Prediktivní analýza: Jak mohou obchodníci zlepšit budoucí aktivity: Zkoušející sociálních médií

Chcete, aby byl váš marketing efektivnější?

Zajímá vás, jak může předpovídání vašich marketingových cyklů pomoci?

Abych prozkoumal, jak mohou marketingoví pracovníci začít s prediktivní analýzou, dělám rozhovor s Chrisem Pennem.

Více o této show

The Podcast marketingu sociálních médií je rozhlasová show na vyžádání od Social Media Examiner. Je navržen tak, aby pomohl zaneprázdněným obchodníkům, majitelům firem a tvůrcům objevit, co funguje s marketingem na sociálních médiích.

V této epizodě pohovořím Chris Penn, spoluzakladatel a hlavní inovátor ve společnosti Brain + Trust Insights. On je také co-hostitel Marketing nad kávou podcast a hlavní analytik pro Social Media Marketing World.

Chris vysvětluje, jak zajistit kvalitu podkladových dat použitých v prediktivní analýze.

Objevíte také zdroje dat a nástroje používané k vytváření předpovědí.

Podělte se o svůj názor, přečtěte si poznámky k pořadu a získejte odkazy zmíněné v této epizodě níže.

Poslouchejte nyní

Kde se přihlásit k odběru: Apple Podcast | Podcasty Google | Spotify | RSS

Přejděte na konec článku, kde najdete odkazy na důležité zdroje zmíněné v této epizodě.

Zde jsou některé z věcí, které v této show objevíte:

Prediktivní analýza

Chrisův příběh

Chris začal v analytice díky svému zázemí v IT. V roce 2003 začal pracovat jako IT ředitel při spuštění studentské půjčky, kde se jeho role rozšířila nad rámec tradičních IT povinností. Kromě spouštění webu a e-mailových serverů také aktualizoval weby a zasílal týdenní e-mail.

Chris dělal tuto práci dříve, než existovala služba Google Analytics, takže když se generální ředitel jeho společnosti zeptal, jak fungují webové stránky a e-maily, Chris neměl odpověď. Aby na to přišli, Chris a jeho tým začali vyvíjet vlastní nástroje, které jim pomohou porozumět základům, jako je počet lidí, kteří web každý den navštívili.

Postupem času se Chrisova analytická praxe stala hlavním zaměřením. Nesnažil se jen zjistit, co se stalo, ale proč se to stalo a jak by mohla firma reagovat.

Poslechněte si show a uslyšíte, jak Chris diskutuje o svém vzdělání.

Co jsou prediktivní analýzy?

Prediktivní analytika využívá statistiky a strojové učení k analýze dat a vytváření předpovědí. Lidé jsou velmi předvídatelní. Všichni se řídíme běžnými postupy, jako je čištění zubů a následné sprchování nebo každé ráno si každý kousek oblečení oblékáme v určitém pořadí.

Protože lidé jsou předvídatelní v mikro i makro měřítku, mohou obchodníci většinou předvídat, co se stane. Například v Severní Americe, pokud jste obchodníkem s B2C, víte docela dobře, že od 1. listopadu do 26. prosince budete zaneprázdněni, protože to je nejvyšší doba prodeje produktů.

Podobně, pokud jste marketingový pracovník B2B, máte zaneprázdněný čas od 1. ledna do konce května. Poté se podnikání rozvíjí hned po svátku práce ve Spojených státech a Kanadě a pokračuje na Den díkůvzdání v USA. Mimo tyto časy je mnohem těžší být marketingovým pracovníkem, ať už se zaměřujete na digitální, sociální nebo placené.

Poslechněte si show a poslechněte si další příklady předvídatelného lidského chování.

Co může prediktivní analýza dělat?

Protože tyto věci obecně známe, mohou nám stroje pomoci tyto předpovědi zpřesnit. Hodnota prediktivní analýzy je jejich specifičnost. Pokud víte, který týden byste měli udělat více naživo na Facebooku nebo utratit méně za reklamy, můžete být při marketingu efektivnější a efektivnější. Pokud víte, jak předvídat, můžete vydělat peníze, ušetřit peníze, ušetřit čas a nenechat se vyhodit.

Prediktivní analytika se konkrétně zaměřuje na pokus zjistit, co se stane dál. Pro průměrného obchodníka jsou předpovědi časových řad (nebo když se něco stane) nejkonvenčnější a nejužitečnější aplikací. Pro ilustraci, pokud jste obchodník v sociálních médiích, chcete vědět, kdy je třeba zaměstnat tým zákaznických služeb, aby odpovídal na dotazy zákazníků.

Prediktivní analýza může také zjistit věci, jako když si někdo koupí nové auto nebo jestli jsou nastávajícími rodiči. Tyto aplikace jsou však jemnější než předpovědi časových řad.

Poslechněte si show a dozvíte se o svých zkušenostech s prediktivní analýzou, když jsem byl autorem B2B.

Jak funguje prediktivní analýza

Prediktivní analytika je nyní pravděpodobně téměř 70 let stará. Lidé jsou překvapeni, když slyší, jak stará je disciplína, protože si myslí, že strojové učení je něco nového. Teorie a matematické vzorce však existují už opravdu dlouho.

Co se změnilo, je výpočetní výkon notebooků, stolních počítačů a cloudových serverů. Dokážou rozdrtit větší čísla za kratší dobu. Teoreticky můžete provádět prediktivní analýzu na papíře, ale vyžadovalo by to hodně papíru a času.

Abyste dobře provedli prediktivní analytiku, potřebujete tři nadání. Nejprve potřebujete někoho, kdo má dovednosti v oblasti vývoje, aby extrahoval data z vašich zdrojů dat, jako je Google Analytics, Facebook Insights, Twitter a další druhy sociálních dat. Data mohou být v systémech, které vlastníte, nebo v systémech třetích stran. Kdokoli má data, musíte být schopni je dostat ven.

Chrisovi se líbí výraz „Data je nový olej“, protože pokud jste někdy skutečně viděli ropu, je to nechutný nepořádek. Nemůžete s tím dělat mnoho, dokud ji nevyjmete ze země, nezjemníte a poté ji nedáte lidem, kteří ji mohou použít v autech nebo si vyrobit plastové misky, které se při pádu na zem nerozbijí. S prediktivní analýzou je to totéž.

Rafinerie jsou datoví vědci, kteří data vyčistí na něco, co můžete použít. Poté marketingoví technologové, což je dnes role mnoha obchodníků se sociálními médii, s těmito daty něco dělají. Neinterpretují pouze data; jednají podle toho.

Chris zdůrazňuje, že je důležité jednat podle údajů, které získáte. Pokud víte, ve kterém týdnu chcete svou akci propagovat, ale s těmito informacemi nic neděláte, nemá smysl předpovědi dělat.

Přesnost předpovědí závisí na podkladových datech a algoritmu, který používáte k vytváření předpovědí. V určitém okamžiku téměř každý narazí na problém s kvalitou dat. Možná jste nenastavili správně Google Analytics, nestanovili jste správně své cíle, zapomněli jste zapnout Facebook pixel; některou z těch věcí.

Poslechněte si show a uslyšíte, jak Chris diskutuje o populárním typu technické analýzy akcií.

Praktické marketingové aplikace pro prediktivní analýzu

Když Chris dělá prediktivní předpověď, je to obvykle 52týdenní spojnicový graf. V grafu pro každý týden je uvedena předpověď jakékoli datové řady. Chris většinu času používá vyhledávací data, protože lidé do Googlu zadávají věci, které by neudělali řekněte to jiné lidské bytosti, takže vyhledávací data jsou velmi dobrým indikátorem toho, co ve skutečnosti někoho má mysl.

K dispozici je spousta vyhledávacích dat a k některým z nich máte bezplatný přístup prostřednictvím nástrojů, jako je Plánovač klíčových slov AdWords nebo Google Trends. Jakmile budete mít data, můžete předpovědět trend nějakého druhu, což je datová řada, a poté identifikovat vrcholy a údolí. Chris doporučuje mít jako základ pro svou předpověď data od 1 do 5 let.

Řekněme, že extrahujete 5 let vyhledávacích dat na marketingu sociálních médií, protože vás zajímá, kdy v příštím roce budou lidé hledat „sociální média marketing." Pokud víte, že to bude 20. března, 19. dubna, 27. května, 4. července, 10. září a 21. října tohoto nadcházejícího roku, jsou to vaše známky vysoké vody.

S těmito daty můžete také zjistit, co se stane 2 až 3 týdny před každým datem. K tomuto vrcholu obvykle dochází. Marketingový pracovník v sociálních médiích tedy musí zvýšit své výdaje na reklamu. Organický obchodník musí hodně zveřejňovat a zdvojnásobit počet příběhů Instagramu, které vytvoří. Osoba působící v oblasti public relations musí v těchto dnech vystoupit měsíce předem, aby se mohla objevit v publikacích.

Také víte, kdy dojde k údolím, takže můžete plánovat bankovní obsah, i když se toho moc neděje. Můžete nahrávat podcasty, hostovat hosty na jiných webech, psát spoustu blogových příspěvků a hromadit obsah. Poté, když přijde další vrchol, můžete zasáhnout kadenci, kterou potřebujete zasáhnout, aniž byste vyhořeli.

Tímto způsobem vám předpovědi pomohou vydělat peníze na vrcholcích a ušetřit peníze na poklesech. Svou strategii můžete plánovat a budovat na základě toho, kdy se pravděpodobně věci stanou. Tato aplikace funguje pro podniky B2C i B2B, protože lidé zadávají do Googlu věci každý den, každý den.

Ptám se, jaké další zdroje dat můžete použít k vytváření předpovědí. Chris říká, že jakýkoli zdroj dat založený na čase je platný a konverzace na sociálních médiích se v každé síti liší. Vaše předpovědi pro Pinterest se mohou lišit od vašich předpovědí pro Facebook a Twitter. Na základě všech těchto údajů vytvářejte předpovědi.

K tomu je jeden opravdu skvělý nástroj CrowdTangle. Je to fantastické, protože poskytuje údaje o časových řadách až na úroveň jednotlivých příspěvků. Osoba působící v oblasti public relations může získávat zmínky o novinkách a zpravodajství. Inzerent může získávat částky za platby za kliknutí, nabídkové ceny a všechny tyto věci.

Zdroje dat třetích stran jsou dobré, protože vy jako společnost nemůžete tato data sama o sobě poškodit, i když můžete požádat o špatné věci. Jeden renomovaný prodejce dat je SEMrush, který má kvalitní data. Další prodejce, Značka24, provádí monitorování médií.

Můžete se také podívat na data vyhledávání z nástrojů SEO, které nejsou Google. To vše jsou dobré zdroje dat, protože jsou konzistentní, normalizované a pravidelné. Jsou také přiměřeně čisté.

Chris poté sdílí další příklad, jak můžete ve svém podnikání použít prediktivní analytiku. Chris provedl prediktivní běh kasina na základě 2letého denního výnosu hracího automatu. Po vložení těchto dat do algoritmu mohl Chris předpovědět výnosy kasina na příští rok.

Díky těmto předpovědím mohlo kasino zjistit, kdy budou výnosy z automatů nízké, a oni potřebovali připravit nějaké propagační akce, spustit reklamy, přivést speciálního hostujícího baviče nebo něco takového. Data jim pomohla napravit tyto mezery v jejich příjmech.

Ptám se, jak se obchodníci vyhýbají ovlivňování dat. Hypoteticky, řekněme, že zaměřujeme naše marketingové propagace na Social Media Marketing World na určité plány, které nemusí nutně vycházet z předpovědí, ale těch, které jsme se rozhodli použít. Jak můžeme vyloučit, že chování kmene a komunity nemusí být nutně způsobeno našimi činy?

Chris říká, že Social Media Marketing World je tak velká, úspěšná show, ve skutečnosti ovlivňuje, když lidé hledají věci jako „sociální“ mediální marketing. “ Můžete však zpřesnit data, která načtete několika různými způsoby, abyste minimalizovali události, problémy atd. Z jejich dopadu.

Například pokud používáte nástroj pro sociální poslech, můžete vyloučit zmínky o Social Media Marketing World, #socialmediaexaminer, Michael Stelzner a souvisejících položkách. Tato vyloučení pomáhají omezit datové body, které by tam neměly být.

Můžete také použít benchmarking, který stanoví základní linii mimo konkrétní sezónu, která přidává 20 000 zmínek denně. Je i v sezóně něco, co je nepřiměřené tomu, co by tam mělo být? Tímto způsobem můžete spustit prognózy.

Nejlepší způsob zpřesnění dat je však na datové úrovni. Odstraňte věci, o kterých víte, že jsou kontaminující, protože nemáte lepší slovo. Pak můžete předpovědět z rafinovaných dat.

To znamená, že pokud marketingujete svět marketingu sociálních médií, nebudete nutně chtít takto zpřesňovat data. Pokud chcete, aby kmen ovlivňoval, jak lidé na celém světě vyhledávají „marketing sociálních médií“, je to dobrá věc. To je důvod, proč oslavit svůj úspěch a pokusit se způsobit ještě větší změnu chování tím, že předstihnete trendy ještě dříve.

Poslechněte si show a poslechněte si mé myšlenky na předvídatelné lidské vzorce.

Co nemůžete předvídat

Chris říká, že nemůžete předvídat tři věci. První je zásadní otřes, který naruší vaše data, jako jsou politické nepokoje, kulturní otřesy, přírodní katastrofy, podobné věci. Všechny tyto věci způsobují velké interference, které mohou poškodit předpověď. Sektory se značnými otřesy, jako je například akciový trh, je téměř nemožné předpovědět s přesností.

Druhým je něco, co se nikdy nestalo, například prezidentské volby v roce 2016. Konkurence mezi dvěma kandidáty, kteří kandidovali, se nikdy předtím nestala. Mnoho lidí, kteří vytvářejí prediktivní nástroje a předpovědi voleb, založily své modely na volbách v roce 2012.

Kandidáti v každé straně však byli mezi těmi volebními roky velmi odlišní lidé. Takže nástroje, které lidé vytvořili pro rok 2016, byly založeny na něčem, co se stalo v minulosti, ale to se v současnosti nedělo. Nemůžete předvídat, co se nikdy nestalo.

Třetím diskvalifikátorem pro prediktivní analýzu jsou špatná data. Pokud máte poškozená data nebo žádná data, nemůžete dělat přesné předpovědi. Pokud víte, že má vaše společnost problémy s datovou infrastrukturou, prediktivní analýza je ve skutečnosti nebezpečná. Bylo by to jako jet s GPS, které má špatná data a říká vám, abyste jeli přímo z útesu.

Poslechněte si show a uslyšíte, jak Chris sdílí další výraz pro otřesy.

Běžné problémy s daty

Pokud si chcete vyzkoušet prediktivní analýzu, je Google Analytics dobrým začátkem. Většina obchodníků tato data určitě má, ale mohou mít problémy. Například pokud používáte software pro automatizaci marketingu, musíte v tomto softwaru umístit značky Google Analytics na své vstupní stránky. Pokud ne, máte problémy s integritou dat.

Pak se zeptám, jak zacházet s roboty a blokátory. Chris říká, že sociální média, zejména Instagram a Twitter, jsou plné robotů. Dobrou zprávou je, že chování robotů je poměrně předvídatelné, protože lidé, kteří tyto roboty napsali, používali velmi primitivní algoritmy. V procesu přípravy dat lze roboty snadno odhalit a můžete je odstranit.

Pro ilustraci má jeden robot vždy bio, které má přesně stejný formát. Biografie začíná různými slovy, která mají různou délku, následuje „check me out“ a poté odkaz.

S blokátory se pracuje podstatně těžší. Pokud se pokoušíte předpovídat na základě údajů o reklamách a blokátory odstraňují údaje, je velmi obtížné to napravit. Data nejsou špatná; ani to nemáš. Je to neúplné.

S neúplnými údaji můžete nakládat dvěma způsoby. Nejprve můžete hledat něco, co je směrové, protože data, která máte, jsou stále reprezentativní. Řekněme, že víte, že 30% blokovaných reklam se děje v mobilním zařízení, ale je to konzistentních 30%. Na jednom webu nemáte blokováno 22% reklam, na jiném 5%.

Pokud je blokování relativně konzistentní, budete stále ukazováni správným směrem, protože některé reklamy budou mít v průběhu času lepší nebo horší výkon.

Druhá možnost je k dispozici pouze společnostem s rozsáhlou databází, jako jsou velké technologické společnosti nebo datové společnosti. S velkým množstvím dat to zvládnete imputace, která k vyplnění neúplných částí používá existující trénovaný datový soubor a strojové učení.

Opravdu dobrým příkladem imputace jsou sociální akcie. Začátkem února společnost LinkedIn vypnula čísla svých podílů, takže toto číslo již nedostanete od žádného nástroje pro monitorování sociálních médií. Pokud by Chris pracoval ve společnosti pro sledování sociálních médií, použil by posledních 10 let dat jako tréninkovou sadu a odvodil počet sdílení.

Počet sdílení můžete odvodit, pokud máte další paralelní datové sady, jako je Twitter a Pinterest. Tato čísla sdílení v zásadě umožní stroji vyplnit mezery pro sdílení LinkedIn.

Poslechněte si představu o mých myšlenkách na roboty a blokátory.

Příklady

Chris pro známou společnost poskytující kancelářské potřeby provedl prediktivní analýzy názvu značky a obecného výrazu „kancelář“ zásoby. “ Ačkoli se značka a obecný výraz vzájemně zrcadlily, „kancelářské potřeby“ byly za značkou 20 dní pozadu název.

Například značka měla na konci srpna velký nárůst, který Chris přisuzoval sezóně zpět do školy a lidem, kteří se vraceli do práce. Ale pak o 20 dní později hledaný výraz pro „kancelářské potřeby“ sledoval přesně stejný bodec a stejný vzor. Ať se tam chování děje cokoli, lidé hledají značku a pak o 20 dní později hledají obecný výraz.

Na základě zjištění Chris navrhl společnosti, aby vytvořila retargetingovou kampaň s časovým limitem 19 dní. Znovu zaměřte cílení na každého, kdo přejde na váš web o 19 dní později, pomocí reklamy, která mu připomene, aby se vrátil pro další kancelářské potřeby. Díky reklamě na cílení na cíl mohla společnost znovu zachytit část této poptávky.

Tímto způsobem může prediktivní analýza nabídnout obrovskou návratnost investic. Někdo by mohl předpokládat, že všechno, co dělají, už nefunguje a prostě přestat. S prediktivní analýzou můžete vidět, že realita vašeho sociálního marketingu je jednoduše synchronizovaná se vzory zákazníků.

Chris dále sdílí příklad ze své vlastní firmy. Testoval podle toho, kdy lidé hledají out-of-office nastavení Outlooku, protože když někoho mají Když to hledáte, víte, že se chystají na dovolenou, což znamená, že nečtou jejich e-mailem. Po spuštění této referenční hodnoty v říjnu 2017 Chris promítl dopředu na první čtvrtletí.

Chris předpokládal, že objem vyhledávání byl nejnižší, což znamená, že většina lidí byla v kanceláři, v týdnu od 18. ledna 2018. V tomto týdnu spustil Chris stejnou kampaň pro svou knihu na stejný seznam a se stejnou nabídkou jako v roce 2017.

Vylepšením načasování propagace pro rok 2018 zvýšil Chris prodeje knih o 40%. Jeho kampaň z roku 2017 byla vypnuta přibližně o 2 týdny a Chris se dozvěděl, že nedostatek synchronizace s publikem má obrovský rozdíl.

Ptám se, jak může podnik, který zveřejňuje informace, využívat prediktivní analytiku ke zlepšení své strategie. V tomto příkladu Chris říká, že jednou z jeho oblíbených aplikací je obsahová strategie. Řekněme, že se pravidelně věnujete určitým tématům. Můžete spustit celou kombinaci těchto předpovědí.

Nejvýkonnějších 10% může řídit váš redakční kalendář, protože pokud znáte měsíce, kdy se lidé budou o téma nejvíce zajímat, můžete kolem tohoto tématu naplánovat měsíční funkce. Dokonce až do týdne budete vědět, kdy zveřejnit obsah o určitém tématu. Tímto způsobem můžete každý měsíc zasáhnout vysokou notu.

Prediktivní analýza může také informovat o vašem reklamním kalendáři. Pokud víte, že publikujete na určité téma, můžete podle něj nastavit ceníky. Za měsíc, o kterém víte, že je poptávka publika po tématu vysoká, můžete inzerentům, kteří se o dané téma zajímají, účtovat plnou cenu. Pokud víte, že zájem o cílové téma inzerentů je nízký, můžete nabídnout 40% slevu.

Poslechněte si show a uslyšíte, jak Chris diskutuje o tom, jak může Social Media Examiner aplikovat na svůj obsah prediktivní analýzu.

Nástroje

Chris říká, že nejlepší nástroje jsou zdarma. Jsou to programovací jazyky (jako R a Krajta), stejně jako knihovny (jako SIDEKIT, NumPy, timetk), které nabízejí kód, který můžete použít pro určité úkoly. Chcete-li však tyto bezplatné nástroje používat, potřebujete spoustu technických zkušeností. Programovací jazyky a knihovny jsou jako součásti motoru. Chcete-li získat auto, musíte si ho postavit sami.

Pro technicky schopné podnikání jakékoli velikosti, pokud máte někoho nebo více lidí, kteří mohou zastávat role vývojář, datový vědec a marketingový technolog, můžete pomocí prediktivní analýzy vytvořit vlastní prognózy pro volný, uvolnit.

Pokud však nemáte čas nebo znalosti k použití těchto nástrojů, ale máte peníze, nejlepší je předpovědi zadávat externě. Najměte si společnost zabývající se datovými vědami.

Pokud se chcete dozvědět, jak funguje věda o datech, Chris důrazně doporučuje blog na adrese KDnuggets.com a Blog IBM Data Science. The IBM Data Science Experience je také vynikající. Měli byste také sledovat blogy pro vývojáře hlavních technologických společností, jako je Microsoft, Amazonka, Google, a IBM.

Nejlepší informace o datové vědě však najdete v akademické práce. Pokud si tyto papíry můžete přečíst, aniž byste usnuli a extrahovat informace, najdete skutečné zlato. Naučíte se techniky, které můžete na svých datech vyzkoušet.

Tento prediktivní algoritmus, o kterém jsme mluvili, existuje již 70 let. Je to nástroj jako špachtle. Pokud vše, co kdy uděláte, je otočit kousek toastu, budete mít velmi drahý toustovač.

Pokud však přemýšlíte o grilování, smažení a všech věcech, které můžete dělat pomocí špachtle, možnosti jsou nekonečné. Totéž platí pro nástroje a algoritmy datové vědy. Svou kreativitu a zvědavost můžete vyzkoušet všemi těmito různými způsoby.

V budoucnu bude používání těchto nástrojů stejně snadné jako spuštění reklamy na Facebooku, protože mnoho prediktivních analytik je již velmi mechanizovaných. Část, která zahrnuje lidský úsudek a kontext, však bude trvat déle. Stroje nemohou pochopit, jak podniky fungují, a proto tyto možnosti nevidí.

Ale až zmapujete velkou strategii, brzy budete moci kliknout na tlačítko, přejet prstem po kreditní kartě, zaplatit měsíční poplatek 99 $ a nástroj vyplivne grafy. Chris si myslí, že tato funkce bude k dispozici během příštích 5 let.

Dále, jak se zlepšuje umělá inteligence pro všeobecné účely, můžete říci stroji, že chcete optimalizovat své výdaje na Facebooku na základě poptávky. Potom stroj automaticky provede předpověď, zjistí, kdy nastanou vrcholy a údolí, a v podstatě za vás spravuje rozpočet a reklamy. To je pravděpodobně 5 až 10 let ven.

Poslechněte si show a uslyšíte, jak Chris sdílí další informace o tom, co stroje neumí.

Objev týdne

Reshot je stránka s fotografiemi, která se vyhýbá klišé.

Fotografie na Reshotu odrážejí jedinečnou perspektivu fotografa. Tímto způsobem jsou fotografie kvalitnější než ty na mnoha jiných webech s fotografiemi.

Web používá a jednoduchá licence a podmínky které vám poskytují velkou flexibilitu při používání fotografií.

Fotografie Reshot jsou zdarma, i když najdete také fotografie k prodeji od partnerů Reshot. Chcete-li procházet obrázky nebo se dozvědět více, navštivte webovou stránku.

Poslechněte si show a dozvíte se více a dejte nám vědět, jak pro vás Reshot funguje.

Klíčové možnosti uvedené v této epizodě:

• Zjistěte více o Chrisově podnikání, Brain + Trust Insights.
• Sledujte Chrisa dál Cvrlikání.
• Číst Chrisův blog.
• Poslechněte si Chrisův podcast, Marketing nad kávou.
• Přístup k datům vyhledávání pomocí Plánovač klíčových slov AdWords nebo Google Trends.
• Zjistěte více o CrowdTangle.
• Podívejte se na dodavatele dat třetích stran SEMrush a Značka24.
• Další informace o statistice imputace.
• Zjistěte více o R a Krajta a knihovny jako SIDEKIT, NumPy, a timetk.
• Návštěva KDnuggets.com, Blog IBM Data Science, a IBM Data Science Experience.
• Sledujte blogy vývojářů pro Microsoft, Amazonka, Google, a IBM.
• Najděte fotografie pro svůj obsah prostřednictvím Reshot.
• Sledujte naši týdenní talk show Social Media Marketing v pátek v 10:00 Pacifiku Crowdcast nebo naladit na Facebooku živě.
• Stáhněte si Zpráva o odvětví marketingu sociálních médií za rok 2017.

Co myslíš? Co si myslíte o prediktivní analýze? Sdílejte prosím své komentáře níže.