Prediktiv analyse: Hvordan markedsførere kan forbedre fremtidige aktiviteter: Social Media Examiner

Vil du at markedsføringen skal bli mer effektiv?

Lurer du på hvordan å forutsi markedsføringssyklusene dine kan hjelpe?

For å utforske hvordan markedsførere kan komme i gang med prediktiv analyse, intervjuer jeg Chris Penn.

Mer om dette showet

De Social Media Marketing podcast er et on-demand samtale radioprogram fra Social Media Examiner. Den er designet for å hjelpe travle markedsførere, bedriftseiere og skapere med å oppdage hva som fungerer med markedsføring på sosiale medier.

I denne episoden intervjuer jeg Chris Penn, medstifter og sjefinnovatør ved Brain + Trust Insights. Han er også medvert for Markedsføring over kaffe podcast og den ledende analyseeksperten for Social Media Marketing World.

Chris forklarer hvordan man kan sikre kvaliteten på underliggende data som brukes i prediktiv analyse.

Du vil også oppdage datakilder og verktøy som brukes til å komme med spådommer.

Del din tilbakemelding, les shownotatene, og få lenkene nevnt i denne episoden nedenfor.

Hør nå

Hvor du skal abonnere: Apple Podcast | Google Podcasts | Spotify | RSS

Bla til slutten av artikkelen for lenker til viktige ressurser som er nevnt i denne episoden.

Her er noen av tingene du vil oppdage i dette showet:

Prediktiv analyse

Chris's Story

Chris kom i gang med analyse gjennom sin bakgrunn innen IT. I 2003 begynte han å jobbe som IT-direktør for en studielånoppstart, hvor hans rolle utvidet seg utover tradisjonelle IT-ansvar. I tillegg til å kjøre nett- og e-postserverne, oppdaterte han også nettstedene og sendte den ukentlige e-posten.

Chris gjorde dette arbeidet før Google Analytics eksisterte, så da konsernsjefen i selskapet hans spurte hvordan nettstedene og e-postene klarte, hadde ikke Chris svar. For å finne ut av det begynte Chris og teamet hans å utvikle sine egne verktøy for å forstå det grunnleggende, som hvor mange som besøkte nettstedet hver dag.

Over tid ble analysepraksis et kjernefokus for Chris. Han prøvde ikke bare å lære hva som skjedde, men hvorfor det skjedde og hvordan virksomheten kunne svare.

Lytt til showet for å høre Chris diskutere sin pedagogiske bakgrunn.

Hva er prediktiv analyse?

Prediktiv analyse bruker statistikk og maskinlæring for å analysere data og komme med spådommer. Mennesker er veldig forutsigbare. Vi følger alle rutiner, for eksempel å pusse tennene og deretter ta en dusj, eller ta på oss hvert tøy i en bestemt rekkefølge hver morgen.

Fordi mennesker er forutsigbare både i mikro- og makroskala, kan markedsførere for det meste forutsi hva som vil skje. For eksempel, i Nord-Amerika, hvis du er en B2C-markedsfører, vet du ganske mye at du kommer til å være opptatt fra 1. november til 26. desember fordi det er en topp tid for produktsalg.

Tilsvarende, hvis du er en B2B-markedsfører, er den travle tiden din fra 1. januar til omtrent slutten av mai. Så tar virksomheten opp rett etter Labor Day i USA og Canada og fortsetter gjennom U.S. Thanksgiving. Utenom disse tidene er det mye vanskeligere å være markedsfører, enten du fokuserer på digital, sosial eller betalt.

Lytt til showet for å høre flere eksempler på forutsigbar menneskelig atferd.

Hva kan prediktiv analyse gjøre?

Fordi vi kjenner disse tingene generelt, kan maskiner hjelpe oss med å gjøre disse spådommene mer spesifikke. Verdien av prediktiv analyse er deres spesifisitet. Hvis du vet hvilken uke du bør gjøre mer Facebook Live eller bruke mindre på annonser, kan du være mer effektiv og effektiv i markedsføringen. Hvis du vet hvordan du kan forutsi, kan du tjene penger, spare penger, spare tid og ikke bli sparket.

Prediktiv analyse fokuserer spesielt på å prøve å finne ut hva som skjer videre. For den gjennomsnittlige markedsføreren er tidsspådommer (eller når noe kommer til å skje) det mest konvensjonelle og nyttige programmet. For å illustrere, hvis du er markedsfører på sosiale medier, vil du vite når du skal bemanne kundeserviceteamet ditt for å svare på kundeforespørsler.

Prediktiv analyse kan også finne ut ting som når noen vil kjøpe en ny bil, eller om de er forventningsfulle foreldre. Imidlertid er disse applikasjonene mer nyanserte enn spådommer fra tidsserier.

Lytt til showet for å høre om mine erfaringer med prediktiv analyse da jeg var B2B-forfatter.

Hvordan prediktiv analyse fungerer

Prediktiv analyse er sannsynligvis nær 70 år gammel nå. Folk er overrasket over å høre hvor gammel disiplinen er fordi de tror maskinlæring er noe nytt. Teoriene og matematiske formlene har imidlertid eksistert veldig lenge.

Det som er endret er beregningskraften til bærbare datamaskiner, stasjonære datamaskiner og skyservere. De kan knuse større tall på kortere tid. Teoretisk sett kan du gjøre prediktiv analyse på papir, men det vil kreve mye papir og tid.

For å gjøre prediktiv analyse bra, trenger du tre evner. Først trenger du noen med utviklingsevner for å hente ut data fra datakildene dine, for eksempel Google Analytics, Facebook Insights, Twitter og andre typer sosiale data. Dataene kan være i systemer du eier eller tredjepartssystemer. Den som har dataene, du må kunne få dem ut.

Chris liker uttrykket "Data er den nye oljen", for hvis du noen gang har sett råolje, er det et motbydelig rot. Du kan ikke gjøre mye med det før du trekker det ut fra bakken, foredler det, og deretter gir det til folk som kan bruke det i biler eller til å lage plastskåler som ikke går i stykker når de faller på gulvet. Med prediktiv analyse er det omtrent det samme.

Raffinaderiene er dataforskere som rydder opp dataene til noe du kan bruke. Da gjør markedsføringsteknologer, som er rollen som mange markedsførere av sosiale medier i dag, noe med disse dataene. De tolker ikke bare dataene; de handler på det.

Chris understreker viktigheten av å handle på dataene du får. Hvis du vet hvilken uke du skal markedsføre arrangementet ditt, men ikke gjør noe med den informasjonen, er det ikke noe poeng i å gjøre spådommer.

Nøyaktigheten av spådommene avhenger av de underliggende dataene og algoritmen du bruker for å gjøre spådommene. På et tidspunkt vil nesten alle støte på et problem med datakvalitet. Kanskje du ikke konfigurerte Google Analytics riktig, du satte ikke målene dine riktig, du glemte å slå på Facebook-pikselet ditt; noen av disse tingene.

Lytt til showet for å høre Chris diskutere en populær type teknisk aksjeanalyse.

Praktiske markedsføringsapplikasjoner for prediktiv analyse

Når Chris gjør en prediktiv prognose, er det vanligvis en 52-ukers linjediagram. For hver uke viser diagrammet en prediksjon for hva dataserien er. Chris bruker mest søkedata fordi folk skriver inn ting på Google som de ikke ville gjort fortell et annet menneske, og gjør søkedata til en veldig god indikator på hva som faktisk er på noen tankene.

Mye søkedata er tilgjengelig, og du kan få tilgang til noe av det gratis gjennom verktøy som AdWords søkeordplanlegger eller Google Trender. Når du har dataene, kan du forutsi en trend av noe slag, som er en dataserie, og deretter identifisere toppene og dalene. Chris anbefaler å ha alt fra 1 til 5 år med data som grunnlag for din spådom.

Si at du trekker ut 5 års søkedata om markedsføring av sosiale medier fordi du lurer på når folk neste år vil søke etter "sosiale medier" markedsføring. ” Hvis du tilfeldigvis vet at det kommer til å være 20. mars, 19. april, 27. mai, 4. juli, 10. september og 21. oktober i det kommende året, er det dine høyt vannmerker.

Med disse datoene kan du også se hva som skjer 2 til 3 uker før hver dato. Vanligvis er det en oppkjøring til den toppen. Så en markedsfører på sosiale medier må skru opp annonseforbruket. En organisk markedsfører trenger å legge ut mye og doble antallet Instagram-historier de lager. En PR-person må kaste måneder på forhånd for å vises i publikasjoner på disse datoene.

Du vet også når dalene vil skje, slik at du kan planlegge å banke innhold mens det ikke skjer mye. Du kan ta opp podcaster, være vert på andre nettsteder, skrive en rekke blogginnlegg og lagre innhold. Så, når neste topp kommer, kan du treffe tråkkfrekvensen du trenger å treffe uten å brenne ut.

På denne måten hjelper spådommer deg å tjene penger på toppene og spare penger på fallene. Du kan planlegge og bygge strategien din basert på når ting sannsynligvis vil skje. Denne applikasjonen fungerer for både B2C- og B2B-virksomheter fordi folk skriver ting inn på Google hele dagen, hver dag.

Jeg spør hvilke andre datakilder du kan bruke til å spå. Chris sier at enhver tidsbasert datakilde er gyldig, og sosiale mediasamtaler varierer på hvert nettverk. Pinterest-spådommene dine kan være forskjellige enn dine Facebook- og Twitter-spådommer. Gjør spådommer basert på alle dataene.

For å gjøre det, er et virkelig flott verktøy CrowdTangle. Det er fantastisk fordi det gir deg tidsseriedata ned til det enkelte innleggsnivået. En PR-person kan trekke nyhetsomtaler og nyhetsdekning. En annonsør kan hente betal-per-klikk-beløp, budpriser, alle disse tingene.

Datakilder fra tredjeparter er gode fordi du som selskap ikke kan ødelegge dataene i seg selv, selv om du kan be om feil ting. En anerkjent dataleverandør er SEMrush, som har data av god kvalitet. En annen leverandør, Brand24, gjør medieovervåking.

Du kan også se på søkedata fra SEO-verktøy som ikke er Google. Dette er alle gode datakilder fordi de er konsistente, normaliserte og vanlige. De er også rimelig rene.

Chris deler deretter et annet eksempel på hvordan du kan bruke prediktiv analyse til virksomheten din. Chris gjorde et prediktivt løp for et kasino basert på to års daglig spilleautomatinntekt. Etter å ha satt disse dataene i en algoritme, var Chris i stand til å prognose kasinoets inntekter for neste år.

Med disse spådommene kunne kasinoet se når spilleautomatinntektene ville være lave, og de trengte å skru opp noen kampanjer, kjøre annonser, hente inn en spesiell gjestekonsert eller noe sånt. Dataene hjalp dem med å lappe hullene i inntektene.

Jeg spør hvordan markedsførere unngår å påvirke dataene. Hypotetisk, si at vi gir opp markedsføringskampanjene våre for Social Media Marketing World på bestemte tidsplaner som ikke nødvendigvis er basert på spådommer, men de vi bestemte oss for å bruke. Hvordan utelukker vi at oppførselen til stammen og samfunnet ikke nødvendigvis er forårsaket av våre handlinger?

Chris sier Social Media Marketing World er et så stort, vellykket show at det faktisk påvirker når folk søker etter ting som “sosialt mediemarkedsføring. ” Du kan imidlertid avgrense dataene du tar på noen forskjellige måter for å minimere hendelser, problemer og så videre fra å påvirke det.

For eksempel, hvis du bruker et sosialt lytteverktøy, kan du ekskludere omtaler av Social Media Marketing World, #socialmediaexaminer, Michael Stelzner og relaterte gjenstander. Disse unntakene bidrar til å redusere datapunktene som ikke skal være der.

Du kan også bruke benchmarking, som etablerer en basislinje utenfor en bestemt sesong som legger til 20 000 omtaler om dagen. Selv i sesongen, er det noe som er uforholdsmessig i forhold til hva som skal være der? Du kan kjøre prognoser på den måten.

Den beste måten å avgrense data på er imidlertid på datanivå. Fjern ting du vet er forurensende, i mangel av et bedre ord. Deretter kan du prognose fra de raffinerte dataene.

Når det er sagt, hvis du markedsførte Social Media Marketing World, ville du ikke nødvendigvis ønsker å avgrense data på denne måten. Hvis du får stammen til å påvirke hvordan mennesker over hele verden søker etter "markedsføring på sosiale medier", er det en god ting. Det er en grunn til å feire suksessen din og prøve å forårsake enda mer atferdsendring ved å gå foran trender enda tidligere.

Lytt til showet for å høre tankene mine om forutsigbare menneskelige mønstre.

Hva du ikke kan forutsi

Chris sier at du ikke kan forutsi tre ting. Den første er en stor omveltning som vil forvride dataene dine, for eksempel politisk uro, kulturell omveltning, naturkatastrofe, sånne ting. Alle disse tingene forårsaker store forstyrrelser som kan ødelegge en prognose. Sektorer med mye omveltning, som aksjemarkedet, er nesten umulig å forutsi med nøyaktighet.

Det andre er noe som aldri har skjedd, for eksempel presidentvalget i 2016. Konkurransen mellom de to kandidatene som stilte hadde aldri skjedd før. Mange mennesker som skapte prediktive verktøy og prognoser for valget, baserte modellene sine på valget i 2012.

Kandidatene i hvert parti var imidlertid veldig forskjellige mennesker mellom disse valgårene. Så verktøyene som folk bygde for 2016 var basert på noe som hadde skjedd tidligere, men som ikke skjedde for øyeblikket. Du kan ikke forutsi hva som aldri har skjedd.

Den tredje diskvalifiseringen for prediktiv analyse er dårlige data. Hvis du har ødelagte data eller ingen data, kan du ikke komme med nøyaktige spådommer. Hvis du vet at firmaet ditt har problemer med datainfrastruktur, er prediktiv analyse faktisk farlig. Det ville være som å kjøre med en GPS som har dårlige data og forteller deg å kjøre rett utenfor en klippe.

Lytt til showet for å høre Chris dele en annen periode for omveltning.

Vanlige dataproblemer

Hvis du vil prøve prediktiv analyse, er Google Analytics en god start. De fleste markedsførere har absolutt de dataene, men det kan ha problemer. Hvis du for eksempel bruker programvare for markedsføringsautomatisering, må du plassere Google Analytics-kodene dine på destinasjonssidene i den programvaren. Hvis du ikke gjør det, har du problemer med dataintegritet.

Jeg spør da hvordan jeg skal håndtere roboter og blokkerere. Chris sier at sosiale medier, spesielt Instagram og Twitter, er full av roboter. Den gode nyheten er at bot-oppførselen er ganske forutsigbar fordi menneskene som skrev disse botene brukte veldig primitive algoritmer. I dataforberedelsesprosessen er det enkelt å se bots, og du kan fjerne dem.

For å illustrere har en bot alltid en bio som følger nøyaktig samme format. Biografien begynner med forskjellige ord som er forskjellige lengder etterfulgt av "sjekk meg ut" og deretter en lenke.

Blokkere er betydelig vanskeligere å jobbe med. Hvis du prøver å prognose basert på annonsedata, og blokkerere fjerner data, er det veldig vanskelig å fikse. Dataene er ikke feil; du har det ikke engang. Det er ufullstendig.

Du kan håndtere ufullstendige data på to måter. Først kan du se etter noe som er retningsbestemt, fordi dataene du har, fremdeles er representative. Si at du vet at 30% av annonsene som blokkeres skjer på en mobil enhet, men det er jevnlige 30%. Du har ikke 22% av annonsene blokkert på ett nettsted, men 5% på et annet.

Hvis blokkeringen er relativt jevn, vil du fremdeles bli pekt retningsvis på riktig måte, fordi noen annonser over tid vil gi bedre eller dårligere resultater.

Det andre alternativet er bare tilgjengelig for selskaper med en massiv database, for eksempel store teknologibedrifter eller dataselskaper. Med en stor mengde data kan du gjøre det imputasjon, som bruker et eksisterende opplært datasett og maskinlæring for å fylle ut de ufullstendige delene.

Et veldig godt eksempel på imputasjon er sosiale aksjer. I begynnelsen av februar slo LinkedIn av aksjene sine, slik at du ikke lenger får det nummeret fra noe overvåkingsverktøy for sosiale medier. Hvis Chris jobbet i et selskap for overvåking av sosiale medier, ville han bruke de siste 10 årene med data som et opplæringssett og utlede antall aksjer.

Du kan utlede antall delinger så lenge du har andre parallelle datasett, som Twitter og Pinterest. Disse aksjenumrene vil i hovedsak la en maskin fylle ut tomrom for LinkedIn-aksjer.

Lytt til showet for mine tanker om roboter og blokkerere.

Eksempler

For et kjent kontorleverandørselskap kjørte Chris prediktive analyser av merkenavnet og det generiske begrepet “office forsyninger. ” Selv om merkenavnet og den generiske betegnelsen speilet hverandre, var "kontorrekvisita" 20 dager etter merket Navn.

For eksempel hadde merkenavnet en stor stigning i slutten av august, som Chris tilskrev tilbake til skolen sesongen og folk som kom tilbake til jobb. Men så 20 dager senere fulgte søkeordet for "kontorrekvisita" nøyaktig samme topp og nøyaktig samme mønster. Uansett hva som skjer der atferdsmessig, ser folk etter merkevaren og søker etter det generiske begrepet 20 dager senere.

Basert på funnene foreslo Chris at selskapet skulle bygge en retargeting-kampanje som er tidsbestemt til 19 dager. Retarget alle som går til nettstedet ditt 19 dager senere med en annonse som påminner dem om å komme tilbake for mer kontorrekvisita. Med retargeting-annonsen kunne selskapet gjenerobre noe av denne etterspørselen.

På denne måten kan prediktiv analyse tilby en enorm avkastning. Noen kan anta at alt de gjør ikke fungerer lenger, og bare stoppe. Med prediktiv analyse kan du se at realiteten er at din sosiale markedsføring rett og slett ikke er synkronisert med kundenes mønstre.

Deretter deler Chris et eksempel fra sin egen virksomhet. Han var benchmarking basert på når folk søker etter Outlook utenfor kontoret, fordi når noen når du ser etter det, vet du at de gjør seg klare til å reise på ferie, noe som betyr at de ikke leser e-post. Etter å ha kjørt denne referansen i oktober 2017, projiserte Chris fremover for første kvartal.

Chris anslått at søkevolumet var lavest, noe som betyr at folk flest var på kontoret, uken 18. januar 2018. Den uken kjørte Chris den samme kampanjen for boken sin til samme liste og med samme tilbud som han kjørte i 2017.

Ved å avgrense timingen for 2018-kampanjen økte Chris boksalget med 40%. Kampanjen hans i 2017 var avsluttet med rundt to uker, og Chris lærte at det å være ute av synkronisering med publikum gjorde en enorm forskjell.

Jeg spør hvordan en bedrift som publiserer informasjon, kan bruke prediktiv analyse for å forbedre strategien. For dette eksemplet sier Chris at en av hans favorittapplikasjoner er innholdsstrategi. Si at du regelmessig dekker visse emner. Du kan kjøre en hel kombinasjon av disse spådommene.

De 10% beste resultatene kan føre redaksjonskalenderen din, fordi hvis du vet månedene folk vil være mest interessert i et emne, kan du planlegge månedlige funksjoner rundt det emnet. Du vet til og med når du skal publisere innhold om et bestemt emne. På denne måten kan du slå den høye tonen hver måned.

Prediktiv analyse kan også informere annonseringskalenderen din. Hvis du vet at du publiserer om et bestemt emne, kan du stille priskortene dine basert på det emnet. For den måneden du vet at publikumets etterspørsel etter et emne er høy, kan du belaste annonsører som er interessert i dette emnet full pris. Når du vet at interessen for annonsørenes målemne er lav, kan du tilby 40% avslag.

Lytt til showet for å høre Chris diskutere hvordan Social Media Examiner kan bruke prediktiv analyse til innholdet.

Verktøy

Chris sier at de beste verktøyene er gratis. De programmerer språk (som R og Python), så vel som bibliotekene (som SIDEKIT, NumPy, timetk) som tilbyr kode du kan bruke til visse oppgaver. For å bruke disse gratis verktøyene trenger du imidlertid mye teknisk erfaring. Programmeringsspråkene og bibliotekene er som motordeler. For å få bil må du bygge den selv.

For den teknisk dyktige virksomheten i alle størrelser, hvis du har noen eller flere personer som kan fylle rollene som utvikler, datavitenskapsmann og markedsføringsteknolog, kan du bruke prediktiv analyse for å lage dine egne prognoser for gratis.

Men hvis du ikke har tid eller kunnskap til å bruke disse verktøyene, men du har penger, er det best å outsource prognoser. Ansett et datavitenskapsselskap.

Hvis du er interessert i å lære hvordan datavitenskap fungerer, anbefaler Chris bloggen på KDnuggets.com og IBM datavitenskap blogg. De IBM Data Science Experience er også utmerket. Du bør også følge utviklerbloggene for de store teknologibedriftene som Microsoft, Amazon, Google, og IBM.

Imidlertid finner du den beste informasjonen om datavitenskap i faglige papirer. Hvis du kan lese papirene uten å sovne og trekke ut informasjonen, finner du noe ekte gull. Du lærer deg teknikker som du kan prøve på dataene dine.

Denne prediktive algoritmen som vi har snakket om, har eksistert i 70 år. Det er et verktøy som en spatel. Hvis alt du noen gang gjør er å vende et stykke ristet brød, har du en veldig dyr toastflipper.

Men hvis du tenker på å grille, steke og alle ting du kan gjøre med en spatel, blir mulighetene uendelige. Det samme gjelder datavitenskapelige verktøy og algoritmer. Du kan bruke kreativiteten og nysgjerrigheten din til å prøve dem på alle disse forskjellige måtene.

I fremtiden vil bruk av disse verktøyene bli like enkelt som å kjøre en Facebook-annonse fordi mye prediktiv analyse allerede er veldig mekanisert. Imidlertid vil det ta lengre tid å skje den delen som involverer menneskelig skjønn og kontekst. Maskiner kan ikke forstå hvordan virksomheter fungerer, og kan derfor ikke se disse mulighetene.

Men etter at du har kartlagt den store strategien, vil du snart kunne klikke på en knapp, sveipe kredittkortet ditt, betale din månedlige avgift på $ 99, og verktøyet vil spytte ut diagrammer. Chris tror denne muligheten vil være tilgjengelig i løpet av de neste 5 årene.

Lenger nede i veien, når kunstig intelligens til generell bruk forbedres, kan du kanskje fortelle en maskin du vil optimalisere Facebook-utgiftene dine basert på etterspørsel. Da vil maskinen automatisk forutsi, finne ut når toppene og dalene oppstår, og i utgangspunktet kjøre budsjettet og annonsene dine for deg. Det er sannsynligvis 5 til 10 år ute.

Lytt til showet for å høre Chris dele mer om hva maskiner ikke kan gjøre.

Ukens oppdagelse

Reshot er et arkivfoto-nettsted som unngår klisjélager.

Bildene på Reshot gjenspeiler fotografens unike perspektiv. På denne måten er bildene av høyere kvalitet enn de på mange andre arkivfoto sider.

Nettstedet bruker en enkel lisens og vilkår som gir deg mye fleksibilitet for bruk av bildene.

Reshot-bilder er gratis, selv om du også kan finne bilder til salgs fra Reshot-partnere. For å bla gjennom bildene eller lære mer, besøk nettstedet.

Lytt til showet for å lære mer og fortell oss hvordan Reshot fungerer for deg.

Viktige takeaways nevnt i denne episoden:

• Lær mer om Chris virksomhet, Brain + Trust Insights.
• Følg Chris videre Twitter.
• Lese Chris blogg.
• Hør på podcasten til Chris, Markedsføring over kaffe.
• Få tilgang til søkedata med AdWords søkeordplanlegger eller Google Trender.
• Finn ut mer om CrowdTangle.
• Sjekk tredjepartsdataleverandører SEMrush og Brand24.
• Lær om statistikk imputasjon.
• Oppdag mer om R og Python og biblioteker som SIDEKIT, NumPy, og timetk.
• Besøk KDnuggets.com, IBM datavitenskap blogg, og IBM Data Science Experience.
• Følg utviklerbloggene for Microsoft, Amazon, Google, og IBM.
• Finn bilder til innholdet ditt via Reshot.
• Se vårt ukentlige markedsføringspratprogram på sosiale medier på fredager klokka 10 Pacific Crowdcast eller still inn på Facebook Live.
• Last ned 2017 Social Media Marketing Industry Report.

Hva tror du? Hva er tankene dine om prediktiv analyse? Vennligst del dine kommentarer nedenfor.