ਲਾਭ:
- ਨਕਲੀ ਬੁੱਧੀ ਸਹਾਇਤਾ ਨਾਲ ਪਰਿਵਰਤਨ ਦਰ, ਟੋਕਰੀ ਔਸਤ, ਸਮੂਹ ਅਤੇ ਗਾਹਕ ਜੀਵਨ ਕਾਲ ਮੁੱਲ (LTV) ਵਰਗੀਆਂ ਮੈਟ੍ਰਿਕਸ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਵਿਕਰੀ ਡੇਟਾ ਤੋਂ ਸੂਝ ਅਤੇ ਮੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਡਰਾਫਟ ਤਿਆਰ ਕਰਨ ਅਤੇ ਸਟਾਕ ਅਤੇ ਮੁਹਿੰਮ ਦੇ ਫੈਸਲਿਆਂ ਵਿੱਚ ਇਨਪੁਟ ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਕਾਰਨ ਦੇ ਨਾਲ ਉਲਝਣ ਵਾਲੇ ਸਬੰਧਾਂ ਅਤੇ ਜਾਅਲੀ ਨੰਬਰ ਬਣਾਉਣ ਅਤੇ ਹਰੇਕ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਇਸਦੇ ਆਪਣੇ ਡੇਟਾ ਸਰੋਤ ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੇ ਜੋਖਮ ਨੂੰ ਪਛਾਣਨ ਦੀ ਸਮਰੱਥਾ
ਈ-ਕਾਮਰਸ ਵਿੱਚ, ਡੇਟਾ ਹਰ ਥਾਂ ਹੁੰਦਾ ਹੈ: ਕਿੰਨੇ ਲੋਕ ਆਏ, ਕਿੰਨੇ ਖਰੀਦੇ, ਉਹਨਾਂ ਨੇ ਕਾਰਟ ਵਿੱਚ ਕਿੰਨਾ ਪਾਇਆ, ਇਹ ਕਿਸ ਚੈਨਲ ਤੋਂ ਆਇਆ, ਕੀ ਉਹ ਦੂਜੀ ਵਾਰ ਵਾਪਸ ਆਏ। ਇਸ ਡੇਟਾ ਦੇ ਅੰਦਰ ਲੁਕੇ ਹੋਏ ਫੈਸਲੇ ਹਨ ਜੋ ਤੁਹਾਡੇ ਕਾਰੋਬਾਰ ਨੂੰ ਵਧਾਉਣਗੇ; ਪਰ ਇਕੱਲਾ ਕੱਚਾ ਡੇਟਾ ਮਾਰਗਦਰਸ਼ਨ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦਾ, ਇਸਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ. ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਤੁਹਾਡੇ ਡੇਟਾ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਸੰਖੇਪ ਕਰਨ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨ, ਪੈਟਰਨਾਂ ਅਤੇ ਵਿਗਾੜਾਂ ਨੂੰ ਲੱਭਣ, ਰਿਪੋਰਟਾਂ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨ ਅਤੇ ਮੰਗ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਦ੍ਰਿਸ਼ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਤਾ ਹੈ। ਪਰ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ AI ਦੀਆਂ ਦੋ ਵੱਡੀਆਂ ਕਮੀਆਂ ਹਨ: ਸੰਖਿਆ ਦੀ ਕਮੀ (ਤੁਹਾਡੇ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਤੋਂ ਬਿਨਾਂ ਮੈਟ੍ਰਿਕਸ ਪੈਦਾ ਕਰਨਾ) ਅਤੇ ਕਾਰਨ ਲਈ ਗਲਤ ਸਬੰਧ (ਦੋ ਚੀਜ਼ਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਨਾ "ਦੂਜੇ ਦਾ ਇੱਕ ਕਾਰਨ" ਸੋਚਣਾ)। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਸਹੀ ਮਾਪਦੰਡ ਅਤੇ AI ਨੂੰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਕਿਵੇਂ ਵਰਤਣਾ ਹੈ, ਦੋਵੇਂ ਸਿੱਖਾਂਗੇ।
ਆਉ ਮੂਲ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੀਏ। ਪਰਿਵਰਤਨ ਦਰ: ਸੈਲਾਨੀਆਂ ਦੀ ਕਿੰਨੀ ਪ੍ਰਤੀਸ਼ਤ ਖਰੀਦਦੇ ਹਨ। ਔਸਤ ਕਾਰਟ (AOV): ਆਰਡਰ ਦੀ ਔਸਤ ਮਾਤਰਾ। ਸਮੂਹ ਵਿਸ਼ਲੇਸ਼ਣ: ਉਸੇ ਸਮੇਂ ਦੌਰਾਨ ਪਹਿਲੀ ਵਾਰ ਖਰੀਦਦਾਰੀ ਕਰਨ ਵਾਲੇ ਗਾਹਕਾਂ ਦੇ ਸਮੂਹ (ਸਮੂਹ) ਦੇ ਸਮੇਂ ਦੇ ਨਾਲ ਵਿਵਹਾਰ ਨੂੰ ਟਰੈਕ ਕਰਨਾ। ਗਾਹਕ ਜੀਵਨ-ਕਾਲ ਮੁੱਲ (LTV): ਇੱਕ ਗਾਹਕ ਦੁਆਰਾ ਰਿਸ਼ਤੇ ਦੇ ਦੌਰਾਨ ਛੱਡੇ ਜਾਣ ਵਾਲੇ ਕੁੱਲ ਮੁਨਾਫੇ ਦਾ ਅੰਦਾਜ਼ਾ। ਤਿਆਗ (ਮੰਥਨ): ਜਦੋਂ ਗਾਹਕ ਖਰੀਦਦਾਰੀ ਬੰਦ ਕਰ ਦਿੰਦਾ ਹੈ। ਇਕੱਠੇ, ਇਹ ਮੈਟ੍ਰਿਕਸ ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦੇ ਹਨ "ਮੈਂ ਕਿੰਨਾ ਕਮਾ ਰਿਹਾ ਹਾਂ ਅਤੇ ਮੈਂ ਕਿੱਥੇ ਵਧਾਂਗਾ?"
ਕਿਹੜਾ ਮੈਟ੍ਰਿਕ ਕੀ ਦੱਸਦਾ ਹੈ?
ਹਰੇਕ ਮੈਟ੍ਰਿਕ ਇੱਕ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ; ਗਲਤ ਮੈਟ੍ਰਿਕ ਨੂੰ ਵੇਖਣਾ ਗਲਤ ਫੈਸਲੇ ਵੱਲ ਜਾਂਦਾ ਹੈ.
ਮੈਟ੍ਰਿਕ
ਸਵਾਲ
ਜੇ ਇਹ ਵਧਦਾ ਹੈ
ਧਿਆਨ
ਪਰਿਵਰਤਨ ਦਰ
ਕੀ ਟ੍ਰੈਫਿਕ ਵਿਕਰੀ ਵਿੱਚ ਬਦਲ ਰਿਹਾ ਹੈ?
ਚੰਗਾ
ਟ੍ਰੈਫਿਕ ਗੁਣਵੱਤਾ ਦੇ ਨਾਲ ਪੜ੍ਹੋ
ਔਸਤ ਟੋਕਰੀ (AOV)
ਮੈਂ ਪ੍ਰਤੀ ਆਰਡਰ ਕੀ ਕਮਾ ਸਕਦਾ ਹਾਂ?
ਚੰਗਾ
ਕਰਾਸ-ਸੇਲਿੰਗ/ਬੰਡਲਿੰਗ ਪ੍ਰਭਾਵ
ਸਮੂਹ ਦੀ ਆਵਰਤੀ ਦਰ
ਕੀ ਗਾਹਕ ਵਾਪਸ ਆ ਰਿਹਾ ਹੈ?
ਵਫ਼ਾਦਾਰੀ ਹੈ
ਚੈਨਲ ਮੁਤਾਬਕ ਬਦਲਦਾ ਹੈ
LTV
ਲੰਬੇ ਸਮੇਂ ਵਿੱਚ ਗਾਹਕ ਦੀ ਕੀਮਤ ਕੀ ਹੈ?
ਚੰਗਾ
ਇਹ ਇੱਕ ਅੰਦਾਜ਼ਾ ਹੈ, ਨਿਸ਼ਚਿਤ ਨਹੀਂ।
ਤਿਆਗ (ਮੰਥਨ)
ਕੀ ਮੈਂ ਗਾਹਕਾਂ ਨੂੰ ਗੁਆ ਰਿਹਾ ਹਾਂ?
ਬੁਰਾ
ਇਸਦੀ ਜਾਂਚ ਕਿਉਂ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ?
ਵਾਪਸੀ ਦੀ ਦਰ
ਕੀ ਉਤਪਾਦ ਉਮੀਦਾਂ ਨੂੰ ਪੂਰਾ ਕਰਦਾ ਹੈ?
ਬੁਰਾ
ਸਧਾਰਣ ਪੱਧਰ ਸ਼੍ਰੇਣੀ ਅਨੁਸਾਰ ਬਦਲਦਾ ਹੈ
ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਿਧਾਂਤ: ਇੱਕ ਮੈਟ੍ਰਿਕ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ। ਜੇਕਰ ਪਰਿਵਰਤਨ ਵਧੇ ਪਰ ਰਿਟਰਨ ਵੀ ਵਧੇ, ਤਾਂ ਸ਼ਾਇਦ ਗੁੰਮਰਾਹਕੁੰਨ ਸਮੱਗਰੀ ਵਿਕਰੀ ਨੂੰ ਵਧਾ ਰਹੀ ਹੈ ਅਤੇ ਰਿਟਰਨ ਨੂੰ ਚਾਲੂ ਕਰ ਰਹੀ ਹੈ। ਮੈਟ੍ਰਿਕਸ ਇਕੱਠੇ ਪੜ੍ਹੋ।
AI ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ: ਨੰਬਰ ਕ੍ਰੈਂਚਿੰਗ ਟ੍ਰੈਪ
AI ਦੀ ਸਭ ਤੋਂ ਖ਼ਤਰਨਾਕ ਗਲਤੀ ਇਹ ਹੈ ਕਿ ਇਹ ਤੁਹਾਡੇ ਡੇਟਾ (ਇੱਕ ਭਰਮ) ਨੂੰ ਵੇਖੇ ਬਿਨਾਂ "ਤੁਹਾਡੀ ਪਰਿਵਰਤਨ ਦਰ 4.2 ਪ੍ਰਤੀਸ਼ਤ ਹੈ" ਵਰਗਾ ਇੱਕ ਭਰੋਸੇਮੰਦ ਨੰਬਰ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਇਹ ਨੰਬਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮਨਘੜਤ ਹੈ। ਨਿਯਮ ਸਪੱਸ਼ਟ ਹੈ: ਮੈਟ੍ਰਿਕਸ ਸਿਰਫ਼ ਤੁਹਾਡੇ ਆਪਣੇ ਵਿਸ਼ਲੇਸ਼ਣ ਸਰੋਤ ਤੋਂ ਆਉਂਦੇ ਹਨ — ਗੂਗਲ ਵਿਸ਼ਲੇਸ਼ਣ, ਮਾਰਕੀਟਪਲੇਸ ਡੈਸ਼ਬੋਰਡ, ਤੁਹਾਡੇ ਈ-ਕਾਮਰਸ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਤੋਂ ਰਿਪੋਰਟ। ਇਸ ਡੇਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰੋ: ਤੁਸੀਂ ਇਸ ਨੂੰ (ਗੁਮਨਾਮ ਤੌਰ 'ਤੇ) ਦਿੰਦੇ ਹੋ ਅਤੇ ਇਹ ਇਸਦਾ ਸਾਰ ਦਿੰਦਾ ਹੈ, ਪੈਟਰਨ ਲੱਭਦਾ ਹੈ, ਇੱਕ ਰਿਪੋਰਟ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਡਾਟਾ ਯਾਦ ਰੱਖਣ ਲਈ ਨਹੀਂ।
ਸਾਵਧਾਨ: ਭਾਵੇਂ AI ਇੱਕ ਮੈਟ੍ਰਿਕ ਨੂੰ ਬਹੁਤ ਚੰਗੀ ਤਰ੍ਹਾਂ ਅਤੇ ਸਹੀ ਢੰਗ ਨਾਲ ਬੋਲਦਾ ਹੈ, ਪੁੱਛੋ ਕਿ ਇਹ ਨੰਬਰ ਕਿੱਥੋਂ ਆਇਆ ਹੈ। "ਤੁਸੀਂ ਇਸ ਅੰਕੜੇ ਦੀ ਗਣਨਾ ਕਿਸ ਡੇਟਾ ਤੋਂ ਕੀਤੀ?" ਜੇ ਤੁਸੀਂ ਇਹ ਨਹੀਂ ਦਿੱਤਾ, ਤਾਂ ਉਸਨੇ ਇਸਨੂੰ ਬਣਾਇਆ. ਰਿਪੋਰਟ ਵਿੱਚ ਜਾਣ ਵਾਲੇ ਹਰ ਨੰਬਰ ਦੀ ਪੁਸ਼ਟੀ ਤੁਹਾਡੇ ਆਪਣੇ ਡੈਸ਼ਬੋਰਡ ਤੋਂ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
ਸਬੰਧ ਅਤੇ ਕਾਰਨ
ਦੂਸਰਾ ਵੱਡਾ ਜਾਲ ਕਾਰਣ ਦਾ ਭੁਲੇਖਾ ਹੈ। ਇੱਕ ਡੇਟਾ ਵਿੱਚ, AI ਕਹਿ ਸਕਦਾ ਹੈ "ਵਿਗਿਆਪਨ ਖਰਚ ਵਧਿਆ, ਵਿਕਰੀ ਵਿੱਚ ਵੀ ਵਾਧਾ ਹੋਇਆ, ਭਾਵ ਵਿਗਿਆਪਨ ਨੇ ਵਿਕਰੀ ਵਿੱਚ ਵਾਧਾ ਕੀਤਾ"। ਇਹ ਇੱਕ ਸਬੰਧ ਹੈ (ਇਕੱਠੇ ਕੰਮ ਕਰਨਾ); ਪਰ ਕੋਈ ਕਾਰਨ ਨਹੀਂ ਹੋ ਸਕਦਾ। ਸ਼ਾਇਦ ਇੱਕ ਤੀਜਾ ਕਾਰਕ ਹੈ ਜੋ ਦੋਵਾਂ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ: ਉਦਾਹਰਨ ਲਈ, ਛੁੱਟੀਆਂ ਦਾ ਸੀਜ਼ਨ ਵਿਗਿਆਪਨ ਅਤੇ ਵਿਕਰੀ ਦੋਵਾਂ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ. ਕਾਰਨ ਦੇ ਸਬੰਧ ਵਿੱਚ ਗਲਤੀ ਕਰਨ ਨਾਲ ਤੁਸੀਂ ਕਿਸੇ ਅਜਿਹੀ ਚੀਜ਼ 'ਤੇ ਪੈਸੇ ਬਰਬਾਦ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਕੰਮ ਨਹੀਂ ਕਰਦੀ। ਕਾਰਨ ਨੂੰ ਸਮਝਣ ਦਾ ਤਰੀਕਾ ਨਿਯੰਤਰਿਤ ਟੈਸਟਿੰਗ ਹੈ: A/B ਟੈਸਟਿੰਗ (ਇੱਕੋ ਸਮੇਂ 'ਤੇ ਦੋ ਸਮੂਹਾਂ ਨੂੰ ਦਿਖਾਉਣਾ ਅਤੇ ਅੰਤਰ ਨੂੰ ਮਾਪਣਾ) ਜਾਂ ਘੱਟੋ-ਘੱਟ ਦੂਜੇ ਕਾਰਕਾਂ ਤੋਂ ਪਹਿਲਾਂ-ਬਾਅਦ ਦੀ ਤੁਲਨਾ ਨੂੰ ਸ਼ੁੱਧ ਕਰਨਾ। AI ਨੂੰ ਅਨੁਮਾਨ ਪੈਦਾ ਕਰਨ ਦਿਓ; ਟੈਸਟਿੰਗ ਨਾਲ ਕਾਰਣ ਸਾਬਤ ਕਰੋ।
ਮੰਗ ਪੂਰਵ ਅਨੁਮਾਨ
AI ਤੁਹਾਡੇ ਇਤਿਹਾਸਕ ਵਿਕਰੀ ਡੇਟਾ ਤੋਂ ਮੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਦੇ ਦ੍ਰਿਸ਼ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ: "ਪਿਛਲੇ ਸਾਲ ਇਸ ਮਹੀਨੇ ਤੁਸੀਂ ਇੰਨਾ ਵੇਚਿਆ ਸੀ, ਰੁਝਾਨ ਇਸ ਦਿਸ਼ਾ ਵਿੱਚ ਹੈ, ਛੁੱਟੀਆਂ ਦਾ ਪ੍ਰਭਾਵ ਇਹ ਹੈ" ਆਦਿ। ਇਹ ਵਸਤੂ ਸੂਚੀ ਅਤੇ ਖਰੀਦਦਾਰੀ ਫੈਸਲਿਆਂ ਲਈ ਇੱਕ ਕੀਮਤੀ ਇਨਪੁਟ ਹੈ; ਇਹ ਅਚਨਚੇਤੀ ਘਾਟ (ਵਿਕਰੀ ਗੁਆਚਣ) ਅਤੇ ਵਾਧੂ ਵਸਤੂ ਸੂਚੀ (ਬੰਨ੍ਹੀ ਪੂੰਜੀ, ਗਿਰਾਵਟ) ਵਿਚਕਾਰ ਸੰਤੁਲਨ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਪਰ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਇੱਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਹੈ: ਇੱਕ ਅਚਾਨਕ ਮੁਹਿੰਮ, ਸਪਲਾਈ ਦੀ ਸਮੱਸਿਆ ਜਾਂ ਫੈਸ਼ਨ ਤਬਦੀਲੀ ਤਸਵੀਰ ਨੂੰ ਵਿਗਾੜਦੀ ਹੈ. ਅੰਦਾਜ਼ੇ ਦੀ ਵਰਤੋਂ ਇੱਕ "ਸੀਨਰੀਓ ਰੇਂਜ" ਦੇ ਤੌਰ 'ਤੇ ਕਰੋ, ਨਾ ਕਿ "ਸਖਤ ਸੰਖਿਆ" ਦੇ ਤੌਰ 'ਤੇ, ਅਤੇ ਇਸਨੂੰ ਆਪਣੇ ਕਾਰੋਬਾਰੀ ਗਿਆਨ ਨਾਲ ਮਿਲਾਓ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਮੀਟ੍ਰਿਕ ਸੰਖੇਪ ਅਤੇ ਟਿੱਪਣੀ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਈ-ਕਾਮਰਸ ਵਿਸ਼ਲੇਸ਼ਕ ਸਹਾਇਕ। ਹੇਠਾਂ ਮੇਰੇ ਆਪਣੇ ਡੈਸ਼ਬੋਰਡ (ਅਗਿਆਤ) ਤੋਂ ਅਸਲ ਡੇਟਾ ਹੈ: ਪਰਿਵਰਤਨ ਦਰ, ਵਿਜ਼ਟਰ, ਆਰਡਰ, AOV, ਵਾਪਸੀ ਦਰ, ਮਿਆਦ। ਡੇਟਾ: [ਸਾਰਣੀ]। ਕੰਮ: ਇਹਨਾਂ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਇਕੱਠੇ ਸਮਝੋ; ਫਲੈਗ ਅਸਧਾਰਨ ਅੰਦੋਲਨ; ਸੰਭਾਵੀ ਕਾਰਨਾਂ ਨੂੰ ਹਾਈਪੋਥੀਸਿਸ ਦੇ ਰੂਪ ਵਿੱਚ ਲਿਖੋ (ਨਿਸ਼ਚਤ ਕਾਰਨ ਨਾ ਕਹੋ)। ਨਿਯਮ: ਕੋਈ ਵੀ ਸੰਖਿਆ ਨਾ ਦਿਓ; ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰੋ [DATA MISSING]।
2) ਸਬੰਧ/ਕਾਰਣ ਦੀ ਜਾਂਚ:
ਹੇਠਾਂ ਦਿੱਤੇ ਦਾਅਵੇ 'ਤੇ ਵਿਚਾਰ ਕਰੋ: "[ਮੈਟ੍ਰਿਕ ਏ] ਵਧਿਆ, ਇਸ ਤਰ੍ਹਾਂ [ਮੈਟ੍ਰਿਕ ਬੀ] ਵਧਿਆ, ਇਸਲਈ ਏ ਕਾਰਨ ਬੀ." ਸੰਦਰਭ: [ਪੀਰੀਅਡ, ਮੁਹਿੰਮ, ਬਾਹਰੀ ਕਾਰਕ]। ਟਾਸਕ: ਚਰਚਾ ਕਰੋ ਕਿ ਕੀ ਇਹ ਸਬੰਧ ਹੈ ਜਾਂ ਕਾਰਨ; ਆਮ ਕਾਰਕਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਜਿਨ੍ਹਾਂ ਨੇ ਦੋਵਾਂ ਨੂੰ ਵਧਾ ਦਿੱਤਾ ਹੈ; ਕਾਰਣਤਾ ਨੂੰ ਸਾਬਤ ਕਰਨ ਲਈ ਇੱਕ A/B ਟੈਸਟ ਕਿਵੇਂ ਸਥਾਪਤ ਕਰਨਾ ਹੈ ਬਾਰੇ ਦੱਸੋ।
3) ਸਮੂਹ/ਖੰਡ ਵਿਸ਼ਲੇਸ਼ਣ:
ਹੇਠਾਂ ਅਗਿਆਤ ਸਮੂਹ ਡੇਟਾ ਹੈ (ਖਰੀਦ ਦਾ ਪਹਿਲਾ ਮਹੀਨਾ, ਖਰੀਦ ਦਰਾਂ ਨੂੰ ਦੁਹਰਾਓ)। ਡੇਟਾ: [ਸਾਰਣੀ]। ਟਾਸਕ: ਵਿਆਖਿਆ ਕਰੋ ਕਿ ਕਿਹੜਾ ਸਮੂਹ ਵਧੇਰੇ ਵਫ਼ਾਦਾਰ ਹੈ, ਸਮੇਂ ਦੇ ਨਾਲ ਦਰਾਂ ਨੂੰ ਕਿਵੇਂ ਬਦਲਦਾ ਹੈ; ਨਿਸ਼ਾਨ ਲਗਾਓ ਕਿ ਕਿਸ ਹਿੱਸੇ ਵਿੱਚ ਮੌਕਾ/ਜੋਖਮ ਹੈ। ਨਿਯਮ: ਸਿਰਫ ਦਿੱਤੇ ਗਏ ਨੰਬਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
4) ਮੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਦ੍ਰਿਸ਼:
ਇਤਿਹਾਸਕ ਵਿਕਰੀ: [ਮਾਸਿਕ ਡੇਟਾ]। ਜਾਣੇ-ਪਛਾਣੇ ਕਾਰਕ: [ਤਿਉਹਾਰ, ਮੁਹਿੰਮ, ਸੀਜ਼ਨ]। ਟਾਸਕ: ਅਗਲੇ [ਪੀਰੀਅਡ] ਲਈ ਘੱਟ/ਮੱਧਮ/ਉੱਚ ਮੰਗ ਦਾ ਦ੍ਰਿਸ਼ ਤਿਆਰ ਕਰੋ; ਹਰੇਕ ਦ੍ਰਿਸ਼ ਦੀ ਧਾਰਨਾ ਲਿਖੋ। ਨਿਯਮ: ਦੱਸੋ ਕਿ ਇਹ ਇੱਕ ਅਨੁਮਾਨ ਹੈ; ਕੋਈ ਸਹੀ ਨੰਬਰ ਨਾ ਦਿਓ, ਇੱਕ ਰੇਂਜ ਦਿਓ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 — ਇਕੱਠੇ ਪੜ੍ਹਨਾ। ਇੱਕ ਸਟੋਰ ਆਪਣੀ ਪਰਿਵਰਤਨ ਦਰ ਵਿੱਚ ਵਾਧਾ ਦੇਖ ਕੇ ਖੁਸ਼ ਹੋਇਆ; ਪਰ ਜਦੋਂ ਉਸਨੇ ਏਆਈ ਅਤੇ ਮੈਟ੍ਰਿਕਸ ਦੀ ਇੱਕਠੇ ਵਿਆਖਿਆ ਕੀਤੀ, ਉਸਨੇ ਦੇਖਿਆ ਕਿ ਵਾਪਸੀ ਦੀ ਦਰ ਵੀ ਅਸਮਾਨੀ ਹੈ। ਕਿਉਂ: ਇੱਕ ਮੁਹਿੰਮ ਵਿੱਚ ਉਤਪਾਦ ਦੇ ਵਰਣਨ ਨੂੰ ਵਧਾ-ਚੜ੍ਹਾ ਕੇ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਸੀ; ਗਾਹਕ ਇਸ ਨੂੰ ਖਰੀਦਦੇ ਹਨ ਪਰ ਜਦੋਂ ਉਨ੍ਹਾਂ ਦੀਆਂ ਉਮੀਦਾਂ ਪੂਰੀਆਂ ਨਹੀਂ ਹੁੰਦੀਆਂ ਸਨ ਤਾਂ ਇਸ ਨੂੰ ਵਾਪਸ ਕਰ ਦਿੰਦੇ ਹਨ। ਇੱਕ ਮੈਟ੍ਰਿਕ ਨੂੰ ਦੇਖਣ ਦੀ ਖੁਸ਼ੀ ਇੱਕ ਸਮੱਸਿਆ ਵਿੱਚ ਬਦਲ ਗਈ ਜਦੋਂ ਅਸੀਂ ਇਸਨੂੰ ਇਕੱਠੇ ਪੜ੍ਹਦੇ ਹਾਂ ਅਤੇ ਇਹ ਹੱਲ ਹੋ ਗਿਆ ਸੀ.
ਕੇਸ 2 - ਜਾਅਲੀ ਮੈਟ੍ਰਿਕ। ਇੱਕ ਮੈਨੇਜਰ ਨੇ ਏਆਈ ਨੂੰ ਪੁੱਛਿਆ ਕਿ "ਪਿਛਲੇ ਮਹੀਨੇ ਸਾਡਾ ਪਰਿਵਰਤਨ ਕੀ ਸੀ"; ਏਆਈ ਨੇ "3.5 ਪ੍ਰਤੀਸ਼ਤ" ਕਿਹਾ. ਮੈਨੇਜਰ ਨੇ ਟੀਮ ਮੀਟਿੰਗ ਵਿੱਚ ਇਸ ਨੂੰ ਇੱਕ ਟੀਚੇ ਵਜੋਂ ਵਰਤਿਆ. ਅਸਲ ਦਰ ਪੂਰੇ ਬੋਰਡ ਵਿੱਚ 1.9 ਪ੍ਰਤੀਸ਼ਤ ਸੀ। ਗਲਤ ਨੀਂਹ ਨੇ ਗਲਤ ਟੀਚੇ ਨੂੰ ਜਨਮ ਦਿੱਤਾ। ਪਾਠ: ਮੈਟ੍ਰਿਕਸ ਸਿਰਫ਼ ਡੈਸ਼ਬੋਰਡ ਤੋਂ ਆਉਂਦੇ ਹਨ।
ਕੇਸ 3 - ਕਾਰਣ ਦਾ ਭੁਲੇਖਾ। ਇੱਕ ਸਟੋਰ ਨੇ ਈਮੇਲਾਂ ਦੀ ਬਾਰੰਬਾਰਤਾ ਨੂੰ ਦੁੱਗਣਾ ਕਰਦੇ ਹੋਏ ਕਿਹਾ, "ਜਿਸ ਦਿਨ ਅਸੀਂ ਈਮੇਲ ਭੇਜੇ ਉਸ ਦਿਨ ਵਿਕਰੀ ਵਧ ਗਈ, ਇਸਲਈ ਈਮੇਲਾਂ ਦੀ ਵਿਕਰੀ ਵਧਦੀ ਹੈ।" ਪਰ ਉਹ ਦਿਨ ਛੂਟ ਦੇ ਦਿਨ ਵੀ ਸਨ; ਮੁੱਖ ਕਾਰਕ ਛੋਟ ਸੀ. ਲਗਾਤਾਰ ਈਮੇਲਾਂ ਨੇ ਗਾਹਕਾਂ ਨੂੰ ਨਾਰਾਜ਼ ਕੀਤਾ ਅਤੇ ਗਾਹਕੀ ਨੂੰ ਵਧਾ ਦਿੱਤਾ। ਇੱਕ A/B ਟੈਸਟ ਅਸਲੀ ਡਰਾਈਵਰ ਦਿਖਾਏਗਾ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਮੇਰੇ ਸਟੋਰ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ ਅਤੇ ਮੈਨੂੰ ਮੇਰੀ ਪਰਿਵਰਤਨ ਦਰ ਦੱਸੋ।
ਕਿਉਂਕਿ ਕੋਈ ਡਾਟਾ ਨਹੀਂ ਦਿੱਤਾ ਗਿਆ ਹੈ, AI ਪਰਿਵਰਤਨ ਦਰ ਬਣਾਉਂਦਾ ਹੈ; ਵਿਸ਼ਲੇਸ਼ਣ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਗਲਤ ਅਧਾਰਤ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਈ-ਕਾਮਰਸ ਵਿਸ਼ਲੇਸ਼ਕ। ਹੇਠਾਂ ਉਹ ਡੇਟਾ ਹੈ ਜੋ ਮੈਨੂੰ ਮੇਰੇ ਆਪਣੇ ਵਿਸ਼ਲੇਸ਼ਣ ਡੈਸ਼ਬੋਰਡ (ਅਗਿਆਤ) ਤੋਂ ਪ੍ਰਾਪਤ ਹੋਇਆ ਹੈ: ਵਿਜ਼ਿਟਰ 42,000, ਆਰਡਰ 780, AOV 640 TL, ਵਾਪਸੀ ਦਰ 9%, ਮਿਆਦ: ਜੂਨ। ਕਾਰਜ: ਇਸ ਡੇਟਾ ਤੋਂ ਪਰਿਵਰਤਨ ਦਰ ਦੀ ਗਣਨਾ ਕਰੋ (ਖਾਤਾ ਦਿਖਾਓ), ਮੈਟ੍ਰਿਕਸ ਦੀ ਇੱਕਠੇ ਵਿਆਖਿਆ ਕਰੋ, ਅਸਧਾਰਨ ਬਿੰਦੂਆਂ ਨੂੰ ਅਨੁਮਾਨਾਂ ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕਰੋ। ਨੰਬਰ ਤਿਆਰ ਕਰਨਾ ਜੋ ਨਹੀਂ ਦਿੱਤੇ ਗਏ ਹਨ।
ਆਮ ਗਲਤੀਆਂ
- AI ਨੂੰ ਮੈਟ੍ਰਿਕਸ ਲਈ ਪੁੱਛਣਾ। ਤੁਹਾਡਾ ਆਪਣਾ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਬਿਨਾਂ ਮੈਟ੍ਰਿਕਸ ਦੀ ਬੇਨਤੀ ਕਰਨ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਜਾਅਲੀ ਨੰਬਰ ਹੋਣਗੇ।
- ਇੱਕ ਮੈਟ੍ਰਿਕ ਨੂੰ ਦੇਖ ਰਿਹਾ ਹੈ। ਜੇਕਰ ਪਰਿਵਰਤਨ ਵਧੇ ਪਰ ਰਿਟਰਨ ਵੀ ਵਧੇ, ਤਾਂ ਸਾਰਣੀ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ।
- ਕਾਰਣ ਲਈ ਗਲਤ ਸੰਬੰਧ. ਬਿਨਾਂ ਜਾਂਚ ਕੀਤੇ "ਕਾਰਨ" ਦਾ ਦਾਅਵਾ ਕਰਨ ਨਾਲ ਗਲਤ ਨਿਵੇਸ਼ ਹੁੰਦਾ ਹੈ।
- ਇਹ ਮੰਨਣ ਲਈ ਕਿ ਅੰਦਾਜ਼ਾ ਇੱਕ ਸਹੀ ਸੰਖਿਆ ਹੈ। ਮੰਗ ਅਨੁਮਾਨ ਇੱਕ ਸੀਮਾ ਹੈ, ਗਾਰੰਟੀ ਨਹੀਂ।
- ਬਿਨਾਂ ਗੁਪਤਤਾ ਦੇ ਡੇਟਾ ਨੂੰ ਸਾਂਝਾ ਕਰਨਾ। ਭਾਵੇਂ ਗਾਹਕ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਜਾਂਦਾ ਹੈ, ਨਿੱਜੀ ਥਾਂ ਨੂੰ ਹਟਾ ਦਿੱਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਖਾਤੇ ਦੀ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ। AI ਦੁਆਰਾ ਕੀਤੀ ਗਈ ਹਰ ਗਣਨਾ ਨੂੰ ਹੱਥੀਂ ਜਾਂਚੋ।
ਸਾਰੰਸ਼ ਵਿੱਚ
ਈ-ਕਾਮਰਸ ਵਿਸ਼ਲੇਸ਼ਣ ਇੱਕ ਅਨੁਸ਼ਾਸਨ ਹੈ ਜੋ ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਫੈਸਲਿਆਂ ਵਿੱਚ ਬਦਲਦਾ ਹੈ। ਪਰਿਵਰਤਨ, AOV, ਸਮੂਹ, LTV, ਅਤੇ ਰਿਟਰਨ ਵਰਗੇ ਮੈਟ੍ਰਿਕਸ ਇਕੱਠੇ ਪੜ੍ਹੋ; ਇੱਕ ਸਿੰਗਲ ਮੈਟ੍ਰਿਕ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ। AI ਡੇਟਾ ਨੂੰ ਸੰਖੇਪ ਕਰਨ, ਪੈਟਰਨ ਲੱਭਣ ਅਤੇ ਰਿਪੋਰਟਾਂ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ; ਪਰ ਮੈਟ੍ਰਿਕ ਫਿਟਿੰਗ ਦੇ ਜਾਲ ਵਿੱਚ ਫਸਣ ਤੋਂ ਬਚਣ ਅਤੇ ਕਾਰਨ ਦੇ ਨਾਲ ਉਲਝਣ ਵਾਲੇ ਸਬੰਧਾਂ ਤੋਂ ਬਚਣ ਲਈ, ਆਪਣੇ ਖੁਦ ਦੇ ਸਰੋਤ ਤੋਂ ਹਰੇਕ ਨੰਬਰ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ ਅਤੇ ਨਿਯੰਤਰਿਤ ਟੈਸਟਿੰਗ ਨਾਲ ਹਰੇਕ "ਕਾਰਨ" ਦਾਅਵੇ ਦੀ ਜਾਂਚ ਕਰੋ। ਮੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਇੱਕ ਦ੍ਰਿਸ਼ ਰੇਂਜ ਵਜੋਂ ਵਰਤੋ, ਨਾ ਕਿ ਇੱਕ ਸਹੀ ਸੰਖਿਆ ਦੇ ਤੌਰ ਤੇ। ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਡੇਟਾ ਜਮ੍ਹਾਂ ਕਰਦੇ ਸਮੇਂ ਨਿੱਜੀ ਖੇਤਰਾਂ ਨੂੰ ਅਗਿਆਤ ਬਣਾਓ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਆਪਣੇ ਖੁਦ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਡੈਸ਼ਬੋਰਡ ਤੋਂ ਗੁਮਨਾਮ ਤੌਰ 'ਤੇ ਅਸਲ ਮਿਆਦ ਦੇ ਮੈਟ੍ਰਿਕਸ (ਵਿਜ਼ਿਟਰ, ਆਰਡਰ, AOV, ਵਾਪਸੀ ਦੀ ਦਰ) ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰੋ। AI ਨੂੰ “ਮੈਟ੍ਰਿਕਸ ਸੰਖੇਪ ਅਤੇ ਟਿੱਪਣੀ” ਟੈਮਪਲੇਟ ਨਾਲ ਟਿੱਪਣੀਆਂ ਲਈ ਪੁੱਛੋ; ਇਸਨੂੰ ਖੁਦ ਪਰਿਵਰਤਨ ਦਰ ਦੀ ਗਣਨਾ ਕਰਨ ਦਿਓ, ਪਰ ਤੁਸੀਂ ਇਸਨੂੰ ਹੱਥੀਂ ਤਸਦੀਕ ਕਰ ਸਕਦੇ ਹੋ। ਫਿਰ, ਆਪਣੇ ਕਾਰੋਬਾਰ ਬਾਰੇ "A ਵਧਿਆ, B ਵਧਿਆ" ਦਾਅਵਿਆਂ ਬਾਰੇ ਸੋਚੋ, ਇਸ ਨੂੰ "ਸੰਬੰਧ/ਕਾਰਨ ਜਾਂਚ" ਟੈਮਪਲੇਟ ਨਾਲ ਟੈਸਟ ਕਰੋ ਅਤੇ ਇੱਕ A/B ਟੈਸਟ ਡਿਜ਼ਾਈਨ ਕਰੋ। ਅੰਤ ਵਿੱਚ, ਇੱਕ ਮੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਦ੍ਰਿਸ਼ ਤਿਆਰ ਕਰੋ ਅਤੇ ਇਸਦੀ ਤੁਲਨਾ ਆਪਣੇ ਖੁਦ ਦੇ ਕਾਰੋਬਾਰੀ ਗਿਆਨ ਨਾਲ ਕਰੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਆਪਣੇ ਖੁਦ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਸਰੋਤ ਤੋਂ ਸਾਰੇ ਮੈਟ੍ਰਿਕਸ ਖਿੱਚ ਲਏ ਹਨ; ਮੈਂ ਇਸਨੂੰ AI ਤੱਕ ਨਹੀਂ ਬਣਾਇਆ।
- [ ] ਮੈਂ AI ਦੁਆਰਾ ਕੀਤੀ ਗਈ ਹਰ ਗਣਨਾ ਦੀ ਹੱਥੀਂ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
- [ ] ਮੈਂ ਮੈਟ੍ਰਿਕਸ ਦੀ ਇੱਕਠੇ ਵਿਆਖਿਆ ਕੀਤੀ, ਵਿਅਕਤੀਗਤ ਤੌਰ 'ਤੇ ਨਹੀਂ।
- [ ] ਮੈਂ ਸਬੰਧ/ਕਾਰਨ ਲਈ "ਕਾਰਨ" ਦਾਅਵਿਆਂ ਦੀ ਜਾਂਚ ਕੀਤੀ।
- [ ] ਮੈਂ ਮੰਗ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਇੱਕ ਦ੍ਰਿਸ਼ ਰੇਂਜ ਵਜੋਂ ਮੰਨਿਆ, ਇੱਕ ਸਹੀ ਸੰਖਿਆ ਨਹੀਂ।
- [ ] ਮੈਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤੇ ਡੇਟਾ ਵਿੱਚ ਨਿੱਜੀ ਖੇਤਰਾਂ ਨੂੰ ਅਗਿਆਤ ਕੀਤਾ ਹੈ।