Keuntungan:
- Keupayaan untuk mentafsir metrik seperti kadar penukaran, purata bakul, kohort dan nilai seumur hidup pelanggan (LTV) dengan sokongan kecerdasan buatan
- Keupayaan untuk menghasilkan wawasan dan menuntut draf ramalan daripada data jualan dan memberikan input ke dalam keputusan stok dan kempen
- Keupayaan untuk mengenali risiko mengelirukan korelasi dengan sebab dan membuat nombor palsu dan mengesahkan setiap analisis dengan sumber datanya sendiri
Dalam e-dagang, data ada di mana-mana: berapa ramai orang yang datang, berapa ramai yang membeli, berapa banyak yang mereka masukkan ke dalam troli, saluran mana ia datang, adakah mereka kembali untuk kali kedua. Tersembunyi dalam data ini adalah keputusan yang akan mengembangkan perniagaan anda; Tetapi data mentah sahaja tidak memberikan panduan, ia perlu ditafsirkan. Kecerdasan buatan (AI) ialah bantuan yang berkuasa dalam meringkaskan dan mentafsir data anda dengan cepat, mencari corak dan anomali, merangka laporan dan menjana senario ramalan permintaan. Tetapi terdapat dua perangkap besar AI dalam analitik: pecah nombor (menghasilkan metrik tanpa akses kepada data anda) dan perkaitan yang salah untuk sebab (memikirkan dua perkara yang bergerak bersama adalah "satu punca yang lain"). Dalam unit ini, kita akan mempelajari kedua-dua metrik yang betul dan cara menggunakan AI dengan selamat.
Mari kita tentukan metrik asas. Kadar penukaran: berapa peratus pelawat membeli. Purata troli (AOV): purata jumlah pesanan. Analisis kohort: menjejaki gelagat dari semasa ke semasa sekumpulan pelanggan (kohort) yang membeli-belah buat kali pertama dalam tempoh yang sama. Nilai seumur hidup pelanggan (LTV): anggaran jumlah keuntungan yang ditinggalkan pelanggan sepanjang perhubungan. Pengabaian (churn): apabila pelanggan berhenti membeli-belah. Bersama-sama, metrik ini menjawab soalan "berapa pendapatan saya dan di mana saya berkembang?"
Metrik yang manakah memberitahu apa?
Setiap metrik menjawab soalan; Melihat metrik yang salah membawa kepada keputusan yang salah.
metrik
soalan
Jika ia naik
Perhatian
Kadar penukaran
Adakah trafik bertukar menjadi jualan?
baik
Baca dengan kualiti trafik
Bakul purata (AOV)
Apakah yang saya perolehi setiap pesanan?
baik
Kesan jualan silang/pakatan
Kadar pengulangan kohort
Adakah pelanggan kembali?
Ada kesetiaan
Berbeza mengikut saluran
LTV
Apakah nilai pelanggan dalam jangka masa panjang?
baik
Ia adalah anggaran, tidak pasti.
pengabaian (churn)
Adakah saya kehilangan pelanggan?
teruk
Kenapa perlu disiasat?
Kadar pulangan
Adakah produk memenuhi jangkaan?
teruk
Tahap normal berbeza mengikut kategori
Prinsip penting: satu metrik mengelirukan. Jika penukaran meningkat tetapi pulangan juga meningkat, mungkin kandungan yang mengelirukan meningkatkan jualan dan mencetuskan pulangan. Baca metrik bersama-sama.
Analisis dengan AI: perangkap pecah nombor
Kesilapan AI yang paling berbahaya ialah ia menghasilkan nombor yang yakin seperti "kadar penukaran anda ialah 4.2 peratus" tanpa melihat data anda (halusinasi). Nombor ini adalah rekaan sepenuhnya. Peraturannya jelas: metrik hanya datang daripada sumber analitis anda sendiri — Analitis Google, papan pemuka pasaran, laporan daripada infrastruktur e-dagang anda. Gunakan AI untuk mentafsir data ini: anda memberikannya (tanpa nama) dan ia meringkaskannya, mencari corak, merangka laporan. Bukan untuk mengingati data.
Awas: Walaupun apabila AI bercakap metrik dengan sangat fasih dan tepat, tanya dari mana nombor itu datang. "Daripada data apakah anda mengira angka ini?" Jika anda tidak memberikannya, dia mengada-adakannya. Setiap nombor yang masuk ke dalam laporan mesti disahkan dari papan pemuka anda sendiri.
Korelasi dan sebab musabab
Perangkap besar kedua ialah kekeliruan sebab akibat. Dalam data, AI boleh mengatakan "perbelanjaan pengiklanan meningkat, jualan juga meningkat, bermakna pengiklanan meningkatkan jualan". Ini adalah korelasi (bertindak bersama); tetapi mungkin tiada sebab musabab. Mungkin terdapat faktor ketiga yang meningkatkan kedua-duanya: contohnya, musim cuti meningkatkan kedua-dua pengiklanan dan jualan. Tersilap korelasi untuk sebab akan menyebabkan anda membazirkan wang untuk sesuatu yang tidak berkesan. Cara untuk memahami sebab akibat ialah ujian terkawal: Ujian A/B (menunjukkan dua kumpulan pada masa yang sama dan mengukur perbezaan) atau sekurang-kurangnya membersihkan perbandingan sebelum-selepas daripada faktor lain. Biarkan AI menjana hipotesis; Buktikan kausalitas dengan ujian.
Ramalan permintaan
AI boleh menjana senario ramalan permintaan daripada data jualan sejarah anda: "bulan ini tahun lepas anda menjual sebanyak ini, arah aliran menuju ke arah ini, kesan percutian adalah begini" dsb. Ini merupakan input berharga untuk inventori dan keputusan pembelian; Ia membantu menyeimbangkan antara penyusutan pramatang (jualan hilang) dan lebihan inventori (modal terikat, krisis). Tetapi ramalan adalah ramalan: kempen yang tidak dijangka, masalah bekalan atau perubahan fesyen mengganggu gambar. Gunakan anggaran sebagai "julat senario", bukan "nombor sukar", dan gabungkannya dengan pengetahuan perniagaan anda sendiri.
Empat templat yang boleh disalin
1) Ringkasan metrik dan ulasan:
Peranan anda: pembantu penganalisis e-dagang.Di bawah ialah data sebenar daripada papan pemuka saya sendiri (tanpa nama): kadar penukaran, pelawat, pesanan, AOV, kadar pulangan, tempoh.Data: [jadual].Tugas: tafsirkan metrik ini bersama-sama; bendera pergerakan luar biasa; tulis sebab yang mungkin sebagai HIPOTESIS (jangan sebut sebab pasti).Peraturan: jangan menghasilkan sebarang nombor yang tidak diberikan; tandakan data hilang [DATA HILANG].
2) Pemeriksaan korelasi/kausalitas:
Pertimbangkan tuntutan berikut: "[metrik A] meningkat, begitu juga [metrik B], jadi A menyebabkan B."Konteks: [tempoh, kempen, faktor luaran].Tugas: bincangkan sama ada ini korelasi atau sebab; senaraikan faktor biasa yang mungkin telah meningkatkan kedua-duanya; Terangkan cara menyediakan ujian A/B untuk membuktikan sebab-akibat.
3) Analisis kohort/segmen:
Di bawah ialah data kohort tanpa nama (bulan pertama pembelian, kadar pembelian ulangan).Data: [jadual].Tugas: tafsir kohort yang lebih setia, cara kadar ulangan berubah dari semasa ke semasa; Tandakan segmen mana yang mempunyai peluang/risiko. Peraturan: gunakan nombor yang diberi sahaja.
4) Senario ramalan permintaan:
Jualan sejarah: [data bulanan]. Faktor yang diketahui: [perayaan, kempen, musim].Tugas: menjana senario permintaan rendah/sederhana/tinggi untuk [tempoh] seterusnya; tuliskan andaian setiap senario.Peraturan: nyatakan bahawa ia adalah tekaan; Jangan berikan nombor yang tepat, berikan julat.
tiga kes mini
Kes 1 — Membaca bersama. Satu kedai gembira melihat peningkatan kadar penukarannya; Tetapi apabila dia mentafsir AI dan metrik bersama-sama, dia melihat bahawa kadar pulangan juga melonjak. Sebab: perihalan produk dibesar-besarkan dalam kempen; Pelanggan akan membelinya tetapi mengembalikannya apabila jangkaan mereka tidak dipenuhi. Kegembiraan melihat satu metrik bertukar menjadi masalah apabila kami membacanya bersama-sama dan ia telah dibetulkan.
Kes 2 — Metrik palsu. Seorang pengurus bertanya kepada AI "apakah penukaran kami bulan lepas"; AI berkata "3.5 peratus". Pengurus menggunakan ini sebagai matlamat dalam mesyuarat pasukan. Kadar sebenar ialah 1.9 peratus secara keseluruhan. Asas yang salah melahirkan matlamat yang salah. Pelajaran: metrik hanya datang dari papan pemuka.
Kes 3 — Kekeliruan sebab musabab. Satu kedai menggandakan kekerapan e-mel, mengatakan "jualan meningkat pada hari kami menghantar e-mel, jadi e-mel meningkatkan jualan." Tetapi hari-hari itu juga adalah hari diskaun; Faktor utama ialah diskaun. E-mel yang kerap menjengkelkan pelanggan dan berhenti melanggan meningkat. Ujian A/B akan menunjukkan pemandu sebenar.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Analisis prestasi kedai saya dan beritahu saya kadar penukaran saya.
Oleh kerana tiada data diberikan, AI membentuk kadar penukaran; Analisis adalah salah berdasarkan dari awal.
Gesaan kuat:
Peranan anda: penganalisis e-dagang. Di bawah ialah data yang saya dapat daripada papan pemuka Analitis saya sendiri (tanpa nama): Pelawat 42,000, pesanan 780, AOV 640 TL, kadar pulangan 9%, tempoh: Jun. Tugas: KIRA kadar penukaran daripada data ini (tunjukkan akaun), tafsirkan metrik bersama-sama, tandakan mata luar biasa sebagai hipotesis. Menjana nombor yang tidak diberi.
Kesilapan biasa
- Membuat AI meminta metrik. Meminta metrik tanpa memberikan data anda sendiri akan menghasilkan nombor palsu.
- Melihat satu metrik. Jika penukaran meningkat tetapi pulangan juga meningkat, jadual itu mengelirukan.
- Tersalah korelasi untuk sebab musabab. Menuntut "sebab" tanpa ujian membawa kepada salah pelaburan.
- Untuk mengandaikan bahawa anggaran adalah nombor yang tepat. Anggaran permintaan ialah julat, bukan jaminan.
- Berkongsi data tanpa anonimasi. Walaupun data pelanggan dimasukkan ke dalam analisis, ruang peribadi mesti dialih keluar.
- Tidak mengesahkan akaun. Semak secara manual setiap pengiraan yang dibuat oleh AI.
Secara ringkasnya
Analitis e-dagang ialah disiplin yang mengubah data mentah menjadi keputusan. Baca bersama metrik seperti penukaran, AOV, kohort, LTV dan pulangan; Satu metrik mengelirukan. AI berkuasa meringkaskan data, mencari corak dan merangka laporan; tetapi untuk mengelak daripada terjerumus ke dalam perangkap pemasangan metrik dan korelasi yang mengelirukan dengan sebab, sahkan setiap nombor daripada sumber anda sendiri dan uji setiap tuntutan "sebab" dengan ujian terkawal. Gunakan ramalan permintaan sebagai julat senario, bukan sebagai nombor yang tepat. Anonimkan medan peribadi apabila menyerahkan data untuk analisis.
Tugasan permohonan
Ekstrak secara awanama metrik tempoh sebenar (pelawat, pesanan, AOV, kadar pulangan) daripada papan pemuka analitis anda sendiri. Minta AI untuk komen dengan templat "ringkasan metrik dan ulasan"; Biarkan ia mengira kadar penukaran itu sendiri, tetapi anda boleh mengesahkannya secara manual. Kemudian, fikirkan tuntutan "A meningkat, B meningkat" tentang perniagaan anda, uji dengan templat "Semakan korelasi/sebab" dan reka bentuk ujian A/B. Akhir sekali, hasilkan senario ramalan permintaan dan bandingkan dengan pengetahuan perniagaan anda sendiri.
senarai semak
- [ ] Saya mengeluarkan semua metrik daripada sumber analitik saya sendiri; Saya tidak menepati AI.
- [ ] Saya mengesahkan secara manual setiap pengiraan yang dibuat oleh AI.
- [ ] Saya mentafsir metrik bersama-sama, bukan secara individu.
- [ ] Saya menguji tuntutan "sebab" untuk korelasi/sebab.
- [ ] Saya menganggap ramalan permintaan sebagai julat senario, bukan nombor tepat.
- [ ] Saya menamakan medan peribadi dalam data yang dianalisis.