← Kembali ke blog

2/11/2026

Cara Guna AI untuk Analisis Data Jualan: Siapa Beli, Apa Laku, Bila Ramai

Cara Guna AI untuk Analisis Data Jualan: Siapa Beli, Apa Laku, Bila Ramai

AI boleh membantu anda membaca pola jualan, tetapi angka mesti datang daripada rekod yang sudah disemak. Mulakan dengan Google Sheets atau eksport POS, bina ringkasan pelanggan, produk dan waktu pesanan, kemudian minta AI menerangkan perkara yang patut disiasat.

Jangan terus muat naik tangkap layar WhatsApp. Pertanyaan harga, pesanan dibatalkan dan bayaran sebenar mudah bercampur dalam satu perbualan. Untuk kedai kecil, satu jadual jualan yang kemas lebih berguna daripada laporan panjang dengan angka yang tidak boleh dijejak.

Apakah data yang perlu disediakan sebelum minta AI analisis jualan?

Sediakan satu baris untuk setiap item pesanan, dengan ID pesanan dan ID baris yang unik apabila digabungkan. Satu pesanan boleh mengandungi beberapa produk, jadi bilangan baris tidak semestinya sama dengan bilangan pesanan.

Masukkan medan berikut:

  • Tarikh dan masa pesanan dalam waktu Malaysia, serta SKU dan kuantiti.
  • Jualan kasar, diskaun dan refund yang telah disahkan.
  • Status pesanan supaya pembatalan tidak masuk sebagai jualan.
  • ID pelanggan dalaman jika analisis pelanggan diperlukan; biarkan kosong untuk pembeli tetamu.

Kekalkan fail eksport asal. Dalam salinan kerja, tandakan pendua menggunakan pasangan ID pesanan dan ID baris. Jika dua rekod berkongsi ID tetapi jumlahnya berbeza, semak puncanya dahulu; jangan padam secara membuta tuli.

Tetapkan juga tempoh laporan dan takrif angka. Dalam contoh ini, jualan bersih ialah jualan kasar selepas diskaun dan refund, tanpa caj penghantaran atau cukai. Wang diterima dan untung perlu dikira berasingan.

Bagaimana nak tahu siapa membeli tanpa dedahkan identiti pelanggan?

Kira ID pelanggan yang berbeza dalam rekod sah, kemudian laporkan pesanan tetamu secara berasingan. Pembeli tanpa ID tidak boleh terus dianggap pelanggan baharu atau seorang individu yang sama.

Jika mahu membezakan pelanggan baharu dengan pelanggan berulang, anda perlukan sejarah pembelian sebelum tempoh laporan. Dua pesanan minggu ini sahaja tidak memberitahu sama ada pembelian pertama berlaku tahun lepas. Jangan minta AI meneka umur, jantina atau pendapatan daripada nama dan barang yang dibeli.

Untuk ringkasan AI, hantarkan jumlah mengikut kumpulan yang sudah disahkan, tanpa nama, nombor telefon atau alamat. Prinsip perlindungan data JPDP menerangkan keselamatan, penyimpanan dan integriti data. Penggunaan angka agregat di sini ialah cadangan mengurangkan pendedahan, bukan jaminan pematuhan menyeluruh.

Bagaimana nak bezakan produk paling laku dengan waktu pesanan terbanyak?

Bina pivot table berasingan mengikut produk dan jam pesanan. Dokumentasi Google Sheets menerangkan cara memilih data bertajuk kolum, kemudian menggunakan Insert → Pivot table untuk meringkaskan hubungan antara data.

Untuk produk, jumlahkan kuantiti selepas pulangan serta nilai jualan bersih. Untuk waktu, kira ID pesanan unik, bukan jumlah item. Seragamkan format masa sebelum mengumpulkannya mengikut jam; waktu pembayaran mungkin berlainan daripada waktu pesanan.

Contoh rekaan sebuah gerai di Shah Alam menggunakan enam pesanan. Semakan aritmetik Python pada data contoh mengecualikan satu baris pendua dan menghasilkan angka berikut:

Ukuran Hasil contoh
Jualan kasar RM115
Diskaun disahkan RM5
Refund disahkan RM10
Jualan bersih RM100
Produk nasi / ayam, nilai bersih RM55 / RM45
Pesanan jam 08 / 12 / 18 1 / 3 / 2
ID pelanggan dikenal pasti 3, dengan 1 pesanan tetamu

Jam 12 merekodkan tiga pesanan dan jualan bersih RM50, paling tinggi dalam sampel ini. Itu belum membuktikan gerai paling sesak atau staf perlu ditambah. Data tidak merekodkan pengunjung yang tidak membeli, tempoh menunggu atau pesanan yang dimasukkan lewat.

Sampel kecil ini menunjukkan cara menyemak tafsiran. Ia bukan prestasi gerai sebenar, dan ujian kiraan tersebut tidak menguji prompt ChatGPT atau sambungan POS.

Apakah prompt yang sesuai selepas angka jualan disahkan?

Berikan jadual agregat, takrif metrik dan batas data, kemudian minta pemerhatian yang boleh dijejak. Panduan OpenAI menyokong data berstruktur dengan tajuk kolum jelas dan menyarankan semakan kod, output serta andaian apabila analisis menggunakan Python. Ketersediaan fail dan fungsi bergantung pada akaun serta pelan.

Salin prompt cadangan ini bersama ringkasan anda:

Saya mengurus gerai makanan di Malaysia. Analisis jadual agregat yang dilampirkan untuk tempoh yang dinyatakan. Angka telah disemak terhadap rekod pesanan. Gunakan takrif jualan bersih yang saya berikan. Nyatakan pemerhatian bersama angka sokongan, perkara yang belum boleh disimpulkan, dan satu ujian operasi kecil. Jangan reka demografi, untung, jumlah pengunjung atau sejarah pelanggan. Jika maklumat tidak cukup, senaraikan data yang perlu ditambah. Jangan ubah harga atau jadual staf.

Prompt ini belum diuji dalam ChatGPT untuk artikel ini. Semak hasilnya terhadap pivot table; ayat yang yakin tetap boleh membawa kesimpulan yang salah.

Apakah tindakan kecil yang wajar dibuat selepas membaca laporan?

Pilih satu persoalan operasi, contohnya sama ada persediaan nasi mencukupi sekitar tengah hari. Rekod kejadian kehabisan stok dan masa pesanan selama tempoh perbandingan yang setara sebelum mengubah jumlah masakan. Catat promosi atau hari tutup yang boleh mengganggu perbandingan.

Jika mahu membina arahan ikut konteks kedai, daftar AI4Bisnes dan gunakan prompt Bahasa Melayu sebagai titik mula. Untuk bacaan operasi mengikut jenis perniagaan, rujuk blog Cakna AI. Pemilik tetap menentukan tindakan selepas menyemak bukti.

FAQ

Bolehkah saya bermula tanpa sistem POS?

Boleh. Gunakan rekod jualan berstruktur dalam spreadsheet, dengan ID yang konsisten. Pastikan staf tahu bila transaksi perlu direkodkan dan siapa menyemaknya.

Adakah eksport CSV lebih sesuai daripada gambar resit?

Untuk angka tepat, data berstruktur lebih mudah diperiksa. OpenAI mengingatkan bahawa jadual dalam gambar atau imbasan mungkin tidak diekstrak dengan tepat.

Berapa lama tempoh data yang patut digunakan?

Mulakan dengan tempoh yang meliputi kitaran jualan biasa kedai. Bandingkan hari operasi yang setara dan catat cuti, promosi serta gangguan stok; tiada satu tempoh yang sesuai untuk semua kedai.

Adakah produk dengan hasil tertinggi juga paling untung?

Tidak. Anda perlukan kos barang, bahan, komisen dan kos berkaitan untuk mengira margin. Jangan panggil nilai jualan sebagai untung.

Bagaimana hendak mengira pesanan dengan banyak item?

Gunakan ID pesanan unik untuk bilangan pesanan. Gunakan ID baris dan SKU untuk analisis item supaya satu pesanan tidak dikira beberapa kali.

Bagaimana jika pelanggan mendapat refund pada minggu berikutnya?

Tetapkan sama ada laporan menggunakan tarikh pesanan atau tarikh refund. Simpan rujukan pesanan asal, nyatakan kaedah itu, dan jangan mencampurkan kedua-dua asas dalam perbandingan.

Adakah pesanan tetamu bermaksud pelanggan baharu?

Tidak. Tetamu bermaksud identiti tidak dipadankan dalam rekod ini. Seorang pembeli lama juga mungkin membeli tanpa akaun.

Bolehkah AI mengenal pasti sebab jualan menurun?

AI boleh mencadangkan hipotesis daripada data yang diberi. Untuk mengesahkan sebab, semak bukti tambahan seperti kehabisan stok, perubahan harga atau waktu operasi.

Perlukah saya membeli langganan AI berbayar?

Jangan membeli semata-mata untuk mencuba ringkasan kecil. Semak fungsi dan had akaun semasa; jika muat naik tidak tersedia, anda boleh menampal jadual agregat yang pendek.

Adakah AI4Bisnes menyambungkan POS saya secara automatik?

Aliran dalam artikel ini menggunakan eksport dan semakan manual. Ia tidak menunjukkan integrasi POS atau mendakwa AI4Bisnes menarik transaksi kedai secara automatik.

Apakah yang perlu dibuat jika jumlah AI tidak sepadan dengan spreadsheet?

Hentikan penggunaan ringkasan itu untuk keputusan. Semak tempoh, penapis, pendua, diskaun dan refund, kemudian minta analisis semula menggunakan jumlah yang sudah disahkan.

Adakah prompt dalam artikel ini sudah diuji?

Belum. Hanya kiraan data rekaan diperiksa dengan Python. Ujian tersebut tidak membuktikan ketepatan jawapan AI, integrasi, atau hasil jualan sebenar.

Tentang penulis: Tuan Nik, pengasas NiagaIQ Technologies Sdn Bhd, membangunkan AI4Bisnes dan CaknaAI untuk membantu PKS Malaysia menggunakan AI tanpa kod dengan bajet rendah.

Sumber rasmi disemak pada 2 November 2026. Contoh gerai, data transaksi dan cadangan prosedur dalam artikel ini ialah bahan penerangan, bukan kajian pelanggan sebenar.