ලාභ:
- පරිවර්තන අනුපාතය, බාස්කට් සාමාන්යය, සහයෝගීතාවය සහ පාරිභෝගික ජීවිත කාලය (LTV) වැනි ප්රමිතික කෘත්රිම බුද්ධි සහාය සමඟ අර්ථකථනය කිරීමේ හැකියාව
- විකුණුම් දත්ත වලින් තීක්ෂ්ණ බුද්ධිය සහ ඉල්ලුම පුරෝකථන කෙටුම්පත් නිෂ්පාදනය කිරීමේ හැකියාව සහ කොටස් සහ ප්රචාරක තීරණ සඳහා ආදානය සැපයීම
- හේතුකාරකය සමඟ සහසම්බන්ධය ව්යාකූල කිරීම සහ ව්යාජ සංඛ්යා සෑදීමේ අවදානම හඳුනාගැනීමේ හැකියාව සහ එක් එක් විශ්ලේෂණ තමන්ගේම දත්ත ප්රභවයකින් සත්යාපනය කිරීමේ හැකියාව
ඊ-වාණිජ්යය තුළ, දත්ත සෑම තැනකම තිබේ: කී දෙනෙක් පැමිණියාද, කී දෙනෙක් මිලදී ගත්තාද, ඔවුන් කොපමණ ප්රමාණයක් කරත්තයට දැම්මාද, එය පැමිණියේ කුමන නාලිකාවකින්ද, ඔවුන් දෙවන වරටත් ආපසු පැමිණියේය. මෙම දත්ත තුළ සැඟවී ඇත්තේ ඔබේ ව්යාපාරය වර්ධනය කරන තීරණ ය; නමුත් අමු දත්ත පමණක් මාර්ගෝපදේශ සපයන්නේ නැත, එය අර්ථකථනය කළ යුතුය. කෘතිම බුද්ධිය (AI) යනු ඔබේ දත්ත ඉක්මනින් සාරාංශ කිරීමට සහ අර්ථ නිරූපණය කිරීමට, රටා සහ විෂමතා සොයා ගැනීමට, වාර්තා කෙටුම්පත් කිරීමට සහ ඉල්ලුම පුරෝකථනය කිරීමේ අවස්ථා ජනනය කිරීමට ප්රබල උපකාරයකි. නමුත් විශ්ලේෂණ වලදී AI හි විශාල අන්තරායන් දෙකක් තිබේ: සංඛ්යා හැලීම (ඔබේ දත්ත වලට ප්රවේශ වීමකින් තොරව ප්රමිතික නිපදවීම) සහ හේතුව සඳහා වැරදි සහසම්බන්ධය (දෙයක් එකට ගමන් කිරීම “අනෙකට එක හේතුවක්” යැයි සිතීම). මෙම ඒකකය තුළ, අපි නිවැරදි මිනුම් දණ්ඩ සහ AI ආරක්ෂිතව භාවිතා කරන ආකාරය යන දෙකම ඉගෙන ගනිමු.
මූලික ප්රමිතික නිර්වචනය කරමු. පරිවර්තන අනුපාතය: අමුත්තන් මිලදී ගන්නා ප්රතිශතය කොපමණද. සාමාන්ය කරත්තය (AOV): සාමාන්ය ඇණවුම් ප්රමාණය. සහයෝගීතා විශ්ලේෂණය: එම කාල සීමාව තුළ ප්රථම වරට සාප්පු සවාරි ගිය පාරිභෝගිකයින් පිරිසකගේ (cohort) කාලයත් සමඟ හැසිරීම නිරීක්ෂණය කිරීම. පාරිභෝගික ජීවිත කාලය වටිනාකම (LTV): සබඳතාවයේ කාලසීමාව තුළ පාරිභෝගිකයෙකු ඉතිරි කරන මුළු ලාභය පිළිබඳ ඇස්තමේන්තුවක්. අත්හැරීම (ඉවත් කිරීම): පාරිභෝගිකයා සාප්පු යාම නතර කරන විට. මෙම ප්රමිතික එක්ව, “මම කොපමණ උපයන්නේද සහ මා වර්ධනය වන්නේ කොතැනද?” යන ප්රශ්නයට පිළිතුරු සපයයි.
කුමන මෙට්රික් එක කුමක් කියයිද?
සෑම මෙට්රික් එකක්ම ප්රශ්නයකට පිළිතුරු දෙයි; වැරදි මිනුම් දණ්ඩ දෙස බැලීම වැරදි තීරණයකට මග පාදයි.
මෙට්රික්
ප්රශ්නය
එය ඉහළ යනවා නම්
අවධානය
පරිවර්තන අනුපාතය
ගමනාගමනය විකුණුම් බවට හැරෙනවාද?
හොඳයි
රථවාහන ගුණාත්මක භාවයෙන් කියවන්න
සාමාන්ය කූඩය (AOV)
මම ඇණවුමකට උපයන්නේ කුමක්ද?
හොඳයි
හරස් විකිණුම්/බණ්ඩල් කිරීමේ බලපෑම
Cohort පුනරාවර්තන අනුපාතය
පාරිභෝගිකයා ආපසු එනවාද?
පක්ෂපාතීත්වය ඇත
නාලිකාව අනුව වෙනස් වේ
LTV
දිගු කාලීනව පාරිභෝගිකයාගේ වටිනාකම කුමක්ද?
හොඳයි
එය ඇස්තමේන්තුවක් මිස නිශ්චිත නැත.
අත්හැරීම (ඉවත් කිරීම)
මට ගනුදෙනුකරුවන් අහිමි වෙනවාද?
නරකයි
එය විමර්ශනය කළ යුත්තේ ඇයි?
ප්රතිලාභ අනුපාතය
නිෂ්පාදිතය අපේක්ෂාවන් සපුරාලන්නේද?
නරකයි
සාමාන්ය මට්ටම කාණ්ඩය අනුව වෙනස් වේ
වැදගත් මූලධර්මයක්: එක් මෙට්රික් නොමඟ යවන සුළුය. පරිවර්තන වැඩි වූ නමුත් ප්රතිලාභ ද වැඩි වුවහොත්, සමහර විට නොමඟ යවන අන්තර්ගතයන් විකුණුම් වැඩි කිරීම සහ ප්රතිලාභ අවුලුවයි. ප්රමිතික එකට කියවන්න.
AI සමඟ විශ්ලේෂණය: අංකය හැපෙන උගුල
AI හි ඇති භයානකම වැරැද්ද නම් එය ඔබගේ දත්ත (මායාවකි) දෙස නොබලා "ඔබේ පරිවර්තන අනුපාතය සියයට 4.2" වැනි විශ්වාසදායක අංකයක් නිපදවීමයි. මෙම අංකය සම්පූර්ණයෙන්ම ගොතන ලද එකක්. රීතිය පැහැදිලිය: ප්රමිතික පැමිණෙන්නේ ඔබේම විශ්ලේෂණ මූලාශ්රයෙන් පමණි - Google Analytics, වෙළඳපල උපකරණ පුවරුව, ඔබේ ඊ-වාණිජ්යය යටිතල ව්යූහයෙන් වාර්තාව. මෙම දත්ත අර්ථ නිරූපණය කිරීමට AI භාවිතා කරන්න: ඔබ එය (නිර්නාමිකව) ලබා දෙන අතර එය එය සාරාංශ කරයි, රටා සොයා ගනී, වාර්තාවක් කෙටුම්පත් කරයි. දත්ත මතක තබා ගැනීමට නොවේ.
අවවාදයයි: AI විසින් මෙට්රික් එකක් ඉතා චතුර ලෙස හා නිවැරදිව කථා කරන විට පවා, එම අංකය පැමිණියේ කොහෙන්ද කියා අසන්න. "ඔබ මෙම අගය ගණනය කළේ කුමන දත්ත වලින්ද?" ඔබ එය නොදුන්නේ නම්, ඔහු එය සාදා ඇත. වාර්තාවට ඇතුළු වන සෑම අංකයක්ම ඔබේම උපකරණ පුවරුවෙන් තහවුරු කළ යුතුය.
සහසම්බන්ධය සහ හේතුව
දෙවන විශාල උගුල වන්නේ හේතුඵලවාදයේ මිත්යාවයි. දත්තයක් තුළ, AI හට පැවසිය හැකිය "ප්රචාරණ වියදම් වැඩි විය, විකුණුම් ද වැඩි විය, එනම් වෙළඳ ප්රචාරණයෙන් විකුණුම් වැඩි විය". මෙය සහසම්බන්ධයකි (එකට ක්රියා කිරීම); නමුත් හේතුකාරකයක් නොතිබිය හැකිය. සමහරවිට දෙකම වැඩි කරන තුන්වන සාධකයක් තිබේ: නිදසුනක් වශයෙන්, නිවාඩු කාලය වෙළඳ දැන්වීම් සහ විකුණුම් යන දෙකම වැඩි කරයි. හේතුඵල සඳහා සහසම්බන්ධය වැරදි ලෙස කිරීම නිසා ඔබ වැඩ නොකරන දෙයකට මුදල් නාස්ති කිරීමට හේතු වේ. හේතුකාරකය අවබෝධ කර ගැනීමේ මාර්ගය පාලිත පරීක්ෂණයකි: A/B පරීක්ෂාව (එකම අවස්ථාවේදී කණ්ඩායම් දෙකක් පෙන්වමින් වෙනස මැනීම) හෝ අවම වශයෙන් වෙනත් සාධකවලින් පෙර-පසු සංසන්දනය කිරීම. AI උපකල්පන ජනනය කිරීමට ඉඩ දෙන්න; පරීක්ෂණ මගින් හේතුව ඔප්පු කරන්න.
ඉල්ලුම පුරෝකථනය
AI හට ඔබගේ ඉතිහාසගත විකුණුම් දත්ත වලින් ඉල්ලුම පුරෝකථන අවස්ථා ජනනය කළ හැක: "පසුගිය වසරේ ඔබ මේ තරම් විකුණුවා, ප්රවණතාවය මේ දිශාවට, නිවාඩු බලපෑම මෙයයි" යනාදී වශයෙන්. මෙය ඉන්වෙන්ටරි සහ මිලදී ගැනීමේ තීරණ සඳහා වටිනා ආදානයකි; එය නොමේරූ ක්ෂය වීම (අහිමි වූ විකුණුම්) සහ අතිරික්ත ඉන්වෙන්ටරි (බැඳි ප්රාග්ධනය, දියවීම) අතර සමතුලිතතාවය ඇති කිරීමට උපකාරී වේ. නමුත් පුරෝකථනයක් යනු අනාවැකියකි: අනපේක්ෂිත ව්යාපාරයක්, සැපයුම් ගැටලුවක් හෝ විලාසිතා වෙනසක් පින්තූරයට බාධා කරයි. ඇස්තමේන්තුව "දෘශ්ය අංකයක්" නොව "සිනාරියෝ පරාසයක්" ලෙස භාවිතා කර එය ඔබේම ව්යාපාරික දැනුම සමඟ මිශ්ර කරන්න.
පිටපත් කළ හැකි සැකිලි හතරක්
1) මෙට්රික් සාරාංශය සහ විවරණ:
ඔබගේ භූමිකාව: ඊ-වාණිජ්ය විශ්ලේෂක සහකාර. පහත දැක්වෙන්නේ මගේම උපකරණ පුවරුවේ සත්ය දත්ත (නිර්නාමික): පරිවර්තන අනුපාතය, අමුත්තන්, ඇණවුම, AOV, ප්රතිලාභ අනුපාතය, කාලසීමාව. දත්ත: [වගුව]. කාර්යය: මෙම ප්රමිතික එකට අර්ථකථනය කරන්න; ධජය අසාමාන්ය චලනයන්; විය හැකි හේතු උපකල්පනය ලෙස ලියන්න (නිශ්චිත හේතුව කියන්න එපා). රීතිය: ලබා දී නැති අංකයක් ඉදිරිපත් නොකරන්න; නැතිවූ දත්ත ලකුණු කරන්න [DATA MISSING].
2) සහසම්බන්ධතා/හේතු පරීක්ෂාව:
පහත ප්රකාශය සලකා බලන්න: "[මෙට්රික් A] වැඩි විය, ඒ නිසා [මෙට්රික් B], ඒ නිසා A හට B ඇති විය." සන්දර්භය: [කාලසීමාව, ව්යාපාරය, බාහිර සාධක]. කාර්යය: මෙය සහසම්බන්ධයක් හෝ හේතු කාරකයක්ද යන්න සාකච්ඡා කරන්න; දෙකම වැඩි කළ හැකි පොදු සාධක ලැයිස්තුගත කරන්න; හේතුකාරක බව ඔප්පු කිරීමට A/B පරීක්ෂණයක් සකසන ආකාරය පැහැදිලි කරන්න.
3) සාමුහික/කොටස් විශ්ලේෂණය:
පහත දැක්වෙන්නේ නිර්නාමික සමූහ දත්ත (මිලදී ගැනීමේ පළමු මාසය, නැවත මිලදී ගැනීමේ මිල ගණන්) ය. දත්ත: [වගුව]. කාර්යය: කුමන කණ්ඩායම වඩාත් පක්ෂපාතීද යන්න අර්ථකථනය කරන්න, කාලයත් සමඟ නැවත නැවත අනුපාතය වෙනස් වන ආකාරය; අවස්ථාව/අවදානම ඇති කොටස සලකුණු කරන්න. රීතිය: ලබා දී ඇති අංක පමණක් භාවිතා කරන්න.
4) ඉල්ලුම පුරෝකථනය කිරීමේ අවස්ථාව:
ඓතිහාසික විකුණුම්: [මාසික දත්ත]. දන්නා සාධක: [උත්සවය, ව්යාපාරය, සමය]. කාර්යය: ඊළඟ [කාලසීමාව] සඳහා අඩු/මධ්යම/ඉහළ ඉල්ලුමක් ඇති කරන්න; එක් එක් සිද්ධියේ උපකල්පනය ලියන්න. රීතිය: එය අනුමානයක් බව සඳහන් කරන්න; නිශ්චිත අංකයක් ලබා නොදෙන්න, පරාසයක් දෙන්න.
කුඩා නඩු තුනක්
නඩුව 1 - එකට කියවීම. එක් වෙළඳසැලක් එහි පරිවර්තන අනුපාතය වැඩිවීම දැකීමෙන් සතුටට පත් විය. නමුත් ඔහු AI සහ metrics එකට අර්ථකථනය කරන විට, ආපසු පැමිණීමේ අනුපාතය ද අහස උසට නැඟී ඇති බව ඔහු දුටුවේය. ඇයි: ව්යාපාරයකදී නිෂ්පාදන විස්තර අතිශයෝක්තියට නංවා ඇත; ගනුදෙනුකරුවන් එය මිලදී ගන්නා නමුත් ඔවුන්ගේ අපේක්ෂාවන් ඉටු නොවූ විට එය ආපසු ලබා දෙනු ඇත. එක මෙට්රික් එකක් බලපු සතුට අපි දෙන්නා එකට කියවලා ඒක හදාගත්තම ප්රශ්නයක් වුණා.
නඩුව 2 - ව්යාජ මෙට්රික්. කළමනාකරුවෙක් AI ගෙන් ඇසුවේ "පසුගිය මාසයේ අපගේ පරිවර්තනය කුමක්ද"; AI කිව්වා "සියයට 3.5" කියලා. කණ්ඩායම් රැස්වීමේදී කළමනාකරු මෙය ඉලක්කයක් ලෙස භාවිතා කළේය. සත්ය අනුපාතය මණ්ඩලය හරහා සියයට 1.9 ක් විය. වැරදි පදනම වැරදි ඉලක්කයක් බිහි කළේය. පාඩම: ප්රමිතික පැමිණෙන්නේ උපකරණ පුවරුවෙන් පමණි.
3 වන අවස්ථාව - හේතුකාරකයේ වැරදි. එක් වෙළඳසැලක් ඊමේල් සංඛ්යාතය දෙගුණ කර, "අපි ඊමේල් එවූ දවසට විකුණුම් වැඩි විය, එබැවින් විද්යුත් තැපෑල විකුණුම් වැඩි කරයි." එහෙත් ඒ දවස් ද වට්ටම් දින; ප්රධාන සාධකය වූයේ වට්ටම් ය. නිරන්තර විද්යුත් තැපෑල පාරිභෝගිකයින්ට කරදර කළ අතර දායකත්වයෙන් ඉවත් වීම වැඩි විය. A/B පරීක්ෂණයකින් සැබෑ රියදුරු පෙන්වනු ඇත.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
මගේ වෙළඳසැලේ කාර්ය සාධනය විශ්ලේෂණය කර මගේ පරිවර්තන අනුපාතය මට කියන්න.
දත්ත ලබා දී නොමැති බැවින්, AI පරිවර්තන අනුපාතය සාදයි; විශ්ලේෂණය ආරම්භයේ සිට වැරදි ලෙස පදනම් වී ඇත.
බලවත් විමසුම:
ඔබේ කාර්යභාරය: ඊ-වාණිජ්ය විශ්ලේෂක. පහත දැක්වෙන්නේ මගේම Analytics උපකරණ පුවරුවෙන් ලබාගත් දත්ත (නිර්නාමික): අමුත්තන් 42,000, ඇණවුම් 780, AOV 640 TL, ප්රතිලාභ අනුපාතය 9%, කාලය: ජූනි. කාර්යය: මෙම දත්ත වලින් පරිවර්තන අනුපාතය ගණනය කරන්න (ගිණුම පෙන්වන්න), ප්රමිතික එකට අර්ථකථනය කරන්න, අසාමාන්ය ලකුණු උපකල්පන ලෙස සලකුණු කරන්න. ලබා දී නොමැති සංඛ්යා උත්පාදනය කිරීම.
පොදු වැරදි
- AI ප්රමිතික ඉල්ලා සිටීම. ඔබේම දත්ත ලබා නොදී ප්රමිතික ඉල්ලීම ව්යාජ අංකවලට හේතු වේ.
- එක මෙට්රික් එකක් බලනවා. පරිවර්තන වැඩි වූ නමුත් ප්රතිලාභ ද වැඩි නම්, වගුව නොමඟ යවන සුළුය.
- හේතුව සඳහා වැරදි සහසම්බන්ධය. පරීක්ෂණයකින් තොරව "හේතුව" ප්රකාශ කිරීම වැරදි ආයෝජනයකට තුඩු දෙයි.
- ඇස්තමේන්තුව නිශ්චිත සංඛ්යාවක් යැයි උපකල්පනය කිරීමට. ඉල්ලුම ඇස්තමේන්තුව පරාසයක් මිස සහතිකයක් නොවේ.
- නිර්නාමිකකරණයකින් තොරව දත්ත හුවමාරු කිරීම. පාරිභෝගික දත්ත විශ්ලේෂණයට ගියත්, පුද්ගලික අවකාශය ඉවත් කළ යුතුය.
- ගිණුම සත්යාපනය නොකිරීම. AI විසින් සිදු කරන සෑම ගණනය කිරීමක්ම අතින් පරීක්ෂා කරන්න.
සාරාංශයකින්
ඊ-වාණිජ්යය විශ්ලේෂණ යනු අමු දත්ත තීරණ බවට පත් කරන විනයයි. පරිවර්තනය, AOV, cohort, LTV, සහ ප්රතිලාභ වැනි ප්රමිතික එකට කියවන්න; තනි මෙට්රික් එකක් නොමඟ යවන සුළුය. දත්ත සාරාංශ කිරීමට, රටා සොයා ගැනීමට සහ වාර්තා කෙටුම්පත් කිරීමට AI බලවත් ය; නමුත් මෙට්රික් සවිකිරීමේ උගුල්වලට හසුවීම සහ හේතුකාරක සමඟ ඇති ව්යාකූල සහසම්බන්ධය වළක්වා ගැනීම සඳහා, එක් එක් සංඛ්යා ඔබේම මූලාශ්රයෙන් සත්යාපනය කර පාලිත පරීක්ෂණයකින් එක් එක් “හේතුව” හිමිකම් පරීක්ෂා කරන්න. ඉල්ලුම පුරෝකථනය නිශ්චිත සංඛ්යාවක් ලෙස නොව අවස්ථා පරාසයක් ලෙස භාවිතා කරන්න. විශ්ලේෂණය සඳහා දත්ත ඉදිරිපත් කිරීමේදී පුද්ගලික ක්ෂේත්ර නිර්නාමික කරන්න.
යෙදුම් කාර්යය
නිර්නාමිකව ඔබගේම විශ්ලේෂණ උපකරණ පුවරුවෙන් සැබෑ කාලපරිච්ඡේදයක මිතික (අමුත්තන්, ඇණවුම්, AOV, ප්රතිලාභ අනුපාතය) උපුටා ගන්න. "මිතික සාරාංශය සහ අදහස්" අච්චුව සමඟ අදහස් සඳහා AI අසන්න; එය පරිවර්තන අනුපාතය ගණනය කිරීමට ඉඩ දෙන්න, නමුත් ඔබට එය අතින් සත්යාපනය කළ හැක. ඉන්පසු, ඔබේ ව්යාපාරය පිළිබඳ "A වැඩි වූ, B වැඩි වූ" හිමිකම් පෑමක් ගැන සිතන්න, එය "සහසම්බන්ධතා/හේතු පරීක්ෂාව" අච්චුව සමඟ පරීක්ෂා කර A/B පරීක්ෂණයක් සැලසුම් කරන්න. අවසාන වශයෙන්, ඉල්ලුම පුරෝකථන දර්ශනයක් නිපදවා එය ඔබේම ව්යාපාරික දැනුම සමඟ සසඳන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම මගේම විශ්ලේෂණ මූලාශ්රයෙන් සියලුම ප්රමිතික ඇද ගත්තෙමි; මම AI වලට ගැලපෙන්නේ නැහැ.
- AI විසින් කරන ලද සෑම ගණනයක්ම මම අතින් සත්යාපනය කළෙමි.
- [ ] මම ප්රමිතික තනි තනිව නොව එකට අර්ථකථනය කළෙමි.
- [ ] මම සහසම්බන්ධය/හේතුව සඳහා “හේතුකාරක” හිමිකම් පරීක්ෂා කළෙමි.
- [ ] මම ඉල්ලුම පුරෝකථනය සැලකුවේ සිද්ධි පරාසයක් ලෙස මිස නිශ්චිත සංඛ්යාවක් ලෙස නොවේ.
- [ ] මම විශ්ලේෂණය කළ දත්තවල පුද්ගලික ක්ෂේත්ර නිර්නාමික කළෙමි.