Faida:
- Uwezo wa kutafsiri vipimo kama vile kiwango cha ubadilishaji, wastani wa kikapu, kundi na thamani ya maisha ya mteja (LTV) kwa usaidizi wa akili bandia.
- Uwezo wa kutoa ufahamu na kudai rasimu za utabiri kutoka kwa data ya mauzo na kutoa mchango katika maamuzi ya hisa na kampeni
- Uwezo wa kutambua hatari ya kuchanganya uunganisho na sababu na kutengeneza nambari bandia na kuthibitisha kila uchanganuzi na chanzo chake cha data.
Katika e-commerce, data iko kila mahali: watu wangapi walikuja, wangapi walinunua, ni kiasi gani walichoweka kwenye gari, ni kituo gani kilitoka, walirudi mara ya pili. Yaliyofichwa ndani ya data hii ni maamuzi ambayo yatakuza biashara yako; Lakini data mbichi pekee haitoi mwongozo, inahitaji kufasiriwa. Akili Bandia (AI) ni usaidizi mkubwa katika kufupisha na kutafsiri data yako kwa haraka, kutafuta ruwaza na hitilafu, kuandaa ripoti na kutoa hali za utabiri wa mahitaji. Lakini kuna mitego miwili mikubwa ya AI katika uchanganuzi: kubana nambari (kutengeneza metriki bila ufikiaji wa data yako) na uunganisho wa makosa wa sababu (kufikiria vitu viwili kusonga pamoja ni "sababu moja ya nyingine"). Katika kitengo hiki, tutajifunza vipimo sahihi na jinsi ya kutumia AI kwa usalama.
Hebu tufafanue vipimo vya msingi. Asilimia ya walioshawishika: asilimia ngapi ya wageni hununua. Mkokoteni wa wastani (AOV): kiasi cha wastani cha maagizo. Uchanganuzi wa kundi: kufuatilia tabia ya muda ya kundi la wateja (kundi) walionunua kwa mara ya kwanza katika kipindi sawa. Thamani ya maisha ya mteja (LTV): makadirio ya jumla ya faida ambayo mteja huacha wakati wa uhusiano. Kuacha (churn): mteja anapoacha ununuzi. Kwa pamoja, vipimo hivi vinajibu swali "nitapata kiasi gani na ninalima wapi?"
Ni kipimo gani kinasema nini?
Kila kipimo kinajibu swali; Kuangalia kipimo kisicho sahihi husababisha uamuzi usio sahihi.
kipimo
Swali
Ikiwa inapanda
Tahadhari
Kiwango cha ubadilishaji
Trafiki inageuka kuwa mauzo?
nzuri
Soma kwa ubora wa trafiki
Kikapu wastani (AOV)
Je, ninapata nini kwa agizo?
nzuri
Athari ya kuuza/kuunganisha
Kiwango cha kurudia kwa kundi
Je, mteja anarudi?
Kuna uaminifu
Hutofautiana kulingana na kituo
LTV
Je, mteja ana thamani gani kwa muda mrefu?
nzuri
Ni makadirio, sio uhakika.
kutelekezwa (kukasirika)
Je, ninapoteza wateja?
mbaya
Kwa nini ichunguzwe?
Kiwango cha kurudi
Je, bidhaa inakidhi matarajio?
mbaya
Kiwango cha kawaida hutofautiana kwa kategoria
Kanuni muhimu: kipimo kimoja kinapotosha. Iwapo walioshawishika waliongezeka lakini mapato pia yakaongezeka, huenda maudhui yanayopotosha ni kuongeza mauzo na kusababisha mapato. Soma vipimo pamoja.
Uchambuzi na AI: mtego wa kukata nambari
Makosa hatari zaidi ya AI ni kwamba hutoa nambari ya kujiamini kama "kiwango chako cha ubadilishaji ni asilimia 4.2" bila kuangalia data yako (maoni). Nambari hii imetengenezwa kabisa. Sheria iko wazi: vipimo hutoka tu kutoka kwa chanzo chako cha uchanganuzi - Google Analytics, dashibodi ya soko, ripoti kutoka kwa miundombinu yako ya biashara ya kielektroniki. Tumia AI kutafsiri data hii: unaipatia (bila kujulikana) na inaifupisha, inapata ruwaza, inatayarisha ripoti. Sio kwa kukumbuka data.
Tahadhari: Hata wakati AI inazungumza kipimo kwa ufasaha na kwa usahihi, uliza nambari hiyo ilitoka wapi. "Umehesabu takwimu hii kutoka kwa data gani?" Ikiwa haukutoa, alitengeneza. Kila nambari inayoingia kwenye ripoti lazima idhibitishwe kutoka kwenye dashibodi yako mwenyewe.
Uwiano na sababu
Mtego mkubwa wa pili ni uwongo wa sababu. Katika data, AI inaweza kusema "matumizi ya utangazaji yaliongezeka, mauzo pia yaliongezeka, ikimaanisha kuongezeka kwa mauzo". Huu ni uwiano (kutenda pamoja); lakini kunaweza kuwa hakuna sababu. Labda kuna sababu ya tatu ambayo huongeza zote mbili: kwa mfano, msimu wa likizo huongeza matangazo na mauzo. Kukosea kwa uwiano wa sababu kutakufanya upoteze pesa kwa kitu ambacho hakifanyi kazi. Njia ya kuelewa sababu ni upimaji unaodhibitiwa: Upimaji wa A/B (kuonyesha vikundi viwili kwa wakati mmoja na kupima tofauti) au angalau kutakasa ulinganisho wa kabla-baada kutoka kwa mambo mengine. Acha AI itengeneze dhana; Thibitisha sababu kwa kupima.
Utabiri wa mahitaji
AI inaweza kuzalisha matukio ya utabiri wa mahitaji kutoka kwa data yako ya kihistoria ya mauzo: "mwezi huu mwaka jana uliuza kiasi hiki, mwelekeo uko upande huu, athari ya likizo ni hii" nk. Huu ni mchango muhimu kwa maamuzi ya hesabu na ununuzi; Husaidia kupata uwiano kati ya kupungua mapema (mauzo yaliyopotea) na hesabu ya ziada (mtaji uliofungwa, kuyeyuka). Lakini utabiri ni utabiri: kampeni isiyotarajiwa, tatizo la usambazaji au mabadiliko ya mtindo huharibu picha. Tumia makadirio kama "masafa ya matukio", sio "nambari ngumu", na uchanganye na maarifa yako ya biashara.
Violezo vinne vinavyoweza kunakiliwa
1) Muhtasari wa kipimo na maoni:
Jukumu lako: msaidizi wa uchanganuzi wa ecommerce. Hapa chini kuna data halisi kutoka kwa dashibodi yangu mwenyewe (bila jina): asilimia ya walioshawishika, mgeni, agizo, AOV, kiwango cha urejeshaji, kipindi.Data: [jedwali]. Kazi: kufasiri metriki hizi pamoja; bendera harakati zisizo za kawaida; andika sababu zinazowezekana kama HYPOTHESIS (usiseme sababu dhahiri).Kanuni: usitoe nambari yoyote ambayo haijatolewa; weka alama ya kukosa data [DATA MISSING].
2) Uchunguzi wa uhusiano/usababisho:
Fikiria dai lifuatalo: "[kipimo A] kiliongezeka, vivyo hivyo [kipimo B], kwa hivyo A kilisababisha B." Muktadha: [kipindi, kampeni, vipengele vya nje]. Kazi: jadili kama huu ni uwiano au sababu; orodhesha sababu za kawaida ambazo zinaweza kuongezeka zote mbili; Eleza jinsi ya kuanzisha jaribio la A/B ili kuthibitisha sababu.
3) Uchambuzi wa kundi/sehemu:
Ifuatayo ni data ya kundi isiyojulikana (mwezi wa kwanza wa ununuzi, kurudia viwango vya ununuzi).Data: [Jedwali].Jukumu: tafsiri ni kundi gani linaloaminika zaidi, jinsi kiwango cha marudio hubadilika kadri muda unavyopita; Weka alama ni sehemu gani ina fursa/hatari. Sheria: tumia nambari ulizopewa pekee.
4) Hali ya utabiri wa mahitaji:
Mauzo ya kihistoria: [data ya kila mwezi]. Mambo yanayojulikana: [tamasha, kampeni, msimu]. Kazi: toa hali ya mahitaji ya chini/kati/ya juu kwa [kipindi] kijacho; andika dhana ya kila kisa.Kanuni: eleza kuwa ni dhana; Usitoe nambari kamili, toa masafa.
kesi tatu ndogo
Kesi ya 1 - Kusoma pamoja. Duka moja lilifurahishwa kuona kiwango cha ubadilishaji wake kinaongezeka; Lakini alipotafsiri AI na metriki pamoja, aliona kwamba kiwango cha kurudi pia kilipanda. Kwa nini: maelezo ya bidhaa yalitiwa chumvi katika kampeni; Wateja wangeinunua lakini kuirudisha wakati matarajio yao hayakutimizwa. Furaha ya kuangalia kipimo kimoja iligeuka kuwa tatizo tulipoisoma pamoja na ikarekebishwa.
Kesi ya 2 - kipimo bandia. Meneja aliuliza AI "uongofu wetu ulikuwa nini mwezi uliopita"; AI ilisema "asilimia 3.5". Meneja alitumia hili kama lengo katika mkutano wa timu. Kiwango halisi kilikuwa asilimia 1.9 katika bodi nzima. Msingi mbaya ulizaa lengo lisilo sahihi. Somo: vipimo hutoka kwenye dashibodi pekee.
Kesi ya 3 - Uongo wa sababu. Duka moja liliongeza maradufu idadi ya barua pepe, ikisema "mauzo yaliongezeka siku tulipotuma barua pepe, kwa hivyo barua pepe huongeza mauzo." Lakini siku hizo pia zilikuwa siku za punguzo; Sababu kuu ilikuwa punguzo. Barua pepe za mara kwa mara ziliwakasirisha wateja na kuongezeka kwa watu waliojiondoa. Jaribio la A/B litaonyesha dereva halisi.
Mwongozo dhaifu / Mwongozo thabiti
Agizo dhaifu:
Changanua utendaji wa duka langu na uniambie asilimia yangu ya walioshawishika.
Kwa kuwa hakuna data iliyotolewa, AI hutengeneza kiwango cha ubadilishaji; Uchambuzi umejikita kimakosa tangu mwanzo.
Agizo lenye nguvu:
Jukumu lako: mchambuzi wa biashara ya mtandaoni. Ifuatayo ni data niliyopata kutoka kwa dashibodi yangu ya Uchanganuzi (bila jina): Wageni 42,000, maagizo 780, AOV 640 TL, kiwango cha kurejesha 9%, kipindi: Juni. Jukumu: HESABU kiwango cha walioshawishika kutoka kwa data hii (onyesha akaunti), tafsiri vipimo pamoja, weka alama alama zisizo za kawaida kama dhana. Kuzalisha nambari ambazo hazijatolewa.
Makosa ya kawaida
- Kufanya AI iulize vipimo. Kuomba vipimo bila kutoa data yako mwenyewe kutasababisha nambari ghushi.
- Kuangalia kipimo kimoja. Ikiwa ubadilishaji uliongezeka lakini mapato pia yakaongezeka, jedwali linapotosha.
- Kukosea kwa uunganisho wa sababu. Kudai "sababu" bila kupima husababisha kuwekeza vibaya.
- Ili kudhani kuwa makadirio ni nambari kamili. Kadirio la mahitaji ni masafa, si hakikisho.
- Kushiriki data bila utambulisho. Hata kama data ya mteja itachanganuliwa, nafasi ya kibinafsi lazima iondolewe.
- Haithibitishi akaunti. Angalia mwenyewe kila hesabu AI hufanya.
Kwa muhtasari
Uchanganuzi wa biashara ya mtandaoni ni taaluma inayogeuza data ghafi kuwa maamuzi. Soma pamoja vipimo kama vile ubadilishaji, AOV, kundi, LTV, na kurejesha; Kipimo kimoja kinapotosha. AI ina nguvu katika kufupisha data, kutafuta ruwaza, na kuandaa ripoti; lakini ili kuepuka kuangukia katika mitego ya ulinganifu wa kipimo na utata wa uwiano na sababu, thibitisha kila nambari kutoka kwa chanzo chako na ujaribu kila dai la "sababu" kwa kupima kudhibitiwa. Tumia utabiri wa mahitaji kama safu ya matukio, sio kama nambari kamili. Usitambulishe sehemu za kibinafsi wakati wa kuwasilisha data kwa uchambuzi.
Jukumu la maombi
Toa bila kujulikana vipimo halisi vya kipindi (waliotembelea, maagizo, AOV, kiwango cha kurejesha) kutoka kwenye dashibodi yako ya uchanganuzi. Uliza AI maoni kwa kutumia kiolezo cha "muhtasari wa vipimo na maoni"; Iruhusu ihesabu kiwango cha ubadilishaji yenyewe, lakini unaweza kuithibitisha wewe mwenyewe. Kisha, fikiria dai la "A limeongezeka, B limeongezeka" kuhusu biashara yako, lijaribu kwa kiolezo cha "Uwiano/changio la sababu" na uunde jaribio la A/B. Hatimaye, toa hali ya utabiri wa mahitaji na ulinganishe na ujuzi wako wa biashara.
orodha ya ukaguzi
- [ ] Nilitoa vipimo vyote kutoka kwa chanzo changu cha uchanganuzi; Sikuweza kufikia AI.
- [ ] Nilithibitisha mwenyewe kila hesabu ambayo AI ilifanya.
- [ ] Nilifasiri vipimo pamoja, sio kibinafsi.
- [ ] Nilijaribu madai ya "sababu" kwa uunganisho/sababu.
- [ ] Nilichukulia utabiri wa mahitaji kama safu ya matukio, sio nambari kamili.
- [ ] Nilificha sehemu za kibinafsi katika data iliyochanganuliwa.