Zyski:
- Możliwość interpretacji wskaźników, takich jak współczynnik konwersji, średni koszyk, kohorta i wartość życia klienta (LTV) przy wsparciu sztucznej inteligencji
- Możliwość tworzenia spostrzeżeń i projektów prognoz popytu na podstawie danych sprzedażowych oraz zapewniania danych wejściowych przy podejmowaniu decyzji dotyczących zapasów i kampanii
- Umiejętność rozpoznawania ryzyka pomylenia korelacji z przyczynowością i tworzenia fałszywych liczb oraz weryfikowania każdej analizy z własnym źródłem danych
W e-commerce dane są wszędzie: ile osób przyszło, ile kupiło, ile włożyło do koszyka, z jakiego kanału to wyszło, czy wrócili drugi raz. W tych danych ukryte są decyzje, które pozwolą na rozwój Twojej firmy; Jednak same surowe dane nie stanowią wskazówek, należy je zinterpretować. Sztuczna inteligencja (AI) to potężna pomoc w szybkim podsumowywaniu i interpretacji danych, znajdowaniu wzorców i anomalii, sporządzaniu raportów i generowaniu scenariuszy prognozowania popytu. Istnieją jednak dwie duże pułapki sztucznej inteligencji w analityce: analizowanie liczb (generowanie wskaźników bez dostępu do danych) i mylenie korelacji z związkiem przyczynowym (przeświadczenie, że dwie rzeczy poruszające się razem są „jedną przyczyną drugiej”). W tej części nauczymy się zarówno prawidłowych wskaźników, jak i bezpiecznego korzystania ze sztucznej inteligencji.
Zdefiniujmy podstawowe metryki. Współczynnik konwersji: jaki procent odwiedzających kupuje. Średni koszyk (AOV): średnia ilość zamówień. Analiza kohortowa: śledzenie zachowania w czasie grupy klientów (kohorty), którzy w tym samym okresie dokonali pierwszego zakupu. Wartość życiowa klienta (LTV): szacunkowa wartość całkowitego zysku, jaki klient pozostawia w trakcie relacji. Porzucenie (rezygnacja): gdy klient przestaje robić zakupy. Razem te wskaźniki odpowiadają na pytanie „ile zarabiam i gdzie się rozwijam?”
Który wskaźnik o czym mówi?
Każda metryka odpowiada na pytanie; Uwzględnienie niewłaściwych wskaźników prowadzi do błędnej decyzji.
metryczny
Pytanie
Jeśli wzrośnie
Uwaga
Współczynnik konwersji
Czy ruch zamienia się w sprzedaż?
dobrze
Czytaj z jakością ruchu
Średni koszyk (AOV)
Co zarabiam na zamówieniu?
dobrze
Efekt sprzedaży krzyżowej/sprzedaży wiązanej
Częstość nawrotów w kohorcie
Czy klient wraca?
Jest lojalność
Zależy od kanału
LTV
Jaka jest wartość klienta w dłuższej perspektywie?
dobrze
To szacunki, a nie pewne.
porzucenie (rezygnacja)
Czy tracę klientów?
źle
Dlaczego warto to zbadać?
Stopa zwrotu
Czy produkt spełnia oczekiwania?
źle
Poziom normalny różni się w zależności od kategorii
Ważna zasada: jeden wskaźnik wprowadza w błąd. Jeśli liczba konwersji wzrosła, ale zyski również wzrosły, być może wprowadzające w błąd treści zawyżają sprzedaż i generują zwroty. Przeczytajcie razem wskaźniki.
Analiza za pomocą sztucznej inteligencji: pułapka ograniczająca liczbę
Najbardziej niebezpiecznym błędem sztucznej inteligencji jest to, że generuje ona pewną liczbę, np. „Twój współczynnik konwersji wynosi 4,2 procent”, bez sprawdzania danych (halucynacja). Liczba ta jest całkowicie sfabrykowana. Zasada jest jasna: dane pochodzą wyłącznie z Twojego własnego źródła analityki – Google Analytics, dashboardu marketplace, raportu z Twojej infrastruktury e-commerce. Wykorzystaj AI do interpretacji tych danych: podajesz je (anonimowo), a ona je podsumowuje, znajduje wzorce, sporządza raport. Nie do zapamiętywania danych.
Uwaga: nawet jeśli sztuczna inteligencja wypowiada dane metryczne bardzo płynnie i precyzyjnie, zapytaj, skąd wzięła się ta liczba. „Na podstawie jakich danych obliczyłeś tę liczbę?” Jeśli ty tego nie dałeś, on to wymyślił. Każdy numer, który trafia do raportu, musi zostać potwierdzony na Twoim własnym panelu kontrolnym.
Korelacja i przyczynowość
Drugą wielką pułapką jest błąd przyczynowości. W danych sztuczna inteligencja może powiedzieć: „wzrost wydatków na reklamę, sprzedaż również wzrosła, co oznacza wzrost sprzedaży reklam”. Jest to korelacja (wspólne działanie); ale może nie być związku przyczynowego. Być może istnieje trzeci czynnik, który zwiększa oba czynniki: na przykład sezon świąteczny zwiększa zarówno reklamę, jak i sprzedaż. Jeśli pomylisz korelację ze związkiem przyczynowym, zmarnujesz pieniądze na coś, co nie działa. Sposobem na zrozumienie przyczynowości są testy kontrolowane: testy A/B (pokazanie dwóch grup jednocześnie i pomiar różnicy) lub przynajmniej oczyszczenie porównania przed i po z innych czynników. Pozwól AI generować hipotezy; Udowodnij związek przyczynowy za pomocą testów.
Prognoza popytu
Sztuczna inteligencja może generować scenariusze prognoz popytu na podstawie historycznych danych sprzedaży: „w zeszłym miesiącu sprzedałeś tyle, trend jest w tym kierunku, efekt wakacji jest taki” itp. Jest to cenny wkład w decyzje dotyczące zapasów i zakupów; Pomaga znaleźć równowagę pomiędzy przedwczesnym wyczerpaniem zapasów (utracona sprzedaż) a nadwyżką zapasów (zablokowany kapitał, krach). Ale prognoza to prognoza: nieoczekiwana kampania, problem z dostawami lub zmiana mody zakłócają obraz. Użyj szacunków jako „zakresu scenariuszy”, a nie „twardej liczby” i połącz je z własną wiedzą biznesową.
Cztery szablony do kopiowania
1) Podsumowanie wskaźników i komentarz:
Twoja rola: asystent analityka e-commerce.Poniżej znajdują się rzeczywiste dane z mojego własnego dashboardu (anonimowe): współczynnik konwersji, użytkownik, zamówienie, AOV, współczynnik zwrotu, okres.Dane: [tabela].Zadanie: łączna interpretacja tych wskaźników; flaguj niezwykłe ruchy; zapisz możliwe przyczyny jako HIPOTEZĘ (nie podawaj konkretnej przyczyny). Reguła: nie podawaj żadnej niepodanej liczby; zaznacz brakujące dane [BRAK DANYCH].
2) Kontrola korelacji/przyczynowości:
Rozważmy następujące twierdzenie: „[metryka A] wzrosła, tak samo [metryka B], więc A spowodowało B.”Kontekst: [okres, kampania, czynniki zewnętrzne].Zadanie: omów, czy jest to korelacja czy przyczynowość; wymień wspólne czynniki, które mogły zwiększyć oba; Wyjaśnij, jak skonfigurować test A/B, aby udowodnić związek przyczynowy.
3) Analiza kohortowa/segmentowa:
Poniżej znajdują się anonimowe dane kohorty (pierwszy miesiąc zakupów, współczynnik powtarzalności zakupów). Dane: [tabela]. Zadanie: zinterpretuj, która kohorta jest bardziej lojalna, jak zmienia się wskaźnik powtarzalności w czasie; Zaznacz, który segment ma szansę/ryzyko. Zasada: używaj tylko podanych liczb.
4) Scenariusz prognozy popytu:
Sprzedaż historyczna: [dane miesięczne]. Znane czynniki: [festiwal, kampania, sezon]. Zadanie: wygenerowanie scenariusza niskiego/średniego/wysokiego popytu na następny [okres]; Zapisz założenia każdego scenariusza. Reguła: stwierdzaj, że jest to domysł; Nie podawaj dokładnej liczby, podaj zakres.
trzy mini etui
Przypadek 1 — Wspólne czytanie. Jeden ze sklepów był zachwycony wzrostem współczynnika konwersji; Kiedy jednak zinterpretował sztuczną inteligencję i wskaźniki łącznie, zauważył, że stopa zwrotu również gwałtownie wzrosła. Dlaczego: opisy produktów w kampanii zostały przesadzone; Klienci kupowali, ale zwracali, gdy ich oczekiwania nie zostały spełnione. Radość z patrzenia na pojedynczy wskaźnik zamieniła się w problem, gdy przeczytaliśmy go razem i został naprawiony.
Przypadek 2 – Fałszywy wskaźnik. Menedżer zapytał sztuczną inteligencję „jakie było nasze nawrócenie w zeszłym miesiącu”; AI powiedziała „3,5 procent”. Menedżer potraktował to jako cel podczas spotkania zespołu. Rzeczywista stopa wyniosła w całym kraju 1,9 procent. Zły fundament zrodził zły cel. Lekcja: dane pochodzą wyłącznie z panelu kontrolnego.
Przypadek 3 — Błąd przyczynowości. Jeden ze sklepów podwoił częstotliwość wysyłania e-maili, twierdząc, że „sprzedaż wzrosła w dniu, w którym wysłaliśmy e-maile, więc e-maile zwiększają sprzedaż”. Ale te dni były także dniami zniżek; Głównym czynnikiem była zniżka. Częste e-maile irytowały klientów i zwiększały liczbę rezygnacji z subskrypcji. Test A/B pokazałby prawdziwego kierowcę.
Słaba zachęta/silna zachęta
Słaba zachęta:
Przeanalizuj wydajność mojego sklepu i powiedz mi mój współczynnik konwersji.
Ponieważ nie podano żadnych danych, współczynnik konwersji stanowi sztuczna inteligencja; Analiza od początku jest oparta na błędnych podstawach.
Potężny monit:
Twoja rola: analityk e-commerce. Poniżej znajdują się dane, które otrzymałem z mojego własnego panelu Analytics (anonimowe): odwiedzających 42 000, zamówień 780, AOV 640 TL, stopa zwrotu 9%, okres: czerwiec. Zadanie: OBLICZ współczynnik konwersji na podstawie tych danych (pokaż konto), wspólnie zinterpretuj wskaźniki, zaznacz nietypowe punkty jako hipotezy. Generowanie liczb, które nie są podane.
Typowe błędy
- Sprawianie, że sztuczna inteligencja pyta o dane. Żądanie danych bez podania własnych danych spowoduje fałszywe liczby.
- Patrząc na jeden wskaźnik. Jeśli liczba konwersji wzrosła, ale jednocześnie wzrosły również zyski, tabela wprowadza w błąd.
- Mylenie korelacji z przyczynowością. Twierdzenie o „przyczynie” bez przeprowadzania testów prowadzi do błędnych inwestycji.
- Założyć, że szacunki są dokładną liczbą. Oszacowanie popytu to zakres, a nie gwarancja.
- Udostępnianie danych bez anonimizacji. Nawet jeśli dane klientów zostaną poddane analizie, przestrzeń osobista musi zostać usunięta.
- Brak weryfikacji konta. Ręcznie sprawdzaj wszystkie obliczenia dokonywane przez sztuczną inteligencję.
Podsumowując
Analityka e-commerce to dyscyplina, która przekształca surowe dane w decyzje. Czytaj razem wskaźniki, takie jak konwersja, AOV, kohorta, LTV i zwroty; Pojedynczy wskaźnik wprowadza w błąd. Sztuczna inteligencja ma ogromną moc w podsumowywaniu danych, znajdowaniu wzorców i sporządzaniu raportów; Aby jednak uniknąć wpadnięcia w pułapki dopasowania metrycznego i pomylenia korelacji z związkiem przyczynowym, zweryfikuj każdą liczbę na własnym źródle i przetestuj każde twierdzenie o „przyczynie” za pomocą kontrolowanych testów. Użyj prognozy popytu jako zakresu scenariusza, a nie dokładnej liczby. Anonimizuj pola osobiste podczas przesyłania danych do analizy.
Zadanie aplikacji
Anonimowo wyodrębnij dane z rzeczywistego okresu (odwiedzający, zamówienia, AOV, stopa zwrotu) z własnego panelu analitycznego. Poproś sztuczną inteligencję o komentarze za pomocą szablonu „podsumowania i komentarza wskaźników”; Niech sam obliczy współczynnik konwersji, ale możesz go zweryfikować ręcznie. Następnie pomyśl o stwierdzeniu „A zwiększone, B zwiększone” na temat swojej firmy, przetestuj je za pomocą szablonu „Sprawdzanie korelacji/przyczynowości” i zaprojektuj test A/B. Na koniec przygotuj scenariusz prognozy popytu i porównaj go z własną wiedzą biznesową.
lista kontrolna
- [ ] Wszystkie dane pobrałem z własnego źródła analitycznego; Nie poradziłem sobie z AI.
- [ ] Ręcznie zweryfikowałem wszystkie obliczenia wykonane przez sztuczną inteligencję.
- [ ] Zinterpretowałem metryki łącznie, a nie indywidualnie.
- [ ] Testowałem twierdzenia o „przyczynowości” pod kątem korelacji/przyczynowości.
- [ ] Prognozę popytu potraktowałem jako zakres scenariuszy, a nie dokładną liczbę.
- [ ] Zanonimizowałem pola osobowe w analizowanych danych.