Análisis predictivo: cómo los especialistas en marketing pueden mejorar las actividades futuras: examinador de redes sociales

¿Quiere que su marketing sea más eficiente?

¿Se pregunta cómo puede ayudar la predicción de sus ciclos de marketing?

Para explorar cómo los especialistas en marketing pueden comenzar con el análisis predictivo, entrevisté a Chris Penn.

Más sobre este espectáculo

los Podcast de marketing en redes sociales es un programa de radio de entrevistas a pedido de Social Media Examiner. Está diseñado para ayudar a los profesionales del marketing, propietarios de empresas y creadores ocupados a descubrir qué funciona con el marketing en redes sociales.

En este episodio, entrevisto Chris Penn, cofundador y principal innovador de Brain + Trust Insights. También es el coanfitrión del Marketing sobre café podcast y el principal experto en análisis de Social Media Marketing World.

Chris explica cómo garantizar la calidad de los datos subyacentes que se utilizan en el análisis predictivo.

También descubrirás fuentes de datos y herramientas que se utilizan para hacer predicciones.

Comparta sus comentarios, lea las notas del programa y obtenga los enlaces mencionados en este episodio a continuación.

Escucha ahora

Donde suscribirse: Podcast de Apple | Podcasts de Google | Spotify | RSS

Desplácese hasta el final del artículo para ver los enlaces a los recursos importantes mencionados en este episodio.

Estas son algunas de las cosas que descubrirás en este programa:

Análisis predictivo

La historia de Chris

Chris se inició en la analítica gracias a su experiencia en TI. En 2003, comenzó a trabajar como director de TI de una startup de préstamos para estudiantes, donde su función se expandió más allá de las responsabilidades tradicionales de TI. Además de ejecutar los servidores web y de correo electrónico, también actualizó los sitios web y envió el correo electrónico semanal.

Chris estaba haciendo este trabajo antes de que existiera Google Analytics, por lo que cuando el director ejecutivo de su empresa preguntó cómo estaban funcionando los sitios web y los correos electrónicos, Chris no tuvo una respuesta. Para resolverlo, Chris y su equipo comenzaron a desarrollar sus propias herramientas para comprender los conceptos básicos, como cuántas personas visitaban el sitio web cada día.

Con el tiempo, la práctica de análisis se convirtió en un enfoque central para Chris. No solo estaba tratando de saber qué sucedió, sino por qué sucedió y cómo podía responder la empresa.

Escuche el programa para escuchar a Chris hablar sobre su formación académica.

¿Qué son los análisis predictivos?

El análisis predictivo utiliza estadísticas y aprendizaje automático para analizar datos y hacer predicciones. Los humanos son muy predecibles. Todos seguimos rutinas, como cepillarnos los dientes y luego tomar una ducha, o ponernos cada pieza de ropa en un orden determinado cada mañana.

Debido a que los humanos son predecibles tanto a escala micro como macro, los especialistas en marketing pueden predecir principalmente lo que sucederá. Por ejemplo, en Norteamérica, si es un especialista en marketing B2C, sabrá prácticamente que estará ocupado desde el 1 de noviembre hasta el 26 de diciembre porque ese es un momento pico para las ventas de productos.

Del mismo modo, si es un especialista en marketing B2B, su tiempo ocupado es desde el 1 de enero hasta finales de mayo. Luego, el negocio se recupera justo después del Día del Trabajo en los Estados Unidos y Canadá y continúa hasta el Día de Acción de Gracias de EE. UU. Fuera de esos tiempos, es mucho más difícil ser un especialista en marketing, ya sea que se enfoque en lo digital, en las redes sociales o en el pago.

Escuche el programa para escuchar más ejemplos de comportamiento humano predecible.

¿Qué puede hacer el análisis predictivo?

Como sabemos estas cosas en general, las máquinas pueden ayudarnos a hacer estas predicciones más específicas. El valor de la analítica predictiva es su especificidad. Si sabe en qué semana debería hacer más Facebook Live o gastar menos en anuncios, puede ser más eficiente y efectivo en su marketing. Si sabe cómo predecir, puede ganar dinero, ahorrar dinero, ahorrar tiempo y no ser despedido.

La analítica predictiva se centra específicamente en tratar de averiguar qué sucede a continuación. Para el especialista en marketing medio, las predicciones de series de tiempo (o cuándo va a suceder algo) son la aplicación más convencional y útil. Para ilustrarlo, si usted es un comercializador de redes sociales, desea saber cuándo contratar personal a su equipo de servicio al cliente para responder las consultas de los clientes.

El análisis predictivo también puede averiguar cosas como cuándo alguien comprará un automóvil nuevo o si son futuros padres. Sin embargo, esas aplicaciones tienen más matices que las predicciones de series de tiempo.

Escuche el programa para conocer mis experiencias con el análisis predictivo cuando era escritor B2B.

Cómo funciona el análisis predictivo

La analítica predictiva probablemente tenga ahora cerca de 70 años. La gente se sorprende al saber la antigüedad de la disciplina porque creen que el aprendizaje automático es algo nuevo. Sin embargo, las teorías y fórmulas matemáticas existen desde hace mucho tiempo.

Lo que ha cambiado es la potencia computacional de las computadoras portátiles, de escritorio y los servidores en la nube. Pueden procesar números más grandes en menos tiempo. Teóricamente, puede realizar análisis predictivos en papel, pero requeriría mucho papel y tiempo.

Para hacer bien el análisis predictivo, necesita tres aptitudes. Primero, necesita a alguien con las habilidades de desarrollo para extraer datos de sus fuentes de datos, como Google Analytics, Facebook Insights, Twitter y otros tipos de datos sociales. Los datos pueden estar en sistemas de su propiedad o de terceros. Quien tenga los datos, debe poder sacarlos.

A Chris le gusta la expresión "Los datos son el nuevo petróleo", porque si alguna vez has visto petróleo crudo, es un desastre repugnante. No puede hacer mucho con él hasta que lo extraiga del suelo, lo refine y luego se lo dé a personas que puedan usarlo en automóviles o para hacer tazones de plástico que no se rompan cuando caen al piso. Con el análisis predictivo, es lo mismo.

Los refinadores son científicos de datos, que limpian los datos en algo que pueda usar. Luego, los tecnólogos de marketing, que es el papel de muchos especialistas en marketing de redes sociales en la actualidad, hacen algo con esos datos. No solo interpretan los datos; actúan sobre ello.

Chris enfatiza la importancia de actuar sobre los datos que obtiene. Si sabe en qué semana promocionar su evento, pero no hace nada con esa información, entonces no tiene sentido hacer la predicción.

La precisión de las predicciones depende de los datos subyacentes y del algoritmo que utilice para realizar las predicciones. En algún momento, casi todo el mundo se encontrará con un problema con la calidad de los datos. Tal vez no configuró Google Analytics correctamente, no estableció sus objetivos correctamente, olvidó activar su píxel de Facebook; cualquiera de esas cosas.

Escuche el programa para escuchar a Chris hablar sobre un tipo popular de análisis técnico de acciones.

Aplicaciones prácticas de marketing para análisis predictivo

Cuando Chris hace un pronóstico predictivo, generalmente es un gráfico de líneas de 52 semanas. Para cada semana, el gráfico muestra una predicción para cualquiera que sea la serie de datos. La mayoría de las veces, Chris usa datos de búsqueda porque las personas escriben cosas en Google que no decirle a otro ser humano, lo que hace que los datos de búsqueda sean un muy buen indicador de lo que realmente hay en el mente.

Hay una gran cantidad de datos de búsqueda disponibles y puede acceder a algunos de ellos de forma gratuita a través de herramientas como Planificador de palabras clave de AdWords o Tendencias de Google. Una vez que tenga los datos, puede pronosticar una tendencia de algún tipo, que es una serie de datos, y luego identificar los picos y los valles. Chris recomienda tener entre 1 y 5 años de datos como base para su predicción.

Supongamos que extrae 5 años de datos de búsqueda sobre marketing en redes sociales porque se pregunta cuándo, en el próximo año, la gente buscará "redes sociales márketing." Si sabe que será el 20 de marzo, el 19 de abril, el 27 de mayo, el 4 de julio, el 10 de septiembre y el 21 de octubre del próximo año, esos son sus marcas de agua alta.

Con esas fechas, también puede ver lo que sucede 2 a 3 semanas antes de cada fecha. Por lo general, hay un período previo a ese pico. Por lo tanto, un comercializador de redes sociales debe aumentar su inversión publicitaria. Un especialista en marketing orgánico necesita publicar mucho y duplicar la cantidad de historias de Instagram que crea. Una persona de relaciones públicas debe presentar con meses de anticipación para aparecer en publicaciones en esas fechas.

También sabe cuándo sucederán los valles, por lo que puede planificar almacenar contenido mientras no haya mucho. Puede grabar podcasts, ser anfitrión invitado en otros sitios, escribir un montón de publicaciones de blog y almacenar contenido. Luego, cuando llegue el próximo pico, puede alcanzar la cadencia que necesita sin agotarse.

De esta forma, las predicciones le ayudan a ganar dinero en los picos y ahorrar dinero en los descensos. Puede planificar y construir su estrategia basándose en cuándo es probable que sucedan las cosas. Esta aplicación funciona tanto para empresas B2C como B2B porque la gente escribe cosas en Google todo el día, todos los días.

Le pregunto qué otras fuentes de datos podría utilizar para hacer predicciones. Chris dice que cualquier fuente de datos basada en el tiempo es válida y las conversaciones en las redes sociales varían en cada red. Sus predicciones de Pinterest pueden ser diferentes a las de Facebook y Twitter. Haga predicciones basadas en todos esos datos.

Para hacer eso, una gran herramienta es MultitudEnredo. Es fantástico porque le brinda datos de series de tiempo hasta el nivel de publicación individual. Una persona de relaciones públicas puede obtener menciones y cobertura de noticias. Un anunciante puede obtener cantidades de pago por clic, precios de oferta, todas estas cosas.

Las fuentes de datos de terceros son buenas porque usted, como empresa, no puede corromper esos datos, per se, aunque puede pedir cosas incorrectas. Un proveedor de datos de buena reputación es SEMrush, que tiene datos de buena calidad. Otro vendedor Marca24, realiza monitoreo de medios.

También puede consultar los datos de búsqueda de herramientas de SEO que no son de Google. Todas esas son buenas fuentes de datos porque son consistentes, normalizadas y regulares. Además, están razonablemente limpios.

Luego, Chris comparte otro ejemplo de cómo puede aplicar el análisis predictivo a su negocio. Chris hizo una carrera predictiva para un casino basada en 2 años de ingresos diarios de máquinas tragamonedas. Después de poner esos datos en un algoritmo, Chris pudo pronosticar los ingresos del casino para el próximo año.

Con estas predicciones, el casino podía ver cuándo los ingresos por tragamonedas serían bajos y necesitaban aumentar algunas promociones, publicar anuncios, traer un animador invitado especial o algo así. Los datos les ayudaron a reparar esas brechas en sus ingresos.

Pregunto cómo los especialistas en marketing evitan afectar los datos. Hipotéticamente, digamos que preparamos nuestras promociones de marketing para Social Media Marketing World en ciertos horarios que no se basan necesariamente en predicciones, sino en los que decidimos usar. ¿Cómo descartamos que el comportamiento de la tribu y la comunidad no sea necesariamente causado por nuestras acciones?

Chris dice que Social Media Marketing World es un programa tan grande y exitoso que en realidad influye cuando las personas buscan cosas como "redes sociales marketing de medios ". Sin embargo, puede refinar los datos que extrae de diferentes formas para minimizar los eventos, problemas, etc., para que no los afecten.

Por ejemplo, si utiliza una herramienta de escucha social, puede excluir las menciones de Social Media Marketing World, #socialmediaexaminer, Michael Stelzner y elementos relacionados. Estas exclusiones ayudan a reducir los puntos de datos que se supone que no deben estar allí.

También puede usar la evaluación comparativa, que establece una línea de base fuera de una temporada en particular que agrega 20,000 menciones por día. Incluso en temporada, ¿hay algo que sea desproporcionado con lo que debería haber? Puede ejecutar la previsión de esa manera.

Sin embargo, la mejor manera de refinar los datos es a nivel de datos. Elimine todo aquello que sepa que está contaminando, a falta de una palabra mejor. Luego, puede pronosticar a partir de los datos refinados.

Dicho esto, si estuviera comercializando Social Media Marketing World, no necesariamente querría refinar los datos de esta manera. Si está logrando que la tribu influya en la forma en que las personas de todo el mundo buscan "marketing en redes sociales", eso es algo bueno. Esa es una razón para celebrar su éxito y tratar de provocar aún más cambios de comportamiento adelantándose a las tendencias incluso antes.

Escuche el programa para escuchar mis pensamientos sobre patrones humanos predecibles.

Lo que no puede predecir

Chris dice que no se pueden predecir tres cosas. El primero es un gran trastorno que distorsionará sus datos, como disturbios políticos, trastornos culturales, desastres naturales, cosas así. Todas estas cosas provocan una gran interferencia que puede corromper un pronóstico. Los sectores con mucha agitación, como el mercado de valores, son casi imposibles de predecir con precisión.

El segundo es algo que nunca ha sucedido, como las elecciones presidenciales de 2016. La competencia entre los dos candidatos que se postulaban nunca había sucedido antes. Muchas personas que crean herramientas de predicción y pronósticos para las elecciones basaron sus modelos en las elecciones de 2012.

Sin embargo, los candidatos de cada partido eran personas muy diferentes entre esos años electorales. Entonces, las herramientas que la gente construyó para 2016 se basaron en algo que había sucedido en el pasado pero que no sucedía en la actualidad. No se puede pronosticar lo que nunca sucedió.

El tercer descalificador para el análisis predictivo son los datos incorrectos. Si tiene datos corruptos o no tiene datos, no puede hacer predicciones precisas. Si sabe que su empresa tiene problemas de infraestructura de datos, el análisis predictivo es realmente peligroso. Sería como conducir con un GPS que tiene datos erróneos y le dice que conduzca por un precipicio.

Escuche el programa para escuchar a Chris compartir otro término para convulsión.

Problemas de datos comunes

Si desea probar el análisis predictivo, Google Analytics es un buen comienzo. La mayoría de los especialistas en marketing ciertamente tienen esos datos, pero pueden tener problemas. Por ejemplo, si utiliza un software de automatización de marketing, debe colocar sus etiquetas de Google Analytics en sus páginas de destino en ese software. Si no es así, tiene problemas de integridad de datos.

Luego pregunto cómo manejar bots y bloqueadores. Chris dice que las redes sociales, especialmente Instagram y Twitter, están plagadas de bots. La buena noticia es que los comportamientos de los bots son bastante predecibles porque las personas que escribieron estos bots utilizaron algoritmos muy primitivos. En el proceso de preparación de datos, los bots son fáciles de detectar y puede eliminarlos.

Para ilustrarlo, un bot siempre tiene una biografía que sigue exactamente el mismo formato. La biografía comienza con diferentes palabras que tienen diferentes longitudes seguidas de "échame un vistazo" y luego un enlace.

Es mucho más difícil trabajar con los bloqueadores. Si intenta realizar una previsión basada en datos de anuncios y los bloqueadores eliminan datos, eso es muy difícil de solucionar. Los datos no son incorrectos; ni siquiera lo tienes. Está incompleto.

Puede tratar los datos incompletos de dos formas. Primero, puede buscar algo que sea direccional porque los datos que tiene siguen siendo representativos. Supongamos que sabe que el 30% de los anuncios bloqueados se realizan en un dispositivo móvil, pero es un 30% constante. No tiene el 22% de los anuncios bloqueados en un sitio, sino el 5% en otro.

Si el bloqueo es relativamente constante, se le apuntará direccionalmente en la forma correcta porque con el tiempo algunos anuncios funcionarán mejor o peor.

La segunda opción está disponible solo para empresas con una base de datos masiva, como grandes empresas de tecnología o empresas de datos. Con una gran cantidad de datos, puede hacer imputación, que utiliza un conjunto de datos capacitados existentes y aprendizaje automático para completar las piezas incompletas.

Un buen ejemplo de imputación son las acciones sociales. A principios de febrero, LinkedIn desactivó sus números de acciones, por lo que ya no obtiene ese número de ninguna herramienta de monitoreo de redes sociales. Si Chris estuviera trabajando en una empresa de monitoreo de redes sociales, usaría los últimos 10 años de datos como un conjunto de capacitación e inferiría la cantidad de acciones.

Puede inferir la cantidad de acciones siempre que tenga otros conjuntos de datos paralelos, como Twitter y Pinterest. Esos números de acciones esencialmente permitirán que una máquina complete los espacios en blanco para las acciones de LinkedIn.

Escuche el programa para conocer mis pensamientos sobre bots y bloqueadores.

Ejemplos

Para una conocida empresa de suministros de oficina, Chris realizó análisis predictivos del nombre de la marca y el término genérico "oficina suministros." Aunque el nombre de la marca y el término genérico se reflejan entre sí, los "suministros de oficina" estaban 20 días por detrás de la marca. nombre.

Por ejemplo, el nombre de la marca tuvo un gran repunte a fines de agosto, lo que Chris atribuyó a la temporada de regreso a clases y a la gente que regresa al trabajo. Pero luego, 20 días después, el término de búsqueda para "suministros de oficina" siguió exactamente el mismo pico y exactamente el mismo patrón. Independientemente de lo que esté sucediendo allí, la gente busca la marca y, 20 días después, busca el término genérico.

Según los hallazgos, Chris sugirió que la empresa creara una campaña de reorientación con un tiempo de 19 días. Reoriente a todos los que visiten su sitio web 19 días después con un anuncio que les recuerde que regresen por más suministros de oficina. Con el anuncio de retargeting, la empresa podría recuperar parte de esa demanda.

De esta forma, la analítica predictiva puede ofrecer un enorme ROI. Alguien podría asumir que todo lo que está haciendo ya no funciona y simplemente se detiene. Con el análisis predictivo, puede ver que la realidad es que su marketing social simplemente no está sincronizado con los patrones de los clientes.

A continuación, Chris comparte un ejemplo de su propio negocio. Realizó evaluaciones comparativas en función de cuándo las personas buscan la configuración fuera de la oficina de Outlook, porque cuando alguien buscando eso, sabes que se están preparando para irse de vacaciones, lo que significa que no están leyendo sus correo electrónico. Después de ejecutar ese punto de referencia en octubre de 2017, Chris proyectó hacia adelante para el primer trimestre.

Chris proyectó que el volumen de búsqueda era el más bajo, lo que significa que la mayoría de las personas estaban en la oficina la semana del 18 de enero de 2018. Esa semana, Chris realizó la misma campaña para su libro en la misma lista y con la misma oferta que hizo en 2017.

Al refinar su calendario para la promoción de 2018, Chris aumentó las ventas de libros en un 40%. Su campaña de 2017 tuvo un retraso de aproximadamente 2 semanas, y Chris se enteró de que no estar sincronizado con su audiencia hacía una gran diferencia.

Pregunto cómo una empresa que publica información podría utilizar el análisis predictivo para mejorar su estrategia. Para este ejemplo, Chris dice que una de sus aplicaciones favoritas es la estrategia de contenido. Digamos que regularmente cubre ciertos temas. Puede ejecutar una combinación completa de estas predicciones.

El 10% de mejor rendimiento puede impulsar su calendario editorial porque si conoce los meses en los que las personas estarán más interesadas en un tema, puede planificar funciones mensuales en torno a ese tema. Incluso sabrá hasta la semana cuándo publicar contenido sobre un tema determinado. De esta manera, puede alcanzar la nota alta todos los meses.

El análisis predictivo también puede informar su calendario publicitario. Si sabe que está publicando sobre un tema determinado, puede establecer sus hojas de tarifas en función de ese tema. Durante el mes en el que sepa que la demanda de la audiencia por un tema es alta, podría cobrar a los anunciantes que estén interesados ​​en ese tema el precio completo. Cuando sepa que el interés en el tema objetivo de los anunciantes es bajo, puede ofrecer un 40% de descuento.

Escuche el programa para escuchar a Chris hablar sobre cómo Social Media Examiner podría aplicar el análisis predictivo a su contenido.

Herramientas

Chris dice que las mejores herramientas son gratuitas. Son lenguajes de programación (como R y Pitón), así como las bibliotecas (como EQUIPO LATERAL, NumPy, timetk) que ofrecen código que puede utilizar para determinadas tareas. Sin embargo, para utilizar estas herramientas gratuitas, necesita mucha experiencia técnica. Los lenguajes de programación y las bibliotecas son como piezas de motor. Para conseguir un coche, tienes que construirlo tú mismo.

Para empresas técnicamente capaces de cualquier tamaño, si tiene a alguien o varias personas que puedan desempeñar las funciones de desarrollador, científico de datos y tecnólogo de marketing, puede utilizar el análisis predictivo para crear sus propios pronósticos para gratis.

Sin embargo, si no tiene el tiempo o los conocimientos para utilizar estas herramientas pero tiene dinero, lo mejor que puede hacer es subcontratar la previsión. Contrata una empresa de ciencia de datos.

Si está interesado en aprender cómo funciona la ciencia de datos, Chris recomienda encarecidamente el blog en KDnuggets.com y el Blog de ciencia de datos de IBM. los Experiencia de ciencia de datos de IBM es excelente también. También debe seguir los blogs de desarrolladores de las principales empresas tecnológicas, como Microsoft, Amazonas, Googley IBM.

Sin embargo, encontrará la mejor información sobre ciencia de datos en papeles academicos. Si puede leer esos documentos sin quedarse dormido y extraer la información, encontrará algo de oro real. Aprenderá técnicas que puede probar con sus datos.

Este algoritmo predictivo del que hemos estado hablando ha existido durante 70 años. Es una herramienta como una espátula. Si todo lo que haces es voltear una tostada, tendrás una aleta para tostadas muy cara.

Sin embargo, si piensa en asar a la parrilla, freír y todas las cosas que puede hacer con una espátula, las posibilidades se vuelven infinitas. Lo mismo ocurre con las herramientas y algoritmos de ciencia de datos. Puede utilizar su creatividad y curiosidad para probarlos de todas estas formas diferentes.

En el futuro, usar estas herramientas será tan fácil como ejecutar un anuncio de Facebook porque muchos de los análisis predictivos ya están muy mecanizados. Sin embargo, la parte que involucra el juicio y el contexto humanos tardará más en suceder. Las máquinas no pueden entender cómo funcionan las empresas y, por lo tanto, no ven esas posibilidades.

Pero después de mapear la gran estrategia, pronto podrá hacer clic en un botón, deslizar su tarjeta de crédito, pagar su tarifa mensual de $ 99 y la herramienta arrojará gráficos. Chris cree que esta capacidad estará disponible en los próximos 5 años.

Más adelante, a medida que mejore la inteligencia artificial de uso general, es posible que pueda decirle a una máquina que desea optimizar su gasto en Facebook según la demanda. Luego, la máquina hará automáticamente la predicción, calculará cuándo ocurren los picos y los valles, y básicamente ejecutará su presupuesto y anuncios por usted. Eso es probablemente de 5 a 10 años.

Escuche el programa para escuchar a Chris compartir más sobre lo que las máquinas no pueden hacer.

Descubrimiento de la semana

Reshot es un sitio de fotografías de archivo que evita imágenes de archivo cliché.

Las fotos de Reshot reflejan la perspectiva única del fotógrafo. De esta manera, las fotos son de mayor calidad que las de muchos otros sitios de fotos de archivo.

El sitio utiliza un licencia simple y condiciones que le dan mucha flexibilidad para usar las fotos.

Las fotos de Reshot son gratuitas, aunque también puede encontrar fotos a la venta de los socios de Reshot. Para explorar las imágenes u obtener más información, visite el sitio web.

Escuche el programa para obtener más información y háganos saber cómo funciona Reshot para usted.

Conclusiones clave mencionadas en este episodio:

• Obtenga más información sobre el negocio de Chris, Brain + Trust Insights.
• Sigue a Chris en Gorjeo.
• Leer Blog de Chris.
• Escuche el podcast de Chris, Marketing sobre café.
• Acceda a los datos de búsqueda con Planificador de palabras clave de AdWords o Tendencias de Google.
• Encuentra mas sobre MultitudEnredo.
• Consulte los proveedores de datos de terceros SEMrush y Marca24.
• Más información sobre estadística imputación.
• Descubra más sobre R y Pitón y bibliotecas como EQUIPO LATERAL, NumPyy timetk.
• Visitar KDnuggets.com, Blog de ciencia de datos de IBMy Experiencia de ciencia de datos de IBM.
• Siga los blogs de desarrolladores para Microsoft, Amazonas, Googley IBM.
• Encuentra fotos para tu contenido a través de Reshot.
• Vea nuestro programa semanal de entrevistas sobre marketing en redes sociales los viernes a las 10 a. M. Crowdcast o sintoniza Facebook Live.
• Descargar el Informe de la industria del marketing en redes sociales 2017.

¿Qué piensas? ¿Qué piensas sobre el análisis predictivo? Por favor comparte tus comentarios abajo.