收益：
- 能够在人工智能支持下解释转化率、购物篮平均数、群组和客户终身价值 (LTV) 等指标
- 能够根据销售数据生成洞察和需求预测草稿，并为库存和营销活动决策提供输入
- 能够识别混淆相关性与因果关系、制作虚假数字的风险，并使用自己的数据源验证每个分析
在电商中，数据无处不在：有多少人来了，有多少人购买了，他们在购物车中放入了多少，来自什么渠道，他们是否第二次返回。这些数据中隐藏着能够发展您的业务的决策；但原始数据本身并不能提供指导，它需要被解释。人工智能 (AI) 可以为快速总结和解释数据、查找模式和异常、起草报告以及生成需求预测场景提供强大的帮助。但人工智能在分析中存在两大陷阱：数字运算（在无法访问数据的情况下生成指标）和将相关性误认为因果关系（认为两个事物一起移动是“一个原因另一个原因”）。在本单元中，我们将学习正确的指标以及如何安全地使用人工智能。
让我们定义基本指标。转化率：访问者购买的百分比是多少。平均购物车 (AOV)：平均订单量。群组分析：跟踪同一时期内首次购物的一组客户（群组）随时间的行为。客户终身价值 (LTV)：对客户在关系过程中留下的总利润的估计。放弃（流失）：当顾客停止购物时。这些指标共同回答了“我赚了多少钱以及我在哪里成长？”的问题。
哪个指标说明了什么？
每个指标都回答一个问题；查看错误的指标会导致错误的决策。
公制
问题
如果上涨的话
注意
转化率
流量能转化为销量吗？
好
阅读流量质量
平均篮子 (AOV)
每个订单我能赚多少钱？
好
交叉销售/捆绑效应
队列复发率
顾客回来了吗？
有忠诚度
因频道而异
生命周期价值
从长远来看，客户的价值是多少？
好
这是一个估计，并不确定。
放弃（流失）
我会失去客户吗？
坏
为什么要对其进行调查？
退货率
产品是否符合预期？
坏
正常水平因类别而异
一个重要的原则：一个指标是具有误导性的。如果转化率增加，但回报也增加，则可能是误导性内容夸大了销售额并引发了回报。一起阅读指标。
人工智能分析：数字运算陷阱
人工智能最危险的错误是，它在不查看您的数据的情况下就产生了诸如“您的转化率为 4.2％”之类的自信数字（幻觉）。这个数字完全是捏造的。规则很明确：指标仅来自您自己的分析源 - Google Analytics、市场仪表板、来自您的电子商务基础设施的报告。使用人工智能来解释这些数据：你将其（匿名）提供给它，它会对其进行总结，发现模式，起草报告。不是为了记住数据。
注意：即使人工智能非常流利且精确地说出一个指标，也要询问该数字来自哪里。 “这个数字是根据什么数据计算出来的？”如果你不给，他就会补上。报告中的每个数字都必须通过您自己的仪表板进行确认。
相关性和因果关系
第二个大陷阱是因果谬误。在一份数据中，AI可以说“广告支出增加了，销售额也增加了，意味着广告增加了销售额”。这是一种相关性（共同作用）；但可能没有因果关系。也许还有第三个因素可以增加两者：例如，假日季节广告和销售都会增加。将相关性误认为因果关系会导致您将金钱浪费在不起作用的事情上。理解因果关系的方法是受控测试：A/B 测试（同时显示两组并测量差异）或至少从其他因素中纯化前后比较。让AI产生假设；通过测试证明因果关系。
需求预测
AI可以根据你的历史销售数据生成需求预测场景：“去年这个月你卖了这么多，趋势是这个方向，假期效应是这个”等等，这对于库存和采购决策来说是很有价值的输入；它有助于在过早消耗（销售损失）和库存过剩（资金占用、崩溃）之间取得平衡。但预测就是预测：意外的活动、供应问题或时尚变化都会扰乱局面。将估算值用作“场景范围”，而不是“硬数字”，并将其与您自己的业务知识相结合。
四个可复制模板
1）指标总结和评论：
您的角色：电子商务分析师助理。以下是我自己的仪表板（匿名）中的实际数据：转化率、访客、订单、AOV、退货率、周期。数据：[表]。任务：一起解释这些指标；标记异常动作；将可能的原因写为假设（不要说明确的原因）。规则：不产生任何未给出的数字；将丢失的数据标记为[数据丢失]。
2）相关性/因果关系检查：
考虑以下主张：“[指标 A] 增加，[指标 B] 也增加，因此 A 导致 B。”背景：[时期、活动、外部因素]。任务：讨论这是相关性还是因果关系；列出可能导致两者增加的共同因素；解释如何设置 A/B 测试来证明因果关系。
3) 群组/细分分析：
下面是匿名群组数据（购买第一个月，重复购买率）。数据：[表]。任务：解释哪个群组更忠诚，重复率如何随时间变化；标记哪个部分有机会/风险。规则：仅使用给定的数字。
4）需求预测场景：
历史销量：[月度数据]。已知因素：[节日、活动、季节]。任务：生成下一个[时期]的低/中/高需求场景；写下每个场景的假设。规则：说明这是一个猜测；不要提供确切的数字，给出一个范围。
三个迷你箱子
案例一——一起读书。一家商店很高兴看到其转化率有所提高；但当他将人工智能和指标结合起来解读时，他发现回报率也直线上升。原因：广告活动中夸大了产品描述；顾客会购买它，但当没有达到他们的期望时就会退货。当我们一起阅读单个指标并解决它时，查看单个指标的乐趣变成了问题。
情况 2 — 假指标。一位经理问人工智能“上个月我们的转换是多少”； AI 表示“3.5%”。经理在团队会议上将此作为目标。实际整体税率为 1.9%。错误的基础催生了错误的目标。教训：指标仅来自仪表板。
案例 3——因果关系谬误。一家商店将电子邮件的发送频率增加了一倍，并表示“我们发送电子邮件的当天销量就增加了，因此电子邮件会增加销量。”但那些日子也是折扣日；主要因素是折扣。频繁的电子邮件会惹恼客户并增加取消订阅的数量。 A/B 测试将显示真正的驾驶员。
弱提示/强提示
弱提示：
分析我商店的业绩并告诉我我的转化率。
由于没有给出数据，转化率由AI补足；分析从一开始就是错误的。
强力提示：
您的角色：电子商务分析师。以下是我从自己的 Analytics 仪表板（匿名）获得的数据：访客 42,000，订单 780，AOV 640 TL，退货率 9%，时间：6 月。任务：根据该数据计算转化率（显示帐户），一起解释指标，将异常点标记为假设。生成未给出的数字。
常见错误
- 让人工智能需要指标。在不提供您自己的数据的情况下请求指标将导致虚假数字。
- 看一个指标。如果转化次数增加但回报也增加，则该表具有误导性。
- 将相关性误认为因果关系。未经测试就声称“原因”会导致投资不当。
- 假设估计值是一个精确的数字。需求估计是一个范围，而不是保证。
- 无需匿名即可共享数据。即使客户数据进入分析，个人空间也必须被消除。
- 未验证帐户。手动检查人工智能所做的每一次计算。
总之
电子商务分析是将原始数据转化为决策的学科。一起阅读转化、AOV、群组、LTV 和回报等指标；单一指标具有误导性。人工智能在总结数据、寻找模式和起草报告方面非常强大；但为了避免陷入度量拟合的陷阱以及混淆相关性与因果关系，请从自己的来源验证每个数字，并通过受控测试来测试每个“原因”声明。将需求预测用作场景范围，而不是确切的数字。提交数据进行分析时对个人字段进行匿名化。
应用任务
从您自己的分析仪表板中匿名提取实际期间的指标（访客、订单、AOV、退货率）。通过“指标总结及评论”模板向AI征求意见；让它自己计算转化率，但您可以手动验证。然后，考虑关于您的业务的“A 增加，B 增加”声明，使用“相关性/因果关系检查”模板对其进行测试，并设计 A/B 测试。最后，产生需求预测场景并将其与您自己的业务知识进行比较。
清单
- [ ] 我从我自己的分析源中提取了所有指标；我没有弥补AI。
- [ ]我手动验证了AI所做的每一次计算。
- [ ] 我将这些指标放在一起解释，而不是单独解释。
- [ ] 我测试了相关性/因果关系的“因果关系”主张。
- [ ] 我将需求预测视为一个情景范围，而不是一个确切的数字。
- [ ] 我对分析的数据中的个人字段进行了匿名处理。