Analisis Prediktif: Bagaimana Pemasar Dapat Meningkatkan Aktivitas Masa Depan: Pemeriksa Media Sosial

Ingin pemasaran Anda lebih efisien?

Ingin tahu bagaimana memprediksi siklus pemasaran Anda dapat membantu?

Untuk mengeksplorasi bagaimana pemasar dapat memulai dengan analitik prediktif, saya mewawancarai Chris Penn.

Lebih Lanjut Tentang Acara Ini

Itu Podcast Pemasaran Media Sosial adalah acara radio bincang-bincang dari Social Media Examiner. Ini dirancang untuk membantu pemasar yang sibuk, pemilik bisnis, dan pembuat menemukan apa yang berhasil dengan pemasaran media sosial.

Dalam episode ini, saya mewawancarai Chris Penn, salah satu pendiri dan kepala inovator di Brain + Trust Insights. Dia juga co-host di Pemasaran Melalui Kopi podcast dan pakar analisis utama untuk Dunia Pemasaran Media Sosial.

Chris menjelaskan cara memastikan kualitas data dasar yang digunakan dalam analitik prediktif.

Anda juga akan menemukan sumber data dan alat yang digunakan untuk membuat prediksi.

Bagikan tanggapan Anda, baca catatan pertunjukan, dan dapatkan tautan yang disebutkan dalam episode di bawah ini.

Dengarkan sekarang

Berlangganan dimana: Apple Podcast | Google Podcasts | Spotify | RSS

Gulir ke akhir artikel untuk tautan ke sumber daya penting yang disebutkan dalam episode ini.

Berikut beberapa hal yang akan Anda temukan dalam acara ini:

Analisis Prediktif

Kisah Chris

Chris memulai analitik melalui latar belakangnya di bidang TI. Pada tahun 2003, ia mulai bekerja sebagai direktur TI di perusahaan pinjaman mahasiswa, di mana perannya berkembang melampaui tanggung jawab TI tradisional. Selain menjalankan web dan server email, dia juga memperbarui situs web dan mengirim email mingguan.

Chris melakukan pekerjaan ini sebelum Google Analytics ada, jadi ketika CEO perusahaannya bertanya bagaimana kinerja situs web dan email, Chris tidak memiliki jawaban. Untuk mengetahuinya, Chris dan timnya mulai mengembangkan alat mereka sendiri untuk memahami dasar-dasarnya, seperti berapa banyak orang yang mengunjungi situs web setiap hari.

Seiring waktu, praktik analitik menjadi fokus utama Chris. Dia tidak hanya mencoba mempelajari apa yang terjadi, tetapi mengapa itu terjadi dan bagaimana bisnis dapat merespons.

Dengarkan pertunjukan untuk mendengarkan Chris mendiskusikan latar belakang pendidikannya.

Apa Itu Predictive Analytics?

Analisis prediktif menggunakan statistik dan pembelajaran mesin untuk menganalisis data dan membuat prediksi. Manusia sangat mudah ditebak. Kita semua mengikuti rutinitas, seperti menyikat gigi dan kemudian mandi, atau mengenakan setiap potong pakaian dalam urutan tertentu setiap pagi.

Karena manusia dapat diprediksi dalam skala mikro dan makro, pemasar sebagian besar dapat memprediksi apa yang akan terjadi. Misalnya, di Amerika Utara, jika Anda seorang pemasar B2C, Anda cukup tahu bahwa Anda akan sibuk dari 1 November hingga 26 Desember karena itu adalah waktu puncak untuk penjualan produk.

Demikian pula, jika Anda seorang pemasar B2B, waktu sibuk Anda adalah 1 Januari hingga sekitar akhir Mei. Kemudian bisnis meningkat tepat setelah Hari Buruh di Amerika Serikat dan Kanada dan berlanjut hingga Thanksgiving A.S. Di luar waktu-waktu itu, jauh lebih sulit untuk menjadi pemasar, baik Anda fokus pada digital, sosial, atau berbayar.

Dengarkan pertunjukan untuk mendengar lebih banyak contoh perilaku manusia yang dapat diprediksi.

Apa yang Dapat Dilakukan Analisis Prediktif?

Karena kita mengetahui hal-hal ini secara umum, mesin dapat membantu kita membuat prediksi ini lebih spesifik. Nilai analitik prediktif adalah kekhususannya. Jika Anda tahu minggu mana Anda harus melakukan lebih banyak Facebook Live atau menghabiskan lebih sedikit untuk iklan, Anda bisa lebih efisien dan efektif dalam pemasaran Anda. Jika Anda tahu cara memprediksi, Anda dapat menghasilkan uang, menghemat uang, menghemat waktu, dan tidak dipecat.

Analisis prediktif secara khusus berfokus pada upaya mencari tahu apa yang terjadi selanjutnya. Untuk pemasar rata-rata, prediksi deret waktu (atau kapan sesuatu akan terjadi) adalah aplikasi yang paling konvensional dan berguna. Sebagai ilustrasi, jika Anda seorang pemasar media sosial, Anda ingin tahu kapan harus mengatur tim layanan pelanggan Anda untuk menjawab pertanyaan pelanggan.

Analisis prediktif juga dapat mengetahui hal-hal seperti ketika seseorang akan membeli mobil baru atau apakah mereka adalah calon orang tua. Namun, aplikasi tersebut lebih bernuansa daripada prediksi deret waktu.

Dengarkan pertunjukan untuk mendengar tentang pengalaman saya dengan analitik prediktif ketika saya menjadi penulis B2B.

Cara Kerja Analisis Prediktif

Analisis prediktif mungkin hampir berusia 70 tahun sekarang. Orang-orang terkejut mendengar usia disiplin karena mereka menganggap pembelajaran mesin adalah sesuatu yang baru. Namun, teori dan rumus matematika telah ada sejak lama.

Yang berubah adalah kekuatan komputasi laptop, desktop, dan server cloud. Mereka dapat menghasilkan angka yang lebih besar dalam waktu yang lebih singkat. Secara teoritis, Anda dapat melakukan analitik prediktif di atas kertas, tetapi itu akan membutuhkan banyak kertas dan waktu.

Untuk melakukan analitik prediktif dengan baik, Anda membutuhkan tiga kemampuan. Pertama, Anda membutuhkan seseorang dengan keterampilan pengembangan untuk mengekstrak data dari sumber data Anda, seperti Google Analytics, Facebook Insights, Twitter, dan jenis data sosial lainnya. Data mungkin ada dalam sistem yang Anda miliki atau sistem pihak ketiga. Siapa pun yang memiliki datanya, Anda harus bisa mengeluarkannya.

Chris menyukai ungkapan, "Data adalah minyak baru", karena jika Anda pernah benar-benar melihat minyak mentah, itu adalah kekacauan yang menjijikkan. Anda tidak dapat berbuat banyak sampai Anda mengeluarkannya dari tanah, memurnikannya, dan kemudian memberikannya kepada orang-orang yang dapat menggunakannya di dalam mobil atau membuat mangkuk plastik yang tidak pecah ketika jatuh ke lantai. Dengan analitik prediktif, ini hampir sama.

Penyuling adalah ilmuwan data, yang membersihkan data menjadi sesuatu yang dapat Anda gunakan. Kemudian ahli teknologi pemasaran, yang merupakan peran dari banyak pemasar media sosial saat ini, melakukan sesuatu dengan data tersebut. Mereka tidak hanya menafsirkan data; mereka bertindak berdasarkan itu.

Chris menekankan pentingnya bertindak berdasarkan data yang Anda peroleh. Jika Anda tahu minggu apa untuk mempromosikan acara Anda tetapi tidak melakukan apa pun dengan informasi tersebut, maka tidak ada gunanya melakukan prediksi.

Keakuratan prediksi bergantung pada data yang mendasari dan algoritme yang Anda gunakan untuk membuat prediksi. Pada titik tertentu, hampir semua orang akan mengalami masalah dengan kualitas data. Mungkin Anda tidak menyiapkan Google Analytics dengan benar, Anda tidak menetapkan tujuan Anda dengan benar, Anda lupa mengaktifkan piksel Facebook Anda; salah satu dari hal itu.

Dengarkan pertunjukan untuk mendengarkan Chris mendiskusikan jenis analisis saham teknis yang populer.

Aplikasi Pemasaran Praktis untuk Predictive Analytics

Saat Chris membuat perkiraan prediksi, biasanya itu adalah grafik garis 52 minggu. Untuk setiap minggu, bagan menunjukkan prediksi untuk seri datanya. Sebagian besar waktu, Chris menggunakan data penelusuran karena orang-orang mengetik sesuatu ke Google yang mereka tidak mau beri tahu orang lain, menjadikan data penelusuran sebagai indikator yang sangat baik tentang apa yang sebenarnya ada pada seseorang pikiran.

Banyak data pencarian tersedia, dan Anda dapat mengakses sebagian secara gratis melalui alat seperti Perencana Kata Kunci AdWords atau Google Trends. Setelah Anda memiliki datanya, Anda bisa meramalkan suatu jenis tren, yang merupakan rangkaian data, lalu mengidentifikasi puncak dan lembahnya. Chris merekomendasikan memiliki data dari 1 hingga 5 tahun sebagai dasar prediksi Anda.

Misalkan Anda mengekstrak data penelusuran selama 5 tahun di pemasaran media sosial karena Anda bertanya-tanya kapan tahun depan orang-orang akan menelusuri "media sosial pemasaran." Jika Anda kebetulan tahu bahwa itu akan menjadi 20 Maret, 19 April, 27 Mei, 4 Juli, 10 September, dan 21 Oktober tahun yang akan datang, itu adalah tanda air tinggi.

Dengan tanggal tersebut, Anda juga dapat melihat apa yang terjadi 2 hingga 3 minggu sebelum setiap tanggal. Biasanya, ada peningkatan menuju puncak itu. Jadi pemasar media sosial perlu meningkatkan pengeluaran iklan mereka. Seorang pemasar organik perlu memposting banyak dan menggandakan jumlah cerita Instagram yang mereka buat. Seorang humas perlu melakukan pitch berbulan-bulan sebelumnya untuk muncul dalam publikasi pada tanggal tersebut.

Anda juga tahu kapan lembah akan terjadi sehingga Anda dapat merencanakan untuk mengisi bank sementara tidak banyak yang terjadi. Anda dapat merekam podcast, host tamu di situs lain, menulis banyak posting blog, dan menimbun konten. Kemudian, ketika puncak berikutnya datang, Anda dapat mencapai irama yang Anda perlukan tanpa kehabisan tenaga.

Dengan cara ini, prediksi membantu Anda menghasilkan uang saat berada di puncak dan menghemat uang saat turun. Anda dapat merencanakan dan membangun strategi Anda berdasarkan kapan sesuatu kemungkinan besar akan terjadi. Aplikasi ini berfungsi untuk bisnis B2C dan B2B karena orang mengetik berbagai hal di Google sepanjang hari, setiap hari.

Saya bertanya sumber data lain apa yang dapat Anda gunakan untuk membuat prediksi. Chris mengatakan setiap sumber data berbasis waktu valid dan percakapan media sosial berbeda-beda di setiap jaringan. Prediksi Pinterest Anda mungkin berbeda dari prediksi Facebook dan Twitter Anda. Buat prediksi berdasarkan semua data itu.

Untuk melakukan itu, salah satu alat yang sangat hebat adalah CrowdTangle. Ini luar biasa karena memberi Anda data deret waktu hingga ke tingkat pos individu. Seorang humas dapat menarik sebutan berita dan liputan berita. Pengiklan dapat menarik jumlah bayar per klik, harga penawaran, semua hal ini.

Sumber data pihak ketiga bagus karena Anda sebagai perusahaan tidak dapat merusak data itu sendiri, meskipun Anda dapat menanyakan hal yang salah. Salah satu vendor data terkemuka adalah SEMrush, yang memiliki kualitas data yang baik. Vendor lain, Merek24, apakah pemantauan media.

Anda juga dapat melihat data penelusuran dari alat SEO yang bukan milik Google. Itu semua adalah sumber data yang bagus karena konsisten, dinormalisasi, dan teratur. Selain itu, mereka cukup bersih.

Chris kemudian membagikan contoh lain tentang bagaimana Anda dapat menerapkan analitik prediktif ke bisnis Anda. Chris melakukan prediksi untuk kasino berdasarkan pendapatan mesin slot harian selama 2 tahun. Setelah memasukkan data tersebut ke dalam algoritme, Chris dapat memperkirakan pendapatan kasino untuk tahun depan.

Dengan prediksi ini, kasino dapat melihat kapan pendapatan slot akan rendah dan mereka perlu melakukan beberapa promosi, menjalankan iklan, mendatangkan penghibur tamu khusus, atau semacamnya. Data membantu mereka menambal kesenjangan dalam pendapatan mereka.

Saya bertanya bagaimana pemasar menghindari dampak data. Secara hipotesis, katakanlah kita mempersiapkan promosi pemasaran untuk Dunia Pemasaran Media Sosial pada jadwal tertentu yang tidak selalu berdasarkan prediksi, tetapi jadwal yang kami putuskan untuk digunakan. Bagaimana kita mengesampingkan bahwa perilaku suku dan masyarakat tidak selalu disebabkan oleh tindakan kita?

Chris berkata Dunia Pemasaran Media Sosial adalah acara yang besar dan sukses, hal itu benar-benar memengaruhi saat orang menelusuri hal-hal seperti "sosial pemasaran media. " Namun, Anda dapat memperbaiki data yang Anda tarik dengan beberapa cara berbeda untuk meminimalkan peristiwa, masalah, dan sebagainya agar tidak memengaruhinya.

Misalnya, jika Anda menggunakan alat pendengar sosial, Anda dapat mengecualikan sebutan Dunia Pemasaran Media Sosial, #socialmediaexaminer, Michael Stelzner, dan item terkait. Pengecualian ini membantu mengurangi titik data yang tidak seharusnya ada.

Anda juga dapat menggunakan tolok ukur, yang menetapkan garis dasar di luar musim tertentu yang menambahkan 20.000 sebutan dalam sehari. Bahkan pada musimnya, adakah sesuatu yang tidak proporsional dengan apa yang seharusnya ada? Anda dapat menjalankan perkiraan seperti itu.

Namun, cara terbaik untuk memperbaiki data adalah di tingkat data. Singkirkan barang-barang yang Anda tahu mencemari, karena tidak ada kata yang lebih baik. Kemudian Anda dapat memperkirakan dari data yang disaring.

Artinya, jika Anda memasarkan Dunia Pemasaran Media Sosial, Anda tidak perlu menyaring data dengan cara ini. Jika Anda membuat suku tersebut memengaruhi cara orang di seluruh dunia menelusuri "pemasaran media sosial", itu hal yang baik. Itulah alasan untuk merayakan kesuksesan Anda dan mencoba menyebabkan lebih banyak perubahan perilaku dengan menjadi yang terdepan dalam tren lebih awal.

Dengarkan pertunjukan untuk mendengarkan pemikiran saya tentang pola manusia yang dapat diprediksi.

Apa yang Tidak Dapat Anda Prediksi

Chris berkata Anda tidak dapat memprediksi tiga hal. Yang pertama adalah pergolakan besar yang akan mendistorsi data Anda, seperti kerusuhan politik, pergolakan budaya, bencana alam, hal-hal seperti itu. Semua hal ini menyebabkan gangguan besar yang dapat merusak perkiraan. Sektor-sektor dengan banyak pergolakan, seperti pasar saham, hampir tidak mungkin diprediksi dengan akurat.

Kedua, yang belum pernah terjadi, seperti pemilihan presiden 2016. Persaingan kedua kandidat yang maju belum pernah terjadi sebelumnya. Banyak orang yang membuat alat prediksi dan prakiraan pemilu mendasarkan model mereka pada pemilu 2012.

Namun, calon di masing-masing partai adalah orang yang sangat berbeda di antara tahun-tahun pemilihan tersebut. Jadi alat yang dibangun orang untuk tahun 2016 didasarkan pada sesuatu yang pernah terjadi di masa lalu tetapi tidak terjadi saat ini. Anda tidak dapat meramalkan apa yang tidak pernah terjadi.

Diskualifikasi ketiga untuk analitik prediktif adalah data yang buruk. Jika data Anda rusak atau tidak ada data, Anda tidak dapat membuat prediksi yang akurat. Jika Anda tahu perusahaan Anda memiliki masalah infrastruktur data, analitik prediktif sebenarnya berbahaya. Ini akan seperti mengemudi dengan GPS yang memiliki data buruk dan memberitahu Anda untuk mengemudi langsung dari tebing.

Dengarkan pertunjukan untuk mendengar Chris membagikan istilah lain untuk pergolakan.

Masalah Data Umum

Jika Anda ingin mencoba analitik prediktif, Google Analytics adalah awal yang baik. Sebagian besar pemasar pasti memiliki data itu, tetapi mungkin ada masalah. Misalnya, jika Anda menggunakan perangkat lunak otomatisasi pemasaran, Anda harus meletakkan tag Google Analytics di laman landas Anda pada perangkat lunak tersebut. Jika tidak, Anda memiliki masalah integritas data.

Saya kemudian bertanya bagaimana menangani bot dan pemblokir. Chris mengatakan media sosial, terutama Instagram dan Twitter, penuh dengan bot. Kabar baiknya adalah bahwa perilaku bot cukup dapat diprediksi karena orang-orang yang menulis bot ini menggunakan algoritme yang sangat primitif. Dalam proses persiapan data, bot mudah dikenali dan Anda dapat menghapusnya.

Sebagai ilustrasi, satu bot selalu memiliki bio yang mengikuti format yang sama persis. Biografi dimulai dengan kata-kata berbeda yang panjangnya berbeda diikuti dengan "periksa saya" dan kemudian tautan.

Pemblokir secara signifikan lebih sulit untuk dikerjakan. Jika Anda mencoba memperkirakan berdasarkan data iklan, dan pemblokir menghapus data, itu sangat sulit diperbaiki. Datanya tidak salah; Anda bahkan tidak memilikinya. Itu tidak lengkap.

Anda dapat menangani data yang tidak lengkap dengan dua cara. Pertama, Anda bisa mencari sesuatu yang terarah karena data yang Anda miliki masih representatif. Katakanlah Anda tahu bahwa 30% dari iklan yang diblokir terjadi di perangkat seluler, tetapi itu adalah 30% yang konsisten. Tidak ada 22% iklan yang diblokir di satu situs, tetapi 5% di situs lain.

Jika semua pemblokiran relatif konsisten, Anda akan tetap diarahkan ke arah yang benar karena seiring waktu beberapa iklan akan berperforma lebih baik atau lebih buruk.

Opsi kedua hanya tersedia untuk perusahaan dengan database besar, seperti perusahaan teknologi besar atau perusahaan data. Dengan jumlah data yang besar, Anda bisa melakukannya tuduhan, yang menggunakan kumpulan data terlatih dan pembelajaran mesin yang ada untuk mengisi bagian yang tidak lengkap.

Contoh imputasi yang sangat bagus adalah pembagian sosial. Pada awal Februari, LinkedIn mematikan nomor sahamnya, jadi Anda tidak lagi mendapatkan nomor itu dari alat pemantauan media sosial mana pun. Jika Chris bekerja di perusahaan pemantau media sosial, dia akan menggunakan data 10 tahun terakhir sebagai set pelatihan dan menyimpulkan jumlah saham.

Anda dapat menyimpulkan jumlah pembagian selama Anda memiliki kumpulan data paralel lainnya, seperti Twitter dan Pinterest. Nomor saham tersebut pada dasarnya akan membiarkan mesin mengisi kekosongan untuk saham LinkedIn.

Dengarkan pertunjukan untuk pemikiran saya tentang bot dan pemblokir.

Contoh

Untuk perusahaan peralatan kantor yang terkenal, Chris menjalankan analisis prediktif dari nama merek dan istilah umum "kantor persediaan. " Meskipun nama merek dan istilah umum mencerminkan satu sama lain, "perlengkapan kantor" berada 20 hari di belakang merek nama.

Misalnya, nama merek mengalami lonjakan besar pada akhir Agustus, yang dikaitkan Chris dengan musim kembali ke sekolah dan orang-orang yang kembali bekerja. Namun 20 hari kemudian, istilah penelusuran untuk "perlengkapan kantor" mengikuti lonjakan yang sama persis dan pola yang sama persis. Apa pun yang terjadi di sana secara perilaku, orang mencari merek dan 20 hari kemudian, menelusuri istilah umum.

Berdasarkan temuannya, Chris menyarankan perusahaan membuat kampanye penargetan ulang yang waktunya 19 hari. Targetkan ulang semua orang yang mengunjungi situs web Anda 19 hari kemudian dengan iklan yang mengingatkan mereka untuk datang kembali untuk mendapatkan lebih banyak perlengkapan kantor. Dengan iklan penargetan ulang, perusahaan dapat memperoleh kembali sebagian dari permintaan itu.

Dengan cara ini, analitik prediktif dapat menawarkan ROI yang besar. Seseorang dapat berasumsi bahwa semua yang mereka lakukan tidak berfungsi lagi dan berhenti begitu saja. Dengan analitik prediktif, Anda dapat melihat kenyataannya adalah bahwa pemasaran sosial Anda tidak sinkron dengan pola pelanggan.

Selanjutnya, Chris membagikan contoh dari bisnisnya sendiri. Dia melakukan benchmarking berdasarkan ketika orang mencari Outlook out-of-office settings, karena ketika seseorang mencari mencarinya, Anda tahu mereka bersiap-siap untuk pergi berlibur, yang berarti mereka tidak membaca buku mereka surel. Setelah menjalankan benchmark tersebut pada Oktober 2017, Chris memproyeksikan ke depan untuk kuartal pertama.

Chris memproyeksikan volume penelusuran paling rendah, artinya sebagian besar orang ada di kantor, pada pekan tanggal 18 Januari 2018. Pada minggu itu, Chris menjalankan kampanye yang sama untuk bukunya ke daftar yang sama dan dengan penawaran yang sama seperti yang dia jalankan pada tahun 2017.

Dengan menyempurnakan waktunya untuk promosi 2018, Chris meningkatkan penjualan buku sebesar 40%. Kampanyenya di tahun 2017 berhenti sekitar 2 minggu, dan Chris mengetahui bahwa ketidaksinkronan dengan audiensnya membuat perbedaan besar.

Saya bertanya bagaimana bisnis yang menerbitkan informasi dapat menggunakan analitik prediktif untuk meningkatkan strateginya. Untuk contoh ini, Chris mengatakan salah satu aplikasi favoritnya adalah strategi konten. Katakanlah Anda secara teratur membahas topik tertentu. Anda dapat menjalankan seluruh kombinasi prediksi ini.

10% berkinerja terbaik dapat mengarahkan kalender editorial Anda karena jika Anda mengetahui bulan-bulan ketika orang akan paling tertarik pada suatu topik, Anda dapat merencanakan fitur bulanan seputar topik itu. Anda bahkan akan tahu hingga minggu kapan harus mempublikasikan konten tentang topik tertentu. Dengan cara ini, Anda bisa mencapai nada tinggi setiap bulan.

Analisis prediktif juga dapat menginformasikan kalender iklan Anda. Jika Anda tahu Anda memublikasikan tentang topik tertentu, Anda dapat menyetel kartu tarif berdasarkan topik tersebut. Untuk bulan yang Anda tahu permintaan audiens untuk suatu topik tinggi, Anda dapat menagih pengiklan yang tertarik dengan topik tersebut dengan harga penuh. Jika Anda mengetahui minat terhadap topik target pengiklan rendah, Anda dapat menawarkan diskon 40%.

Dengarkan acaranya untuk mendengarkan Chris membahas bagaimana Penguji Media Sosial dapat menerapkan analitik prediktif ke kontennya.

Alat

Chris mengatakan alat terbaik gratis. Mereka adalah bahasa pemrograman (seperti R dan Python), serta perpustakaan (seperti SIDEKIT, NumPy, jadwal) yang menawarkan kode yang dapat Anda gunakan untuk tugas tertentu. Namun, untuk menggunakan alat gratis ini, Anda memerlukan banyak pengalaman teknis. Bahasa pemrograman dan perpustakaan seperti suku cadang mesin. Untuk mendapatkan mobil, Anda harus membuatnya sendiri.

Untuk bisnis yang mampu secara teknis dari berbagai ukuran, jika Anda memiliki seseorang atau banyak orang yang dapat mengisi peran pengembang, ilmuwan data, dan ahli teknologi pemasaran, Anda dapat menggunakan analitik prediktif untuk membuat perkiraan Anda sendiri Gratis.

Namun, jika Anda tidak punya waktu atau pengetahuan untuk menggunakan alat ini, tetapi Anda punya uang, taruhan terbaik Anda adalah melakukan outsourcing perkiraan. Menyewa perusahaan ilmu data.

Jika Anda tertarik mempelajari cara kerja ilmu data, Chris sangat merekomendasikan blog di KDnuggets.com dan Blog ilmu data IBM. Itu Pengalaman Ilmu Data IBM juga luar biasa. Anda juga harus mengikuti blog pengembang untuk perusahaan teknologi besar seperti Microsoft, Amazon, Google, dan IBM.

Namun, Anda menemukan informasi terbaik tentang ilmu data di makalah akademis. Jika Anda dapat membaca koran tanpa tertidur dan mengekstrak informasinya, Anda akan menemukan beberapa emas asli. Anda akan mempelajari teknik yang dapat Anda coba pada data Anda.

Algoritme prediktif yang telah kita bicarakan ini telah ada selama 70 tahun. Ini adalah alat seperti spatula. Jika yang Anda lakukan hanyalah membalik sepotong roti panggang, Anda akan memiliki sirip roti yang sangat mahal.

Namun, jika Anda berpikir tentang memanggang, menumis, dan semua hal yang dapat Anda lakukan dengan spatula, kemungkinannya menjadi tidak terbatas. Hal yang sama juga berlaku untuk alat dan algoritme ilmu data. Anda dapat menggunakan kreativitas dan keingintahuan Anda untuk mencobanya dengan semua cara yang berbeda ini.

Di masa mendatang, menggunakan alat ini akan semudah menjalankan iklan Facebook karena banyak analitik prediktif yang sudah sangat mekanis. Namun, bagian yang melibatkan penilaian dan konteks manusia akan membutuhkan waktu lebih lama untuk terjadi. Mesin tidak dapat memahami cara kerja bisnis dan oleh karena itu tidak dapat melihat kemungkinan tersebut.

Namun setelah Anda memetakan strategi besar, Anda akan segera dapat mengklik tombol, menggesek kartu kredit Anda, membayar biaya bulanan $ 99, dan alat tersebut akan menampilkan grafik. Menurut Chris, kemampuan ini akan tersedia dalam 5 tahun ke depan.

Lebih jauh lagi, seiring dengan peningkatan kecerdasan buatan untuk keperluan umum, Anda mungkin dapat memberi tahu mesin bahwa Anda ingin mengoptimalkan pengeluaran Facebook berdasarkan permintaan. Kemudian mesin akan secara otomatis melakukan prediksi, mencari tahu kapan puncak dan lembah terjadi, dan pada dasarnya menjalankan anggaran dan iklan untuk Anda. Itu mungkin 5 sampai 10 tahun lagi.

Dengarkan acaranya untuk mendengarkan Chris berbagi lebih banyak tentang apa yang tidak bisa dilakukan mesin.

Penemuan Minggu Ini

Reshot adalah situs stok foto yang menghindari citra saham klise.

Foto-foto di Reshot mencerminkan perspektif unik fotografer. Dengan cara ini, kualitas foto lebih tinggi daripada foto di banyak situs stok foto lainnya.

Situs ini menggunakan lisensi sederhana dan istilah yang memberi Anda banyak fleksibilitas untuk menggunakan foto.

Foto reshot gratis, meskipun Anda juga dapat menemukan foto untuk dijual dari mitra Reshot. Untuk menelusuri gambar atau mempelajari lebih lanjut, kunjungi situs web.

Dengarkan pertunjukan untuk mempelajari lebih lanjut dan beri tahu kami cara kerja Reshot untuk Anda.

Poin utama yang disebutkan dalam episode ini:

• Pelajari lebih lanjut tentang bisnis Chris, Brain + Trust Insights.
• Ikuti Chris di Indonesia.
• Baca Blog Chris.
• Dengarkan podcast Chris, Pemasaran Melalui Kopi.
• Akses data pencarian dengan Perencana Kata Kunci AdWords atau Google Trends.
• Cari tahu lebih lanjut tentang CrowdTangle.
• Lihat vendor data pihak ketiga SEMrush dan Merek24.
• Pelajari tentang statistik tuduhan.
• Temukan lebih banyak tentang R dan Python dan perpustakaan seperti SIDEKIT, NumPy, dan jadwal.
• Mengunjungi KDnuggets.com, Blog ilmu data IBM, dan Pengalaman Ilmu Data IBM.
• Ikuti blog pengembang untuk Microsoft, Amazon, Google, dan IBM.
• Temukan foto untuk konten Anda melalui Reshot.
• Tonton Talk Show Pemasaran Media Sosial mingguan kami pada hari Jumat pukul 10 pagi di Pasifik Crowdcast atau dengarkan di Facebook Live.
• Unduh Laporan Industri Pemasaran Media Sosial 2017.

Bagaimana menurut anda? Apa pendapat Anda tentang analitik prediktif? Silakan bagikan komentar Anda di bawah ini.