Mga nadagdag:
- Kakayahang mag-interpret ng mga sukatan gaya ng rate ng conversion, basket average, cohort at customer lifetime value (LTV) na may suporta sa artificial intelligence
- Kakayahang gumawa ng insight at humiling ng mga draft ng forecast mula sa data ng mga benta at magbigay ng input sa mga desisyon sa stock at campaign
- Kakayahang kilalanin ang panganib ng nakakalito na ugnayan sa sanhi at paggawa ng mga pekeng numero at pag-verify ng bawat pagsusuri gamit ang sarili nitong pinagmumulan ng data
Sa e-commerce, ang data ay nasa lahat ng dako: kung gaano karaming mga tao ang dumating, gaano karaming mga bumili, kung magkano ang kanilang inilagay sa cart, kung anong channel ito nanggaling, bumalik ba sila sa pangalawang pagkakataon. Nakatago sa data na ito ang mga desisyon na magpapalago sa iyong negosyo; Ngunit ang hilaw na data lamang ay hindi nagbibigay ng patnubay, kailangan itong bigyang-kahulugan. Ang artificial intelligence (AI) ay isang mahusay na tulong sa mabilis na pagbubuod at pagbibigay-kahulugan sa iyong data, paghahanap ng mga pattern at anomalya, pag-draft ng mga ulat, at pagbuo ng mga senaryo ng pagtataya ng demand. Ngunit mayroong dalawang malaking pitfalls ng AI sa analytics: number crunching (paggawa ng mga sukatan nang walang access sa iyong data) at maling ugnayan para sa sanhi (pag-iisip ng dalawang bagay na magkasamang gumagalaw ay "isang dahilan ng isa pa"). Sa unit na ito, malalaman natin ang parehong mga tamang sukatan at kung paano gamitin ang AI nang ligtas.
Tukuyin natin ang mga pangunahing sukatan. Rate ng conversion: ilang porsyento ng bumibili ang mga bisita. Average cart (AOV): average na dami ng mga order. Pagsusuri ng cohort: pagsubaybay sa gawi sa paglipas ng panahon ng isang pangkat ng mga customer (cohort) na namili sa unang pagkakataon sa parehong panahon. Halaga ng panghabambuhay ng customer (LTV): isang pagtatantya ng kabuuang kita na iniiwan ng isang customer sa kabuuan ng relasyon. Abandonment (churn): kapag huminto ang customer sa pamimili. Sama-sama, sinasagot ng mga sukatan na ito ang tanong na "magkano ang kinikita ko at saan ako lalago?"
Aling sukatan ang nagsasabi kung ano?
Ang bawat sukatan ay sumasagot sa isang tanong; Ang pagtingin sa maling sukatan ay humahantong sa maling desisyon.
panukat
Tanong
Kung tumaas
Pansin
Rate ng conversion
Ang trapiko ba ay nagiging benta?
mabuti
Magbasa nang may kalidad ng trapiko
Average na basket (AOV)
Ano ang kinikita ko sa bawat order?
mabuti
Cross-selling/bundling effect
Rate ng pag-ulit ng pangkat
Babalik ba ang customer?
May loyalty
Nag-iiba ayon sa channel
LTV
Ano ang halaga ng customer sa katagalan?
mabuti
Ito ay isang pagtatantya, hindi tiyak.
pag-abandona (churn)
Nawawalan ba ako ng mga customer?
masama
Bakit ito dapat imbestigahan?
Rate ng pagbabalik
Nakakatugon ba ang produkto sa mga inaasahan?
masama
Ang normal na antas ay nag-iiba ayon sa kategorya
Isang mahalagang prinsipyo: ang isang sukatan ay nakakapanlinlang. Kung tumaas ang mga conversion ngunit tumaas din ang mga pagbabalik, marahil ang nakakapanlinlang na nilalaman ay nagpapalaki ng mga benta at nagti-trigger ng mga pagbabalik. Basahin ang mga sukatan nang magkasama.
Pagsusuri gamit ang AI: ang number crunching trap
Ang pinaka-mapanganib na pagkakamali ng AI ay ang paggawa nito ng kumpiyansa na numero tulad ng "ang iyong rate ng conversion ay 4.2 porsyento" nang hindi tumitingin sa iyong data (isang guni-guni). Ang numerong ito ay ganap na gawa-gawa. Ang panuntunan ay malinaw: ang mga sukatan ay nagmumula lamang sa iyong sariling analytics source — Google Analytics, marketplace dashboard, ulat mula sa iyong e-commerce na imprastraktura. Gamitin ang AI upang bigyang-kahulugan ang data na ito: ibibigay mo ito (hindi nagpapakilala) at ito ay nagbubuod nito, naghahanap ng mga pattern, nag-draft ng isang ulat. Hindi para sa pag-alala ng data.
Babala: Kahit na ang AI ay nagsasalita ng isang sukatan nang napakahusay at tumpak, itanong kung saan nanggaling ang numerong iyon. "Mula sa anong data mo nakalkula ang figure na ito?" Kung hindi mo ibinigay, siya ang gumawa nito. Ang bawat numero na pumapasok sa ulat ay dapat kumpirmahin mula sa iyong sariling dashboard.
Kaugnayan at sanhi
Ang pangalawang malaking bitag ay ang kamalian ng pananahilan. Sa isang data, maaaring sabihin ng AI na "nadagdagan ang paggasta sa advertising, tumaas din ang mga benta, ibig sabihin, tumaas ang mga benta ng advertising." Ito ay isang ugnayan (kumikilos nang sama-sama); ngunit maaaring walang sanhi. Marahil ay may ikatlong salik na nagpapataas ng pareho: halimbawa, ang kapaskuhan ay nagpapataas ng parehong advertising at benta. Ang maling pagkakaugnay para sa sanhi ay magdudulot sa iyo ng pag-aaksaya ng pera sa isang bagay na hindi gumagana. Ang paraan para maunawaan ang causality ay kinokontrol na pagsubok: A/B testing (nagpapakita ng dalawang grupo sa parehong oras at sinusukat ang pagkakaiba) o hindi bababa sa paglilinis ng bago-pagkatapos na paghahambing mula sa iba pang mga kadahilanan. Hayaan ang AI na bumuo ng mga hypotheses; Patunayan ang sanhi sa pagsubok.
Pagtataya ng demand
Maaaring bumuo ang AI ng mga senaryo ng pagtataya ng demand mula sa iyong makasaysayang data ng mga benta: " nitong buwang ito noong nakaraang taon ay nagbenta ka ng ganito kalaki, ang trend ay sa direksyong ito, ang epekto ng holiday ay ito" atbp. Ito ay isang mahalagang input para sa imbentaryo at mga desisyon sa pagbili; Nakakatulong ito sa balanse sa pagitan ng maagang pagkaubos (nawalang benta) at labis na imbentaryo (tied up capital, meltdown). Ngunit ang isang hula ay isang hula: ang isang hindi inaasahang kampanya, problema sa supply o pagbabago sa fashion ay nakakagambala sa larawan. Gamitin ang pagtatantya bilang isang "saklaw ng sitwasyon", hindi isang "mahirap na numero", at ihalo ito sa iyong sariling kaalaman sa negosyo.
Apat na maaaring kopyahin na mga template
1) Buod ng sukatan at komentaryo:
Ang iyong tungkulin: ecommerce analyst assistant. Nasa ibaba ang aktwal na data mula sa sarili kong dashboard (anonymous): rate ng conversion, bisita, order, AOV, return rate, period.Data: [talahanayan].Gawain: bigyang-kahulugan ang mga sukatang ito nang magkasama; i-flag ang mga hindi pangkaraniwang paggalaw; isulat ang mga posibleng dahilan bilang HYPOTHESIS (huwag sabihin ang tiyak na dahilan). Panuntunan: huwag gumawa ng anumang bilang na hindi ibinigay; markahan ang nawawalang data [DATA MISSING].
2) Pagsusuri ng ugnayan/causality:
Isaalang-alang ang sumusunod na claim: "Nadagdagan ang [metric A], tumaas din ang [metric B], kaya nagdulot ang A ng B." Konteksto: [panahon, kampanya, mga panlabas na kadahilanan].Gawain: talakayin kung ito ay ugnayan o sanhi; ilista ang mga karaniwang salik na maaaring tumaas pareho; Ipaliwanag kung paano mag-set up ng A/B test para patunayan ang causality.
3) Pagsusuri ng pangkat/segment:
Nasa ibaba ang anonymous na data ng cohort (unang buwan ng pagbili, mga rate ng paulit-ulit na pagbili).Data: [talahanayan].Gawain: bigyang-kahulugan kung aling cohort ang mas tapat, kung paano nagbabago ang rate ng paulit-ulit sa paglipas ng panahon; Markahan kung aling segment ang may pagkakataon/panganib. Panuntunan: gamitin lamang ang mga numerong ibinigay.
4) Sitwasyon ng pagtataya ng demand:
Mga dating benta: [buwanang data]. Mga kilalang salik: [festival, campaign, season].Gawain: bumuo ng low/medium/high demand scenario para sa susunod na [period]; isulat ang palagay ng bawat senaryo.Tuntunin: sabihin na ito ay hula; Huwag magbigay ng eksaktong numero, magbigay ng hanay.
tatlong mini case
Kaso 1 — Sabay-sabay na pagbasa. Isang tindahan ang natuwa nang makita ang pagtaas ng rate ng conversion nito; Ngunit nang sabay niyang i-interpret ang AI at mga sukatan, nakita niyang tumaas din ang return rate. Bakit: pinalaki ang mga paglalarawan ng produkto sa isang campaign; Bibilhin ito ng mga customer ngunit ibabalik ito kapag hindi natugunan ang kanilang mga inaasahan. Ang saya ng pagtingin sa isang sukatan ay naging problema nang sabay naming basahin ito at ito ay naayos.
Kaso 2 — Pekeng sukatan. Tinanong ng isang manager ang AI "ano ang aming conversion noong nakaraang buwan"; Sinabi ng AI na "3.5 porsyento". Ginamit ito ng manager bilang layunin sa pulong ng pangkat. Ang aktwal na rate ay 1.9 porsyento sa kabuuan. Ang maling pundasyon ay nagsilang ng maling layunin. Aralin: ang mga sukatan ay nagmumula lamang sa dashboard.
Case 3 — Fallacy of causality. Dinoble ng isang tindahan ang dalas ng mga email, na nagsasabing "tumaas ang mga benta noong araw na nagpadala kami ng mga email, kaya tumaas ang mga benta ng mga email." Ngunit ang mga araw na iyon ay mga araw din ng diskwento; Ang pangunahing kadahilanan ay ang diskwento. Ang mga madalas na email ay nakakainis sa mga customer at nadagdagan ang pag-unsubscribe. Ang isang pagsubok sa A/B ay magpapakita ng tunay na driver.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Suriin ang pagganap ng aking tindahan at sabihin sa akin ang aking rate ng conversion.
Dahil walang ibinigay na data, binubuo ng AI ang rate ng conversion; Ang pagsusuri ay maling batay sa simula.
Napakahusay na prompt:
Ang iyong tungkulin: analyst ng e-commerce. Nasa ibaba ang data na nakuha ko mula sa sarili kong dashboard ng Analytics (anonymous): Bisita 42,000, nag-order ng 780, AOV 640 TL, return rate 9%, panahon: Hunyo. Gawain: Kalkulahin ang rate ng conversion mula sa data na ito (ipakita ang account), bigyang-kahulugan ang mga sukatan nang magkasama, markahan ang mga hindi pangkaraniwang puntos bilang mga hypotheses. Bumubuo ng mga numero na hindi ibinigay.
Mga karaniwang pagkakamali
- Paghingi ng mga sukatan sa AI. Ang paghiling ng mga sukatan nang hindi nagbibigay ng iyong sariling data ay magreresulta sa mga pekeng numero.
- Pagtingin sa isang sukatan. Kung tumaas ang mga conversion ngunit tumaas din ang pagbabalik, nanlilinlang ang talahanayan.
- Napagkakamalang ugnayan para sa sanhi. Ang pag-claim ng "sanhi" nang walang pagsubok ay humahantong sa maling pamumuhunan.
- Upang ipagpalagay na ang pagtatantya ay isang eksaktong numero. Ang pagtatantya ng demand ay isang saklaw, hindi isang garantiya.
- Pagbabahagi ng data nang walang anonymization. Kahit na mapunta sa pagsusuri ang data ng customer, dapat alisin ang personal na espasyo.
- Hindi na-verify ang account. Manu-manong suriin ang bawat pagkalkula na ginagawa ng AI.
Sa buod
Ang e-commerce analytics ay ang disiplina na ginagawang mga desisyon ang hilaw na data. Magbasa nang magkasama ng mga sukatan tulad ng conversion, AOV, cohort, LTV, at mga pagbabalik; Ang isang sukatan ay nakakapanlinlang. Ang AI ay mahusay sa pagbubuod ng data, paghahanap ng mga pattern, at pagbalangkas ng mga ulat; ngunit upang maiwasang mahulog sa mga bitag ng metric na angkop at nakakalito na ugnayan na may sanhi, i-verify ang bawat numero mula sa iyong sariling pinagmulan at subukan ang bawat claim na "sanhi" gamit ang kinokontrol na pagsubok. Gamitin ang forecast ng demand bilang hanay ng senaryo, hindi bilang eksaktong numero. I-anonymize ang mga personal na field kapag nagsusumite ng data para sa pagsusuri.
Gawain ng aplikasyon
I-extract nang hindi nagpapakilala ang mga sukatan ng isang aktwal na panahon (mga bisita, order, AOV, return rate) mula sa sarili mong analytics dashboard. Humingi ng mga komento sa AI na may template na "buod ng mga sukatan at komento"; Hayaan itong kalkulahin ang mismong rate ng conversion, ngunit maaari mo itong i-verify nang manu-mano. Pagkatapos, mag-isip ng claim na "A increase, B increase" tungkol sa iyong negosyo, subukan ito gamit ang template na "Correlation/causation check" at magdisenyo ng A/B test. Panghuli, gumawa ng senaryo ng pagtataya ng demand at ihambing ito sa iyong sariling kaalaman sa negosyo.
checklist
- [ ] Kinuha ko ang lahat ng sukatan mula sa sarili kong pinagmulan ng analytics; Hindi ako nakabawi sa AI.
- [ ] Manu-mano kong na-verify ang bawat kalkulasyon na ginawa ng AI.
- [ ] Binibigyang-kahulugan ko ang mga sukatan nang sama-sama, hindi isa-isa.
- [ ] Sinubukan ko ang mga claim na "causation" para sa ugnayan/causation.
- [ ] Itinuring ko ang forecast ng demand bilang isang saklaw ng sitwasyon, hindi isang eksaktong numero.
- [ ] Nag-anonymize ako ng mga personal na field sa data na nasuri.