Prediktiv analys: Hur marknadsförare kan förbättra framtida aktiviteter: Social Media Examiner

Vill du att din marknadsföring ska bli effektivare?

Undrar du hur det kan hjälpa att förutsäga dina marknadsföringscykler?

För att utforska hur marknadsförare kan komma igång med prediktiv analys, intervjuar jag Chris Penn.

Mer om denna show

De Sociala medier marknadsföring podcast är en on-demand samtalsradioshow från Social Media Examiner. Den är utformad för att hjälpa upptagna marknadsförare, företagare och skapare att upptäcka vad som fungerar med marknadsföring på sociala medier.

I det här avsnittet intervjuar jag Chris Penn, grundare och huvudinnovatör på Brain + Trust Insights. Han är också medvärd för Marknadsföring över kaffe podcast och ledande analytikexpert för Social Media Marketing World.

Chris förklarar hur man kan säkerställa kvaliteten på underliggande data som används i prediktiv analys.

Du hittar också datakällor och verktyg som används för att göra förutsägelser.

Dela din feedback, läs noterna och få länkarna som nämns i det här avsnittet nedan.

Lyssna nu

Var du kan prenumerera: Apple Podcast | Google Podcasts | Spotify | RSS

Bläddra till slutet av artikeln för länkar till viktiga resurser som nämns i detta avsnitt.

Här är några av de saker du kommer att upptäcka i den här showen:

Prediktiv analys

Chris's Story

Chris kom igång med analys genom sin bakgrund inom IT. År 2003 började han arbeta som IT-chef för en studielånstart, där hans roll utvidgades bortom traditionella IT-ansvar. Förutom att köra webb- och e-postserverna, uppdaterade han också webbplatserna och skickade den veckovisa e-posten.

Chris gjorde detta arbete innan Google Analytics existerade, så när VD för hans företag frågade hur webbplatserna och e-postmeddelandena presterade hade Chris inget svar. För att räkna ut det började Chris och hans team utveckla sina egna verktyg för att förstå grunderna, som hur många som besökte webbplatsen varje dag.

Med tiden blev analyspraxis ett kärnfokus för Chris. Han försökte inte bara lära sig vad som hände, utan varför det hände och hur verksamheten kunde svara.

Lyssna på showen för att höra Chris diskutera sin pedagogiska bakgrund.

Vad är förutsägbar analys?

Prediktiv analys använder statistik och maskininlärning för att analysera data och göra förutsägelser. Människor är mycket förutsägbara. Vi följer alla rutiner, som att borsta tänderna och sedan ta en dusch eller ta på oss varje klädesplagg i en viss ordning varje morgon.

Eftersom människor är förutsägbara både på mikro- och makroskala, kan marknadsförare oftast förutsäga vad som kommer att hända. Till exempel, i Nordamerika, om du är en B2C-marknadsförare, vet du ganska mycket att du kommer att vara upptagen från 1 november till 26 december eftersom det är en topptid för produktförsäljning.

På samma sätt, om du är en B2B-marknadsförare, är din hektiska tid den 1 januari till ungefär slutet av maj. Sedan tar affärer upp sig strax efter Labor Day i USA och Kanada och fortsätter genom U.S. Thanksgiving. Utanför dessa tider är det mycket svårare att vara marknadsförare, oavsett om du fokuserar på digitalt, socialt eller betalt.

Lyssna på showen för att höra fler exempel på förutsägbart mänskligt beteende.

Vad kan prediktiv analys göra?

Eftersom vi allmänt känner till dessa saker kan maskiner hjälpa oss att göra dessa förutsägelser mer specifika. Värdet av prediktiv analys är deras specificitet. Om du vet vilken vecka du ska göra mer Facebook Live eller spendera mindre på annonser kan du bli mer effektiv och effektiv i din marknadsföring. Om du vet hur du kan förutsäga kan du tjäna pengar, spara pengar, spara tid och inte få sparken.

Prediktiv analys fokuserar specifikt på att försöka ta reda på vad som händer härnäst. För den genomsnittliga marknadsföraren är förutsägelser om tidsserier (eller när något kommer att hända) den mest konventionella och användbara applikationen. För att illustrera, om du är marknadsförare för sociala medier, vill du veta när du ska bemanna ditt kundtjänstteam för att svara på kundförfrågningar.

Prediktiv analys kan också ta reda på saker som när någon köper en ny bil eller om de är blivande föräldrar. Dessa applikationer är dock mer nyanserade än prognoser för tidsserier.

Lyssna på showen för att höra om mina erfarenheter med prediktiv analys när jag var B2B-författare.

Hur prediktiv analys fungerar

Prediktiv analys är förmodligen nära 70 år nu. Människor är förvånade över att höra hur gammal disciplinen är eftersom de tycker att maskininlärning är något nytt. Teorierna och de matematiska formlerna har dock funnits länge.

Det som har förändrats är beräkningskraften för bärbara datorer, stationära datorer och molnservrar. De kan knäcka större antal på kortare tid. Teoretiskt kan du göra prediktiv analys på papper, men det skulle kräva mycket papper och tid.

För att göra prediktiv analys bra behöver du tre förmågor. Först behöver du någon med utvecklingsfärdigheter för att extrahera data från dina datakällor, till exempel Google Analytics, Facebook Insights, Twitter och andra typer av sociala data. Uppgifterna kan finnas i system som du äger eller från tredjepartssystem. Den som har informationen, du måste kunna få ut den.

Chris gillar uttrycket "Data är den nya oljan", för om du någonsin har sett råolja är det en motbjudande röra. Du kan inte göra så mycket med det förrän du extraherar det från marken, förädlar det och sedan ger det till människor som kan använda det i bilar eller göra plastskålar som inte går sönder när de faller på golvet. Med prediktiv analys är det ungefär samma sak.

Raffinaderierna är dataforskare som städar upp data till något du kan använda. Sedan gör marknadsföringstekniker, som är rollen för många marknadsförare av sociala medier idag, något med den informationen. De tolkar inte bara uppgifterna; de agerar på det.

Chris betonar vikten av att agera på de uppgifter du får. Om du vet vilken vecka du ska marknadsföra ditt evenemang men inte gör någonting med den informationen, är det ingen mening att göra förutsägelser.

Prognosernas noggrannhet beror på underliggande data och algoritmen som du använder för att göra förutsägelserna. Vid någon tidpunkt kommer nästan alla att stöta på ett problem med datakvaliteten. Kanske har du inte ställt in Google Analytics rätt, du har inte ställt dina mål rätt, du glömde att sätta på din Facebook-pixel; något av dessa saker.

Lyssna på showen för att höra Chris diskutera en populär typ av teknisk aktieanalys.

Praktiska marknadsföringsapplikationer för prediktiv analys

När Chris gör en förutsägbar prognos är det vanligtvis ett 52-veckors linjediagram. För varje vecka visar diagrammet en förutsägelse för vilken dataserie som helst. För det mesta använder Chris sökdata eftersom människor skriver saker på Google som de inte skulle göra berätta för en annan människa, vilket gör sökdata till en mycket bra indikator på vad som faktiskt finns på någon sinne.

Många sökdata är tillgängliga, och du kan få tillgång till en del av det gratis via verktyg som AdWords sökordsplanerare eller Google Trender. När du har data kan du förutsäga en trend av något slag, som är en dataserie, och sedan identifiera topparna och dalarna. Chris rekommenderar att du har allt från 1 till 5 års data som grund för din förutsägelse.

Anta att du extraherar fem års sökdata på marknadsföring av sociala medier eftersom du undrar när människor nästa år ska leta efter "sociala medier" marknadsföring. ” Om du råkar veta att det kommer att bli 20 mars, 19 april, 27 maj, 4 juli, 10 september och 21 oktober det kommande året är det dina högvattenmärken.

Med dessa datum kan du också se vad som händer 2 till 3 veckor före varje datum. Vanligtvis finns det en uppgång till den toppen. Så en marknadsförare för sociala medier måste öka sina annonsutgifter. En organisk marknadsförare behöver lägga upp mycket och fördubbla antalet Instagram-berättelser de gör. En PR-person måste lägga upp månader i förväg för att visas i publikationer på dessa datum.

Du vet också när dalarna kommer att hända så att du kan planera att banka innehåll medan det inte händer mycket. Du kan spela in podcasts, gästvärd på andra webbplatser, skriva en massa blogginlägg och lagra innehåll. Sedan, när nästa topp kommer, kan du slå kadens du behöver slå utan att brinna ut.

På detta sätt hjälper förutsägelser dig att tjäna pengar på topparna och spara pengar på dopparna. Du kan planera och bygga din strategi baserat på när saker sannolikt kommer att hända. Denna applikation fungerar för både B2C- och B2B-företag eftersom människor skriver saker på Google hela dagen, varje dag.

Jag frågar vilka andra datakällor du kan använda för att göra förutsägelser. Chris säger att alla tidsbaserade datakällor är giltiga och sociala mediekonversationer varierar för varje nätverk. Dina Pinterest-förutsägelser kan skilja sig från dina Facebook- och Twitter-förutsägelser. Gör förutsägelser baserat på all den informationen.

För att göra det är ett riktigt bra verktyg CrowdTangle. Det är fantastiskt eftersom det ger dig tidsseriedata ner till individuell postnivå. En PR-person kan dra nyhetsnämningar och nyhetsbevakning. En annonsör kan hämta belopp per klick, budpriser, alla dessa saker.

Datakällor från tredje part är bra eftersom du som företag inte kan skada den informationen i sig, även om du kan be om fel saker. En ansedd dataleverantör är SEMrush, som har data av god kvalitet. En annan leverantör, Brand24, gör mediaövervakning.

Du kan också titta på sökdata från SEO-verktyg som inte är Googles. Dessa är alla bra datakällor eftersom de är konsekventa, normaliserade och regelbundna. De är också ganska rena.

Chris delar sedan ett annat exempel på hur du kan använda prediktiv analys till ditt företag. Chris gjorde en förutsägbar körning för ett kasino baserat på två års dagliga spelautomatintäkter. Efter att ha lagt in dessa data i en algoritm kunde Chris förutsäga kasinots intäkter för nästa år.

Med dessa förutsägelser kunde kasinot se när slotintäkterna skulle vara låga och de behövde öka några kampanjer, visa annonser, få in en speciell gästunderhållare eller något liknande. Uppgifterna hjälpte dem att korrigera dessa luckor i deras intäkter.

Jag frågar hur marknadsförare undviker att påverka data. Hypotetiskt, säg att vi anpassar våra marknadsföringskampanjer för Social Media Marketing World på vissa scheman som inte nödvändigtvis är baserade på förutsägelser, men sådana vi bestämde oss för att använda. Hur utesluter vi att stamens och gemenskapens beteende inte nödvändigtvis orsakas av våra handlingar?

Chris säger att Social Media Marketing World är en så stor, framgångsrik show att den faktiskt påverkar när människor söker efter saker som ”socialt mediamarknadsföring. ” Du kan dock förfina de data du tar på några olika sätt för att minimera händelser, problem och så vidare från att påverka det.

Om du till exempel använder ett socialt lyssningsverktyg kan du utesluta omnämnanden av Social Media Marketing World, #socialmediaexaminer, Michael Stelzner och relaterade objekt. Dessa undantag minskar datapunkterna som inte ska finnas där.

Du kan också använda benchmarking, som skapar en baslinje utanför en viss säsong som lägger till 20 000 omnämnanden per dag. Finns det något som inte står i proportion till vad som borde finnas även under säsongen? Du kan köra prognoser på det sättet.

Det bästa sättet att förfina data är dock på datanivå. Ta bort saker som du vet är förorenande, i avsaknad av ett bättre ord. Sedan kan du prognostisera från de förfinade uppgifterna.

Som sagt, om du marknadsför Social Media Marketing World, skulle du inte nödvändigtvis vilja förfina data på detta sätt. Om du får stammen att påverka hur människor runt om i världen söker efter "marknadsföring på sociala medier", är det bra. Det är en anledning att fira din framgång och försöka orsaka ännu mer beteendeförändring genom att komma före trenderna ännu tidigare.

Lyssna på showen för att höra mina tankar om förutsägbara mänskliga mönster.

Vad du inte kan förutsäga

Chris säger att du inte kan förutsäga tre saker. Den första är en stor omvälvning som kommer att förvränga dina uppgifter, såsom politisk oro, kulturell omvälvning, naturkatastrof, saker som det. Alla dessa saker orsakar stora störningar som kan skada en prognos. Sektorer med mycket omvälvningar, såsom aktiemarknaden, är nästan omöjliga att förutsäga med noggrannhet.

Det andra är något som aldrig har hänt, till exempel presidentvalet 2016. Tävlingen mellan de två kandidaterna som körde hade aldrig hänt tidigare. Många människor som skapade förutsägbara verktyg och prognoser för valet baserade sina modeller på valet 2012.

Kandidaterna i varje parti var dock mycket olika människor mellan de valåren. Så de verktyg som människor byggde för 2016 baserades på något som hade hänt tidigare men som inte hände för närvarande. Du kan inte förutsäga vad som aldrig har hänt.

Den tredje diskvalificatorn för prediktiv analys är dålig data. Om du har skadad data eller ingen data kan du inte göra exakta förutsägelser. Om du vet att ditt företag har datainfrastrukturproblem är prediktiv analys faktiskt farlig. Det skulle vara som att köra med en GPS som har dålig data och säger att du ska köra direkt utanför en klippa.

Lyssna på showen för att höra Chris dela en annan term för omvälvning.

Vanliga dataproblem

Om du vill prova prediktiv analys är Google Analytics en bra start. De flesta marknadsförare har verkligen den informationen, men det kan ha problem. Om du till exempel använder programvara för marknadsföringsautomation måste du placera dina Google Analytics-taggar på dina målsidor i den programvaran. Om du inte gör det har du problem med dataintegritet.

Jag frågar sedan hur man ska hantera bots och blockerare. Chris säger att sociala medier, särskilt Instagram och Twitter, är fyllda med bots. Den goda nyheten är att bot-beteenden är ganska förutsägbara eftersom människorna som skrev dessa bots använde mycket primitiva algoritmer. I dataförberedelseprocessen är bots lätt att upptäcka och du kan ta bort dem.

För att illustrera har en bot alltid en bio som följer exakt samma format. Biografen börjar med olika ord som har olika längd följt av "kolla in mig" och sedan en länk.

Blockerare är betydligt svårare att arbeta med. Om du försöker prognostisera baserat på annonsdata och blockerare tar bort data är det mycket svårt att fixa. Uppgifterna är inte fel. du har inte ens det. Det är ofullständigt.

Du kan hantera ofullständig data på två sätt. Först kan du leta efter något som är riktat eftersom den data du har fortfarande är representativ. Anta att du vet att 30% av annonserna som blockeras sker på en mobil enhet, men det är konstant 30%. Du har inte 22% av annonserna blockerade på en webbplats men 5% på en annan.

Om blockeringen alla är relativt konsekventa, kommer du fortfarande att riktas riktat på rätt sätt eftersom med tiden kommer vissa annonser att fungera bättre eller sämre.

Det andra alternativet är endast tillgängligt för företag med en enorm databas, som stora teknikföretag eller dataföretag. Med en stor mängd data kan du göra imputation, som använder en befintlig utbildad datamängd och maskininlärning för att fylla i de ofullständiga delarna.

Ett riktigt bra exempel på imputering är sociala andelar. I början av februari stängde LinkedIn av sina aktienummer, så du får inte längre det numret från något övervakningsverktyg för sociala medier. Om Chris arbetade på ett socialt medieövervakningsföretag skulle han använda de senaste tio åren av data som en träningsuppsättning och dra slutsatsen om antalet aktier.

Du kan härleda antalet delningar så länge du har andra parallella datamängder, som Twitter och Pinterest. Dessa aktienummer låter i princip en maskin fylla i tomrummen för LinkedIn-aktier.

Lyssna på showen för mina tankar om bots och blockerare.

Exempel

För ett välkänt kontorsförsörjningsföretag genomförde Chris förutsägbara analyser av varumärket och den generiska termen ”kontor leveranser. ” Även om varumärket och den generiska termen speglade varandra, var "kontorsmateriel" 20 dagar efter varumärket namn.

Till exempel hade varumärket en stor höjning i slutet av augusti, vilket Chris tillskrev back-to-school säsongen och människor som återvände till jobbet. Men sedan 20 dagar senare följde sökordet för "kontorsmateriel" exakt samma spik och exakt samma mönster. Oavsett vad som händer där beteendemässigt, letar folk efter varumärket och letar efter den generiska termen 20 dagar senare.

Baserat på resultaten föreslog Chris att företaget skulle bygga en ominriktningskampanj som är tidsinställd till 19 dagar. Rikta in alla som besöker din webbplats 19 dagar senare med en annons som påminner dem om att komma tillbaka för mer kontorsmateriel. Med retargeting-annonsen kunde företaget återfå en del av denna efterfrågan.

På detta sätt kan prediktiv analys erbjuda en enorm avkastning. Någon kan anta att allt de gör inte fungerar längre och bara sluta. Med prediktiv analys kan du se att verkligheten är att din sociala marknadsföring helt enkelt är synkroniserad med kundernas mönster.

Därefter delar Chris ett exempel från sitt eget företag. Han benchmarkade baserat på när människor söker efter Outlook-out-of-office-inställningar, för när någon är letar efter det vet du att de gör sig redo att åka på semester, vilket innebär att de inte läser sina e-post. Efter att ha kört det riktmärket i oktober 2017, planerade Chris framåt för första kvartalet.

Chris beräknade att sökvolymen var lägst, vilket betyder att de flesta var på kontoret, veckan den 18 januari 2018. Den veckan körde Chris samma kampanj för sin bok till samma lista och med samma erbjudande som han körde 2017.

Genom att förfina sin tidpunkt för 2018-kampanjen ökade Chris bokförsäljningen med 40%. Hans kampanj för 2017 var avstängd med cirka två veckor, och Chris fick reda på att det var en enorm skillnad att han inte var synkroniserad med sin publik.

Jag frågar hur ett företag som publicerar information kan använda prediktiv analys för att förbättra sin strategi. För detta exempel säger Chris att en av hans favoritapplikationer är innehållsstrategi. Anta att du regelbundet täcker vissa ämnen. Du kan köra en hel kombination av dessa förutsägelser.

De bäst presterande 10% kan driva din redaktionella kalender, för om du känner till månaderna när människor kommer att vara mest intresserade av ett ämne kan du planera månadsfunktioner kring det ämnet. Du vet till och med ner till veckan när du ska publicera innehåll om ett visst ämne. På detta sätt kan du slå den höga tonen varje månad.

Prediktiv analys kan också informera din reklamkalender. Om du vet att du publicerar om ett visst ämne kan du ställa in dina priskort baserat på det ämnet. För den månad du vet att publikens efterfrågan på ett ämne är hög, kan du ta ut annonsörer som är intresserade av det ämnet fullt pris. När du vet att intresset för annonsörernas målämne är lågt kan du erbjuda 40% rabatt.

Lyssna på showen för att höra Chris diskutera hur Social Media Examiner kan tillämpa prediktiv analys på dess innehåll.

Verktyg

Chris säger att de bästa verktygen är gratis. De programmerar språk (som R och Pytonorm), liksom biblioteken (som SIDEKIT, NumPy, schema) som erbjuder kod som du kan använda för vissa uppgifter. För att använda dessa gratisverktyg behöver du dock mycket teknisk erfarenhet. Programmeringsspråken och biblioteken är som motordelar. För att få en bil måste du bygga den själv.

För den tekniskt kapabla verksamheten av alla storlekar, om du har någon eller flera personer som kan fylla rollerna i utvecklare, datavetare och marknadsföringsteknolog kan du använda prediktiv analys för att skapa dina egna prognoser för fri.

Men om du inte har tid eller kunskap att använda dessa verktyg men du har pengar är det bästa alternativet att lägga ut prognoser. Hyra ett data science-företag.

Om du är intresserad av att lära dig hur datavetenskap fungerar rekommenderar Chris bloggen på KDnuggets.com och den IBM datavetenskap blogg. De IBM Data Science Experience är också utmärkt. Du bör också följa utvecklarbloggarna för de stora teknikföretagen som Microsoft, Amazon, Googleoch IBM.

Men du hittar den bästa informationen om datavetenskap i akademiska uppsatser. Om du kan läsa dessa tidningar utan att somna och extrahera informationen hittar du riktigt guld. Du lär dig tekniker som du kan prova på din data.

Denna prediktiva algoritm som vi har pratat om har funnits i 70 år. Det är ett verktyg som en spatel. Om allt du någonsin gör är att vända en bit toast har du en mycket dyr toastflipper.

Men om du tänker på att grilla, steka och alla saker du kan göra med en spatel, blir möjligheterna oändliga. Detsamma gäller datavetenskapliga verktyg och algoritmer. Du kan använda din kreativitet och nyfikenhet för att prova dem på alla dessa olika sätt.

I framtiden kommer det att bli lika enkelt att använda dessa verktyg som att köra en Facebook-annons eftersom många prediktiva analyser redan är mycket mekaniserade. Men det tar längre tid att hända den del som handlar om mänskligt omdöme och sammanhang. Maskiner kan inte förstå hur företag fungerar och kan därför inte se dessa möjligheter.

Men efter att du har kartlagt den stora strategin kommer du snart att kunna klicka på en knapp, dra ditt kreditkort, betala din månadsavgift på $ 99 och verktyget spottar diagram. Chris tror att denna förmåga kommer att finnas tillgänglig inom de närmaste fem åren.

Längre ner på vägen, när allmän artificiell intelligens förbättras, kan du kanske berätta för en maskin du vill optimera dina Facebook-utgifter baserat på efterfrågan. Då gör maskinen automatiskt förutsägelser, räknar ut när topparna och dalarna inträffar och kör i princip din budget och annonser åt dig. Det är förmodligen 5 till 10 år ute.

Lyssna på showen för att höra Chris dela mer om vad maskiner inte kan göra.

Veckans upptäckt

Reshot är en stockfoto-webbplats som undviker kliché-stockbilder.

Bilderna på Reshot återspeglar fotografens unika perspektiv. På detta sätt är bilderna av högre kvalitet än de på många andra lagerfotosidor.

Webbplatsen använder en enkel licens och villkor som ger dig mycket flexibilitet för att använda bilderna.

Reshot-foton är gratis, även om du också kan hitta bilder till salu från Reshot-partners. Besök webbplatsen om du vill bläddra bland bilderna eller lära dig mer.

Lyssna på showen för att lära dig mer och låt oss veta hur Reshot fungerar för dig.

Viktiga avhämtningar som nämns i detta avsnitt:

• Läs mer om Chris verksamhet, Brain + Trust Insights.
• Följ Chris vidare Twitter.
• Läsa Chris blogg.
• Lyssna på Chris podcast, Marknadsföring över kaffe.
• Få åtkomst till sökdata med AdWords sökordsplanerare eller Google Trender.
• Ta reda på mer om CrowdTangle.
• Kolla in tredjepartsdataleverantörer SEMrush och Brand24.
• Lär dig mer om statistik imputation.
• Upptäck mer om R och Pytonorm och bibliotek som SIDEKIT, NumPyoch schema.
• Besök KDnuggets.com, IBM datavetenskap bloggoch IBM Data Science Experience.
• Följ utvecklarbloggarna för Microsoft, Amazon, Googleoch IBM.
• Hitta foton för ditt innehåll via Reshot.
• Titta på vår veckovisa Social Media Marketing Talk Show på fredagar klockan 10 Pacific Crowdcast eller ställa in på Facebook Live.
• Ladda ner 2017 Social Media Marketing Industry Report.

Vad tror du? Vad tycker du om prediktiv analys? Dela dina kommentarer nedan.