Tahmine Dayalı Analitik: Pazarlamacılar Gelecekteki Faaliyetleri Nasıl İyileştirebilir: Sosyal Medya Denetçisi

Pazarlamanızın daha verimli olmasını mı istiyorsunuz?

Pazarlama döngülerinizi tahmin etmenin nasıl yardımcı olabileceğini merak mı ediyorsunuz?

Pazarlamacıların tahmine dayalı analitiğe nasıl başlayabileceklerini keşfetmek için Chris Penn ile röportaj yapıyorum.

Bu Gösteri Hakkında Daha Fazla Bilgi

Sosyal Medya Pazarlama podcast Social Media Examiner tarafından sunulan isteğe bağlı bir konuşma radyo programıdır. Yoğun pazarlamacıların, işletme sahiplerinin ve içerik oluşturucuların sosyal medya pazarlamasında nelerin işe yaradığını keşfetmelerine yardımcı olmak için tasarlanmıştır.

Bu bölümde röportaj yapıyorum Chris Penn, kurucu ortağı ve baş yenilikçi Brain + Trust Insights. Aynı zamanda, Kahve Üzerinden Pazarlama podcast ve Sosyal Medya Pazarlama Dünyası için baş analitik uzmanı.

Chris, tahmine dayalı analitikte kullanılan temel verilerin kalitesinin nasıl sağlanacağını açıklıyor.

Tahmin yapmak için kullanılan veri kaynaklarını ve araçları da keşfedeceksiniz.

Geri bildiriminizi paylaşın, şov notlarını okuyun ve aşağıdaki bölümde bahsedilen bağlantıları alın.

Şimdi dinle

Nereden abone olunur: Apple Podcast | Google Podcasts | Spotify | RSS

Bu bölümde bahsedilen önemli kaynakların bağlantıları için makalenin sonuna gidin.

Bu gösteride keşfedeceğiniz bazı şeyler şunlardır:

Tahmine Dayalı Analitik

Chris’in Hikayesi

Chris, BT geçmişiyle analitiğe başladı. 2003 yılında, rolünün geleneksel BT sorumluluklarının ötesine geçtiği bir öğrenci kredisi başlangıcında BT yöneticisi olarak çalışmaya başladı. Web ve e-posta sunucularını çalıştırmanın yanı sıra, web sitelerini de güncelledi ve haftalık e-postayı gönderdi.

Chris, bu işi Google Analytics olmadan önce yapıyordu, bu nedenle şirketinin CEO'su web sitelerinin ve e-postaların nasıl performans gösterdiğini sorduğunda, Chris'in bir cevabı yoktu. Bunu anlamak için Chris ve ekibi, web sitesini her gün kaç kişinin ziyaret ettiği gibi temel bilgileri anlamak için kendi araçlarını geliştirmeye başladı.

Zamanla, analitik uygulaması Chris için ana odak noktası haline geldi. Sadece ne olduğunu öğrenmeye çalışmakla kalmıyordu, bunun neden olduğunu ve işletmenin nasıl tepki verebileceğini de öğrenmek istiyordu.

Chris'in eğitim geçmişini tartışmasını dinlemek için şovu dinleyin.

Tahmine Dayalı Analitik Nedir?

Tahmine dayalı analitik, verileri analiz etmek ve tahminlerde bulunmak için istatistikleri ve makine öğrenimini kullanır. İnsanlar çok tahmin edilebilir. Hepimiz dişlerimizi fırçalamak ve ardından duş almak ya da her sabah her bir giysiyi belirli bir sırayla giymek gibi rutinler takip ederiz.

İnsanlar hem mikro hem de makro ölçekte öngörülebilir olduklarından, pazarlamacılar çoğunlukla ne olacağını tahmin edebilirler. Örneğin, Kuzey Amerika'da bir B2C pazarlamacısıysanız, 1 Kasım'dan 26 Aralık'a kadar meşgul olacağınızı hemen hemen biliyorsunuz çünkü bu, ürün satışları için en yoğun zaman.

Benzer şekilde, bir B2B pazarlamacısıysanız, yoğun zamanınız 1 Ocak'tan Mayıs ayının sonuna kadardır. Ardından Amerika Birleşik Devletleri ve Kanada'da İşçi Bayramı'ndan hemen sonra işler toparlanır ve ABD Şükran Günü boyunca devam eder. Bu zamanların dışında, dijital, sosyal veya ücretli olanlara odaklanın, pazarlamacı olmak çok daha zordur.

Tahmin edilebilir insan davranışının daha fazla örneğini duymak için diziyi dinleyin.

Tahmine Dayalı Analitik Ne Yapabilir?

Bunları genel olarak bildiğimiz için, makineler bu tahminleri daha spesifik yapmamıza yardımcı olabilir. Tahmine dayalı analitiğin değeri, özgüllükleridir. Hangi hafta daha fazla Facebook Live yapmanız gerektiğini veya reklamlara daha az harcamanız gerektiğini bilirseniz, pazarlamanızda daha verimli ve etkili olabilirsiniz. Nasıl tahmin edeceğinizi biliyorsanız, para kazanabilir, para biriktirebilir, zamandan tasarruf edebilir ve kovulamazsınız.

Tahmine dayalı analitik özellikle daha sonra ne olacağını bulmaya odaklanır. Ortalama bir pazarlamacı için, zaman serisi tahminleri (veya bir şeyin ne zaman olacağı) en geleneksel ve kullanışlı uygulamadır. Örnek olarak, bir sosyal medya pazarlamacısıysanız, müşteri sorgularını yanıtlamak için müşteri hizmetleri ekibinizi ne zaman çalıştıracağınızı bilmek istersiniz.

Tahmine dayalı analiz, birisinin ne zaman yeni bir araba satın alacağı veya anne adayları olup olmadığı gibi şeyleri de çözebilir. Ancak, bu uygulamalar zaman serisi tahminlerinden daha ayrıntılıdır.

B2B yazarıyken tahmine dayalı analitik deneyimlerimi öğrenmek için diziyi dinleyin.

Tahmine Dayalı Analitik Nasıl Çalışır?

Tahmine dayalı analitik muhtemelen şu anda 70 yaşına yakın. İnsanlar disiplinin ne kadar eski olduğunu duyunca şaşırıyor çünkü makine öğreniminin yeni bir şey olduğunu düşünüyorlar. Bununla birlikte, teoriler ve matematiksel formüller gerçekten çok uzun zamandır var.

Değişen şey, dizüstü bilgisayarların, masaüstü bilgisayarların ve bulut sunucularının hesaplama gücüdür. Daha büyük sayıları daha kısa sürede sıkıştırabilirler. Teorik olarak kağıt üzerinde tahmine dayalı analitik yapabilirsiniz, ancak bu çok fazla kağıt ve zaman gerektirir.

Tahmine dayalı analitiği iyi yapmak için üç yeteneğe ihtiyacınız var. Öncelikle, Google Analytics, Facebook Insights, Twitter ve diğer sosyal veri türleri gibi veri kaynaklarınızdan veri çıkarmak için geliştirme becerilerine sahip birine ihtiyacınız var. Veriler, sahip olduğunuz sistemlerde veya üçüncü taraf sistemlerde olabilir. Verilere kim sahip olursa olsun, onu çıkarabilmeniz gerekir.

Chris, "Veri yeni petroldür" ifadesini seviyor, çünkü gerçekten ham petrol gördüyseniz, bu iğrenç bir karmaşa. Yerden çıkarana, rafine edip sonra arabalarda kullanabilen veya yere düştüğünde kırılmayan plastik kaseler yapana kadar onunla fazla bir şey yapamazsınız. Tahmine dayalı analitik ile de hemen hemen aynı şeydir.

İyileştiriciler, verileri kullanabileceğiniz bir şeye dönüştüren veri bilimcilerdir. O zaman bugün birçok sosyal medya pazarlamacısının rolü olan pazarlama teknolojisi uzmanları bu verilerle bir şeyler yapıyor. Sadece verileri yorumlamazlar; ona göre hareket ediyorlar.

Chris, elde ettiğiniz verilere göre hareket etmenin önemini vurguluyor. Etkinliğinizi hangi hafta tanıtacağınızı biliyor ancak bu bilgilerle hiçbir şey yapmıyorsanız, o zaman tahminde bulunmanın bir anlamı yoktur.

Tahminlerin doğruluğu, temeldeki verilere ve tahmin yapmak için kullandığınız algoritmaya bağlıdır. Bir noktada, neredeyse herkes veri kalitesiyle ilgili bir sorunla karşılaşacaktır. Belki de Google Analytics'i doğru kurmadınız, hedeflerinizi doğru belirlemediniz, Facebook pikselinizi açmayı unuttunuz; bunlardan herhangi biri.

Chris'in popüler bir teknik stok analizi türünü tartışmasını dinlemek için şovu dinleyin.

Tahmine Dayalı Analitik için Pratik Pazarlama Uygulamaları

Chris tahmine dayalı bir tahmin yaptığında, bu genellikle 52 haftalık bir çizgi grafiktir. Grafik, her hafta için veri serisi ne olursa olsun bir tahmin gösterir. Chris çoğu zaman arama verilerini kullanır çünkü insanlar Google’a yazmayacakları şeyleri yazarlar. başka bir insana söyleyin, arama verilerini birisinin gerçekte ne olduğuna dair çok iyi bir gösterge zihin.

Çok sayıda arama verisi mevcuttur ve bunların bir kısmına aşağıdaki gibi araçlar aracılığıyla ücretsiz olarak erişebilirsiniz: AdWords Anahtar Kelime Planlayıcı veya Google Trendler. Verileri aldıktan sonra, bir veri serisi olan bir tür trend tahmin edebilir ve ardından zirveleri ve vadileri tanımlayabilirsiniz. Chris, tahmininizin temeli olarak 1 ila 5 yıllık bir veriye sahip olmanızı önerir.

Sosyal medya pazarlamacılığından 5 yıllık arama verilerini çıkardığınızı varsayalım çünkü gelecek yıl insanların ne zaman "sosyal medyayı" arayacağını merak ediyorsunuz. pazarlama." Önümüzdeki yıl 20 Mart, 19 Nisan, 27 Mayıs, 4 Temmuz, 10 Eylül ve 21 Ekim olacağını biliyorsanız, bunlar sizin yüksek su izleri.

Bu tarihlerle, her tarihten 2-3 hafta önce neler olduğunu da görebilirsiniz. Tipik olarak, bu zirveye bir çıkış olur. Dolayısıyla, bir sosyal medya pazarlamacısının reklam harcamalarını artırması gerekiyor. Organik bir pazarlamacının çok fazla paylaşım yapması ve Instagram hikayelerinin sayısını ikiye katlaması gerekir. Bir halkla ilişkiler görevlisinin bu tarihlerdeki yayınlarda yer alması için aylar önceden konuşması gerekir.

Vadilerin ne zaman olacağını da bilirsiniz, böylece pek bir şey olmazken içeriğinizi bankaya yatırmayı planlayabilirsiniz. Podcast'ler kaydedebilir, diğer sitelerde misafir barındırabilir, bir sürü blog yazısı yazabilir ve içerik depolayabilirsiniz. Ardından, bir sonraki zirve geldiğinde, yakmadan vurmanız gereken kadansı yakalayabilirsiniz.

Bu şekilde, tahminler zirvelerde para kazanmanıza ve düşüşlerde tasarruf etmenize yardımcı olur. Stratejinizi, olayların ne zaman gerçekleşeceğine bağlı olarak planlayabilir ve oluşturabilirsiniz. Bu uygulama hem B2C hem de B2B işletmelerinde işe yarar çünkü insanlar her gün, tüm gün Google'a bir şeyler yazarlar.

Tahmin yapmak için başka hangi veri kaynaklarını kullanabileceğinizi soruyorum. Chris, zamana dayalı herhangi bir veri kaynağının geçerli olduğunu ve sosyal medya konuşmalarının her ağa göre değiştiğini söylüyor. Pinterest tahminleriniz Facebook ve Twitter tahminlerinizden farklı olabilir. Tüm bu verilere dayanarak tahminler yapın.

Bunu yapmak için gerçekten harika bir araç, CrowdTangle. Harika, çünkü size zaman serisi verilerini bireysel gönderi düzeyine kadar veriyor. Bir halkla ilişkiler çalışanı, haberlerden ve haberlerden söz alabilir. Bir reklamveren, tıklama başına ödeme tutarlarını, teklif fiyatlarını ve bunların tümünü çekebilir.

Üçüncü taraf veri kaynakları iyidir çünkü bir şirket olarak bu verileri kendi başınıza bozamazsınız, ancak yanlış şeyler isteyebilirsiniz. Saygın bir veri satıcısı, SEMrush, kaliteli verilere sahip. Başka bir satıcı, Brand24, medya izleme yapar.

Google’a ait olmayan SEO araçlarındaki arama verilerine de bakabilirsiniz. Bunların hepsi iyi veri kaynaklarıdır çünkü tutarlılar, normalleştirilmiş ve düzenlidirler. Ayrıca, oldukça temizler.

Chris daha sonra tahmine dayalı analitiği işletmenize nasıl uygulayabileceğinize dair başka bir örnek paylaşıyor. Chris, 2 yıllık günlük slot makinesi gelirine dayalı olarak bir kumarhane için tahmini bir çalışma yaptı. Bu verileri bir algoritmaya yerleştirdikten sonra, Chris kumarhanenin gelecek yılki gelirini tahmin edebildi.

Bu tahminlerle kumarhane, slot gelirinin ne zaman düşük olacağını ve bazı promosyonları artırmaları, reklamlar yayınlamaları, özel bir konuk şovmen getirmeleri veya buna benzer bir şey yapmaları gerektiğini görebiliyordu. Veriler, gelirlerindeki bu boşlukları kapatmalarına yardımcı oldu.

Pazarlamacıların verileri etkilemekten nasıl kaçındığını soruyorum. Varsayımsal olarak, Sosyal Medya Pazarlama Dünyası için pazarlama promosyonlarımızı, mutlaka tahminlere dayalı olmayan, ancak kullanmaya karar verdiğimiz belirli programlara göre hazırladığımızı varsayalım. Kabilenin ve topluluğun davranışlarının mutlaka bizim eylemlerimizden kaynaklanmadığını nasıl dışlarız?

Chris, Sosyal Medya Pazarlama Dünyasının çok büyük ve başarılı bir gösteri olduğunu söylüyor, aslında insanların "sosyal medya pazarlamacılığı" gibi şeyler medya pazarlaması. " Bununla birlikte, çektiğiniz verileri birkaç farklı yolla iyileştirerek olayları, sorunları ve benzerlerini etkilemesini en aza indirebilirsiniz.

Örneğin, bir sosyal dinleme aracı kullanıyorsanız, Sosyal Medya Pazarlama Dünyası, #socialmediaexaminer, Michael Stelzner ve ilgili öğelerden bahsetmeyi hariç tutabilirsiniz. Bu hariç tutmalar, orada olmaması gereken veri noktalarının azaltılmasına yardımcı olur.

Günde 20.000 bahis ekleyen belirli bir sezonun dışında bir temel oluşturan kıyaslamayı da kullanabilirsiniz. Mevsimde bile, orada olması gerekenle orantısız bir şey var mı? Tahmini bu şekilde çalıştırabilirsiniz.

Ancak, verileri iyileştirmenin en iyi yolu veri düzeyindedir. Daha iyi bir kelime olmadığı için kirlettiğini bildiğiniz şeyleri kaldırın. Daha sonra rafine verilerden tahmin yapabilirsiniz.

Bununla birlikte, Sosyal Medya Pazarlama Dünyasını pazarlıyor olsaydınız, verileri bu şekilde hassaslaştırmak istemezdiniz. Kabilenin dünyanın her yerinden insanların "sosyal medya pazarlaması" için arama yapma şeklini etkilemesini sağlıyorsanız, bu iyi bir şeydir. Bu, başarınızı kutlamak ve trendlerin daha erken önüne geçerek daha fazla davranış değişikliğine neden olmaya çalışmak için bir nedendir.

Öngörülebilir insan kalıpları hakkındaki düşüncelerimi duymak için diziyi dinleyin.

Ne Tahmin Edemezsiniz

Chris, üç şeyi tahmin edemeyeceğinizi söylüyor. İlki, siyasi huzursuzluk, kültürel karışıklık, doğal afet gibi verilerinizi bozacak büyük bir karışıklık. Tüm bunlar, bir tahmini bozabilecek büyük müdahalelere neden olur. Hisse senedi piyasası gibi çok fazla kargaşanın yaşandığı sektörlerin doğru bir şekilde tahmin edilmesi neredeyse imkansızdır.

İkincisi, 2016 başkanlık seçimleri gibi hiç olmamış bir şey. Koşan iki aday arasındaki rekabet daha önce hiç yaşanmamıştı. Seçim için tahmine dayalı araçlar ve tahminler yaratan birçok kişi, modellerini 2012 seçimlerine dayandırıyordu.

Ancak her partideki adaylar o seçim yılları arasında çok farklı kişilerdi. Dolayısıyla, insanların 2016 için yaptıkları araçlar geçmişte olmuş ancak şu anda gerçekleşmeyen bir şeye dayanıyordu. Ne olmadığını tahmin edemezsin.

Tahmine dayalı analitik için üçüncü diskalifiye edici kötü verilerdir. Bozuk verileriniz varsa veya hiç veri yoksa, doğru tahminlerde bulunamazsınız. Şirketinizin veri altyapısı sorunları olduğunu biliyorsanız, tahmine dayalı analitik aslında tehlikelidir. Bu, kötü verilere sahip olan ve size bir uçurumdan aşağı doğru gitmenizi söyleyen bir GPS ile araba sürmek gibidir.

Chris'in başka bir terimi paylaştığını duymak için şovu dinleyin karışıklık.

Yaygın Veri Sorunları

Tahmine dayalı analitiği denemek istiyorsanız, Google Analytics iyi bir başlangıçtır. Çoğu pazarlamacı kesinlikle bu verilere sahiptir, ancak sorunları olabilir. Örnek olarak, pazarlama otomasyon yazılımı kullanıyorsanız, Google Analytics etiketlerinizi o yazılımdaki açılış sayfalarınıza koymanız gerekir. Yoksa, veri bütünlüğü sorunlarınız var.

Daha sonra botları ve engelleyicileri nasıl kullanacağımı soruyorum. Chris, sosyal medyanın, özellikle Instagram ve Twitter'ın botlarla dolu olduğunu söylüyor. İyi haber şu ki, bot davranışları oldukça tahmin edilebilir çünkü bu botları yazan insanlar çok ilkel algoritmalar kullanıyordu. Veri hazırlama sürecinde botları kolayca görebilir ve bunları kaldırabilirsiniz.

Örnek olarak, bir bot her zaman aynı formatı takip eden bir biyografiye sahiptir. Biyografi, farklı uzunluklarda farklı kelimelerle başlar, ardından "beni kontrol et" ve ardından bir bağlantı gelir.

Engelleyicilerle çalışmak önemli ölçüde daha zordur. Reklam verilerine göre tahmin yapmaya çalışıyorsanız ve engelleyiciler verileri kaldırıyorsa, bunu düzeltmek çok zordur. Veriler yanlış değildir; sende bile yok. Eksik.

Eksik verilerle iki şekilde başa çıkabilirsiniz. Öncelikle, elinizdeki veriler hala temsili olduğu için yönsel olan bir şey arayabilirsiniz. Engellenen reklamların% 30'unun bir mobil cihazda gerçekleştiğini bildiğinizi, ancak bu tutarlı bir% 30'dur. Bir sitede reklamların% 22'si değil,% 5'i başka bir sitede engellenmiş durumda.

Engellemenin tümü nispeten tutarlıysa, o zaman yine de doğru şekilde yönlendirileceksiniz çünkü zamanla bazı reklamlar daha iyi veya daha kötü performans gösterecektir.

İkinci seçenek, yalnızca büyük teknoloji şirketleri veya veri şirketleri gibi devasa bir veritabanına sahip şirketler tarafından kullanılabilir. Büyük miktarda veriyle şunları yapabilirsiniz: atama, eksik parçaları doldurmak için mevcut eğitimli bir veri kümesini ve makine öğrenimini kullanan.

Gerçekten iyi bir suçlama örneği sosyal paylaşımlardır. Şubat ayının başlarında, LinkedIn hisse numaralarını kapattı, bu nedenle artık bu numarayı herhangi bir sosyal medya izleme aracından alamazsınız. Chris bir sosyal medya izleme şirketinde çalışıyor olsaydı, son 10 yıllık verileri bir eğitim seti olarak kullanır ve hisse sayısını çıkarırdı.

Twitter ve Pinterest gibi başka paralel veri kümeleriniz olduğu sürece paylaşım sayısını tahmin edebilirsiniz. Bu paylaşım numaraları, esasen bir makinenin LinkedIn paylaşımları için boşlukları doldurmasına izin verecektir.

Botlar ve engelleyiciler hakkındaki düşüncelerim için diziyi dinleyin.

Örnekler

Tanınmış bir ofis malzemeleri şirketi için Chris, marka adı ve genel terim olan "ofis gereçler." Marka adı ve genel terim birbirini yansıtsa da, "ofis malzemeleri" markanın 20 gün gerisindeydi isim.

Örneğin, marka adı, Chris'in okula dönüş sezonuna ve işe dönen insanlara atfettiği Ağustos sonunda büyük bir artış gösterdi. Ancak 20 gün sonra, "ofis malzemeleri" için arama terimi tam olarak aynı yükselişi ve tam olarak aynı kalıbı izledi. Orada davranışsal olarak ne olursa olsun, insanlar markayı ararlar ve 20 gün sonra genel terimi ararlar.

Bulgulara dayanarak, Chris, şirketin 19 gün olarak belirlenmiş bir yeniden hedefleme kampanyası oluşturmasını önerdi. 19 gün sonra web sitenize giden herkesi, daha fazla ofis malzemesi için geri gelmelerini hatırlatan bir reklamla yeniden hedefleyin. Yeniden hedefleme reklamıyla, şirket bu talebin bir kısmını geri alabilir.

Bu şekilde, tahmine dayalı analitik büyük bir yatırım getirisi sağlayabilir. Birisi yaptığı her şeyin artık çalışmadığını varsayabilir ve durabilir. Tahmine dayalı analitikle, sosyal pazarlamanızın müşterilerin kalıplarıyla uyumlu olmadığını görebiliyorsunuz.

Ardından, Chris kendi işinden bir örnek paylaşıyor. Kişilerin ofis dışında Outlook ayarlarını ne zaman aramasını temel alıyordu, çünkü birisi bunu arıyorsanız, tatile çıkmaya hazırlandıklarını biliyorsunuz, bu da onların e-posta. Bu karşılaştırmayı Ekim 2017'de çalıştırdıktan sonra, Chris ilk çeyrek için ileriye dönük tahminlerde bulundu.

Chris, arama hacminin en düşük olduğunu tahmin etti, bu da çoğu insanın 18 Ocak 2018 haftasında ofiste olduğu anlamına geliyordu. O hafta Chris, kitabı için aynı kampanyayı 2017'de yaptığı teklifle aynı listede ve aynı teklifle yürüttü.

Chris, 2018 promosyonu için zamanlamasını iyileştirerek kitap satışlarını% 40 artırdı. 2017 kampanyası yaklaşık 2 hafta gecikti ve Chris, kitlesiyle uyumsuz olmanın büyük bir fark yarattığını öğrendi.

Bilgi yayınlayan bir işletmenin stratejisini geliştirmek için tahmine dayalı analitiği nasıl kullanabileceğini soruyorum. Bu örnek için Chris, en sevdiği uygulamalardan birinin içerik stratejisi olduğunu söylüyor. Belirli konuları düzenli olarak ele aldığınızı varsayalım. Bu tahminlerin bütün bir kombinasyonunu çalıştırabilirsiniz.

En iyi performans gösteren% 10, editör takviminizi yönlendirebilir çünkü insanların bir konuyla en çok ilgilendiği ayları biliyorsanız, o konu etrafında aylık özellikler planlayabilirsiniz. Belirli bir konuyla ilgili içeriği ne zaman yayınlayacağınızı haftaya bile bileceksiniz. Bu sayede her ay yüksek nota basabilirsiniz.

Tahmine dayalı analitik, reklam takviminize de bilgi sağlayabilir. Belirli bir konu hakkında yayın yaptığınızı biliyorsanız, ücret listelerini o konuya göre ayarlayabilirsiniz. Bir konu için izleyici talebinin yüksek olduğunu bildiğiniz ay için, o konuyla ilgilenen reklamverenlerden tam fiyat alabilirsiniz. Reklamverenlerin hedef konusuna ilginin düşük olduğunu bildiğinizde,% 40 indirim teklif edebilirsiniz.

Chris'in Social Media Examiner'ın içeriğine tahmine dayalı analitiği nasıl uygulayabileceğini tartışmasını dinlemek için diziyi dinleyin.

Araçlar

Chris, en iyi araçların ücretsiz olduğunu söylüyor. Bunlar programlama dilleridir (örneğin R ve Python) yanı sıra kütüphaneler ( SIDEKIT, Dizi, zaman çizelgesi) belirli görevler için kullanabileceğiniz kod sunan. Ancak, bu ücretsiz araçları kullanmak için çok fazla teknik deneyime ihtiyacınız var. Programlama dilleri ve kitaplıkları motor parçaları gibidir. Bir araba almak için kendin yapmalısın.

Teknik olarak yetenekli her büyüklükteki işletme için, rollerini yerine getirebilecek biri veya birden fazla kişi varsa geliştirici, veri bilimci ve pazarlama teknoloğu, kendi tahminlerinizi oluşturmak için tahmine dayalı analitiği kullanabilirsiniz. Bedava.

Ancak, bu araçları kullanmak için zamanınız veya bilginiz yoksa, ancak paranız varsa, yapacağınız en iyi şey tahmin için dış kaynak kullanmaktır. Bir veri bilimi şirketi kiralayın.

Veri biliminin nasıl çalıştığını öğrenmekle ilgileniyorsanız, Chris şu adresteki blogu şiddetle tavsiye ediyor: KDnuggets.com ve IBM veri bilimi blogu. IBM Veri Bilimi Deneyimi aynı zamanda mükemmel. Ayrıca aşağıdaki gibi büyük teknoloji şirketlerinin geliştirici bloglarını da takip etmelisiniz. Microsoft, Amazon, Google, ve IBM.

Bununla birlikte, veri bilimi hakkında en iyi bilgileri şurada bulabilirsiniz: akademik makaleler. Bu kağıtları uykuya dalmadan okuyabilir ve bilgileri çıkarırsanız, biraz gerçek altın bulacaksınız. Verileriniz üzerinde deneyebileceğiniz teknikleri öğreneceksiniz.

Bahsettiğimiz bu tahmine dayalı algoritma 70 yıldır var. Spatula gibi bir alettir. Tek yaptığınız bir parça tost atmaksa, çok pahalı bir tost paletiniz olacak.

Bununla birlikte, ızgara yapmayı, tavada kızartmayı ve bir spatula ile yapabileceğiniz her şeyi düşünürseniz, olasılıklar sonsuz hale gelir. Aynı şey veri bilimi araçları ve algoritmaları için de geçerlidir. Tüm bu farklı şekillerde denemek için yaratıcılığınızı ve merakınızı kullanabilirsiniz.

Gelecekte, bu araçları kullanmak bir Facebook reklamı çalıştırmak kadar kolay hale gelecektir, çünkü birçok tahmine dayalı analiz zaten çok mekanize edilmiştir. Bununla birlikte, insan yargısını ve bağlamı içeren kısmın gerçekleşmesi daha uzun sürecektir. Makineler, işletmelerin nasıl çalıştığını anlayamaz ve bu nedenle bu olasılıkları göremez.

Ancak büyük stratejiyi belirledikten sonra, yakında bir düğmeyi tıklayabilecek, kredi kartınızı kaydırabilecek, aylık 99 ABD doları ücretinizi ödeyebilecek ve araç çizelgeleri dağıtacaktır. Chris, bu yeteneğin önümüzdeki 5 yıl içinde kullanıma sunulacağını düşünüyor.

Yolun ilerleyen kısımlarında, genel amaçlı yapay zeka geliştikçe, bir makineye Facebook harcamalarınızı talebe göre optimize etmek istediğinizi söyleyebilirsiniz. Ardından makine otomatik olarak tahmini yapar, zirvelerin ve inişlerin ne zaman gerçekleştiğini anlar ve temelde bütçenizi ve reklamlarınızı sizin için yayınlar. Muhtemelen 5 ila 10 yıl sonradır.

Chris'in makinelerin yapamayacağı şeyler hakkında daha fazlasını paylaştığını duymak için diziyi dinleyin.

Haftanın Keşfi

Reshot klişe stok görüntülerinden kaçınan bir stok fotoğraf sitesidir.

Reshot'taki fotoğraflar, fotoğrafçının benzersiz bakış açısını yansıtıyor. Bu şekilde, fotoğraflar diğer birçok stok fotoğraf sitesindekilerden daha kaliteli olur.

Site bir basit lisans ve şartlar bu, fotoğrafları kullanmak için size büyük bir esneklik sağlar.

Reshot ortaklarından satılık fotoğrafları da bulabilmenize rağmen, reshot fotoğrafları ücretsizdir. Görsellere göz atmak veya daha fazla bilgi edinmek için web sitesini ziyaret edin.

Daha fazla bilgi edinmek için diziyi dinleyin ve Reshot'ın sizin için nasıl çalıştığını bize bildirin.

Bu bölümde bahsedilen temel çıkarımlar:

• Chris’in işi hakkında daha fazla bilgi edinin, Brain + Trust Insights.
• Chris'i takip edin Twitter.
• Okuyun Chris’in blogu.
• Chris’in podcast'ini dinleyin, Kahve Üzerinden Pazarlama.
• Arama verilerine erişin AdWords Anahtar Kelime Planlayıcı veya Google Trendler.
• Hakkında daha fazlasını öğrenin CrowdTangle.
• Üçüncü taraf veri satıcılarına göz atın SEMrush ve Brand24.
• İstatistik hakkında bilgi edinin atama.
• Hakkında daha fazlasını keşfedin R ve Python ve gibi kütüphaneler SIDEKIT, Dizi, ve zaman çizelgesi.
• Ziyaret etmek KDnuggets.com, IBM veri bilimi blogu, ve IBM Veri Bilimi Deneyimi.
• İçin geliştirici bloglarını takip edin Microsoft, Amazon, Google, ve IBM.
• İçeriğiniz için fotoğrafları bulun Reshot.
• Haftalık Sosyal Medya Pazarlama Talk Show'umuzu Cuma günleri Pasifik 10: 00'da izleyin. Kalabalık veya Facebook Live'da izleyin.
• İndir 2017 Sosyal Medya Pazarlama Sektörü Raporu.

Ne düşünüyorsun? Tahmine dayalı analitik hakkındaki düşünceleriniz nelerdir? Yorumlarınızı aşağıya paylaşın.