Lợi nhuận:
- Khả năng diễn giải các số liệu như tỷ lệ chuyển đổi, mức trung bình của giỏ hàng, nhóm thuần tập và giá trị trọn đời của khách hàng (LTV) với sự hỗ trợ của trí tuệ nhân tạo
- Khả năng tạo ra các bản thảo dự báo nhu cầu và hiểu biết sâu sắc từ dữ liệu bán hàng và cung cấp thông tin đầu vào cho các quyết định về kho hàng và chiến dịch
- Khả năng nhận biết nguy cơ nhầm lẫn mối tương quan với quan hệ nhân quả và tạo số giả và xác minh từng phân tích bằng nguồn dữ liệu riêng
Trong thương mại điện tử, dữ liệu có ở khắp mọi nơi: có bao nhiêu người đã đến, bao nhiêu người đã mua, họ đã bỏ bao nhiêu vào giỏ hàng, nó đến từ kênh nào, họ có quay lại lần thứ hai hay không. Ẩn trong dữ liệu này là những quyết định sẽ phát triển doanh nghiệp của bạn; Nhưng chỉ riêng dữ liệu thô không cung cấp hướng dẫn mà nó cần được diễn giải. Trí tuệ nhân tạo (AI) là một công cụ hỗ trợ mạnh mẽ trong việc tóm tắt và giải thích nhanh chóng dữ liệu của bạn, tìm ra các mẫu và điểm bất thường, soạn thảo báo cáo và tạo ra các kịch bản dự báo nhu cầu. Nhưng có hai cạm bẫy lớn của AI trong phân tích: xử lý số liệu (tạo ra các số liệu mà không cần truy cập vào dữ liệu của bạn) và nhầm lẫn mối tương quan với quan hệ nhân quả (nghĩ rằng hai thứ chuyển động cùng nhau là “nguyên nhân của thứ kia”). Trong phần này, chúng ta sẽ tìm hiểu cả các số liệu chính xác và cách sử dụng AI một cách an toàn.
Hãy xác định các số liệu cơ bản. Tỷ lệ chuyển đổi: bao nhiêu phần trăm khách truy cập mua. Giỏ hàng trung bình (AOV): số lượng đơn hàng trung bình. Phân tích đoàn hệ: theo dõi hành vi theo thời gian của một nhóm khách hàng (đoàn hệ) mua sắm lần đầu tiên trong cùng khoảng thời gian. Giá trị trọn đời của khách hàng (LTV): ước tính tổng lợi nhuận mà khách hàng để lại trong suốt mối quan hệ. Bỏ rơi (churn): khi khách hàng ngừng mua sắm. Cùng với nhau, những số liệu này trả lời câu hỏi “tôi kiếm được bao nhiêu và tôi phát triển ở đâu?”
Số liệu nào cho biết điều gì?
Mỗi số liệu trả lời một câu hỏi; Nhìn sai số liệu sẽ dẫn tới quyết định sai lầm.
thước đo
Câu hỏi
Nếu nó tăng
Chú ý
Tỷ lệ chuyển đổi
Lưu lượng truy cập có chuyển thành doanh số bán hàng không?
tốt
Đọc với chất lượng lưu lượng truy cập
Giỏ trung bình (AOV)
Tôi kiếm được gì cho mỗi đơn hàng?
tốt
Hiệu ứng bán kèm/gói
Tỷ lệ tái phát đoàn hệ
Khách hàng có quay trở lại không?
Có lòng trung thành
Thay đổi theo kênh
LTV
Giá trị của khách hàng về lâu dài là gì?
tốt
Đó là ước tính, không chắc chắn.
sự bỏ rơi (rời bỏ)
Tôi có đang mất khách hàng không?
xấu
Tại sao phải điều tra?
Tỷ lệ hoàn trả
Sản phẩm có đáp ứng được mong đợi không?
xấu
Mức độ bình thường thay đổi tùy theo thể loại
Một nguyên tắc quan trọng: một số liệu có thể gây hiểu lầm. Nếu chuyển đổi tăng nhưng lợi nhuận cũng tăng thì có lẽ nội dung gây hiểu lầm đang làm tăng doanh số bán hàng và kích hoạt lợi nhuận. Cùng nhau đọc các số liệu.
Phân tích bằng AI: bẫy bẻ số
Sai lầm nguy hiểm nhất của AI là nó tạo ra một con số đáng tin cậy như "tỷ lệ chuyển đổi của bạn là 4,2 phần trăm" mà không hề nhìn vào dữ liệu của bạn (ảo giác). Con số này hoàn toàn bịa đặt. Quy tắc rất rõ ràng: số liệu chỉ đến từ nguồn phân tích của riêng bạn — Google Analytics, bảng điều khiển thị trường, báo cáo từ cơ sở hạ tầng thương mại điện tử của bạn. Sử dụng AI để giải thích dữ liệu này: bạn cung cấp dữ liệu đó (ẩn danh) và nó tóm tắt dữ liệu đó, tìm mẫu, soạn thảo báo cáo. Không phải để ghi nhớ dữ liệu.
Thận trọng: Ngay cả khi AI nói một số liệu rất trôi chảy và chính xác, hãy hỏi con số đó đến từ đâu. “Bạn đã tính toán con số này từ dữ liệu nào?” Nếu bạn không đưa thì anh ấy đã bù đắp. Mọi con số đưa vào báo cáo đều phải được xác nhận từ bảng điều khiển của chính bạn.
Mối tương quan và nhân quả
Cái bẫy lớn thứ hai là sự ngụy biện về quan hệ nhân quả. Trong một dữ liệu, AI có thể nói “chi tiêu quảng cáo tăng, doanh thu cũng tăng, nghĩa là doanh thu quảng cáo tăng”. Đây là sự tương quan (cùng hành động); nhưng có thể không có quan hệ nhân quả. Có lẽ còn có yếu tố thứ ba làm tăng cả hai: ví dụ, mùa nghỉ lễ tăng cả quảng cáo và doanh số bán hàng. Việc nhầm lẫn mối tương quan với quan hệ nhân quả sẽ khiến bạn lãng phí tiền vào những thứ không hiệu quả. Cách hiểu về quan hệ nhân quả là thử nghiệm có kiểm soát: thử nghiệm A/B (hiển thị hai nhóm cùng lúc và đo lường sự khác biệt) hoặc ít nhất là làm rõ sự so sánh trước sau khỏi các yếu tố khác. Hãy để AI tạo ra các giả thuyết; Chứng minh quan hệ nhân quả bằng phép thử.
Dự báo nhu cầu
AI có thể tạo ra các kịch bản dự báo nhu cầu từ dữ liệu bán hàng lịch sử của bạn: "tháng này năm ngoái bạn đã bán được nhiều thế này, xu hướng theo hướng này, hiệu ứng kỳ nghỉ là thế này", v.v. Đây là thông tin đầu vào có giá trị cho các quyết định mua hàng và tồn kho; Nó giúp đạt được sự cân bằng giữa sự cạn kiệt sớm (doanh thu bị mất) và hàng tồn kho dư thừa (vốn bị ràng buộc, khủng hoảng). Nhưng dự đoán vẫn là dự đoán: một chiến dịch bất ngờ, vấn đề về nguồn cung hoặc sự thay đổi về thời trang sẽ làm gián đoạn bức tranh. Sử dụng ước tính dưới dạng "phạm vi kịch bản", không phải "con số cứng" và kết hợp nó với kiến thức kinh doanh của riêng bạn.
Bốn mẫu có thể sao chép
1) Tóm tắt và bình luận số liệu:
Vai trò của bạn: trợ lý phân tích thương mại điện tử. Dưới đây là dữ liệu thực tế từ trang tổng quan của riêng tôi (ẩn danh): tỷ lệ chuyển đổi, khách truy cập, đơn đặt hàng, AOV, tỷ lệ hoàn lại, khoảng thời gian. Dữ liệu: [bảng]. Nhiệm vụ: diễn giải các số liệu này cùng nhau; đánh dấu những chuyển động bất thường; viết các nguyên nhân có thể xảy ra dưới dạng GIẢ THUYẾT (không nói nguyên nhân xác định). Quy tắc: không đưa ra bất kỳ số nào không được đưa ra; đánh dấu dữ liệu bị thiếu [DỮ LIỆU MISSING].
2) Kiểm tra mối tương quan/quan hệ nhân quả:
Hãy xem xét khẳng định sau: "[chỉ số A] tăng lên, [chỉ số B] cũng vậy, nên A gây ra B." Bối cảnh: [giai đoạn, chiến dịch, các yếu tố bên ngoài]. Nhiệm vụ: thảo luận xem đây là mối tương quan hay quan hệ nhân quả; liệt kê các yếu tố chung có thể làm tăng cả hai; Giải thích cách thiết lập thử nghiệm A/B để chứng minh quan hệ nhân quả.
3) Phân tích nhóm/phân khúc:
Dưới đây là dữ liệu nhóm thuần tập ẩn danh (tháng đầu tiên mua hàng, tỷ lệ mua hàng lặp lại). Dữ liệu: [bảng]. Nhiệm vụ: diễn giải nhóm nào trung thành hơn, tỷ lệ lặp lại thay đổi như thế nào theo thời gian; Đánh dấu phân khúc nào có cơ hội/rủi ro. Quy tắc: chỉ sử dụng những con số đã cho.
4) Kịch bản dự báo nhu cầu:
Doanh số lịch sử: [dữ liệu hàng tháng]. Các yếu tố đã biết: [lễ hội, chiến dịch, mùa]. Nhiệm vụ: tạo ra kịch bản nhu cầu thấp/trung bình/cao cho [giai đoạn] tiếp theo; viết ra giả định của từng tình huống. Quy tắc: nêu rõ đó là phỏng đoán; Đừng cung cấp một con số chính xác, hãy đưa ra một phạm vi.
ba trường hợp nhỏ
Trường hợp 1 - Đọc cùng nhau. Một cửa hàng rất vui mừng khi thấy tỷ lệ chuyển đổi của mình tăng lên; Nhưng khi giải thích AI và các số liệu cùng nhau, anh ấy thấy rằng tỷ lệ hoàn vốn cũng tăng vọt. Lý do: mô tả sản phẩm đã bị phóng đại trong chiến dịch; Khách hàng sẽ mua nhưng sẽ trả lại khi không đáp ứng được kỳ vọng của họ. Niềm vui khi nhìn vào một số liệu duy nhất đã trở thành vấn đề khi chúng tôi cùng đọc nó và nó đã được sửa.
Trường hợp 2 - Số liệu giả. Một người quản lý đã hỏi AI “chuyển đổi của chúng tôi vào tháng trước là gì”; AI cho biết "3,5 phần trăm". Người quản lý đã sử dụng điều này như một mục tiêu trong cuộc họp nhóm. Tỷ lệ thực tế là 1,9 phần trăm trên bảng. Nền tảng sai lầm đã sinh ra mục tiêu sai lầm. Bài học: số liệu chỉ đến từ bảng điều khiển.
Trường hợp 3 - Ngụy biện về quan hệ nhân quả. Một cửa hàng tăng gấp đôi tần suất gửi email, nói rằng "doanh số bán hàng tăng vào ngày chúng tôi gửi email, vì vậy email sẽ tăng doanh số bán hàng". Nhưng những ngày đó cũng là những ngày giảm giá; Yếu tố chính là giảm giá. Email thường xuyên làm phiền khách hàng và tăng số lượt hủy đăng ký. Thử nghiệm A/B sẽ cho thấy động lực thực sự.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Phân tích hiệu suất cửa hàng của tôi và cho tôi biết tỷ lệ chuyển đổi.
Vì không có dữ liệu nào được đưa ra nên AI sẽ tạo ra tỷ lệ chuyển đổi; Phân tích đã sai ngay từ đầu.
Lời nhắc mạnh mẽ:
Vai trò của bạn: nhà phân tích thương mại điện tử. Dưới đây là dữ liệu tôi nhận được từ bảng điều khiển Analytics của riêng mình (ẩn danh): Khách truy cập 42.000, đơn đặt hàng 780, AOV 640 TL, tỷ lệ hoàn trả 9%, khoảng thời gian: Tháng 6. Nhiệm vụ: TÍNH TOÁN tỷ lệ chuyển đổi từ dữ liệu này (hiển thị tài khoản), diễn giải các số liệu cùng nhau, đánh dấu các điểm bất thường làm giả thuyết. Tạo số không được đưa ra.
Những lỗi thường gặp
- Làm cho AI yêu cầu số liệu. Yêu cầu số liệu mà không cung cấp dữ liệu của riêng bạn sẽ dẫn đến số liệu giả.
- Nhìn vào một số liệu. Nếu số lượt chuyển đổi tăng nhưng lợi nhuận cũng tăng thì bảng này sẽ gây hiểu nhầm.
- Nhầm lẫn mối tương quan với quan hệ nhân quả. Tuyên bố “nguyên nhân” mà không kiểm tra sẽ dẫn đến đầu tư sai lầm.
- Giả định rằng ước tính là một con số chính xác. Ước tính nhu cầu là một phạm vi, không phải là một sự đảm bảo.
- Chia sẻ dữ liệu mà không ẩn danh. Ngay cả khi dữ liệu khách hàng được đưa vào phân tích, không gian cá nhân cũng phải được loại bỏ.
- Không xác minh tài khoản. Kiểm tra thủ công mọi phép tính mà AI thực hiện.
Tóm lại
Phân tích thương mại điện tử là nguyên tắc biến dữ liệu thô thành quyết định. Đọc cùng nhau các số liệu như chuyển đổi, AOV, nhóm thuần tập, LTV và lợi nhuận; Một số liệu duy nhất là sai lệch. AI rất mạnh trong việc tóm tắt dữ liệu, tìm mẫu và soạn thảo báo cáo; nhưng để tránh rơi vào bẫy của việc khớp số liệu và nhầm lẫn giữa mối tương quan với quan hệ nhân quả, hãy xác minh từng con số từ nguồn của riêng bạn và kiểm tra từng tuyên bố về “nguyên nhân” bằng thử nghiệm có kiểm soát. Sử dụng dự báo nhu cầu như một phạm vi kịch bản chứ không phải như một con số chính xác. Ẩn danh các trường cá nhân khi gửi dữ liệu để phân tích.
Nhiệm vụ ứng dụng
Trích xuất ẩn danh số liệu của một khoảng thời gian thực tế (khách truy cập, đơn đặt hàng, AOV, tỷ lệ hoàn trả) từ bảng điều khiển phân tích của riêng bạn. Yêu cầu AI đưa ra nhận xét với mẫu “tóm tắt và nhận xét số liệu”; Hãy để nó tự tính toán tỷ lệ chuyển đổi, nhưng bạn có thể xác minh nó theo cách thủ công. Sau đó, hãy nghĩ đến tuyên bố "A tăng, B tăng" về doanh nghiệp của bạn, kiểm tra nó bằng mẫu "Kiểm tra mối tương quan/quan hệ nhân quả" và thiết kế thử nghiệm A/B. Cuối cùng, đưa ra kịch bản dự báo nhu cầu và so sánh nó với kiến thức kinh doanh của bạn.
danh sách kiểm tra
- [ ] Tôi lấy tất cả số liệu từ nguồn phân tích của riêng mình; Tôi đã không theo kịp AI.
- [ ] Tôi đã xác minh thủ công mọi phép tính mà AI thực hiện.
- [ ] Tôi đã giải thích các số liệu cùng nhau chứ không phải riêng lẻ.
- [ ] Tôi đã thử nghiệm các khẳng định “quan hệ nhân quả” về mối tương quan/quan hệ nhân quả.
- [ ] Tôi coi dự báo nhu cầu như một phạm vi kịch bản chứ không phải một con số chính xác.
- [ ] Tôi đã ẩn danh các trường cá nhân trong dữ liệu được phân tích.