Faida:
- Uwezo wa kutafsiri na kuripoti KPIs kama vile mauzo, kiasi, ubadilishaji, ukubwa wa kikapu na kiwango cha mauzo ya hisa kwa msaada wa akili bandia.
- Uwezo wa kuandaa muhtasari wa usimamizi, ugunduzi wa hitilafu na pendekezo la hatua kutoka kwa data ghafi ya mauzo
- Kuelewa kuwa uchanganuzi na tafsiri za picha zinazotolewa na akili bandia lazima zidhibitishwe na data ya chanzo na hesabu.
Katika rejareja, data ni nyingi lakini ufahamu ni nadra. Maelfu ya laini hutiririka kutoka kwa rejista ya pesa, biashara ya mtandaoni, na hisa kila siku; Jambo kuu ni kuchambua data hii ghafi "nini kinachotokea, kwa nini kinatokea, ni nini kifanyike?" kuigeuza kuwa majibu ya maswali yako. Katika kitengo hiki, utatumia akili bandia kama mchambuzi ambaye hutoa muhtasari mkuu, tafsiri ya KPI, utambuzi wa hitilafu na mapendekezo ya hatua kutoka kwa data ghafi ya mauzo. Tena, sheria kuu inatumika: kila nambari na tafsiri inayotolewa na akili ya bandia lazima idhibitishwe na data ya chanzo na hesabu.
Dhana za kimsingi:
KPI (Kiashiria Muhimu cha Utendaji): Vipimo muhimu vinavyotoa muhtasari wa afya ya biashara. Katika rejareja, kuu ni: mauzo, kiasi cha jumla, kiwango cha ubadilishaji, kikapu cha wastani, kiwango cha mauzo ya hisa.
Asilimia ya walioshawishika: Ni watu wangapi walioingia kwenye duka/kutembelea tovuti walinunua. Ikiwa wageni 4 kati ya 100 walinunua, ubadilishaji ni 4%.
Ukubwa wa wastani wa kikapu: Wastani wa matumizi kwa kila muamala.
Kiwango cha mauzo ya bidhaa: Mara ngapi hisa hubadilishwa (kuuzwa na kusasishwa) katika kipindi. Juu = matumizi bora ya pesa taslimu.
Anomaly: Kuruka bila kutarajiwa au kushuka kwa data; mara nyingi ishara ya mapema ya tatizo au fursa.
Dashibodi ya rejareja ya KPI
KPI
inasema nini
Sababu inayowezekana ikiwa itaanguka
mauzo
Jumla ya kiasi cha biashara
Trafiki/ubadilishaji/bei kushuka
pato la jumla
Faida ya mauzo
Punguzo kupita kiasi, ongezeko la gharama
Kiwango cha ubadilishaji
Kugeuza ziara kuwa mauzo
Nje ya hisa, bei, tatizo la uzoefu
Kikapu cha wastani
Thamani kwa kila muamala
Uuzaji mbaya, kampeni imekwisha
Kiwango cha mauzo ya hisa
ufanisi wa fedha
Hifadhi iliyozidi / iliyokufa
Kiwango cha kurudi
Bidhaa/matarajio yanafaa
Maudhui yasiyo sahihi, tatizo la ubora
Kidokezo: Usiamue kulingana na KPI moja. Ikiwa kiasi kinaongezeka wakati mauzo yanaongezeka, inamaanisha kwamba "umenunua" mauzo kwa punguzo. Soma KPIs pamoja.
Je, akili ya bandia hubadilishaje data mbichi kuwa muhtasari?
Unaweza kutoa jedwali la mauzo (tarehe, kategoria, kiasi, mauzo, kurudi) na uulize:
- Muhtasari: Utendaji bora / mbaya zaidi, mabadiliko mashuhuri.
- Ulinganisho: Kipindi hiki dhidi ya kipindi cha mwisho, duka nk kituo cha ununuzi.
- Anomaly: Kuruka/kudondosha zisizotarajiwa na sababu zinazowezekana.
- Kitendo: Pendekezo la sentensi moja kwa kila matokeo.
AI hufanya hivi kwa dakika; Lakini muhimu: anaweza kufanya makosa wakati wa kuhesabu nambari mwenyewe. Kwa hivyo thibitisha jumla, asilimia, na mitindo katika matokeo na data chanzo.
Utambuzi wa hali isiyo ya kawaida: onyo la mapema
mauzo ya siku ghafla nusu; kuongezeka maradufu kwa kiwango cha kurudi kwa kategoria; Kupungua kwa duka tofauti na nyingine yoyote. Hizi zinaweza kuashiria hitilafu za data, hisa nyingi, hitilafu za bei au matatizo ya uendeshaji. Upelelezi wa Bandia huripoti hitilafu hizi lakini huchukua sababu, sio uthibitishaji. "Mauzo yameshuka kwa sababu ulikuwa nje ya hisa" ni dhana; Unaangalia data ya hisa na uithibitishe.
Tahadhari: AI wakati mwingine inaweza kuunda "mwenendo" au "sababu" ambayo haipo (hallucination). Kabla ya kubadilisha maoni kuwa vitendo, unapaswa kuuliza "je, hii inaonekana kwenye data?" Rudi kwenye chanzo.
Uchambuzi wa hatua kwa hatua
- Tayarisha data isiyojulikana, safi: Hakuna habari ya kibinafsi; tarehe, kategoria/SKU, wingi, mauzo, kiasi, kurudi.
- Kufafanua swali: "Nini kilichotokea?" (muhtasari), "kwa nini?" (sababu kuu), "nini cha kufanya?" (hatua).
- Omba muhtasari na hitilafu: Kwa sheria ya kutegemea nambari iliyo kwenye data pekee.
- Thibitisha: Angalia jumla na asilimia kwa mikono/lahajedwali; Jaribu sababu dhidi ya data ya chanzo.
- Geuza kuwa vitendo: Tanguliza matokeo yaliyothibitishwa na ufanye maamuzi.
kesi ndogo
Kesi ya 1 - Onyo la mapema lisilo la kawaida: Mauzo ya Jumamosi ya tawi la duka kubwa ni 55% chini ya wastani wake wa kila wiki. Ujuzi wa Bandia unaashiria hii kama hitilafu. Uchunguzi unaonyesha kuwa mfumo wa POS (checkout) ulianguka kwa saa 3 siku hiyo; Kupotea kwa mauzo sio kweli, ni suala la usajili. Ripoti imesahihishwa na hitilafu ya kiufundi inarekodiwa. Ikiwa intelijensia ya bandia ilisema "mahitaji yamepungua", hatua mbaya ingechukuliwa.
Kesi ya 2 - Ukinzani wa kiasi cha mauzo: Kampuni ya e-commerce inafurahi kuona mauzo yake ya kila mwezi yanaongezeka kwa 14%. Ufafanuzi wa AI KPI unaonyesha kuwa kiasi cha jumla kilipungua kwa pointi 6%, na ongezeko linakuja na punguzo kubwa. Usimamizi unakagua kasi ya punguzo; Badala ya udanganyifu wa "tunakua", lengo ni ukuaji wa faida.
Kesi ya 3 - Uthibitishaji unapata hisia: Mchambuzi analinganisha muhtasari wa AI "aina ya vinywaji ilikua 30%" na data ya chanzo; ongezeko halisi ni 12%. AI iliongeza wiki chache kimakosa. Mchambuzi anasahihisha. Bila hatua ya uthibitishaji, hadithi ya uwongo ya ukuaji itawasilishwa kwa wasimamizi.
Ulinganisho sahihi: kulinganisha apples na apples
Makosa ya kawaida katika uchanganuzi wa mauzo ni uwekaji alama usio sahihi. Kulinganisha mauzo ya wiki moja na ya awali ni kupotosha ikiwa kuna likizo ya umma, tukio la hali ya hewa au kampeni katikati. Katika rejareja, kulinganisha kwa afya kwa kawaida kunategemea kipindi sawa: wiki sawa mwaka jana, aina ya siku sawa (Jumamosi dhidi ya Jumamosi), hali sawa ya kampeni. Ipe AI muktadha huu wakati wa kulinganisha: "usilinganishe na wiki iliyopita, lakini na wiki ile ile mwaka jana kwa sababu kuna likizo wiki hii."
LFL (Like-for-Like/mauzo ya duka yanayolinganishwa): Hatua inayolinganisha mauzo ya maduka ambayo yamefunguliwa kwa angalau mwaka mmoja. Inapotosha kuongeza mauzo ya maduka mapya yaliyofunguliwa kwa jumla na kusema "tumekua"; Suala la kweli ni ikiwa duka zilizopo zinakua kikaboni. Katika usimamizi wa mnyororo, LFL ni mojawapo ya viashiria vya uaminifu zaidi vya utendaji wa kweli.
Kidokezo: Ikiwa nambari inaonekana kuwa nzuri au mbaya kwako, uliza "kulingana na nini?" uliza. Hakuna KPI yenye maana yenyewe bila rejeleo (mwaka jana, lengo, duka sawa). Unapouliza maoni kutoka kwa akili ya bandia, toa kumbukumbu.
Mwongozo dhaifu / Mwongozo thabiti
Agizo dhaifu:
Tafsiri data hii ya mauzo.
Swali haliko wazi; tafsiri ya juu juu, isiyoweza kuthibitishwa inarudi.
Agizo lenye nguvu:
Jukumu lako: mchambuzi wa mauzo ya rejareja. Data: Ifuatayo ni mauzo kulingana na kitengo, idadi, ukingo na idadi ya mapato kwa wiki 8 zilizopita (bila jina). Jukumu: (1) kategoria 3 bora na dhaifu zaidi, (2) mabadiliko 3 mashuhuri ikilinganishwa na wiki iliyopita, (3) kuna mikengeuko yoyote isiyotarajiwa (kasoro), weka sababu inayowezekana kama HYPOTHESIS, (4) kitendo cha sentensi moja kwa kila matokeo. Sheria: Tegemea nambari kwenye data pekee, usiongeze habari kutoka nje. Hesabu asilimia. Nionyeshe ili niweze kuthibitisha. Umbizo: kifungu kwa kifungu, si zaidi ya maneno 250. Data: [bandika]
Violezo vya haraka vinavyoweza kunakiliwa
1) Muhtasari wa usimamizi wa kila wiki
Pata muhtasari mkuu kutoka kwa data ifuatayo ya mauzo ya kila wiki isiyojulikana: aina za juu/dhaifu, mabadiliko makubwa, mapendekezo 3 ya hatua. Tumia tu nambari iliyo kwenye data, onyesha asilimia. Data: [bandika]
2) hesabu ya KPI na maoni
Kokotoa KPI zifuatazo kutoka kwa data hii: mauzo, kiasi cha jumla cha %, kikapu cha wastani, kiwango cha kurudi. Linganisha na kipindi cha mwisho na utoe maoni juu ya maana ya kila sentensi katika sentensi moja. Onyesha akaunti. Data: [bandika]
3) Utambuzi usio wa kawaida
Je, kuna miruko yoyote isiyotarajiwa au kushuka kwa mfululizo wa kila siku/wiki hapa chini? Weka alama kwenye kila dosari na ueleze sababu yake INAYOWEZEKANA kama dhana (sio ushahidi), na uandike ni data gani inapaswa kuthibitishwa nayo. Data: [bandika]
4) Uthibitishaji wa pato
Orodhesha madai yote ya nambari katika muhtasari ambao umetoa. Kwa kila moja, nionyeshe ni safu/safu zipi inatoka ili niweze kuilinganisha na data ya chanzo. Weka alama ikiwa hawana uhakika.
Makosa ya kawaida
- Kuangalia KPI moja: Itakuwa ya kupotosha kutosoma ubadilishaji-pengo-ubadilishaji pamoja.
- Kutothibitisha nambari: AI inaweza kufanya makosa ya jumla/asilimia.
- Kupotosha dhana kwa ukweli: "Kwa nini" mara nyingi ni dhana; kurudi kwenye chanzo.
- Kutegemea mwelekeo wa kuona ukumbini: Mwiba/muundo ambao haupo kwenye data unaweza kutengenezwa.
- Kukwepa kutokutambulisha: Data ya ripoti inaweza pia kuwa na maelezo ya kibinafsi.
- Ripoti bila hatua: Ikiwa matokeo hayajaunganishwa na hatua, uchambuzi utapotea.
Kwa muhtasari
Uchambuzi mzuri wa mauzo hutafsiri data mbichi kuwa majibu ya "nini kilifanyika, kwa nini, nini cha kufanya". Soma KPIs pamoja; Angalia ukingo kadri mauzo yanavyoongezeka. AI huharakisha muhtasari, tafsiri ya KPI na ugunduzi wa hitilafu, lakini inaweza kukokotoa nambari na kubainisha sababu. Thibitisha kila nambari na utoe maoni ukitumia data chanzo na uifanye kuwa vitendo.
Jukumu la maombi
Pata data ya mauzo, ukingo na urejeshaji kulingana na kategoria ya wiki 8 zilizopita katika jedwali lisilojulikana. Fanya muhtasari kwa "1) Muhtasari wa usimamizi wa kila wiki", tafuta mikengeuko na "3) Ugunduzi wa hitilafu", kisha ulinganishe nambari na data chanzo na kidokezo cha "4) Uthibitishaji wa Matokeo".
orodha ya ukaguzi
- [ ] Nilificha data ya ripoti.
- [ ] Nilisoma KPIs pamoja ( mauzo + margin + ubadilishaji).
- [ ] Nilithibitisha nambari zilizokokotolewa na akili bandia.
- [ ] Nilijaribu sababu ya hitilafu na data chanzo.
- [ ] Nilitenganisha dhana kutoka kwa ushahidi.
- [ ] Niliunganisha kila matokeo na kitendo.