收益：
- 能够在人工智能的支持下解释和报告营业额、利润率、转化率、篮子规模和库存周转率等关键绩效指标
- 能够根据原始销售数据起草管理摘要、异常检测和行动建议
- 了解人工智能产生的分析和图形解释必须通过源数据和计算进行验证
在零售业，数据丰富，但洞察力却很少。每天有数千条线路从收银台、电商、库存流转；主要是分析这些原始数据“发生了什么，为什么发生，应该做什么？”将其转化为您问题的答案。在本单元中，您将使用人工智能作为分析师，根据原始销售数据生成执行摘要、KPI 解释、异常检测和行动建议。同样，黄金法则适用：人工智能产生的每个数字和解释都必须通过源数据和计算进行验证。
基本概念：
KPI（关键绩效指标）：总结业务健康状况的关键指标。在零售业，主要有：营业额、毛利率、转化率、平均购物篮、库存周转率。
转化率：有多少人进入商店/访问网站进行了购买。如果 100 名访客中有 4 人购买了该产品，则转化率为 4%。
平均篮子大小：每笔交易的平均支出。
库存周转率：一段时间内库存周转（出售和更新）的次数。高=现金的有效使用。
异常：数据意外跳跃或下降；通常是问题或机会的早期信号。
零售 KPI 仪表板
关键绩效指标
它说什么
跌落时可能的原因
营业额
业务总量
流量/转化/价格下降
毛利率
销售盈利能力
过度折扣，成本增加
转化率
将参观转化为销售
缺货、价格、体验问题
平均篮子
每笔交易价值
交叉销售不佳，活动结束
库存周转率
现金效率
过剩/滞销库存
退货率
产品/期望契合
内容错误，质量问题
提示：不要根据一个 KPI 做出决定。如果利润率增加而营业额增加，则意味着您以折扣价“购买”了该销售。一起阅读 KPI。
人工智能如何将原始数据转化为摘要？
您可以提供销售表（日期、类别、数量、营业额、退货）并要求：
- 摘要：最佳/最差性能，显着变化。
- 比较：本期与上期、商店等购物中心。
- 异常：意外的跳跃/下降以及可能的原因。
- 行动：对每项发现提出一句话建议。
人工智能只需几分钟即可完成此操作；但至关重要的是：他自己计算数字时可能会犯错误。因此，请使用源数据验证输出中的总数、百分比和趋势。
异常检测：预警
一天的成交额突然减半；某个类别的退货率加倍；一家商店的衰落与其他商店不同。这些可能表示数据错误、缺货、价格错误或操作问题。人工智能会标记这些偏差，但会假设原因，而不是进行验证。 “营业额下降是因为缺货”是一个假设；您查看库存数据并进行验证。
注意：人工智能有时会编造出不存在的“趋势”或“原因”（幻觉）。在将评论付诸行动之前，您应该问“这是否真的出现在数据中？”回到源头。
逐步分析
- 准备匿名、干净的数据：没有个人信息；日期、类别/SKU、数量、营业额、利润、退货。
- 澄清问题：“发生了什么事？” （摘要）“为什么？” （根本原因），“该怎么办？” （行动）。
- 请求摘要和异常：遵循仅依赖数据中的数字的规则。
- 验证：手动/电子表格检查总数和百分比；根据源数据测试原因。
- 转化为行动：优先考虑经过验证的发现并做出决策。
迷你箱
案例 1 — 异常预警：一家连锁店的一家分店周六营业额比周平均水平低 55%。人工智能将此标记为异常。经调查，当天POS（结账）系统当机3小时；营业额的损失并不是真实的，而是登记问题。报告已更正，技术故障已记录。如果人工智能说“需求下降”，就会采取错误的行动。
案例2——营业额与利润率矛盾：一家电子商务公司很高兴看到其月营业额增长了14%。 AI KPI解读显示，毛利率下降6个百分点，增长伴随着大幅折扣。管理层正在审查折扣强度；重点不是“我们正在增长”的幻想，而是利润增长。
案例3——验证捕捉到幻觉：分析师将AI摘要“饮料类别增长了30%”与源数据进行了比较；实际增幅为12%。 AI错误地计算了几周的时间。分析师纠正。如果没有验证步骤，就会向管理层呈现虚假的增长故事。
正确比较：将苹果与苹果进行比较
销售分析中最常见的错误是不正确的基准测试。如果中间有公共假期、天气事件或活动，则将一周的营业额与前一周的营业额进行比较会产生误导。在零售业中，健康的比较通常基于相似的时期：去年同一周、同一天类型（周六与周六）、相同的活动情况。在进行比较时给人工智能这样的背景：“不要与上周比较，而是与去年同一周比较，因为本周有假期。”
LFL（同类/可比商店销售额）：仅比较开业至少一年的商店销售额的衡量标准。将新开店的营业额加到总数中并说“我们成长了”是一种误导；真正的问题是现有商店是否能够有机增长。在连锁管理中，LFL 是真实绩效最诚实的指标之一。
提示：如果您觉得某个数字好或坏，请询问“根据什么？”问。如果没有参考（去年、目标、类似商店），任何 KPI 本身都是没有意义的。当向人工智能征求意见时，给出参考。
弱提示/强提示
弱提示：
解读这个销售数据。
问题不清楚；肤浅的、无法验证的解释又回来了。
强力提示：
您的角色：零售销售分析师。数据：以下是过去 8 周基于类别的营业额、数量、保证金和退货数量（匿名）。任务：(1) 3 个最好和最弱的类别，(2) 与上周相比有 3 个显着变化，(3) 是否存在任何意外偏差（异常），将可能的原因标记为假设，(4) 针对每个发现的一个句子操作。规则：只依赖数据中的数字，不添加外部信息。计算百分比。给我看看，以便我验证。格式：逐条，不超过250字。数据：[粘贴]
可复制的提示模板
1）每周管理总结
从以下匿名每周销售数据中得出执行摘要：顶级/薄弱类别、重大变化、3 项行动建议。只需使用数据中的数字，显示百分比。数据：[粘贴]
2）KPI计算与点评
根据这些数据计算以下 KPI：营业额、毛利率%、平均购物篮、退货率。将其与上一个时期进行比较，并用一句话评论每个时期的含义。显示帐户。数据：[粘贴]
3）异常检测
下面的每日/每周系列是否有任何意外的上涨或下跌？标记每个异常并将其可能的原因作为假设（而不是证据）陈述，并写下应使用哪些数据进行验证。数据：[粘贴]
4）输出验证
列出您刚刚生成的摘要中的所有数字声明。对于每个数据，显示它来自哪些行/列，以便我可以将其与源数据进行比较。如果他们不确定，请标记。
常见错误
- 查看单个 KPI：如果不将营业额、利润率和换算放在一起阅读，将会产生误导。
- 不验证数字：人工智能可能会出现总数/百分比错误。
- 将假设误认为事实：“为什么”通常是一个假设；回归本源。
- 依靠幻觉趋势：可以弥补数据中不存在的尖峰/模式。
- 绕过匿名：报告数据还可能包含个人信息。
- 没有行动的报告：如果发现没有与行动联系起来，分析就会被浪费。
总之
良好的销售分析将原始数据转化为“发生了什么、为什么、要做什么”的答案。一起阅读 KPI；随着营业额的增加，查看利润率。人工智能可以加快汇总、KPI 解释和异常检测的速度，但可能会误算数字并弥补原因。使用源数据验证每个数字和评论，并将其转化为行动。
应用任务
在匿名表中获取过去 8 周基于类别的营业额、利润和回报数据。通过“1）每周管理总结”进行总结，通过“3）异常检测”查找偏差，然后通过“4）输出验证”提示将数字与源数据进行比较。
清单
- [ ] 我对报告数据进行了匿名处理。
- [ ] 我一起阅读 KPI（营业额 + 利润 + 转化）。
- [ ] 我验证了人工智能计算出的数字。
- [ ] 我用源数据测试了异常的原因。
- [ ] 我将假设与证据分开。
- [ ] 我将每个发现与一个操作联系起来。