājiet, vai tā ir korelācija vai cēloņsakarība; uzskaitiet kopējos faktorus, kas varētu būt palielinājuši abus; Paskaidrojiet, kā iestatīt A/B testu, lai pierādītu cēloņsakarību.
3) Kohortas/segmentu analīze:
Tālāk ir sniegti anonīmi kohortas dati (pirmais pirkuma mēnesis, atkārtotu pirkumu rādītāji).Dati: [tabula].Uzdevums: interpretēt, kura kohorta ir lojālāka, kā atkārtošanās biežums laika gaitā mainās; Atzīmējiet, kuram segmentam ir iespēja/risks. Noteikums: izmantojiet tikai norādītos skaitļus.
4) Pieprasījuma prognozes scenārijs:
Vēsturiskie pārdošanas apjomi: [ikmēneša dati]. Zināmi faktori: [festivāls, kampaņa, sezona]. Uzdevums: ģenerēt zema/vidēja/augsta pieprasījuma scenāriju nākamajam [periodam]; pierakstiet katra scenārija pieņēmumu.Noteikums: norādiet, ka tas ir minējums; Nenorādiet precīzu skaitli, norādiet diapazonu.
trīs mini futrāļi
1. gadījums — lasīšana kopā. Viens veikals bija gandarīts, redzot reklāmguvumu līmeņa pieaugumu; Bet, interpretējot AI un metriku kopā, viņš redzēja, ka arī atdeves līmenis strauji pieauga. Kāpēc: preču apraksti kampaņā bija pārspīlēti; Klienti to pirktu, bet atgrieztu, kad viņu cerības netiktu piepildītas. Prieks aplūkot vienu metriku kļuva par problēmu, kad mēs to kopā lasījām un tas tika novērsts.
2. gadījums — viltota metrika. Menedžeris jautāja AI “kāda bija mūsu konversija pagājušajā mēnesī”; AI teica "3,5 procenti". To vadītājs izmantoja kā vārtu guvumu komandas sapulcē. Faktiskā likme bija 1,9 procenti. Nepareizs pamats radīja nepareizu mērķi. Nodarbība: metrika nāk tikai no informācijas paneļa.
3. gadījums — cēloņsakarības kļūda. Viens veikals dubultoja e-pasta ziņojumu biežumu, sakot, ka "tirdzniecības apjoms pieauga dienā, kad nosūtījām e-pastus, tāpēc e-pasta ziņojumi palielina pārdošanas apjomu". Bet tās dienas bija arī atlaižu dienas; Galvenais faktors bija atlaide. Biežie e-pasta ziņojumi kaitināja klientus un palielināja abonēšanas gadījumu skaitu. A/B tests parādītu īsto vadītāju.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Analizējiet mana veikala veiktspēju un pastāstiet man savu reklāmguvumu līmeni.
Tā kā dati netiek sniegti, AI veido reklāmguvumu līmeni; Analīze jau no paša sākuma ir nepareizi balstīta.
Spēcīga uzvedne:
Jūsu loma: e-komercijas analītiķis. Tālāk ir norādīti dati, ko saņēmu no sava Analytics informācijas paneļa (anonīms): Apmeklētāji 42 000, pasūtījumi 780, AOV 640 TL, atgriešanas līmenis 9%, periods: jūnijs. Uzdevums: APRĒĶINI no šiem datiem (parādīt kontu), kopā interpretē metriku, atzīmē neparastus punktus kā hipotēzes. Tiek ģenerēti skaitļi, kas nav doti.
Biežas kļūdas
- AI likšana pieprasīt metriku. Metrikas pieprasīšana, nesniedzot savus datus, radīs viltus skaitļus.
- Skatoties uz vienu metriku. Ja palielinājās reklāmguvumu skaits, bet arī atdeve, tabula ir maldinoša.
- Kļūdaina korelācija ar cēloņsakarību. Apgalvošana "cēlonis" bez pārbaudes noved pie nepareizām investīcijām.
- Pieņemt, ka aplēse ir precīzs skaitlis. Pieprasījuma aprēķins ir diapazons, nevis garantija.
- Datu koplietošana bez anonimizācijas. Pat ja klienta dati tiek analizēti, personiskā telpa ir jānoņem.
- Netiek pārbaudīts konts. Manuāli pārbaudiet katru aprēķinu, ko veic AI.
Rezumējot
E-komercijas analītika ir disciplīna, kas neapstrādātus datus pārvērš lēmumos. Lasiet kopā tādus rādītājus kā reklāmguvums, AOV, kohorta, LTV un atdeve; Viens rādītājs ir maldinošs. AI spēj apkopot datus, atrast modeļus un sagatavot ziņojumus; bet, lai neiekristu metriskās pielāgošanas slazdos un nesajauktu korelāciju ar cēloņsakarību, pārbaudiet katru skaitli no sava avota un pārbaudiet katru apgalvojumu par cēloni ar kontrolētu testēšanu. Izmantojiet pieprasījuma prognozi kā scenārija diapazonu, nevis kā precīzu skaitli. Anonimizējiet personas laukus, iesniedzot datus analīzei.
Lietojumprogrammas uzdevums
Anonīmi iegūstiet faktiskā perioda metriku (apmeklētāji, pasūtījumi, AOV, atgriešanas līmenis) no sava analīzes informācijas paneļa. Lūdziet AI komentārus, izmantojot veidni “metriku kopsavilkums un komentārs”; Ļaujiet tai aprēķināt reklāmguvumu līmeni, taču varat to pārbaudīt manuāli. Pēc tam padomājiet par apgalvojumu “A palielināts, B palielināts” par savu uzņēmumu, pārbaudiet to ar veidni “Korelācijas/cēloņsakarības pārbaude” un izveidojiet A/B testu. Visbeidzot, izveidojiet pieprasījuma prognozes scenāriju un salīdziniet to ar savām uzņēmējdarbības zināšanām.
kontrolsaraksts
- [ ] Es ieguvu visus rādītājus no sava analīzes avota; Es netiku līdz AI.
- [ ] Es manuāli pārbaudīju katru AI veikto aprēķinu.
- [ ] Es interpretēju metriku kopā, nevis atsevišķi.
- [ ] Es pārbaudīju “cēloņsakarības” apgalvojumus attiecībā uz korelāciju/cēloņsakarību.
- [ ] Pieprasījuma prognozi uztvēru kā scenārija diapazonu, nevis precīzu skaitli.
- [ ] Analizētajos datos anonimizēju personas laukus.