Verkaufszahlen per KI ausgewertet: Drei Loesungsvorschlaege fuer stagnierende Produktverkaeufe
Wer Produkte auf Plattformen wie Udemy anbietet, muss fuer die Verkaufsuebersicht mehrere Dashboards regulaer pruefen, was aufwendig ist. Der Autor liess deshalb eine KI seine Verkaufsdaten analysieren und erhielt drei Loesungsvorschlaege, darunter auch Gebuehren.
Ich habe bereits einige Produkte auf Plattformen wie Brain und Udemy veröffentlicht, aber das regelmäßige Überprüfen der Verkaufszahlen ist mühsam. Man muss sich auf mehreren Seiten einloggen, zu jedem Dashboard navigieren und die Zahlen anstarren. Und wenn diese Zahlen Nullen sind, ist das eine stille, seelisch zermürbende Erfahrung.
Ich begann mich zu fragen, ob ich diese etwas deprimierende Routineaufgabe an eine KI auslagern könnte. Und falls die Ergebnisse nicht gut wären, könnte die KI objektiv die nächsten Schritte durchdenken? Das ist mein Experiment.
Der Prozess war einfach. Ich beauftragte eine browserbedienende KI damit, die Admin-Bereiche mehrerer Verkaufsplattformen zu besuchen und die Verkaufsdaten zu berichten.
Aber nur ein Bericht über „Null“ würde mich lähmen. Also ging ich einen Schritt weiter und fügte diese Anweisungen hinzu:
„Wenn die Verkäufe null sind, schlage drei mögliche Ursachen und drei sofort umsetzbare Verbesserungen vor.“
Auf diese Weise bekäme ich nicht nur die nackte Tatsache „null Verkäufe“, sondern auch einen Aktionsplan für die nächsten Schritte.
# Kerneinstellungen an die KI Du bist mein Geschäftsassistent. Bitte führe die folgenden Schritte aus: 1. Rufe den Admin-Bereich von Brain auf und prüfe die Verkaufszahlen für das Produkt „XXXX“ im letzten Monat. 2. Rufe den Admin-Bereich von Udemy auf und prüfe die Verkaufszahlen für den Kurs „YYYY“ im letzten Monat. 3. Fasse die Ergebnisse zusammen und berichte sie. 4. Wenn beide Verkäufe null sind, benenne eine wahrscheinliche Hauptursache und schlage drei sofort umsetzbare Verbesserungen vor. Nenne bei jeder Verbesserung die Vorteile und den geschätzten Aufwand bzw. die Kosten. Enter fullscreen mode Exit fullscreen mode Kälte Bericht der KI und ruhige Vorschläge Nach kurzer Zeit kam der Bericht der KI an. Wie erwartet war die Realität hart.
„Bericht: Die Verkäufe sowohl auf Brain als auch auf Udemy betrugen im angegebenen Zeitraum 0 Einheiten.“
Ja, hatte ich mir gedacht. Wo ein Mensch seufzen und entmutigt werden könnte, ging die KI ruhig zur nächsten Aufgabe über. Die angeforderte Ursachenanalyse und die Verbesserungsvorschläge folgten sofort.
Aktivierung der Einführungsfunktion von Brain (Affiliate-Programm):
Ausgabe zeitlich begrenzter Gratis-Gutscheine auf Udemy:
Teilen von Anwendungsfällen des Produkts auf note.com und X:
Diese Vorschläge waren konkreter und sofort umsetzbarer, als ich erwartet hatte.
Eine KI ist nur ein Vorschlagender. Ich konnte die Vorschläge nicht einfach blind akzeptieren. Also warf ich ihr noch ein paar weitere Fragen entgegen.
„Erzähl mir mehr über die Gebühren für die Einführungsfunktion von Brain.“ „Zeig mir die Schritte zur Ausstellung eines Gutscheins auf Udemy.“
Die KI beantwortete auch diese Fragen und zog dabei die Hilfeseiten und Nutzungsbedingungen der jeweiligen Dienste heran. Ich erhielt alle notwendigen Informationen, einschließlich konkreter Gebührenberechnungsmethoden und der genauen Stelle im Admin-Bereich, an der man Gutscheine ausstellt.
Mit all diesen Informationen bleibt für mich nur noch die Entscheidung übrig.
Wenn die KI die Datenerhebung, die Analyse und das Brainstorming von Lösungen übernimmt, kann ich mich auf den wichtigsten Teil konzentrieren: die Entscheidungsfindung. Ich finde, dass dies ein sehr effektiver Weg ist, festgefahrene Projekte voranzubringen.
Wenn du einen Dienst oder ein Produkt gebaut hast, das sich in letzter Zeit etwas störrisch anfühlt, empfehle ich, einmal eine KI um Rat zu fragen.
Der Schlüssel liegt darin, nicht einfach zu fragen: „Wie kann ich mehr verkaufen?“, sondern es so zu formulieren: „Hier sind meine aktuellen Daten (Zugriffe, Verkäufe usw.). Sage mir auf Basis dieser Daten drei wahrscheinliche Ursachen und drei konkrete Verbesserungen.“
Wenn man sich auf objektive Daten stützt, entstehen umsetzbare Pläne statt nur Wunschdenken. Wenn man die nächsten Schritte ohne emotionale Beteiligung abwägen möchte, kann die KI dein bester Sparringspartner sein.
Wenn du daran interessiert bist, langweilige Aufgaben mit KI zu automatisieren, um Zeit zu gewinnen, habe ich auch eine ausführliche Anleitung zur Umsetzung vorbereitet.
Sie erklärt, wie man die Informationssammlung und die Artikelgenerierung mit Python und Google-Diensten halbautomatisiert, inklusive Code. Sie behandelt die Einrichtung der Umgebung von Grund auf, richtet sich also an alle, die dasselbe System selbst bauen möchten.
【Brain】Python × Gemini API (ehemals Bard) Umsetzungsleitfaden zur Halbautomatisierung von der Informationssammlung bis zur Artikelgenerierung
Ich baue und betreibe kleine Python-Systeme, etwa Trading-Bots, RAG-APIs und geplante Automatisierungen, und schreibe über alles, was dabei kaputtgeht.
Falls eine providerunabhängige RAG-Frage-Antwort-API für dich nützlich ist: Meine ist unter der MIT-Lizenz auf GitHub verfügbar: rag-faq-api. Sie läuft und besteht ihre gesamte Testsuite **ohne API-Key** (Offline-Stub-LLM plus Hashing-Embedder), lässt sich über eine einzige Umgebungsvariable auf Claude / Gemini / OpenAI umschalten und bringt einen Harness zur Bewertung der Retrieval-Qualität (Hit@k / MRR / Recall@k) mit einem Chunking-Sweep mit.
Mit Templates kannst du häufig gestellte Fragen schnell beantworten oder Snippets zur Wiederverwendung speichern.
Möchtest du diesen Kommentar wirklich ausblenden? Er wird in deinem Beitrag ausgeblendet, bleibt aber über den Permalink des Kommentars sichtbar.
Für weitere Maßnahmen kannst du in Erwägung ziehen, diese Person zu blockieren und/oder Missbrauch zu melden.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
I've launched a few products on platforms like Brain and Udemy, but regularly checking sales figures is a pain. You have to log into multiple sites, navigate to each dashboard, and stare at the numbers. And when those numbers are zeroes, it's a quiet, soul-crushing experience.
I started wondering if I could offload this somewhat depressing routine task to AI. And if the results weren't great, could AI objectively brainstorm the next steps? This is my experiment.
The process was simple. I tasked a browser-operating AI with visiting the admin screens of multiple sales platforms and reporting the sales data.
But just reporting "zero" would leave me paralyzed. So, I took it a step further and added these instructions:
"If sales are zero, propose three possible causes and three actionable improvements I can implement immediately."
This way, I'd get not just the stark fact of "zero sales" but also an action plan for what to do next.
# Core instructions given to AI You are my business assistant. Please perform the following steps: 1. Access the Brain admin screen and check the sales count for product "XXXX" over the last month. 2. Access the Udemy admin screen and check the sales count for course "YYYY" over the last month. 3. Compile and report the results. 4. If both sales are zero, identify one main probable cause and propose three immediately actionable improvements. For each improvement, mention the benefits and the estimated effort/cost. Enter fullscreen mode Exit fullscreen mode AI's Cold Report and Calm Suggestions After a short while, the AI's report arrived. As expected, reality was harsh.
"Reporting: Sales for both Brain and Udemy were 0 units within the specified period."
Yeah, figured. Where a human might sigh and get discouraged, the AI calmly moved on to the next task. The requested cause analysis and improvement proposals immediately followed.
Enable Brain's Introduction Feature (Affiliate Program):
Issue Limited-Time Free Coupons on Udemy:
Share Product Use Cases on note.com and X:
These proposals were more specific and immediately actionable than I expected.
AI is just a proposer. I couldn't just blindly accept the suggestions. So, I threw a few more questions its way.
"Tell me more about the fees for Brain's introduction feature." "Show me the steps to issue a coupon on Udemy."
The AI answered these questions as well, referencing each service's help pages and terms. I got all the necessary information, including specific fee calculation methods and exactly where to click in the admin screen to issue coupons.
With all this information, all that's left is for me to make a decision.
By having AI handle data collection, analysis, and solution brainstorming, I can focus on the most critical part: decision-making. I feel this is a highly effective way to move stalled projects forward.
If you've built a service or product that feels a bit stagnant lately, I recommend trying to consult AI.
The key is not to just ask, "How can I sell more?" but to phrase it like this: "Here's my current data (accesses, sales, etc.). Based on this data, tell me three probable causes and three specific improvements."
Basing it on objective data helps generate actionable plans, not just wishful thinking. When you want to consider your next steps without getting emotional, AI can be your best sounding board.
If you're interested in automating tedious tasks with AI to free up your time, I've also prepared a detailed guide on implementation.
It explains how to semi-automate information gathering and article generation using Python and Google services, complete with code. It covers setting up the environment from scratch, so it's for those who want to build the same system themselves.
【Brain】Python × Gemini API (formerly Bard) Implementation Guide for Semi-Automating Information Gathering to Article Generation
I build and run small Python systems — trading bots, RAG APIs, scheduled automation — and write up whatever breaks along the way.
If a provider-agnostic RAG Q&A API is useful to you, mine is MIT-licensed on GitHub: rag-faq-api. It runs and passes its full test suite **with no API key * (offline stub LLM + hashing embedder), swaps to Claude / Gemini / OpenAI via one env var, and ships a retrieval-quality harness (Hit@k / MRR / Recall@k) with a chunking sweep.*