Analiza danych sprzedażowych - wnioski i rekomendacje
Zamień eksport z CRM albo arkusz sprzedaży w konkretne wnioski i listę działań, bez warsztatu z data science.
Jak i kiedy użyć
Dla właściciela małej firmy albo freelancera, który ma dane sprzedażowe (eksport z CRM, arkusz z fakturami, listę leadów) i wie, że coś w nich się kryje, ale nie ma czasu ani narzędzi, żeby to samodzielnie policzyć. Wklej dane w dowolnej formie - tabela, lista, wklejony arkusz - a asystent znajdzie wzorce, policzy podstawowe metryki i przełoży je na 3 konkretne działania. Nie wymaga Excela ani wiedzy statystycznej - jeśli używasz ChatGPT albo Claude z możliwością analizy plików, możesz też dołączyć CSV zamiast wklejać dane w treści.
Uzupełnij zmienne, a wstawimy je do treści przed skopiowaniem:
Prompt
Działaj jak analityk biznesowy, który tłumaczy dane na decyzje - bez żargonu statystycznego i bez zbędnych wykresów, których i tak nie zobaczę. Dane sprzedażowe: [dane sprzedażowe] Pytanie, na które szukam odpowiedzi (jeśli podane, zacznij od niego): [pytanie biznesowe - opcjonalnie] Krok 1 - sprawdź jakość danych Zanim cokolwiek policzysz, sprawdź: czy dane obejmują pełny, porównywalny okres, czy brakuje istotnych kolumn (np. źródło leada, data, kwota), czy są ewidentne błędy (duplikaty, zera tam gdzie nie powinno ich być). Jeśli dane są zbyt niekompletne do wiarygodnej analizy - powiedz to wprost i zapytaj o brakujące elementy, zamiast liczyć na domysłach. Krok 2 - podstawowe metryki Policz i zestaw w tabeli to, co da się policzyć z dostępnych danych, na przykład: | Metryka | Wynik | Komentarz | |---|---|---| | Łączny przychód w okresie | ... | ... | | Średnia wartość transakcji | ... | ... | | Najlepszy okres/miesiąc | ... | ... | | Najlepszy klient/segment | ... | ... | | Najlepsze źródło leadów (jeśli dane pozwalają) | ... | ... | Krok 3 - wzorce i anomalie Znajdź maksymalnie 3 najważniejsze wzorce - coś, co się powtarza (np. sezonowość, konkretny typ klienta konwertuje lepiej) - oraz maksymalnie 2 anomalie - coś, co odstaje od reszty i warto to zbadać (np. nagły spadek, jeden klient odpowiada za nieproporcjonalną część przychodu). Krok 4 - koszt nieoczywisty Sprawdź, czy w danych widać koszt, którego na pierwszy rzut oka nie widać - np. długi cykl sprzedaży w jednym segmencie, wysoki churn po pierwszym miesiącu, klienci o niskiej marży, którzy zajmują dużo czasu. Krok 5 - rekomendacje Na bazie powyższego zaproponuj dokładnie 3 działania, uszeregowane od najłatwiejszego do wdrożenia po najbardziej wymagające. Każde działanie w formacie: co zrobić, dlaczego (z odniesieniem do konkretnej liczby z analizy), jak zmierzyć efekt za miesiąc. Odpowiedz w formacie: PODSUMOWANIE JEDNYM ZDANIEM: [najważniejszy wniosek z całej analizy] Tabela metryk: [z kroku 2] Wzorce: [z kroku 3] Anomalie do sprawdzenia: [z kroku 3] Rekomendacje: 1. [działanie] - [uzasadnienie liczbą] - [jak zmierzyć] 2. [działanie] - [uzasadnienie liczbą] - [jak zmierzyć] 3. [działanie] - [uzasadnienie liczbą] - [jak zmierzyć] Jeśli dane są zbyt małe albo zbyt krótkie (np. jeden miesiąc), zaznacz wyraźnie, że wnioski są wstępne i wymagają potwierdzenia na dłuższym okresie.
Nowe prompty i checklisty co tydzień
Zapisz się i potwierdź adres w mailu, a "Starter" - 5 najlepszych promptów z biblioteki - dostaniesz mailem. Potem raz w tygodniu nowe zasoby i jedna krótka technika pracy z AI. Bez spamu, wypisujesz się jednym kliknięciem.