Prediktív elemzés: Hogyan javíthatják a marketingesek a jövőbeni tevékenységeket: A közösségi média vizsgáztatója

Szeretné, ha marketingje hatékonyabb lenne?

Kíváncsi arra, hogyan segíthet a marketingciklusok előrejelzése?

Annak feltárására, hogy a marketingesek hogyan kezdhetik meg a prediktív elemzéseket, interjút készítek Chris Penn-nel.

További információ erről a műsorról

A Social Media Marketing podcast a Social Media Examiner igény szerinti beszélgetéses rádióműsora. Úgy tervezték, hogy segítsen a forgalmas marketingszakembereknek, cégtulajdonosoknak és alkotóknak felfedezni, mi működik a közösségi média marketingjével.

Ebben az epizódban interjút készítek Chris Penn, társalapítója és vezető újítója a Brain + Trust Insights. Ő is a házigazdája a Marketing kávé mellett podcast és a Social Media Marketing World vezető elemzési szakértője.

Chris elmagyarázza, hogyan lehet biztosítani a prediktív elemzés során használt alapadatok minőségét.

Megtalálja az előrejelzéshez használt adatforrásokat és eszközöket is.

Ossza meg visszajelzését, olvassa el a műsorjegyzeteket, és szerezze be az ebben az epizódban említett linkeket.

Figyelj most

Hol lehet feliratkozni: Apple Podcast | Google Podcastok | Spotify | RSS

Görgessen a cikk végére, hogy megtalálja az ebben az epizódban említett fontos forrásokra mutató hivatkozásokat.

Íme néhány dolog, amit felfedezhet ebben a műsorban:

Prediktív elemzés

Chris története

Chris az informatikai hátterén keresztül kezdte az elemzést. 2003-ban kezdett dolgozni egy diákhitel induló vállalkozás IT-igazgatójaként, ahol szerepe kibővült a hagyományos informatikai feladatokon túl. A webes és e-mail szerverek futtatása mellett a weboldalakat is frissítette, és elküldte a heti e-mailt.

Chris ezt a munkát még a Google Analytics létezése előtt végezte, így amikor vállalatának vezérigazgatója megkérdezte, hogyan teljesítenek a webhelyek és az e-mailek, Chrisnek nem volt válasza. Ennek kiderítésére Chris és csapata elkezdte kifejleszteni saját eszközeit, hogy megértsék az alapokat, például azt, hogy hány ember látogatta meg a weboldalt naponta.

Az idők folyamán az elemzési gyakorlat Chris számára a középpontba került. Nemcsak azt próbálta megtudni, hogy mi történt, hanem azt is, hogy miért történt, és hogyan reagálhatott a vállalkozás.

Hallgassa meg a műsort, hogy Chris hallhassa az oktatási hátterét.

Mi a prediktív elemzés?

A prediktív elemzés a statisztikákat és a gépi tanulást használja az adatok elemzésére és előrejelzésekre. Az emberek nagyon kiszámíthatóak. Mindannyian követjük a rutinokat, például fogmosást, majd zuhanyozást vagy minden ruhadarab felvételét bizonyos sorrendben minden reggel.

Mivel az emberek mind mikro-, mind makro-skálán kiszámíthatóak, a marketingesek többnyire meg tudják jósolni, hogy mi fog történni. Például Észak-Amerikában, ha Ön B2C marketingszakember, akkor nagyjából tudja, hogy november 1-től december 26-ig lesz elfoglaltsága, mert ez a termékértékesítés csúcsideje.

Hasonlóképpen, ha B2B marketinges vagy, akkor elfoglalt időd január 1. és körülbelül május vége között van. Ezután az üzlet a munka ünnepe után megindul az Egyesült Államokban és Kanadában, és az Egyesült Államok hálaadásán keresztül folytatódik. Ezeken az idõkön kívül sokkal nehezebb marketingesként tevékenykedni, függetlenül attól, hogy a digitális, a társadalmi vagy a fizetett témára koncentrál-e.

Hallgassa meg a műsort, hogy hallhasson további példákat a kiszámítható emberi viselkedésre.

Mit tehet a prediktív elemzés?

Mivel ezeket a dolgokat általában ismerjük, a gépek segíthetnek nekünk konkrétabbá tenni ezeket az előrejelzéseket. A prediktív elemzés értéke a sajátosságuk. Ha tudja, melyik héten kell többet tennie a Facebook Live szolgáltatásban, vagy kevesebbet kell költenie hirdetésekre, akkor hatékonyabb és eredményesebb lehet marketingje. Ha tudod, hogyan kell megjósolni, pénzt kereshetsz, pénzt takaríthatsz meg, időt spórolhatsz, és nem rúghatod ki.

A prediktív elemzés kifejezetten arra törekszik, hogy kiderítse, mi történik ezután. Az átlagos marketingszakember számára az idősoros előrejelzések (vagy amikor valami történni fog) a leghagyományosabb és leghasznosabb alkalmazás. Szemléltetésképpen, ha Ön közösségi média-marketingszakember, akkor szeretné tudni, hogy mikor kell alkalmaznia az ügyfélszolgálati csapatot az ügyfelek kérdéseinek megválaszolására.

A prediktív elemzés olyan dolgokat is kitalálhat, mint például mikor vásárol valaki új autót, vagy várandós szülők-e. Ezek az alkalmazások azonban árnyaltabbak, mint az idősoros előrejelzések.

Hallgassa meg a műsort, hogy hallhasson a prediktív elemzéssel kapcsolatos tapasztalataimról, amikor B2B író voltam.

Hogyan működik a prediktív elemzés

A prediktív elemzés valószínűleg már közel 70 éves. Az emberek meglepődve hallják, hogy milyen régi a tudományág, mert szerintük a gépi tanulás valami új. Az elméletek és a matematikai képletek azonban már nagyon régóta léteznek.

Ami megváltozott, az a laptopok, asztali számítógépek és felhőszerverek számítási ereje. Rövidebb idő alatt nagyobb számokat tudnak összezúzni. Elméletileg prediktív elemzéseket végezhet papíron, de ez sok papírra és időre lenne szükség.

A prediktív elemzés megfelelő elvégzéséhez három alkalmasságra van szükség. Először is szükség van valakire, aki rendelkezik fejlesztési ismeretekkel, hogy adatokat nyerjen ki adatforrásaiból, például a Google Analytics, a Facebook Insights, a Twitter és más típusú közösségi adatokból. Az adatok lehetnek a saját tulajdonában lévő rendszerek vagy harmadik féltől származó rendszerek. Akinek vannak adatai, azt ki kell tudnia szerezni.

Chrisnek tetszik az „Data az új olaj” kifejezés, mert ha valaha is látott nyersolajat, az undorító rendetlenség. Addig nem tudsz vele sokat kezdeni, amíg kivonod a földből, nem finomítod, majd odaadod azoknak az embereknek, akik használhatják autóban, vagy műanyag tálakat készíthetnek, amelyek nem törnek el, amikor a padlóra esnek. A prediktív elemzéssel nagyjából ugyanaz.

A finomítók adatkutatók, akik az adatokat felhasználhatóvá tisztítják. Aztán a marketingtechnológusok, amelyek manapság sok közösségi média-marketingszakember feladata, tesznek valamit az adatokkal. Nem csak az adatokat értelmezik; cselekednek rajta.

Chris hangsúlyozza annak fontosságát, hogy cselekedj a kapott adatokon. Ha tudod, melyik héten népszerűsíted az eseményedet, de nem teszel semmit ezzel az információval, akkor nincs értelme megjósolni.

Az előrejelzések pontossága az alapul szolgáló adatoktól és az előrejelzésekhez használt algoritmustól függ. Egy ponton szinte mindenkinek belefut az adatminőséggel kapcsolatos probléma. Lehet, hogy nem jól állította be a Google Analytics szolgáltatást, nem jól tűzte ki céljait, elfelejtette bekapcsolni a Facebook képpontját; bármelyik dolog.

Hallgassa meg a műsort, és hallja, ahogy Chris egy népszerű típusú technikai részvényelemzésről beszél.

Gyakorlati marketingalkalmazások a prediktív elemzéshez

Amikor Chris prediktív előrejelzést készít, ez általában 52 hetes vonaldiagram. Minden héten a diagram előrejelzést ad az adatsorok bármelyikéről. Legtöbbször Chris keresési adatokat használ, mert az emberek olyan dolgokat írnak be a Google-ba, amelyeket nem mondjon egy másik embernek, így a keresési adatok nagyon jól jelzik, hogy mi is van valójában valakin ész.

Sok keresési adat áll rendelkezésre, és ezek egy részét ingyen elérheti például a AdWords Kulcsszótervező vagy Google Trends. Az adatok birtokában előrejelezhet valamilyen trendet, amely adatsor, majd meghatározhatja a csúcsokat és a völgyeket. Chris azt javasolja, hogy 1 és 5 év közötti adatok álljanak előrejelzésed alapjául.

Tegyük fel, hogy 5 évnyi keresési adatot von ki a közösségi média marketingjéből, mert kíváncsi arra, hogy a következő évben mikor keresik az emberek a „közösségi médiát” marketing. ” Ha véletlenül tudja, hogy a következő év március 20., április 19., május 27., július 4., szeptember 10. és október 21. lesz, akkor ezek magasvízi jelek.

Ezekkel a dátumokkal azt is láthatja, hogy mi történik 2-3 héttel minden egyes dátum előtt. Jellemzően ennek a csúcsnak a felkészülése van. Tehát a közösségi média marketingszakemberének növelnie kell hirdetési kiadásait. Egy organikus marketingesnek sokat kell közzétennie, és meg kell dupláznia az általuk készített Instagram-történetek számát. A közönségkapcsolati személynek hónapokkal előre be kell lépnie, hogy megjelentessen az említett időpontokban megjelent kiadványokban.

Azt is tudja, hogy mikor következnek be a völgyek, így megtervezheti a tartalom banki felhasználását, miközben nem sok minden történik. Felvehet podcastokat, vendéggazdákat más webhelyeken, írhat egy csomó blogbejegyzést és tartalomkészletet. Ezután, amikor a következő csúcs eljön, anélkül érheti el az ütést, hogy be kell égnie.

Ily módon az előrejelzések segítenek pénzt keresni a csúcsokon, és pénzt megtakarítani a süllyedéseken. Megtervezheti és felépítheti stratégiáját azok alapján, amikor a dolgok valószínűleg történni fognak. Ez az alkalmazás mind a B2C, mind a B2B vállalkozások számára működik, mert az emberek egész nap, minden nap gépelnek dolgokat a Google-ba.

Kérdezem, milyen egyéb adatforrásokat használhatna előrejelzések készítéséhez. Chris szerint minden időalapú adatforrás érvényes, és a közösségi médiában folytatott beszélgetések hálózatonként eltérőek. A Pinterest jóslatai eltérhetnek a Facebook és Twitter előrejelzéseitől. Tegyen előrejelzéseket ezen adatok alapján.

Ehhez az egyik igazán nagyszerű eszköz CrowdTangle. Fantasztikus, mert idősoradatokat ad le az egyes hozzászólások szintjéig. A közönségkapcsolati személy felhívhatja a híreket és a híreket. A hirdető a kattintásonkénti fizetés összegét, az ajánlati árakat húzhatja le, mindezeket a dolgokat.

A harmadik féltől származó adatforrások azért jók, mert Ön mint vállalat önmagában nem tudja megrontani ezeket az adatokat, bár rossz dolgokat is kérhet. Az egyik neves adatszolgáltató az SEMrush, amelynek jó minőségű adatai vannak. Egy másik eladó, Márka24, médiafigyelést végez.

Megtekintheti azokat az SEO-eszközök keresési adatait is, amelyek nem a Google-ék. Ezek mind jó adatforrások, mivel következetesek, normalizáltak és rendszeresek. Ezenkívül ésszerűen tiszták.

Ezután Chris megoszt egy másik példát arra, hogyan alkalmazhatja a prediktív elemzéseket a vállalkozásában. Chris előrejelző futást hajtott végre egy kaszinóban, 2 éves napi játékgép-bevétel alapján. Miután ezeket az adatokat algoritmusba helyezte, Chris meg tudta jósolni a kaszinó jövő évi bevételét.

Ezekkel az előrejelzésekkel a kaszinó láthatta, hogy mikor lesz alacsony a slot bevétel, és néhány promóciót be kell hajtania, hirdetéseket kell futtatnia, be kell hoznia egy speciális vendég előadót, vagy valami hasonlót. Az adatok segítették a bevételeik hiányosságainak javítását.

Megkérdezem, hogy a marketingszakemberek hogyan kerülik el az adatok befolyásolását. Hipotetikusan mondjuk azt, hogy a Social Media Marketing World marketing promócióit bizonyos ütemtervek szerint állítjuk össze, amelyek nem feltétlenül jóslatokon alapulnak, hanem olyanokon, amelyeket úgy döntöttünk, hogy használunk. Hogyan zárhatjuk ki, hogy a törzs és a közösség viselkedését nem feltétlenül a tetteink okozzák?

Chris szerint a Social Media Marketing World egy ilyen nagy, sikeres műsor, valójában befolyásolja, amikor az emberek olyan dolgokra keresnek, mint „közösségi média marketing. ” Pontosíthatja azonban a megszerzett adatokat néhány különböző módon, hogy minimalizálja az események, problémák stb.

Például, ha közösségi figyelő eszközt használ, kizárhatja a Social Media Marketing World, a #socialmediaexaminer, Michael Stelzner és a kapcsolódó elemek említését. Ezek a kizárások segítenek csökkenteni azokat az adatpontokat, amelyek állítólag nincsenek ott.

Használhat benchmarkingot is, amely egy adott évszakon kívül létrehoz egy alapvonalat, amely napi 20 000 említést tesz hozzá. Még a szezonban is van valami, ami aránytalan ahhoz, aminek ott kellene lennie? Az előrejelzést úgy futtathatja.

Az adatok finomításának legjobb módja azonban az adatok szintje. Jobb szó híján távolítsa el azokat a dolgokat, amelyekről tudja, hogy szennyezik. Ezután a finomított adatok alapján előrejelezhet.

Ez azt jelenti, hogy ha a közösségi média marketing világát marketingesítené, akkor nem feltétlenül szeretne ilyen módon finomítani az adatokat. Ha arra készteti a törzset, hogy befolyásolja azt, hogy az emberek szerte a világon hogyan keresik a „közösségi média marketingjét”, az jó dolog. Ez az oka annak, hogy megünnepeljük a sikerét, és megpróbálunk még több viselkedési változást okozni azzal, hogy még korábban megelőzzük a trendeket.

Hallgassa meg a műsort, hogy hallhassa gondolataimat a kiszámítható emberi mintákról.

Amit nem lehet megjósolni

Chris szerint három dolgot nem lehet megjósolni. Az első olyan jelentős felfordulás, amely torzítja az adatait, például politikai zavargások, kulturális felfordulások, természeti katasztrófák, stb. Mindezek jelentős beavatkozásokat okoznak, amelyek megrongálhatják az előrejelzéseket. A sok felfordulással járó ágazatot, például a tőzsdét, szinte lehetetlen pontosan megjósolni.

A második olyan dolog, ami soha nem történt meg, például a 2016-os elnökválasztás. A verseny a két induló között soha nem fordult elő. Sokan előrejelző eszközöket és előrejelzéseket készítettek a választásokra, és modelljüket a 2012-es választásokra alapozták.

Az egyes pártok jelöltjei azonban nagyon különböző emberek voltak azokban a választási években. Tehát azok az eszközök, amelyeket az emberek 2016-ban építettek, valamin alapultak, ami a múltban történt, de jelenleg nem ez történt. Nem lehet előrejelezni azt, ami soha nem történt meg.

A prediktív elemzés harmadik kizárója rossz adat. Ha sérült adatai vannak, vagy nincsenek adatok, akkor nem tud pontosan megjósolni. Ha tudja, hogy cégének problémái vannak az adatinfrastruktúrával, a prediktív elemzés valójában veszélyes. Olyan lenne, mint ha olyan GPS-szel vezetne, amelynek rossz adatai vannak, és azt mondja, hogy haladjon közvetlenül a szikláról.

Hallgasd meg a műsort, hogy hallhasd Chris újabb kifejezését felfordulás.

Általános adatproblémák

Ha ki akarja próbálni a prediktív elemzéseket, a Google Analytics jó kezdet. A legtöbb marketingesnek bizonyára vannak ilyen adatai, de problémái lehetnek. Például, ha marketing-automatizáló szoftvert használ, akkor a Google Analytics-címkéit be kell helyeznie a szoftver céloldalaira. Ha nem, akkor az adatok integritásával kapcsolatos problémái vannak.

Ezután megkérdezem, hogyan kell kezelni a botokat és a blokkolókat. Chris szerint a közösségi média, különösen az Instagram és a Twitter elárasztja a botokat. Jó hír, hogy a bot viselkedése meglehetősen kiszámítható, mert az ilyen robotokat írók nagyon primitív algoritmusokat használtak. Az adat-előkészítés során a botokat könnyű észrevenni, és Ön eltávolíthatja őket.

Szemléltetésképpen: egy botnak mindig van egy életrajza, amely pontosan ugyanazt a formátumot követi. Az életrajz különféle hosszúságú, különböző hosszúságú szavakkal kezdődik, majd ezt követi a „check me out”, majd egy link.

A blokkolókkal lényegesen nehezebb dolgozni. Ha hirdetési adatok alapján próbál előrejelezni, és a blokkolók eltávolítják az adatokat, akkor ezt nagyon nehéz kijavítani. Az adatok nem tévesek; még csak nincs is. Hiányos.

A hiányos adatokkal kétféle módon foglalkozhat. Először is kereshet valamit, ami irányított, mert a rendelkezésére álló adatok továbbra is reprezentatívak. Mondja el, hogy tudja, hogy a blokkolt hirdetések 30% -a mobileszközön történik, de ez következetesen 30%. A hirdetések 22% -át nem blokkolja az egyik webhely, de 5% -át a másik webhelyen.

Ha a blokkolás viszonylag következetes, akkor továbbra is a megfelelő irányba mutat, mert idővel egyes hirdetések jobban vagy rosszabban teljesítenek.

A második lehetőség csak a hatalmas adatbázissal rendelkező vállalatok számára áll rendelkezésre, például nagy technológiai vállalatok vagy adatcégek. Nagy mennyiségű adattal megteheti beszámítás, amely egy meglévő képzett adatsort és gépi tanulást használ a hiányos darabok kitöltéséhez.

Az imputáció igazán jó példája a társadalmi részesedés. Február elején a LinkedIn kikapcsolta részvényszámait, így ezt a számot már nem kapja meg semmilyen közösségi médiafigyelő eszközből. Ha Chris egy közösségi médiafigyelő cégnél dolgozott, akkor az elmúlt 10 év adatait képzési készletként használta, és a részvények számára következtetett.

Megállapíthatja a megosztások számát, amennyiben más párhuzamos adatkészlete van, például a Twitter és a Pinterest. Ezek a részvényszámok lényegében lehetővé teszik, hogy egy gép kitöltse a LinkedIn-részvények üres helyeit.

Hallgassa meg a műsort, hogy gondolkodjak a botokról és a blokkolókról.

Példák

Egy jól ismert irodai ellátó vállalatnál Chris prediktív elemzéseket végzett a márkanév és az „iroda” általános kifejezésről kellékek. ” Bár a márkanév és az általános kifejezés tükrözte egymást, az „irodai kellékek” 20 nappal lemaradtak a márkától név.

Például a márkanévnek augusztus végén nagy volt a csúcsa, amit Chris az iskolai szezonnak és a munkába visszatérő embereknek tulajdonított. De aztán 20 nappal később az „irodai kellékek” keresési kifejezés pontosan ugyanazt a tüskét és azonos mintát követte. Bármi is történik ott viselkedésszerűen, az emberek keresik a márkát, majd 20 nappal később keresik az általános kifejezést.

A megállapítások alapján Chris azt javasolta a cégnek, hogy készítsen egy újból célzott kampányt, amelynek időtartama 19 nap. Célozzon újra mindenkit, aki 19 nappal később felkeresi az Ön webhelyét, egy hirdetéssel, amely emlékezteti őket arra, hogy jöjjenek vissza további irodaszerekért. Az újból célzó hirdetéssel a vállalat visszaszerezhette e kereslet egy részét.

Ily módon a prediktív elemzés hatalmas megtérülést kínálhat. Valaki feltételezheti, hogy minden, amit csinál, már nem működik, és csak abbahagyja. A prediktív elemzés segítségével láthatja, hogy a közösségi marketing egyszerűen szinkronban van az ügyfelek mintáival.

Ezután Chris megoszt egy példát saját vállalkozásából. Összehasonlító elemzést készített, amikor az emberek az Outlook irodán kívüli beállításait keresik, mert amikor valakinek ezt keresve tudja, hogy nyaralni készülnek, ami azt jelenti, hogy nem olvassák az olvasóikat email. Miután 2017 októberében lefuttatta ezt a referenciaértéket, Chris előrejelzett az első negyedévre.

Chris előrejelzése szerint a keresési mennyiség a legkisebb volt, vagyis a legtöbb ember az irodában volt, 2018. január 18-i héten. Ezen a héten Chris ugyanazt a kampányt folytatta könyvéért ugyanazon listán és ugyanazon ajánlattal, mint 2017-ben.

A 2018-as promóció időzítésének finomításával Chris 40% -kal növelte a könyvértékesítést. 2017-es kampánya körülbelül 2 héttel leállt, és Chris megtudta, hogy a közönségével való szinkronizálás óriási változást hozott.

Kérdezem, hogyan használhatja az információt közzétevő vállalkozás a prediktív elemzéseket stratégiájának javítására. Ehhez a példához Chris szerint az egyik kedvenc alkalmazása a tartalmi stratégia. Tegyük fel, hogy rendszeresen foglalkozik bizonyos témákkal. Ezeknek az előrejelzéseknek a teljes kombinációját futtathatja.

A legjobban teljesítő 10% vezérelheti szerkesztőségi naptárát, mert ha ismeri azokat a hónapokat, amikor az embereket leginkább érdekli egy téma, akkor havi funkciókat tervezhet a téma köré. Még a hétig tudni fogja, mikor kell közzétenni egy bizonyos témával kapcsolatos tartalmat. Ily módon havonta elérheti a magas hangot.

A prediktív elemzés szintén felhasználhatja a hirdetési naptárat. Ha tudod, hogy egy bizonyos témában publikálsz, az adott téma alapján beállíthatod az árkártyákat. Abban a hónapban, amikor tudod, hogy egy téma iránti kereslet magas, teljes árat számíthat fel az adott téma iránt érdeklődő hirdetőkről. Ha tudja, hogy a hirdetők céltémája iránt alacsony az érdeklődés, akkor 40% kedvezményt kínálhat.

Hallgassa meg a műsort, és hallja Chris beszélgetését arról, hogy a Social Media Examiner hogyan alkalmazhat prediktív elemzéseket a tartalmára.

Eszközök

Chris szerint a legjobb eszközök ingyenesek. Ezek programozási nyelvek (például R és Piton), valamint a könyvtárak (mint a SIDEKIT, NumPy, timetk), amelyek bizonyos feladatokhoz használható kódot kínálnak. Ezen ingyenes eszközök használatához azonban sok technikai tapasztalatra van szükség. A programozási nyelvek és könyvtárak olyanok, mint a motor részei. Ahhoz, hogy autóhoz jusson, magának kell megépítenie.

Bármely méretű, technikailag képes vállalkozás számára, ha van valaki vagy több ember, aki képes betölteni a szerepeket fejlesztő, adatkutató és marketingtechnológus, a prediktív elemzéssel elkészítheti saját előrejelzéseit ingyenes.

Ha azonban nincs ideje vagy tudása ezen eszközök használatára, de van pénze, akkor a legjobb megoldás az előrejelzés kiszervezése. Béreljen fel egy tudománytársaságot.

Ha érdekli az adattudomány működésének megismerése, akkor Chris erősen ajánlja a blogot itt: KDnuggets.com és a IBM adattudományi blog. A IBM Data Science Experience kiváló is. Kövesse a fejlesztői blogokat is a nagy technológiai vállalatok számára, mint pl Microsoft, amazon, Google, és IBM.

Az adattudományról azonban a legjobb információt itt találja akadémiai dolgozatok. Ha el tudja olvasni ezeket az iratokat anélkül, hogy elaludna, és kibontaná az információkat, akkor valódi aranyat talál. Megtanul olyan technikákat, amelyeket kipróbálhat az adatain.

Ez a prediktív algoritmus, amelyről már beszéltünk, már 70 éve létezik. Olyan eszköz, mint egy spatula. Ha valaha csak annyit tesz, hogy megdob egy darab pirítóst, akkor nagyon drága pirítós papucsja lesz.

Ha azonban a grillezésre, a sütéses sütésre és mindazokra a dolgokra gondol, amelyeket egy spatulával megtehet, akkor a lehetőségek végtelenné válnak. Ugyanez vonatkozik az adattudományi eszközökre és algoritmusokra. Kreativitását és kíváncsiságát kipróbálhatja mindezen különböző módokon.

A jövőben ezeknek az eszközöknek a használata ugyanolyan egyszerűvé válik, mint egy Facebook-hirdetés futtatása, mert sok prediktív elemzés már nagyon mechanizált. Azonban az emberi ítélőképességet és kontextust magában foglaló résznek hosszabb ideig kell tartania. A gépek nem értik a vállalkozások működését, ezért nem látják ezeket a lehetőségeket.

De a nagy stratégia feltérképezése után hamarosan kattinthat egy gombra, ellophatja a hitelkártyáját, kifizetheti a 99 dolláros havidíját, és az eszköz leköti a diagramokat. Chris szerint ez a képesség a következő 5 évben elérhető lesz.

Az úton tovább, az általános célú mesterséges intelligencia javulásával elmondhatja egy gépnek, hogy a kereslet alapján optimalizálni szeretné Facebook-kiadásait. Ezután a gép automatikusan elvégzi az előrejelzést, kitalálja, mikor fordulnak elő a csúcsok és a völgyek, és alapvetően futtatja az Ön költségkeretét és hirdetéseit. Ez valószínűleg 5-10 év.

Hallgassa meg a műsort, hogy Chris hallhassa többet arról, amit a gépek nem tudnak megtenni.

A hét felfedezése

Reshot olyan stock fotó webhely, amely elkerüli a klisés állományképeket.

A Reshot fotói a fotós egyedi perspektíváját tükrözik. Ily módon a fotók jobb minőségűek, mint sok más stock fotóoldalon.

Az oldal a egyszerű engedély és feltételeket amelyek nagy rugalmasságot biztosítanak a fényképek használatához.

A Reshot fotók ingyenesek, bár a Reshot partnereitől is találhat eladó fényképeket. A képek böngészéséhez vagy további információkért látogasson el a weboldalra.

Hallgassa meg a műsort, hogy többet tudjon meg, és tudassa velünk, hogyan működik a Reshot az Ön számára.

Az ebben az epizódban említett legfontosabb elvihetők:

• Tudjon meg többet Chris vállalkozásáról, Brain + Trust Insights.
• Kövesse Chris-t Twitter.
• Olvas Chris blogja.
• Hallgasd meg Chris podcastját, Marketing kávé mellett.
• A keresési adatokhoz a AdWords Kulcsszótervező vagy Google Trends.
• Tudjon meg többet CrowdTangle.
• Ellenőrizze harmadik fél adatszolgáltatóit SEMrush és Márka24.
• Tudjon meg többet a statisztikai adatokról beszámítás.
• Tudjon meg többet erről R és Piton a könyvtárak pedig SIDEKIT, NumPy, és timetk.
• Látogatás KDnuggets.com, IBM adattudományi blog, és IBM Data Science Experience.
• Kövesse a fejlesztői blogokat Microsoft, amazon, Google, és IBM.
• Keressen a tartalmához tartozó fotókon keresztül Reshot.
• Nézze meg heti közösségi média marketing beszélgetésünket péntekenként 10 órakor Csendes-óceán Crowdcast vagy ráhangolódhat a Facebook Live-ra.
• Töltse le a 2017. évi közösségi média-marketing jelentés.

Mit gondolsz? Mi a véleménye a prediktív elemzésről? Kérjük, ossza meg észrevételeit az alábbiakban.