Prognozējošā analīze: kā tirgotāji var uzlabot turpmākās darbības: sociālo mediju eksaminētājs

Vai vēlaties, lai jūsu mārketings būtu efektīvāks?

Vai vēlaties uzzināt, kā mārketinga ciklu prognozēšana var palīdzēt?

Lai izpētītu, kā tirgotāji var sākt strādāt ar prognozējošu analīzi, es intervēju Krisu Pennu.

Vairāk par šo izrādi

The Sociālo mediju mārketinga podcast ir sarunu radio raidījums pēc pieprasījuma no Social Media Examiner. Tā ir paredzēta, lai palīdzētu aizņemtiem tirgotājiem, uzņēmumu īpašniekiem un veidotājiem atklāt, kas darbojas ar sociālo mediju mārketingu.

Šajā epizodē es intervēju Kriss Pens, līdzdibinātājs un galvenais novators Brain + Trust Insights. Viņš ir arī filmas Mārketings pie kafijas Podcast un sociālo mediju mārketinga pasaules vadošais analīzes eksperts.

Kriss paskaidro, kā nodrošināt prognozējošajā analīzē izmantoto pamatdatu kvalitāti.

Jūs atradīsit arī datu avotus un rīkus, kas izmantoti prognozēšanai.

Dalieties savās atsauksmēs, izlasiet izrādes piezīmes un iegūstiet saites, kas minētas šajā epizodē.

Klausieties tūlīt

Kur abonēt: Apple Podcast | Google Podcasts | Spotify | RSS

Ritiniet līdz raksta beigām, lai atrastu saites uz svarīgiem resursiem, kas minēti šajā epizodē.

Šeit ir dažas lietas, kuras jūs atklāsiet šajā izrādē:

Paredzamā analīze

Krisa stāsts

Kriss sāka darbu analītikā, izmantojot savu pieredzi IT jomā. 2003. gadā viņš sāka strādāt par IT direktoru studentu aizdevumu uzņēmumā, kur viņa loma paplašinājās, pārsniedzot tradicionālos IT pienākumus. Papildus tīmekļa un e-pasta serveru vadīšanai viņš arī atjaunināja vietnes un nosūtīja iknedēļas e-pastu.

Kriss darīja šo darbu, pirms pastāvēja Google Analytics, tāpēc, kad viņa uzņēmuma vadītājs jautāja, kā darbojas vietnes un e-pasts, Krisam nebija atbildes. Lai to noskaidrotu, Kriss un viņa komanda sāka izstrādāt savus rīkus, lai izprastu pamatus, piemēram, cik daudz cilvēku katru dienu apmeklēja vietni.

Laika gaitā analīzes prakse kļuva par Krisa galveno uzmanību. Viņš ne tikai centās uzzināt, kas notika, bet arī to, kāpēc tas notika un kā bizness varēja reaģēt.

Klausieties raidījumu, lai dzirdētu, kā Kriss pārrunā viņa izglītību.

Kas ir paredzamā analīze?

Paredzamā analīze izmanto statistiku un mašīnmācīšanos, lai analizētu datus un veiktu prognozes. Cilvēki ir ļoti paredzami. Mēs visi ievērojam kārtību, piemēram, zobu tīrīšanu un pēc tam mazgāšanos dušā vai katru rītu katrā apģērba gabalā noteiktā secībā.

Tā kā cilvēki ir paredzami gan mikro, gan makro mērogā, tirgotāji lielākoties var paredzēt, kas notiks. Piemēram, Ziemeļamerikā, ja esat B2C tirgotājs, jūs diezgan daudz zināt, ka no 1. novembra līdz 26. decembrim būsiet aizņemts, jo tas ir produktu pārdošanas maksimālais laiks.

Līdzīgi, ja esat B2B tirgotājs, jūsu aizņemtais laiks ir no 1. janvāra līdz aptuveni maija beigām. Tad bizness sāk darboties tūlīt pēc Darba svētkiem Amerikas Savienotajās Valstīs un Kanādā un turpinās caur ASV Pateicības dienu. Ārpus šiem laikiem ir daudz grūtāk būt tirgotājam neatkarīgi no tā, vai jūs koncentrējaties uz digitālo, sociālo vai apmaksāto.

Klausieties raidījumu, lai dzirdētu vairāk paredzamu cilvēku uzvedības piemēru.

Ko var darīt prognozējošā analīze?

Tā kā mēs šīs lietas vispār zinām, mašīnas var palīdzēt mums padarīt šīs prognozes precīzākas. Prognozējošās analīzes vērtība ir to specifika. Ja jūs zināt, kurā nedēļā jums vajadzētu darīt vairāk Facebook Live vai mazāk tērēt reklāmām, jūs varat būt efektīvāks un efektīvāks savā mārketingā. Ja jūs zināt, kā prognozēt, jūs varat nopelnīt naudu, ietaupīt naudu, ietaupīt laiku un netikt atlaists.

Jutīgā analīze īpaši koncentrējas uz mēģinājumu uzzināt, kas notiks tālāk. Vidējam tirgotājam laika rindu prognozes (vai kad kaut kas notiks) ir visparastākā un noderīgākā lietojumprogramma. Lai ilustrētu, ja esat sociālo mediju tirgotājs, vēlaties uzzināt, kad personāla apkalpošana ir nepieciešama, lai atbildētu uz klientu jautājumiem.

Paredzamā analīze var arī noskaidrot, piemēram, kad kāds iegādāsies jaunu automašīnu, vai arī viņi ir gaidošie vecāki. Tomēr šīs lietojumprogrammas ir daudz niansētākas nekā laika rindu prognozes.

Klausieties raidījumu, lai uzzinātu par manu pieredzi ar prognozējošu analīzi, kad biju B2B rakstnieks.

Kā darbojas prognozējošā analīze

Paredzamā analīze, iespējams, tagad ir gandrīz 70 gadus veca. Cilvēki ir pārsteigti, dzirdot, cik veca ir disciplīna, jo, viņuprāt, mašīnmācīšanās ir kaut kas jauns. Tomēr teorijas un matemātiskās formulas pastāv jau ļoti ilgu laiku.

Ir mainījusies klēpjdatoru, galddatoru un mākoņserveru skaitļošanas jauda. Viņi var sasist lielākus skaitļus īsākā laikā. Teorētiski jūs varat veikt prognozējošu analīzi uz papīra, taču tas prasītu daudz papīra un laika.

Lai labi veiktu prognozējošu analīzi, jums ir nepieciešamas trīs spējas. Pirmkārt, jums ir nepieciešams kāds ar attīstības prasmēm, lai iegūtu datus no saviem datu avotiem, piemēram, Google Analytics, Facebook Insights, Twitter un cita veida sociālajiem datiem. Dati var būt jums piederošās sistēmās vai trešo pušu sistēmās. Kam ir dati, jums jāspēj tos iegūt.

Krisam patīk izteiciens: “Dati ir jaunā eļļa”, jo, ja jūs kādreiz esat redzējis jēlnaftu, tas ir pretīgs juceklis. Ar to nevar daudz ko darīt, kamēr to neizvelk no zemes, neuzlabo un pēc tam atdod cilvēkiem, kuri to var izmantot automašīnās vai izgatavot plastmasas traukus, kas neplīst, nokrītot uz grīdas. Izmantojot jutīgo analīzi, tas ir gandrīz tas pats.

Attīrītāji ir datu zinātnieki, kas attīra datus kaut ko jūs varat izmantot. Tad mārketinga tehnologi, kas mūsdienās ir daudzu sociālo mediju tirgotāju loma, kaut ko dara ar šiem datiem. Viņi ne tikai interpretē datus; viņi rīkojas pēc tā.

Kriss uzsver, cik svarīgi ir rīkoties pēc iegūtajiem datiem. Ja jūs zināt, kuru nedēļu vēlaties reklamēt savu pasākumu, bet neko nedarāt ar šo informāciju, tad nav jēgas darīt prognozi.

Prognožu precizitāte ir atkarīga no pamatā esošajiem datiem un algoritma, kuru izmantojat, lai veiktu prognozes. Kādā brīdī gandrīz visiem radīsies problēma ar datu kvalitāti. Varbūt jūs neesat pareizi iestatījis Google Analytics, neesat pareizi uzstādījis savus mērķus, esat aizmirsis ieslēgt savu Facebook pikseļu; kāda no šīm lietām.

Klausieties raidījumu, lai dzirdētu, kā Kriss apspriež populāru akciju tehniskās analīzes veidu.

Praktiskās mārketinga programmas prognozējošai analīzei

Kad Kriss veic prognozējošu prognozi, tas parasti ir 52 nedēļu līniju diagramma. Katrai nedēļai diagrammā ir redzama prognoze neatkarīgi no datu sērijas. Lielāko daļu laika Kriss izmanto meklēšanas datus, jo cilvēki Google tīklā raksta tādas lietas, kuras viņi to nedarītu pastāstiet citam cilvēkam, padarot meklēšanas datus par ļoti labu rādītāju tam, kas patiesībā ir kāds prāts.

Ir pieejams daudz meklēšanas datu, un dažiem no tiem varat piekļūt bez maksas, izmantojot tādus rīkus kā AdWords atslēgvārdu plānotājs vai Google tendences. Pēc datu iegūšanas jūs varat prognozēt kāda veida tendenci, kas ir datu sērija, un pēc tam noteikt smailes un ielejas. Kriss iesaka, lai jūsu prognozes pamatā būtu dati no 1 līdz 5 gadiem.

Pieņemsim, ka 5 gadu meklēšanas datus iegūstat sociālo mediju mārketingā, jo jūs domājat, kad nākamajā gadā cilvēki meklēs “sociālie mediji” mārketings. ” Ja nejauši zināt, ka būs nākamā gada 20. marts, 19. aprīlis, 27. maijs, 4. jūlijs, 10. septembris un 21. oktobris, tie ir jūsu augstsūdens zīmes.

Ar šiem datumiem jūs varat arī redzēt, kas notiek 2 līdz 3 nedēļas pirms katra datuma. Parasti ir sasniegts šis maksimums. Tāpēc sociālo mediju tirgotājam ir jāpaaugstina savi reklāmas izdevumi. Bioloģiskās mārketinga speciālistam ir daudz jāpublicē un divkāršot to izveidoto Instagram stāstu skaitu. Sabiedrisko attiecību personai ir jāpiedalās mēnešus iepriekš, lai šajos datumos parādītos publikācijās.

Jūs arī zināt, kad notiks ielejas, lai varētu plānot bankas saturu, kamēr nekas daudz nenotiek. Jūs varat ierakstīt aplādes, viesu resursdatorus citās vietnēs, rakstīt virkni emuāra ziņojumu un krājumu saturu. Tad, kad nāk nākamā virsotne, jūs varat nosist vajadzīgo kadenci, nedegot.

Tādā veidā prognozes palīdz nopelnīt naudu virsotnēs un ietaupīt uz kritumiem. Jūs varat plānot un veidot savu stratēģiju, pamatojoties uz to, kad lietas varētu notikt. Šī lietojumprogramma darbojas gan B2C, gan B2B uzņēmumiem, jo ​​cilvēki visu dienu un katru dienu Google ievada saturu.

Es jautāju, kādus citus datu avotus jūs varētu izmantot, lai veiktu prognozes. Kriss saka, ka jebkurš uz laiku balstīts datu avots ir derīgs un sociālo tīklu sarunas katrā tīklā atšķiras. Jūsu Pinterest prognozes var atšķirties no jūsu Facebook un Twitter prognozēm. Veiciet prognozes, pamatojoties uz visiem šiem datiem.

Lai to izdarītu, ir viens patiešām lielisks rīks CrowdTangle. Tas ir fantastiski, jo sniedz jums laika rindu datus līdz individuālajam ziņu līmenim. Sabiedrisko attiecību persona var iegūt ziņu pieminējumus un ziņu atspoguļojumu. Reklāmdevējs var iegūt maksas par klikšķi summas, cenu cenas un visas šīs lietas.

Trešās puses datu avoti ir labi, jo jūs kā uzņēmums nevarat tos pats sabojāt, lai gan jūs varat lūgt nepareizas lietas. Viens cienījams datu piegādātājs ir SEMrush, kam ir labas kvalitātes dati. Cits pārdevējs, Zīmols24, veic plašsaziņas līdzekļu uzraudzību.

Varat arī apskatīt meklēšanas datus no SEO rīkiem, kas nav Google. Tie visi ir labi datu avoti, jo tie ir konsekventi, normalizēti un regulāri. Turklāt tie ir pietiekami tīri.

Tad Kriss dalās ar citu piemēru, kā jūs varat savai uzņēmējdarbībai piemērot prognozējošu analīzi. Kriss veica kazino prognozējošu vadību, pamatojoties uz 2 gadu ikdienas spēļu automātu ieņēmumiem. Pēc šo datu ievietošanas algoritmā Kriss varēja prognozēt kazino ieņēmumus nākamajam gadam.

Izmantojot šīs prognozes, kazino varēja redzēt, kad laika nišu ieņēmumi būs mazi, un viņiem vajadzēja piesaistīt dažas akcijas, rādīt reklāmas, piesaistīt īpašu viesu izklaidētāju vai kaut ko tamlīdzīgu. Dati viņiem palīdzēja izlabot šīs ieņēmumu nepilnības.

Es jautāju, kā tirgotāji izvairās no datu ietekmēšanas. Hipotētiski pieņemsim, ka mēs pielāgojam mārketinga reklāmas sociālo mediju mārketinga pasaulei pēc noteiktiem grafikiem, kas ne vienmēr balstās uz prognozēm, bet kurus mēs nolēmām izmantot. Kā izslēgt, ka cilts un kopienas uzvedību ne vienmēr izraisa mūsu rīcība?

Kriss saka, ka sociālo mediju mārketinga pasaule ir tik liela, veiksmīga izrāde, tā faktiski ietekmē to, kad cilvēki meklē tādas lietas kā “sociāla mediju mārketings. ” Tomēr jūs varat precizēt iegūtos datus dažos dažādos veidos, lai samazinātu notikumu, problēmu un tā tālāk ietekmēšanu.

Piemēram, ja izmantojat sociālās klausīšanās rīku, varat izslēgt sociālo mediju mārketinga pasaules, #socialmediaexaminer, Michael Stelzner un saistīto vienību pieminēšanu. Šie izslēgšanas gadījumi palīdz samazināt tos datu punktus, kuru tur nav.

Varat arī izmantot etalonu, kas izveido bāzes līniju ārpus konkrētās sezonas, pievienojot 20 000 pieminējumu dienā. Vai pat sezonā ir kaut kas nesamērīgs ar to, kam tur vajadzētu būt? Jūs varat palaist prognozēšanu šādā veidā.

Tomēr labākais veids, kā precizēt datus, ir datu līmenī. Labāka vārda trūkuma dēļ noņemiet saturu, kas, jūsuprāt, ir piesārņojošs. Tad jūs varat prognozēt pēc precizētiem datiem.

Tas nozīmē, ka, ja jūs tirgojat sociālo mediju mārketinga pasauli, jūs noteikti nevēlaties šādā veidā precizēt datus. Ja jūs panākat, lai cilts ietekmētu to, kā cilvēki visā pasaulē meklē “sociālo mediju mārketingu”, tas ir labi. Tas ir iemesls svinēt savus panākumus un mēģināt izraisīt vēl vairāk uzvedības izmaiņu, apsteidzot tendences vēl agrāk.

Klausieties raidījumu, lai dzirdētu manas domas par paredzamiem cilvēka modeļiem.

Ko jūs nevarat paredzēt

Kriss saka, ka jūs nevarat paredzēt trīs lietas. Pirmais ir nopietns satricinājums, kas sagrozīs jūsu datus, piemēram, politiskie nemieri, kultūras satricinājumi, dabas katastrofas un tamlīdzīgas lietas. Visas šīs lietas izraisa lielu iejaukšanos, kas var sabojāt prognozi. Nozares ar lielu satricinājumu, piemēram, akciju tirgus, ir gandrīz neiespējami precīzi paredzēt.

Otrais ir tāds, kas nekad nav noticis, piemēram, 2016. gada prezidenta vēlēšanas. Konkurence starp abiem kandidātiem, kuri piedalījās, vēl nekad nebija notikusi. Daudzi cilvēki, kas izveidoja prognozēšanas rīkus un vēlēšanu prognozes, balstījās uz 2012. gada vēlēšanām.

Tomēr katras partijas kandidāti šajos vēlēšanu gados bija ļoti atšķirīgi cilvēki. Tātad rīki, kurus cilvēki veidoja 2016. gadam, tika balstīti uz kaut ko, kas notika agrāk, bet tas nenotika pašlaik. Jūs nevarat prognozēt to, kas nekad nav noticis.

Trešais prognozēšanas analīzes diskvalifikators ir slikti dati. Ja jums ir bojāti dati vai nav datu, jūs nevarat precīzi prognozēt. Ja zināt, ka jūsu uzņēmumam ir problēmas ar datu infrastruktūru, prognozējošā analīze faktiski ir bīstama. Tas būtu tāpat kā braukt ar GPS, kuram ir slikti dati un kurš liek braukt tieši pie klints.

Klausieties raidījumu, lai dzirdētu, kā Kriss dalās ar citu terminu satricinājums.

Biežas datu problēmas

Ja vēlaties izmēģināt jutīgo analīzi, Google Analytics ir labs sākums. Lielākajai daļai tirgotāju noteikti ir šie dati, taču tiem var būt problēmas. Piemēram, ja izmantojat mārketinga automatizācijas programmatūru, šīs programmatūras galvenajās lapās ir jāievieto Google Analytics tagi. Ja tā nav, jums ir datu integritātes problēmas.

Pēc tam es jautāju, kā rīkoties ar robotiem un bloķētājiem. Kriss saka, ka sociālajos medijos, īpaši Instagram un Twitter, ir daudz botu. Labā ziņa ir tā, ka robotu uzvedība ir diezgan paredzama, jo cilvēki, kas rakstīja šos robotus, izmantoja ļoti primitīvus algoritmus. Datu sagatavošanas procesā robotus ir viegli pamanīt, un jūs varat tos noņemt.

Ilustrācijai vienam robotam vienmēr ir biogrāfija, kas izmanto tieši to pašu formātu. Biogrāfija sākas ar dažādiem vārdiem, kas ir dažāda garuma, kam seko “check me out” un pēc tam saite.

Ar bloķētājiem ir ievērojami grūtāk strādāt. Ja mēģināt prognozēt, pamatojoties uz reklāmas datiem, un bloķētāji noņem datus, to ir ļoti grūti novērst. Dati nav kļūdaini; jums tas pat nav. Tas ir nepilnīgs.

Ar nepilnīgiem datiem var tikt galā divējādi. Pirmkārt, jūs varat meklēt kaut ko virzīgu, jo jūsu rīcībā esošie dati joprojām ir reprezentatīvi. Pieņemsim, ka zināt, ka 30% bloķēto reklāmu tiek rādītas mobilajā ierīcē, taču tas ir nemainīgs 30%. Jums vienā vietnē nav bloķēti 22% reklāmu, bet citā - 5%.

Ja bloķēšana ir samērā konsekventa, jūs tik un tā tiksit virzīts pareizā virzienā, jo laika gaitā dažas reklāmas darbosies labāk vai sliktāk.

Otrā iespēja ir pieejama tikai uzņēmumiem ar masīvu datu bāzi, piemēram, lieliem tehnoloģiju uzņēmumiem vai datu uzņēmumiem. Izmantojot lielu datu apjomu, jūs varat to izdarīt imputācija, kas izmanto esošo apmācīto datu kopu un mašīnmācīšanos, lai aizpildītu nepilnīgos gabalus.

Patiešām labs piemērošanas piemērs ir sociālās akcijas. Februāra sākumā LinkedIn izslēdza savu akciju numurus, tāpēc jūs vairs nesaņemat šo numuru no jebkura sociālo mediju uzraudzības rīka. Ja Kriss strādātu sociālo mediju uzraudzības uzņēmumā, viņš izmantotu pēdējo 10 gadu datus kā mācību komplektu un secinātu akciju skaitu.

Varat secināt par kopīgo skaitu, ja vien jums ir citas paralēlas datu kopas, piemēram, Twitter un Pinterest. Šie akciju numuri ļaus mašīnai aizpildīt tukšās vietas LinkedIn akcijām.

Klausieties raidījumā manas domas par robotprogrammatūrām un bloķētājiem.

Piemēri

Labi pazīstamam biroja piederumu uzņēmumam Kriss veica preču zīmes un vispārīgā termina “birojs” prognožu analīzi piederumi. ” Lai gan zīmola nosaukums un vispārīgais apzīmējums atspoguļoja viens otru, “biroja piederumi” atpalika no zīmola 20 dienas nosaukums.

Piemēram, augusta beigās zīmola nosaukumam bija liels smaile, ko Kriss attiecināja uz skolas sezonu un cilvēkiem, kas atgriežas darbā. Bet pēc 20 dienām meklēšanas vienums “biroja piederumi” sekoja tieši tādam pašam smailei un modelim. Neatkarīgi no tā, kas tur notiek ar uzvedību, cilvēki meklē zīmolu un pēc 20 dienām meklē vispārīgo vārdu.

Pamatojoties uz secinājumiem, Kriss ieteica uzņēmumam izveidot atkārtotas mērķauditorijas atlases kampaņu, kuras laiks ir 19 dienas. Atkārtoti atlasiet mērķauditoriju visiem, kas 19 dienas vēlāk apmeklē jūsu vietni, pievienojot reklāmu, kas atgādina viņiem atgriezties pēc vairāk biroja piederumiem. Izmantojot atkārtoti atlasīto reklāmu, uzņēmums varētu atgūt daļu no šī pieprasījuma.

Tādā veidā prognozējošā analīze var piedāvāt milzīgu IA. Kāds varētu pieņemt, ka viss, ko viņi dara, vairs nedarbojas, un vienkārši apstāties. Izmantojot jutīgo analīzi, jūs varat redzēt, ka jūsu sociālais mārketings vienkārši nav sinhronizēts ar klientu modeļiem.

Pēc tam Kriss dalās ar piemēru no sava biznesa. Viņš veica salīdzinošo novērtēšanu, pamatojoties uz to, kad cilvēki meklē Outlook iestatījumus ārpus biroja, jo tad, kad kāds izmanto to meklējot, jūs zināt, ka viņi gatavojas doties atvaļinājumā, kas nozīmē, ka viņi to nelasa e-pasts. Pēc šī etalona izpildes 2017. gada oktobrī Kriss prognozēja uz priekšu pirmajā ceturksnī.

Kriss prognozēja, ka meklēšanas vaicājumu skaits bija mazākais, tas nozīmē, ka lielākā daļa cilvēku atradās birojā - 2018. gada 18. janvāra nedēļā. Tajā nedēļā Kriss rīkoja to pašu savas grāmatas kampaņu tajā pašā sarakstā un ar tādu pašu piedāvājumu kā 2017. gadā.

Precizējot 2018. gada akcijas laiku, Kriss palielināja grāmatu pārdošanu par 40%. Viņa 2017. gada kampaņa bija pārtraukta apmēram 2 nedēļas, un Kriss uzzināja, ka tas, ka nav sinhronizēts ar auditoriju, radīja milzīgas pārmaiņas.

Es jautāju, kā uzņēmums, kas publicē informāciju, varētu izmantot prognozēšanas analīzi, lai uzlabotu savu stratēģiju. Šajā piemērā Kriss saka, ka viena no viņa iecienītākajām lietojumprogrammām ir satura stratēģija. Pieņemsim, ka jūs regulāri apskatāt noteiktas tēmas. Jūs varat palaist visu šo prognožu kombināciju.

Vislabākie 10% var vadīt jūsu redakcijas kalendāru, jo, ja zināt mēnešus, kad cilvēkus visvairāk interesē tēma, varat plānot ikmēneša funkcijas ap šo tēmu. Līdz nedēļai jūs pat zināt, kad jāpublicē saturs par noteiktu tēmu. Tādā veidā katru mēnesi jūs varat sasniegt augsto piezīmi.

Paredzamā analīze var arī informēt jūsu reklamēšanas kalendāru. Ja zināt, ka publicējat noteiktu tēmu, varat iestatīt likmju kartes, pamatojoties uz šo tēmu. Mēnesī, kad zināt, ka auditorijas pieprasījums pēc tēmas ir augsts, jūs varētu iekasēt pilnu cenu reklāmdevējiem, kuri interesējas par šo tēmu. Ja zināt, ka interese par reklāmdevēju mērķa tēmu ir zema, jūs varētu piedāvāt 40% atlaidi.

Klausieties raidījumu, lai dzirdētu, kā Kriss apspriež, kā sociālo mediju eksaminētājs tā saturam var piemērot prognozējošo analīzi.

Rīki

Kriss saka, ka labākie rīki ir bez maksas. Tās ir programmēšanas valodas (piemēram, R un Python), kā arī bibliotēkas (piemēram, SIDEKIT, NumPy, timetk), kas piedāvā kodu, kuru varat izmantot noteiktiem uzdevumiem. Tomēr, lai izmantotu šos bezmaksas rīkus, nepieciešama liela tehniskā pieredze. Programmēšanas valodas un bibliotēkas ir kā dzinēja daļas. Lai iegūtu automašīnu, tā ir jākonstruē pašiem.

Jebkura lieluma tehniski spējīgam biznesam, ja jums ir kāds vai vairāki cilvēki, kas var aizpildīt lomas Izstrādātājs, datu zinātnieks un mārketinga tehnologs varat izmantot prognozēšanas analīzi, lai izveidotu savas prognozes bez maksas.

Tomēr, ja jums nav laika vai zināšanu, lai izmantotu šos rīkus, bet jums ir nauda, ​​labākais ir prognozēšanas ārpakalpojums. Nolīgt datu zinātnes uzņēmumu.

Ja jūs interesē uzzināt, kā darbojas datu zinātne, Kriss stingri iesaka emuāru vietnē KDnuggets.com un IBM datu zinātnes emuārs. The IBM Data Science pieredze ir arī izcils. Jums vajadzētu arī sekot izstrādātāju emuāriem lielākajiem tehnoloģiju uzņēmumiem, piemēram, Microsoft, Amazon, Google, un IBM.

Vislabāko informāciju par datu zinātni tomēr atrodat šeit: akadēmiskie darbi. Ja jūs varat izlasīt šos dokumentus bez aizmigšanas un iegūt informāciju, jūs atradīsit īstu zeltu. Jūs uzzināsiet metodes, kuras varat izmēģināt, izmantojot savus datus.

Šis prognozējošais algoritms, par kuru mēs runājām, pastāv jau 70 gadus. Tas ir tāds rīks kā lāpstiņa. Ja viss, ko jūs kādreiz darāt, ir apgāzt grauzdiņu gabalu, jums būs ļoti dārgs grauzdiņš.

Tomēr, ja jūs domājat par grilēšanu, cepšanu un visām lietām, ko varat darīt ar lāpstiņu, tad iespējas kļūst bezgalīgas. Tas pats attiecas uz datu zinātnes rīkiem un algoritmiem. Jūs varat izmantot savu radošumu un zinātkāri, lai tos izmēģinātu visos šajos dažādajos veidos.

Nākotnē šo rīku izmantošana kļūs tikpat vienkārša kā Facebook reklāmas rādīšana, jo daudz prognozējošās analīzes jau ir ļoti mehanizētas. Tomēr daļai, kas saistīta ar cilvēka spriedumu un kontekstu, būs jānotiek ilgāk. Mašīnas nespēj saprast, kā darbojas uzņēmumi, un tāpēc nevar redzēt šīs iespējas.

Bet pēc lielās stratēģijas kartēšanas jūs drīz varēsiet noklikšķināt uz pogas, vilkt kredītkarti, samaksāt ikmēneša maksu USD 99, un rīks izspēlēs diagrammas. Kriss domā, ka šī iespēja būs pieejama nākamo 5 gadu laikā.

Tālāk, uzlabojoties vispārējas nozīmes mākslīgajam intelektam, jūs, iespējams, varēsit pateikt mašīnai, kuru vēlaties optimizēt savus Facebook izdevumus, pamatojoties uz pieprasījumu. Tad mašīna automātiski izdarīs prognozi, izdomās, kad rodas virsotnes un ielejas, un galvenokārt vadīs jūsu budžetu un reklāmas jūsu vietā. Iespējams, tas ir no 5 līdz 10 gadiem.

Klausieties raidījumu, lai dzirdētu, kā Kriss vairāk dalās ar to, ko nespēj mašīnas.

Nedēļas atklājums

Pāršāvis ir akciju fotoattēlu vietne, kurā tiek novērsti klišejas krājuma attēli.

Reshot fotoattēli atspoguļo fotogrāfa unikālo perspektīvu. Tādā veidā fotogrāfijas ir kvalitatīvākas nekā daudzās citās fondu foto vietnēs.

Vietne izmanto a vienkārša licence un noteikumiem kas dod jums lielu elastību fotoattēlu izmantošanā.

Reshot fotoattēli ir bez maksas, lai gan jūs varat atrast arī fotoattēlus, kurus pārdodat no Reshot partneriem. Lai pārlūkotu attēlus vai uzzinātu vairāk, apmeklējiet vietni.

Klausieties raidījumu, lai uzzinātu vairāk, un dariet mums zināmu, kā Reshot jums darbojas.

Šajā epizodē minētie galvenie līdzņemamie ēdieni:

• Uzziniet vairāk par Krisa biznesu, Brain + Trust Insights.
• Sekojiet Krisam tālāk Twitter.
• Lasīt Krisa emuārs.
• Klausieties Krisa aplādi, Mārketings pie kafijas.
• Piekļūstiet meklēšanas datiem, izmantojot AdWords atslēgvārdu plānotājs vai Google tendences.
• Uzziniet vairāk par CrowdTangle.
• Pārbaudiet trešo pušu datu piegādātājus SEMrush un Zīmols24.
• Uzziniet par statistikas datiem imputācija.
• Uzziniet vairāk par R un Python un bibliotēkām patīk SIDEKIT, NumPy, un timetk.
• Vizīte KDnuggets.com, IBM datu zinātnes emuārs, un IBM Data Science pieredze.
• Sekojiet izstrādātāja emuāriem Microsoft, Amazon, Google, un IBM.
• Atrodiet fotoattēlus savam saturam, izmantojot Pāršāvis.
• Skatieties mūsu iknedēļas sociālo mediju mārketinga sarunu raidījumu piektdienās plkst Crowdcast vai noskaņojieties uz Facebook Live.
• Lejupielādējiet 2017. gada sociālo mediju mārketinga nozares ziņojums.

Ko tu domā? Kādas ir jūsu domas par prognozējošu analīzi? Lūdzu, dalieties ar komentāriem zemāk.