Prediktivna analitika: Kako marketingu mogu poboljšati buduće aktivnosti: Ispitivač društvenih medija

Želite da vaš marketing bude učinkovitiji?

Pitate se kako predviđanje vaših marketinških ciklusa može pomoći?

Kako bih istražio kako trgovci mogu započeti s prediktivnom analitikom, intervjuiram Chrisa Penna.

Više o ovoj emisiji

The Podcast za marketing društvenih medija je emisija o razgovoru na zahtjev tvrtke Social Media Examiner. Dizajniran je kako bi zauzetim marketinškim stručnjacima, vlasnicima tvrtki i autorima otkrio što funkcionira s marketingom na društvenim mrežama.

U ovoj epizodi intervjuiram Chris Penn, suosnivač i glavni inovator u Mozak + uvid u povjerenje. Također je suvoditelj Marketing uz kavu podcast i vodeći analitičar za Social Media Marketing World.

Chris objašnjava kako osigurati kvalitetu temeljnih podataka koji se koriste u prediktivnoj analitici.

Također ćete otkriti izvore podataka i alate koji se koriste za predviđanje.

Podijelite svoje povratne informacije, pročitajte bilješke o emisiji i potražite veze spomenute u ovoj epizodi u nastavku.

Slušajte sada

Gdje se pretplatiti: Apple Podcast | Googleovi podcasti | Spotify | RSS

Pomaknite se do kraja članka da biste pronašli veze do važnih resursa spomenutih u ovoj epizodi.

Evo nekoliko stvari koje ćete otkriti u ovoj emisiji:

Prediktivna analitika

Chrisova priča

Chris je započeo analitiku zahvaljujući svom IT iskustvu. 2003. godine počeo je raditi kao IT direktor pokretanja studentskih zajmova, gdje se njegova uloga proširila izvan tradicionalnih informatičkih odgovornosti. Uz pokretanje weba i poslužitelja e-pošte, također je ažurirao web stranice i slao tjedne e-poruke.

Chris je radio ovaj posao prije nego što je postojala Google Analytics, pa kad je izvršni direktor njegove tvrtke pitao kako funkcioniraju web stranice i e-adrese, Chris nije imao odgovor. Da bi to shvatili, Chris i njegov tim počeli su razvijati vlastite alate kako bi razumjeli osnove, poput broja ljudi koji svakodnevno posjećuju web stranicu.

Vremenom je analitička praksa postala glavni fokus Chrisa. Nije samo pokušavao saznati što se dogodilo, već i zašto se to dogodilo i kako je posao mogao odgovoriti.

Slušajte emisiju da biste čuli Chrisa kako razgovara o svom obrazovanju.

Što su prediktivna analitika?

Prediktivna analitika koristi statistiku i strojno učenje za analizu podataka i predviđanje. Ljudi su vrlo predvidljivi. Svi slijedimo rutine, poput pranja zuba, a zatim se tuširanja ili oblačenja svakog komada odjeće u određenom redoslijedu svako jutro.

Budući da su ljudi predvidljivi i na mikro i na makro razini, trgovci uglavnom mogu predvidjeti što će se dogoditi. Na primjer, u Sjevernoj Americi, ako ste B2C prodavač, poprilično znate da ćete biti zauzeti od 1. studenog do 26. prosinca jer je to vrhunsko vrijeme za prodaju proizvoda.

Slično tome, ako ste B2B prodavač, vaše je zauzeto vrijeme od 1. siječnja do otprilike kraja svibnja. Tada se posao kreće odmah nakon Praznika rada u Sjedinjenim Državama i Kanadi i nastavlja se kroz američki Dan zahvalnosti. Izvan tih vremena puno je teže biti prodavač, bilo da se fokusirate na digitalno, društveno ili plaćeno.

Poslušajte emisiju da biste čuli još primjera predvidljivog ljudskog ponašanja.

Što prediktivna analitika može učiniti?

Budući da ove stvari znamo općenito, strojevi nam mogu pomoći da ta predviđanja učinimo konkretnijima. Vrijednost prediktivne analitike je njihova specifičnost. Ako znate koji tjedan biste trebali raditi više na Facebooku ili manje potrošiti na oglase, možete biti učinkovitiji i učinkovitiji u marketingu. Ako znate predviđati, možete zaraditi novac, uštedjeti novac, uštedjeti vrijeme i ne dobiti otkaz.

Prediktivna analitika posebno se usredotočuje na pokušaj otkrivanja što se dalje događa. Za prosječnog trgovca predviđanja vremenskih serija (ili kada će se nešto dogoditi) najkonvencionalnija je i najkorisnija aplikacija. Ilustracije radi, ako ste prodavač društvenih mreža, želite znati kada zaposliti svoj tim za korisničku službu kako bi odgovarao na upite kupaca.

Prediktivna analitika također može otkriti stvari kao što je kada će netko kupiti novi automobil ili ako su budući roditelji. Međutim, te su aplikacije nijansirane od predviđanja vremenskih serija.

Poslušajte emisiju da biste čuli o mojim iskustvima s prediktivnom analitikom dok sam bio B2B pisac.

Kako funkcionira prediktivna analitika

Prediktivna analitika sada je vjerojatno blizu 70 godina. Ljudi se iznenade kad čuju koliko je stara disciplina jer misle da je strojno učenje nešto novo. Međutim, teorije i matematičke formule postoje već jako dugo.

Ono što se promijenilo je računska snaga prijenosnih računala, stolnih računala i poslužitelja u oblaku. Oni mogu smanjiti veći broj za kraće vrijeme. Teoretski, prediktivnu analitiku možete raditi na papiru, ali to bi zahtijevalo puno papira i vremena.

Da biste dobro radili prediktivnu analitiku, trebaju vam tri sklonosti. Prvo, trebate nekoga tko ima razvojne vještine za izdvajanje podataka iz vaših izvora podataka, kao što su Google Analytics, Facebook Insights, Twitter i druge vrste društvenih podataka. Podaci se mogu nalaziti u sustavima u vašem vlasništvu ili u sustavima trećih strana. Tko god ima podatke, morate ga moći izvaditi.

Chrisu se sviđa izraz "Podaci su novo ulje", jer ako ste ikada stvarno vidjeli sirovu naftu, to je odvratan nered. Ne možete puno učiniti s tim dok ga ne izvadite iz zemlje, ne pročistite i zatim date ljudima koji ga mogu koristiti u automobilima ili za izradu plastičnih zdjela koje se ne lome kad padnu na pod. S prediktivnom analitikom gotovo je ista stvar.

Rafinerije su znanstvenici koji obrađuju podatke u nešto što možete koristiti. Tada marketinški tehnolozi, što je danas uloga mnogih prodavača društvenih mreža, čine nešto s tim podacima. Oni ne tumače samo podatke; djeluju na to.

Chris naglašava važnost djelovanja na podatke koje dobijete. Ako znate koji tjedan promovirati svoj događaj, ali ne radite ništa s tim informacijama, nema smisla raditi predviđanje.

Točnost predviđanja ovisi o temeljnim podacima i algoritmu koji koristite za izradu predviđanja. U jednom će trenutku gotovo svi naići na problem s kvalitetom podataka. Možda niste pravilno postavili Google Analytics, niste dobro postavili ciljeve, zaboravili ste uključiti svoj Facebook piksel; bilo koja od tih stvari.

Poslušajte emisiju da biste čuli kako Chris razgovara o popularnoj vrsti tehničke analize zaliha.

Praktične marketinške aplikacije za prediktivnu analitiku

Kad Chris napravi prediktivnu prognozu, to je obično linijski grafikon od 52 tjedna. Za svaki tjedan grafikon prikazuje predviđanje za bilo koju seriju podataka. Chris najčešće koristi podatke pretraživanja jer ljudi u Google upisuju stvari koje ne bi recite drugom čovjeku, čineći podatke pretraživanja vrlo dobrim pokazateljem onoga što je zapravo na nekome um.

Dostupno je mnogo podataka o pretraživanju, a nekima možete besplatno pristupiti putem alata poput AdWords planer ključnih riječi ili Google Trendovi. Nakon što dobijete podatke, možete predvidjeti nekakav trend, koji je serija podataka, a zatim prepoznati vrhove i doline. Chris preporučuje da imate od jedne do pet godina podataka kao osnovu za predviđanje.

Recimo da izvlačite 5 godina podataka o pretraživanju na marketingu društvenih medija jer se pitate kada će u sljedećih godinu dana ljudi tražiti „društvene mreže Marketing." Ako slučajno znate da će to biti 20. ožujka, 19. travnja, 27. svibnja, 4. srpnja, 10. rujna i 21. listopada ove godine, to su vaša oznake visoke vode.

S tim datumima možete vidjeti i što se događa 2 do 3 tjedna prije svakog datuma. Uobičajeno je da je došlo do tog vrhunca. Dakle, prodavač društvenih mreža mora povećati troškove oglašavanja. Tržilac organskih proizvoda mora puno objaviti i udvostručiti broj Instagram priča koje naprave. Osoba za odnose s javnošću treba se mjesecima unaprijed pojaviti u publikacijama na te datume.

Također znate kada će se dogoditi doline, tako da možete planirati usmjeriti sadržaj dok se ne događa puno. Možete snimati podcastove, gostovati na drugim web mjestima, pisati hrpu postova na blogu i skladištiti sadržaj. Tada, kada se pojavi sljedeći vrh, možete pogoditi ritam koji trebate pogoditi bez izgaranja.

Na taj vam način predviđanja pomažu zaraditi novac na vrhuncima i uštedjeti novac na padovima. Možete planirati i graditi svoju strategiju na temelju toga kada će se stvari vjerojatno dogoditi. Ova aplikacija radi i za B2C i za B2B tvrtke jer ljudi unose stvari u Google cijeli dan, svaki dan.

Pitam koje biste druge izvore podataka mogli koristiti za predviđanje. Chris kaže da je svaki izvor podataka temeljen na vremenu valjan, a razgovori na društvenim mrežama razlikuju se u svakoj mreži. Vaša predviđanja za Pinterest mogu se razlikovati od onih na Facebooku i Twitteru. Izradite predviđanja na temelju svih tih podataka.

Da biste to učinili, jedan je zaista izvrstan alat CrowdTangle. To je fantastično jer vam pruža podatke o vremenskim nizovima do pojedinačne razine posta. Osoba za odnose s javnošću može spominjati vijesti i izvještavati o njima. Oglašivač može izvući iznose s plaćanjem po kliku, cijene ponude, sve ove stvari.

Izvori podataka treće strane dobri su jer vi kao tvrtka sami po sebi ne možete oštetiti te podatke, iako možete tražiti pogrešne stvari. Jedan ugledni dobavljač podataka je SEMrush, koji ima kvalitetne podatke. Još jedan dobavljač, Marka24, vrši nadzor medija.

Podatke o pretraživanju možete pogledati i iz SEO alata koji nisu Googleovi. To su svi dobri izvori podataka jer su dosljedni, normalizirani i redoviti. Također, razumno su čisti.

Chris zatim dijeli još jedan primjer kako možete primijeniti prediktivnu analitiku na svoje poslovanje. Chris je prognozirao kasino na temelju 2 godine dnevnog prihoda od automata. Nakon što je te podatke stavio u algoritam, Chris je uspio predvidjeti prihod kasina za sljedeću godinu.

Uz ova predviđanja, kasino je mogao vidjeti kada će prihod od automata biti nizak i kad su trebali pokrenuti neke promocije, pokrenuti oglase, dovesti posebnog gostujućeg zabavljača ili nešto slično. Podaci su im pomogli da poprave te praznine u prihodu.

Pitam kako trgovci izbjegavaju utjecati na podatke. Hipotetički recimo da marketinške promocije za Social Media Marketing World pripremamo prema određenim rasporedima koji se ne temelje nužno na predviđanjima, već onima koje smo odlučili koristiti. Kako isključujemo da ponašanje plemena i zajednice nije nužno uzrokovano našim postupcima?

Chris kaže da je World Social Marketing World tako velika, uspješna emisija, koja zapravo utječe na to da ljudi traže stvari poput "društvene" medijski marketing. " No podatke koje izvlačite možete pročistiti na nekoliko različitih načina kako biste na najmanju moguću mjeru utjecali na događaje, probleme i tako dalje.

Na primjer, ako koristite alat za društveno slušanje, možete izuzeti spominjanje Marketing World of Social Media, #socialmediaexaminer, Michael Stelzner i srodne stavke. Ta izuzeća pomažu u smanjenju točaka podataka koje tamo ne bi trebale biti.

Također možete upotrijebiti benchmarking, koji uspostavlja osnovnu liniju izvan određene sezone koja dodaje 20 000 spomena dnevno. Čak i u sezoni, postoji li nešto što je nesrazmjerno onome što bi tamo trebalo biti? Prognozu možete pokretati na taj način.

Međutim, najbolji način za pročišćavanje podataka je na razini podataka. Uklonite stvari za koje znate da onečišćuju, u nedostatku bolje riječi. Tada možete prognozirati iz pročišćenih podataka.

To je reklo, da ako oglašavate Marketinški svijet društvenih medija, ne biste nužno željeli precizirati podatke na ovaj način. Ako želite da pleme utječe na to kako ljudi širom svijeta traže "marketing na društvenim mrežama", to je dobra stvar. To je razlog da slavite svoj uspjeh i pokušate prouzročiti još više promjena u ponašanju tako što ćete čak i ranije krenuti ispred trendova.

Slušajte emisiju da biste čuli moja razmišljanja o predvidljivim ljudskim obrascima.

Što ne možete predvidjeti

Chris kaže da ne možete predvidjeti tri stvari. Prvo je veliko preokretanje koje će iskriviti vaše podatke, poput političkih nemira, kulturnih previranja, prirodne katastrofe i sličnih stvari. Sve ove stvari uzrokuju velike smetnje koje mogu pokvariti prognozu. Sektore s velikim preokretima, poput burze, gotovo je nemoguće točno predvidjeti.

Drugo je nešto što se nikada nije dogodilo, poput predsjedničkih izbora 2016. godine. Natjecanje dvojice kandidata koji su se kandidirali nikada se prije nije dogodilo. Mnogi ljudi koji su stvarali prediktivne alate i prognoze za izbore temeljili su svoje modele na izborima 2012. godine.

Međutim, kandidati u svakoj stranci bili su vrlo različiti ljudi između tih izbornih godina. Dakle, alati koje su ljudi izgradili za 2016. temeljili su se na nečemu što se dogodilo u prošlosti, ali što se trenutno nije događalo. Ne možete predvidjeti ono što se nikada nije dogodilo.

Treći diskvalifikator za prediktivnu analitiku su loši podaci. Ako imate oštećene podatke ili ih nemate, ne možete točno predvidjeti. Ako znate da vaša tvrtka ima problema s podatkovnom infrastrukturom, prediktivna analitika zapravo je opasna. Bilo bi to poput vožnje s GPS-om koji ima loše podatke i koji vam govori da vozite odmah s litice.

Poslušajte emisiju da biste čuli kako Chris dijeli još jedan termin za preokret.

Uobičajeni problemi s podacima

Ako želite isprobati prediktivnu analitiku, Google Analytics je dobar početak. Većina prodavača sigurno ima te podatke, ali mogu imati problema. Na primjer, ako upotrebljavate softver za automatizaciju marketinga, svoje oznake Google Analytics morate postaviti na odredišne ​​stranice tog softvera. Ako to ne učinite, imate problema s integritetom podataka.

Zatim pitam kako postupati s botovima i blokerima. Chris kaže da su društveni mediji, posebno Instagram i Twitter, prepuni botova. Dobra vijest je da je ponašanje botova prilično predvidljivo jer su ljudi koji su napisali ove botove koristili vrlo primitivne algoritme. U procesu pripreme podataka, botove je lako uočiti i možete ih ukloniti.

Ilustracije radi, jedan bot uvijek ima biografiju koja slijedi potpuno isti format. Biografija započinje različitim riječima različite duljine, nakon čega slijedi "check me out", a zatim poveznica.

Sa blokatorima je znatno teže raditi. Ako pokušavate prognozirati na temelju podataka o oglasu, a blokatori uklanjaju podatke, to je vrlo teško popraviti. Podaci nisu pogrešni; nemate ni To je nepotpuno.

S nepotpunim podacima možete se nositi na dva načina. Prvo, možete potražiti nešto usmjereno jer su podaci koje imate i dalje reprezentativni. Recimo da znate da se 30% blokiranih oglasa događa na mobilnom uređaju, ali to je stalnih 30%. Na jednoj web lokaciji nemate blokiranih 22% oglasa, već na drugoj 5%.

Ako je blokiranje relativno dosljedno, i dalje ćete biti usmjereni na pravi način jer će s vremenom neki oglasi imati bolju ili lošu izvedbu.

Druga je opcija dostupna samo tvrtkama s masivnom bazom podataka, poput velikih tehnoloških tvrtki ili podatkovnih tvrtki. S velikom količinom podataka to možete učiniti imputacija, koji koristi postojeći obučeni skup podataka i strojno učenje za popunjavanje nepotpunih dijelova.

Stvarno dobar primjer imputiranja su društveni udjeli. Početkom veljače LinkedIn je isključio svoje brojeve dionica, tako da ga više ne dobivate ni iz jednog alata za praćenje društvenih mreža. Da Chris radi u tvrtki za praćenje društvenih mreža, upotrijebio bi posljednjih 10 godina podataka kao set obuke i zaključio broj dionica.

Broj dionica možete zaključiti ako imate druge paralelne skupove podataka, poput Twittera i Pinteresta. Ti brojevi dionica u osnovi će omogućiti stroju da ispuni prazna mjesta za LinkedIn dionice.

Poslušajte emisiju o mojim razmišljanjima o botovima i blokerima.

Primjeri

Za poznatu tvrtku za opskrbu uredima, Chris je proveo prediktivne analize naziva marke i generičkog pojma „ured pribor." Iako su se naziv marke i generički pojam međusobno odražavali, "uredski materijal" zaostajao je 20 dana Ime.

Na primjer, ime marke imalo je veliki skok krajem kolovoza, što je Chris pripisao sezoni povratka u školu i ljudima koji su se vraćali na posao. Ali onda je 20 dana kasnije pojam za pretraživanje "uredskog materijala" slijedio potpuno isti vrh i potpuno isti obrazac. Što god se tamo događa ponašaju se, ljudi traže marku, a zatim 20 dana kasnije, traže generički pojam.

Na temelju nalaza, Chris je predložio tvrtki da izradi kampanju za ponovno ciljanje koja je tempirana na 19 dana. Ciljajte sve koji posjete vašu web stranicu 19 dana kasnije, oglasom koji ih podsjeća da se vrate po još uredskog materijala. Oglasom za ponovno ciljanje tvrtka bi mogla povratiti dio te potražnje.

Na taj način prediktivna analitika može ponuditi ogroman ROI. Netko bi mogao pretpostaviti da sve što rade više ne funkcionira i jednostavno stati. Pomoću prediktivne analitike možete vidjeti da je stvarnost takva da vaš društveni marketing jednostavno nije sinkroniziran s obrascima kupaca.

Dalje, Chris dijeli primjer iz vlastitog posla. Benchmarking se temelji na tome kada ljudi traže postavke Outlooka izvan Outlooka, jer kada nečije tražeći to, znate da se spremaju za odmor, što znači da ne čitaju svoje e-mail. Nakon pokretanja te referentne vrijednosti u listopadu 2017., Chris je projicirao naprijed za prvo tromjesečje.

Chris je predvidio da je opseg pretraživanja bio najmanji, što znači da je većina ljudi bila u uredu, u tjednu od 18. siječnja 2018. Tog je tjedna Chris vodio istu kampanju za svoju knjigu na isti popis i s istom ponudom kao i 2017. godine.

Usavršavajući vrijeme za promociju 2018. godine, Chris je povećao prodaju knjiga za 40%. Njegova kampanja za 2017. godinu isključena je za otprilike 2 tjedna, a Chris je saznao da je neusklađenost s njegovom publikom napravila veliku razliku.

Pitam kako bi tvrtka koja objavljuje informacije mogla koristiti prediktivnu analitiku za poboljšanje svoje strategije. Za ovaj primjer Chris kaže da mu je jedna od omiljenih aplikacija strategija sadržaja. Recimo da redovito obrađujete određene teme. Možete pokrenuti čitavu kombinaciju ovih predviđanja.

10% najuspješnijih može upravljati vašim uredničkim kalendarom jer ako znate mjesece kada će ljudi biti najviše zainteresirani za neku temu, možete planirati mjesečne značajke oko te teme. Čak ćete znati i do tjedna kada objaviti sadržaj o određenoj temi. Na taj način možete doseći visoku notu svakog mjeseca.

Prediktivna analitika također može informirati vaš kalendar oglašavanja. Ako znate da objavljujete na određenoj temi, možete postaviti svoje cjenike na temelju te teme. Za mjesec za koji znate da je potražnja publike za temom velika, oglašivačima koji su zainteresirani za tu temu mogli biste naplatiti punu cijenu. Kad znate da je interes za ciljanu temu oglašivača nizak, možda ćete ponuditi popust od 40%.

Poslušajte emisiju kako biste čuli Chrisa kako raspravlja o tome kako ispitivač društvenih medija može primijeniti prediktivnu analitiku na svoj sadržaj.

Alati

Chris kaže da su najbolji alati besplatni. Oni su programski jezici (poput R i Piton), kao i knjižnice (poput SIDEKIT, NumPy, timetk) koji nude šifru ponude koju možete koristiti za određene zadatke. Međutim, da biste koristili ove besplatne alate, potrebno vam je puno tehničkog iskustva. Programski jezici i knjižnice su poput dijelova motora. Da biste dobili automobil, morate ga sami izgraditi.

Za tehnički sposoban posao bilo koje veličine, ako imate nekoga ili više ljudi koji mogu ispuniti uloge programer, znanstvenik podataka i marketinški tehnolog, možete koristiti prediktivnu analitiku za stvaranje vlastitih prognoza za besplatno.

Međutim, ako nemate vremena ili znanja za upotrebu ovih alata, ali imate novac, najbolje je da preusmjerite predviđanje. Angažirajte tvrtku za znanost o podacima.

Ako vas zanima kako funkcionira znanost o podacima, Chris toplo preporučuje blog na KDnuggets.com i IBM-ov blog o znanosti o podacima. The IBM Data Science Iskustvo je također izvrsna. Također biste trebali pratiti blogove za programere glavnih tehnoloških tvrtki poput Microsoft, Amazon, Google, i IBM.

Ipak, najbolje informacije o znanosti o podacima pronaći ćete u akademski radovi. Ako možete pročitati te papire bez da zaspite i izvući informacije, pronaći ćete pravo zlato. Naučit ćete tehnike koje možete isprobati na svojim podacima.

Ovaj prediktivni algoritam o kojem smo razgovarali postoji već 70 godina. To je alat poput lopatice. Ako sve što ikad napravite je da prevrnete komad tosta, imat ćete vrlo skupi tost peraja.

Međutim, ako razmišljate o roštilju, prženju i svim stvarima koje možete raditi lopaticom, tada mogućnosti postaju beskrajne. Isto vrijedi i za alate i algoritme za znanost o podacima. Možete iskoristiti svoju kreativnost i znatiželju da ih isprobate na sve ove različite načine.

U budućnosti će korištenje ovih alata postati jednako lako kao i prikazivanje Facebook oglasa jer je mnoštvo prediktivnih analitičkih podataka već vrlo mehanizirano. Međutim, dio koji uključuje ljudsku prosudbu i kontekst trebat će više vremena. Strojevi ne mogu razumjeti kako tvrtke rade i stoga ne mogu vidjeti te mogućnosti.

Ali nakon što mapirate veliku strategiju, uskoro ćete moći kliknuti gumb, prijeći prstom po kreditnoj kartici, platiti mjesečnu naknadu od 99 dolara i alat će ispljunuti karte. Chris misli da će ova mogućnost biti dostupna u sljedećih 5 godina.

Dalje, s poboljšanjem umjetne inteligencije opće namjene, možda ćete moći reći stroju da želite optimizirati svoju Facebook potrošnju na temelju potražnje. Tada će stroj automatski izvršiti predviđanje, shvatiti kada se pojave vrhovi i doline i u osnovi prikazivati ​​vaš proračun i oglase za vas. To je vjerojatno 5 do 10 godina.

Poslušajte emisiju da biste čuli kako Chris dijeli više o tome što strojevi ne mogu.

Otkriće tjedna

Rešot je web stranica s fotografijama koja izbjegava klišejske slike.

Fotografije na Reshotu odražavaju jedinstvenu perspektivu fotografa. Na taj su način fotografije kvalitetnije od onih na mnogim drugim web lokacijama sa fotografijama.

Web mjesto koristi jednostavna licenca i Pojmovi koji vam daju veliku fleksibilnost pri korištenju fotografija.

Fotografije Reshot su besplatne, iako fotografije možete pronaći i na prodaji kod partnera tvrtke Reshot. Da biste pregledali slike ili saznali više, posjetite web mjesto.

Slušajte emisiju da biste saznali više i javite nam kako Reshot radi za vas.

Ključni za poneti spomenuti u ovoj epizodi:

• Saznajte više o Chrisovom poslu, Mozak + uvid u povjerenje.
• Slijedite Chrisa Cvrkut.
• Čitati Chrisov blog.
• Slušajte Chrisov podcast, Marketing uz kavu.
• Pristupite podacima pretraživanja pomoću AdWords planer ključnih riječi ili Google Trendovi.
• Doznajte više o CrowdTangle.
• Provjerite nezavisne dobavljače podataka SEMrush i Marka24.
• Saznajte više o statističkim podacima imputacija.
• Otkrijte više o R i Piton a knjižnice poput SIDEKIT, NumPy, i timetk.
• Posjetiti KDnuggets.com, IBM-ov blog o znanosti o podacima, i IBM Data Science Iskustvo.
• Pratite blogove za programere za Microsoft, Amazon, Google, i IBM.
• Pronađite fotografije za svoj sadržaj putem Rešot.
• Pogledajte našu tjednu emisiju o marketingu o društvenim mrežama petkom u 10:00 na Pacifiku Gužva ili se uključite u Facebook Live.
• Preuzmite Izvještaj o industriji marketinga društvenih medija za 2017. godinu.

Što misliš? Koja su vaša mišljenja o prediktivnoj analitici? Podijelite svoje komentare u nastavku.