如果拦截都相对一致

Dragon15

那么您仍然会被引导到正确的方向，因为随着时间的推移，某些广告的效果会变好或变差。

第二种选择仅适用于拥有海量数据库的公司，例如大型科技公司或数据公司。对于大量数据，你可以进行插补，即使用现有的训练数据集和机器学习来填补不完整的部分。

归因的一个非常好的例子是社交分享。2 月初，linkedin 关闭了其分享数字，因此您不再能从任何社交媒体监控工具中获得该数字。如果 chris 在一家社交媒体监控公司工作，他会使用过去 10 年的数据作为训练集并推断分享次数。

只要你有其他并行数据集（如 twitter 和 pinterest），你就可以推断出分享次数。这些分享数字实际上可以让机器填补 linkedin 分享的空白。

收听节目了解我对机器人和拦截器的看法。

示例

对于一家知名的办公用品公司，chris 对品牌名称和通用术语“办公用品”进行了预测分析。尽管品牌名称和通用术语彼此相似，但“办公用品”比品牌名称晚 20 天。

蓝色线图表示品牌名称数据点，橙色线图表示 20 天后移动的相同数据点。

例如，该品牌名称在 8 月底出现了大幅增长，chris 将此归因于返校季和人们重返工作岗位。但 20 天后，“办公用品”的搜索量也出现了完全相同的峰值和完全相同的模式。无论行为上发生了什么，人们都会搜索该品牌，然后在 20 天后搜索通用术语。

根据调查结果，克里斯建议公司开展为期 19 天的重新定位活动。19 天后，向所有访问您网站的人重新投放广告，提醒他们回来购买更多办公用品。通过重新定位广告，公司可以重新获得部分需求。

通过这种方式，预测分析可以提供巨大的投资回报。有人可能会认为他们所做的一切都不再有效，然后就停止了。通过预测分析，你可以看到现实情况是你的社交营销与客户的模式完全不同步。

接下来，chris 分享了自己公司的一个例子。他根据人们搜索 outlook 外出设置的时间进行基准测试，因为当有人搜索该设置时，您就知道他们正准备去度假，这意味着他们不会阅读电子邮件。在 2017 年 10 月运行该基准测试后，chris 对第一季度进行了预测。

克里斯预计，2018 年 1 月 18 日那一周的搜索量最低，这意味着大多数人都在办公室。在那一周，克里斯针对相同的书单和报价开展了与 2017 年相同的宣传活动。

预测分析帮助 chris penn 预测何时会出现办公室外搜索次数最低的情况。紫色线图的图像，其中最低点标注有办公室外搜索次数最低。

通过优化 2018 年促销时间，克里斯的图书销量提高了 40%。2017 年的促销活动比预期晚了大约 2 周，克里斯了解到，与受众不同步会带来巨大的影响。

我问一家发布信息的企业如何利用预测分析来改进其战略。对于这个例子，克里斯说他最喜欢的应用之一是内容战略。假设你定期报道某些主题。你可以将这些预测进行综合运用。

表现最好的 10% 可以推动您的编辑日历，因为如果您知道人们对某个主题最感兴趣的月份，您就可以围绕该主题规划每月的功能。您甚至可以知道何时发布有关某个主题的内容。通过这种方式，您可以每月都达到高潮。

预测分析还可以为您的广告日程提供参考。如果您知道自己在发布某个主题，则可以根据该主题设置广告费表。如果您知道某个主题的受众需求很高，则可以向对该主题感兴趣的广告客户收取全价。如果您知道广告客户的目标主题兴趣较低，则可以提供 40% 的折扣。

收听节目，听克里斯讨论社交媒体审查员如何将预测分析应用于其内容。

工具

chris 说最好的工具都是免费的。它们是编程语言（如r和python），以及提供可用于某些任务的代码的库（如sidekit、numpy、timetk）。但是，要使用这些免费工具，您需要大量的技术经验。编程语言和库就像发动机零件。要拥有一辆车，您必须自己制造它。

使用编程语言 r 构建您自己的预测分析工具。r 介绍网页的屏幕截图。

对于任何规模的技术能力强的企业，如果您有一个或多个人可以担任开发人员 、数据科学 加密数据库家和营销技术专家的角色，您可以使用预测分析免费创建自己的预测。

但是，如果你没有时间或知识来使用这些工具，但你又有钱，那么最好的办法就是外包预测。聘请一家数据科学公司。

如果你有兴趣了解数据科学的工作原理，chris 强烈推荐kdnuggets.com上的博客和ibm 数据科学博客。ibm数据科学体验也非常棒。你还应该关注微软、亚马逊、谷歌和ibm等主要科技公司的开发者博客。

但是，你可以在学术论文中找到有关数据科学的最佳信息。如果你能不睡着地阅读这些论文并提取信息，你就会发现一些真正的金子。你将学到可以在数据上尝试的技术。

我们讨论的这种预测算法已经存在了 70 年。它就像一把铲子。如果你所做的只是翻转一片面包，那你就得买一个非常昂贵的面包翻转器。