📊 Big Data Storyteller! 40+ Prompt āđāļ›āļĨāļ‡āļ‚āđ‰āļ­āļĄāļđāļĨāļ‹āļąāļšāļ‹āđ‰āļ­āļ™āđƒāļŦāđ‰āđ€āļ‚āđ‰āļēāđƒāļˆāļ‡āđˆāļēāļĒ 🧠 āļžāļĢāđ‰āļ­āļĄ AI-powered Data Narrative Generator 📚 āļ™āļģāđ€āļŠāļ™āļ­ Insight āļ—āļĩāđˆāļ—āļģāđƒāļŦāđ‰āļœāļđāđ‰āļšāļĢāļīāļŦāļēāļĢāļ›āļĢāļ°āļ—āļąāļšāđƒāļˆ (Executive Dashboard Builder āđƒāļ™āļ„āļ­āļĄāđ€āļĄāļ™āļ•āđŒ)

āļ—āđˆāļēāļ™āļŠāļēāļĄāļēāļĢāļ–āđ€āļĨāļ·āļ­āļāđƒāļŠāđ‰āļ‡āļēāļ™AIāļˆāļēāļāļ„āđˆāļēāļĒāđ„āļŦāļ™āļāđ‡āđ„āļ”āđ‰āļ„āļĢāļąāļš

āļ„āļļāļ“āļŠāļĄāļšāļąāļ•āļīChatGPTMicrosoft CopilotClaudeGeminiPerplexity
āļœāļđāđ‰āļžāļąāļ’āļ™āļēOpenAIMicrosoftAnthropicGooglePerplexity AI
āđ‚āļĄāđ€āļ”āļĨāļžāļ·āđ‰āļ™āļāļēāļ™GPT-3.5/GPT-4GPT-4ClaudePaLM 2/GeminiGPT-3.5/GPT-4
āļāļēāļĢāļĢāļ­āļ‡āļĢāļąāļšāļ āļēāļĐāļēāļŦāļĨāļēāļĒāļ āļēāļĐāļēāļŦāļĨāļēāļĒāļ āļēāļĐāļēāļŦāļĨāļēāļĒāļ āļēāļĐāļēāļŦāļĨāļēāļĒāļ āļēāļĐāļēāļŦāļĨāļēāļĒāļ āļēāļĐāļē
āļ„āļ§āļēāļĄāļŠāļēāļĄāļēāļĢāļ–āđƒāļ™āļāļēāļĢāļ›āļĢāļ°āļĄāļ§āļĨāļœāļĨāļ āļēāļžāļĄāļĩ (GPT-4)āļĄāļĩāļĄāļĩāļĄāļĩāļĄāļĩ
āļāļēāļĢāđ€āļ‚āđ‰āļēāļ–āļķāļ‡āļ‚āđ‰āļ­āļĄāļđāļĨāđ€āļĢāļĩāļĒāļĨāđ„āļ—āļĄāđŒāđ„āļĄāđˆāļĄāļĩāļĄāļĩāđ„āļĄāđˆāļĄāļĩāļĄāļĩāļĄāļĩ
āļ„āļ§āļēāļĄāļŠāļēāļĄāļēāļĢāļ–āđƒāļ™āļāļēāļĢāđ€āļ‚āļĩāļĒāļ™āđ‚āļ„āđ‰āļ”āļ”āļĩāļ”āļĩāļĄāļēāļāļ”āļĩāļĄāļēāļāļ”āļĩāļ”āļĩ
āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™āļŸāļĢāļĩāļĄāļĩāđāļšāļšāļˆāļģāļāļąāļ”āļĄāļĩāļĄāļĩāđāļšāļšāļˆāļģāļāļąāļ”āļĄāļĩāļĄāļĩ
āđāļžāļĨāļ•āļŸāļ­āļĢāđŒāļĄāļ—āļĩāđˆāļĢāļ­āļ‡āļĢāļąāļšāđ€āļ§āđ‡āļš, āļĄāļ·āļ­āļ–āļ·āļ­Windows, Edgeāđ€āļ§āđ‡āļš, APIāđ€āļ§āđ‡āļš, āļĄāļ·āļ­āļ–āļ·āļ­, APIāđ€āļ§āđ‡āļš, āļĄāļ·āļ­āļ–āļ·āļ­
āļ„āļ§āļēāļĄāļŠāļēāļĄāļēāļĢāļ–āđƒāļ™āļāļēāļĢāļŠāļĢāđ‰āļēāļ‡āđ€āļ™āļ·āđ‰āļ­āļŦāļēāļ”āļĩāļĄāļēāļāļ”āļĩāļĄāļēāļāļ”āļĩāļĄāļēāļāļ”āļĩāļĄāļēāļāļ”āļĩ
āļāļēāļĢāļ­āđ‰āļēāļ‡āļ­āļīāļ‡āđāļŦāļĨāđˆāļ‡āļ‚āđ‰āļ­āļĄāļđāļĨāđ„āļĄāđˆāļĄāļĩāļĄāļĩāđ„āļĄāđˆāļĄāļĩāļĄāļĩāļĄāļĩ


āđƒāļŠāđ‰āļ‡āļēāļ™ChatGPT https://chatgpt.com/
āđƒāļŠāđ‰āļ‡āļēāļ™ microsoft Copilot https://copilot.microsoft.com/
āđƒāļŠāđ‰āļ‡āļēāļ™ Gemini https://gemini.google.com/app
āđƒāļŠāđ‰āļ‡āļēāļ™ perplexity https://www.perplexity.ai/

  1. “āļŠāļĢāđ‰āļēāļ‡āđāļœāļ™āļ āļđāļĄāļīāļ—āļĩāđˆāđāļŠāļ”āļ‡āļ„āļ§āļēāļĄāļŠāļąāļĄāļžāļąāļ™āļ˜āđŒāļĢāļ°āļŦāļ§āđˆāļēāļ‡ [āļ•āļąāļ§āđāļ›āļĢ A] āđāļĨāļ° [āļ•āļąāļ§āđāļ›āļĢ B] āļˆāļēāļāļŠāļļāļ”āļ‚āđ‰āļ­āļĄāļđāļĨ [āļŠāļ·āđˆāļ­āļŠāļļāļ”āļ‚āđ‰āļ­āļĄāļđāļĨ] āļžāļĢāđ‰āļ­āļĄāļ„āļģāļ­āļ˜āļīāļšāļēāļĒāļ—āļĩāđˆāđ€āļ‚āđ‰āļēāđƒāļˆāļ‡āđˆāļēāļĒāļŠāļģāļŦāļĢāļąāļšāļœāļđāđ‰āļšāļĢāļīāļŦāļēāļĢ”
  2. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāđ€āļ—āļĢāļ™āļ”āđŒāļ‚āļ­āļ‡ [āļ•āļąāļ§āļŠāļĩāđ‰āļ§āļąāļ”āļŠāļģāļ„āļąāļ] āđƒāļ™āļŠāđˆāļ§āļ‡ [āļĢāļ°āļĒāļ°āđ€āļ§āļĨāļē] āđāļĨāļ°āļŠāļĢāļļāļ›āļ‚āđ‰āļ­āļĄāļđāļĨāđ€āļŠāļīāļ‡āļĨāļķāļāļ—āļĩāđˆāļŠāļģāļ„āļąāļ 3-5 āļ›āļĢāļ°āđ€āļ”āđ‡āļ™ āļžāļĢāđ‰āļ­āļĄāļ„āļģāđāļ™āļ°āļ™āļģāļŠāļģāļŦāļĢāļąāļšāļāļēāļĢāļ•āļąāļ”āļŠāļīāļ™āđƒāļˆāđ€āļŠāļīāļ‡āļāļĨāļĒāļļāļ—āļ˜āđŒ”
  3. “āļŠāļĢāđ‰āļēāļ‡āļ­āļīāļ™āđ‚āļŸāļāļĢāļēāļŸāļīāļāļ—āļĩāđˆāđāļŠāļ”āļ‡āđƒāļŦāđ‰āđ€āļŦāđ‡āļ™āļ–āļķāļ‡āļœāļĨāļāļĢāļ°āļ—āļšāļ‚āļ­āļ‡ [āļ›āļąāļˆāļˆāļąāļĒ] āļ•āđˆāļ­ [āļœāļĨāļĨāļąāļžāļ˜āđŒāļ—āļēāļ‡āļ˜āļļāļĢāļāļīāļˆ] āđ‚āļ”āļĒāđƒāļŠāđ‰āļ‚āđ‰āļ­āļĄāļđāļĨāļˆāļēāļ [āđāļŦāļĨāđˆāļ‡āļ‚āđ‰āļ­āļĄāļđāļĨ] āđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­āđƒāļ™āļĢāļđāļ›āđāļšāļšāļ—āļĩāđˆāļ™āđˆāļēāļŠāļ™āđƒāļˆ”
  4. “āđ€āļ›āļĢāļĩāļĒāļšāđ€āļ—āļĩāļĒāļšāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāļ‚āļ­āļ‡ [āđāļœāļ™āļ/āļ—āļĩāļĄ A] āđāļĨāļ° [āđāļœāļ™āļ/āļ—āļĩāļĄ B] āđƒāļ™āļ”āđ‰āļēāļ™ [āļ•āļąāļ§āļŠāļĩāđ‰āļ§āļąāļ”] āđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­āļœāļĨāļĨāļąāļžāļ˜āđŒāđƒāļ™āļĢāļđāļ›āđāļšāļš Dashboard āļ—āļĩāđˆāđ€āļ‚āđ‰āļēāđƒāļˆāļ‡āđˆāļēāļĒāļŠāļģāļŦāļĢāļąāļšāļāļēāļĢāļ›āļĢāļ°āļŠāļļāļĄāļœāļđāđ‰āļšāļĢāļīāļŦāļēāļĢ”
  5. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļžāļĪāļ•āļīāļāļĢāļĢāļĄāļĨāļđāļāļ„āđ‰āļēāļˆāļēāļāļ‚āđ‰āļ­āļĄāļđāļĨ [āļŠāļ·āđˆāļ­āļŠāļļāļ”āļ‚āđ‰āļ­āļĄāļđāļĨ] āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡āđ€āļĢāļ·āđˆāļ­āļ‡āļĢāļēāļ§ (Story) āļ—āļĩāđˆāđāļŠāļ”āļ‡āđƒāļŦāđ‰āđ€āļŦāđ‡āļ™āļ–āļķāļ‡āđ‚āļ­āļāļēāļŠāļ—āļēāļ‡āļ˜āļļāļĢāļāļīāļˆāđƒāļŦāļĄāđˆāđ† āļ—āļĩāđˆāļ™āđˆāļēāļŠāļ™āđƒāļˆ”
  6. “āļŠāļĢāđ‰āļēāļ‡āđāļšāļšāļˆāļģāļĨāļ­āļ‡āļāļēāļĢāļžāļĒāļēāļāļĢāļ“āđŒāļĒāļ­āļ”āļ‚āļēāļĒāļŠāļģāļŦāļĢāļąāļš [āļœāļĨāļīāļ•āļ āļąāļ“āļ‘āđŒ/āļšāļĢāļīāļāļēāļĢ] āđƒāļ™āļ­āļĩāļ [āļĢāļ°āļĒāļ°āđ€āļ§āļĨāļē] āļ‚āđ‰āļēāļ‡āļŦāļ™āđ‰āļē āļžāļĢāđ‰āļ­āļĄāļ­āļ˜āļīāļšāļēāļĒāļ›āļąāļˆāļˆāļąāļĒāļ—āļĩāđˆāļŠāđˆāļ‡āļœāļĨāļ•āđˆāļ­āļāļēāļĢāļžāļĒāļēāļāļĢāļ“āđŒāđƒāļ™āļ āļēāļĐāļēāļ—āļĩāđˆāđ€āļ‚āđ‰āļēāđƒāļˆāļ‡āđˆāļēāļĒ”
  7. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ Social Listening āđ€āļāļĩāđˆāļĒāļ§āļāļąāļš [āđāļšāļĢāļ™āļ”āđŒ/āļœāļĨāļīāļ•āļ āļąāļ“āļ‘āđŒ] āđāļĨāļ°āļŠāļĢāļļāļ›āļ„āļ§āļēāļĄāļĢāļđāđ‰āļŠāļķāļāļ‚āļ­āļ‡āļĨāļđāļāļ„āđ‰āļē (Sentiment) āļžāļĢāđ‰āļ­āļĄāđāļ™āļ§āļ—āļēāļ‡āļāļēāļĢāļ›āļĢāļąāļšāļ›āļĢāļļāļ‡āļ—āļĩāđˆāđ€āļ›āđ‡āļ™āļĢāļđāļ›āļ˜āļĢāļĢāļĄ”
  8. “āļŠāļĢāđ‰āļēāļ‡ Customer Journey Map āļˆāļēāļāļ‚āđ‰āļ­āļĄāļđāļĨ [āļŠāļ·āđˆāļ­āļŠāļļāļ”āļ‚āđ‰āļ­āļĄāļđāļĨ] āđāļĨāļ°āļĢāļ°āļšāļļāļˆāļļāļ”āļŠāļąāļĄāļœāļąāļŠ (Touchpoints) āļ—āļĩāđˆāļŠāļģāļ„āļąāļāļ—āļĩāđˆāļŠāļļāļ” 3-5 āļˆāļļāļ” āļžāļĢāđ‰āļ­āļĄāđ€āļŠāļ™āļ­āđāļ™āļ°āļ§āļīāļ˜āļĩāļāļēāļĢāļ›āļĢāļąāļšāļ›āļĢāļļāļ‡āļ›āļĢāļ°āļŠāļšāļāļēāļĢāļ“āđŒāļĨāļđāļāļ„āđ‰āļē”
  9. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāļ‚āļ­āļ‡āđāļ„āļĄāđ€āļ›āļāļāļēāļĢāļ•āļĨāļēāļ” [āļŠāļ·āđˆāļ­āđāļ„āļĄāđ€āļ›āļ] āđ‚āļ”āļĒāđƒāļŠāđ‰āļ‚āđ‰āļ­āļĄāļđāļĨāļˆāļēāļ [āđāļŦāļĨāđˆāļ‡āļ‚āđ‰āļ­āļĄāļđāļĨ] āđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­ ROI āļžāļĢāđ‰āļ­āļĄāļ‚āđ‰āļ­āđ€āļŠāļ™āļ­āđāļ™āļ°āļŠāļģāļŦāļĢāļąāļšāļāļēāļĢāļ›āļĢāļąāļšāļ›āļĢāļļāļ‡āđāļ„āļĄāđ€āļ›āļāđƒāļ™āļ­āļ™āļēāļ„āļ•”
  10. “āļŠāļĢāđ‰āļēāļ‡ Heatmap āđāļŠāļ”āļ‡āļ„āļ§āļēāļĄāļŠāļąāļĄāļžāļąāļ™āļ˜āđŒāļĢāļ°āļŦāļ§āđˆāļēāļ‡ [āļ•āļąāļ§āđāļ›āļĢ A], [āļ•āļąāļ§āđāļ›āļĢ B], āđāļĨāļ° [āļ•āļąāļ§āđāļ›āļĢ C] āļˆāļēāļāļ‚āđ‰āļ­āļĄāļđāļĨ [āļŠāļ·āđˆāļ­āļŠāļļāļ”āļ‚āđ‰āļ­āļĄāļđāļĨ] āļžāļĢāđ‰āļ­āļĄāļ­āļ˜āļīāļšāļēāļĒāļ™āļąāļĒāļŠāļģāļ„āļąāļāļ—āļēāļ‡āļ˜āļļāļĢāļāļīāļˆāļ—āļĩāđˆāļ„āđ‰āļ™āļžāļš”
  11. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨāļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™āđāļ­āļ›āļžāļĨāļīāđ€āļ„āļŠāļąāļ™ [āļŠāļ·āđˆāļ­āđāļ­āļ›] āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ User Persona 3-5 āđāļšāļš āļžāļĢāđ‰āļ­āļĄāđ€āļŠāļ™āļ­āđāļ™āļ°āļŸāļĩāđ€āļˆāļ­āļĢāđŒāļŦāļĢāļ·āļ­āļāļēāļĢāļ›āļĢāļąāļšāļ›āļĢāļļāļ‡āļ—āļĩāđˆāđ€āļŦāļĄāļēāļ°āļŠāļĄāļŠāļģāļŦāļĢāļąāļšāđāļ•āđˆāļĨāļ° Persona”
  12. “āļŠāļĢāđ‰āļēāļ‡ Sankey Diagram āđāļŠāļ”āļ‡āļāļēāļĢāđ„āļŦāļĨāļ‚āļ­āļ‡ [āļ‚āđ‰āļ­āļĄāļđāļĨ/āļ—āļĢāļąāļžāļĒāļēāļāļĢ] āđƒāļ™āļāļĢāļ°āļšāļ§āļ™āļāļēāļĢ [āļŠāļ·āđˆāļ­āļāļĢāļ°āļšāļ§āļ™āļāļēāļĢ] āđāļĨāļ°āļĢāļ°āļšāļļāļˆāļļāļ”āļ—āļĩāđˆāļĄāļĩāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāļ•āđˆāļģāļŦāļĢāļ·āļ­āļĄāļĩāļāļēāļĢāļŠāļđāļāđ€āļŠāļĩāļĒ āļžāļĢāđ‰āļ­āļĄāđ€āļŠāļ™āļ­āđāļ™āļ§āļ—āļēāļ‡āļāļēāļĢāđāļāđ‰āđ„āļ‚”
  13. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ [āļŠāļ·āđˆāļ­āļŠāļļāļ”āļ‚āđ‰āļ­āļĄāļđāļĨ] āđ€āļžāļ·āđˆāļ­āļ„āđ‰āļ™āļŦāļē Anomalies āļŦāļĢāļ·āļ­ Outliers āļ—āļĩāđˆāļ™āđˆāļēāļŠāļ™āđƒāļˆ āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡āđ€āļĢāļ·āđˆāļ­āļ‡āļĢāļēāļ§āļ—āļĩāđˆāļ­āļ˜āļīāļšāļēāļĒāļŠāļēāđ€āļŦāļ•āļļāđāļĨāļ°āļœāļĨāļāļĢāļ°āļ—āļšāļ—āļĩāđˆāļ­āļēāļˆāđ€āļāļīāļ”āļ‚āļķāđ‰āļ™āļ•āđˆāļ­āļ˜āļļāļĢāļāļīāļˆ”
  14. “āļŠāļĢāđ‰āļēāļ‡ Cohort Analysis āļ‚āļ­āļ‡āļĨāļđāļāļ„āđ‰āļēāļ—āļĩāđˆāļ‹āļ·āđ‰āļ­ [āļœāļĨāļīāļ•āļ āļąāļ“āļ‘āđŒ/āļšāļĢāļīāļāļēāļĢ] āđƒāļ™āļŠāđˆāļ§āļ‡ [āļĢāļ°āļĒāļ°āđ€āļ§āļĨāļē] āđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­āļ‚āđ‰āļ­āļĄāļđāļĨāđ€āļŠāļīāļ‡āļĨāļķāļāđ€āļāļĩāđˆāļĒāļ§āļāļąāļšāļžāļĪāļ•āļīāļāļĢāļĢāļĄāļāļēāļĢāļ‹āļ·āđ‰āļ­āļ‹āđ‰āļģāđāļĨāļ° Customer Lifetime Value”
  15. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ Supply Chain āļ‚āļ­āļ‡āļšāļĢāļīāļĐāļąāļ—āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ Network Graph āļ—āļĩāđˆāđāļŠāļ”āļ‡āļ„āļ§āļēāļĄāļŠāļąāļĄāļžāļąāļ™āļ˜āđŒāļĢāļ°āļŦāļ§āđˆāļēāļ‡āļœāļđāđ‰āļˆāļąāļ”āļˆāļģāļŦāļ™āđˆāļēāļĒ āļŠāļīāļ™āļ„āđ‰āļēāļ„āļ‡āļ„āļĨāļąāļ‡ āđāļĨāļ°āļˆāļļāļ”āļˆāļąāļ”āļˆāļģāļŦāļ™āđˆāļēāļĒ āļžāļĢāđ‰āļ­āļĄāļĢāļ°āļšāļļāđ‚āļ­āļāļēāļŠāđƒāļ™āļāļēāļĢāđ€āļžāļīāđˆāļĄāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļž”
  16. “āļŠāļĢāđ‰āļēāļ‡ Predictive Model āļ—āļĩāđˆāļ—āļģāļ™āļēāļĒāđ‚āļ­āļāļēāļŠāđƒāļ™āļāļēāļĢ Churn āļ‚āļ­āļ‡āļĨāļđāļāļ„āđ‰āļē āđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­āļœāļĨāļĨāļąāļžāļ˜āđŒāđƒāļ™āļĢāļđāļ›āđāļšāļš Risk Score āļžāļĢāđ‰āļ­āļĄāđāļ™āļ§āļ—āļēāļ‡āļāļēāļĢāļĢāļąāļāļĐāļēāļĨāļđāļāļ„āđ‰āļēāļ—āļĩāđˆāļĄāļĩāļ„āļ§āļēāļĄāđ€āļŠāļĩāđˆāļĒāļ‡āļŠāļđāļ‡”
  17. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ HR āđ€āļāļĩāđˆāļĒāļ§āļāļąāļš Employee Engagement āđāļĨāļ° Turnover Rate āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ Story āļ—āļĩāđˆāđāļŠāļ”āļ‡āļ„āļ§āļēāļĄāļŠāļąāļĄāļžāļąāļ™āļ˜āđŒāļĢāļ°āļŦāļ§āđˆāļēāļ‡āļ›āļąāļˆāļˆāļąāļĒāļ•āđˆāļēāļ‡āđ† āļ—āļĩāđˆāļŠāđˆāļ‡āļœāļĨāļ•āđˆāļ­āļ„āļ§āļēāļĄāļžāļķāļ‡āļžāļ­āđƒāļˆāļ‚āļ­āļ‡āļžāļ™āļąāļāļ‡āļēāļ™”
  18. “āļŠāļĢāđ‰āļēāļ‡ Geographic Information System (GIS) visualization āļ—āļĩāđˆāđāļŠāļ”āļ‡āļāļēāļĢāļāļĢāļ°āļˆāļēāļĒāļ•āļąāļ§āļ‚āļ­āļ‡ [āļ‚āđ‰āļ­āļĄāļđāļĨ/āļ•āļąāļ§āđāļ›āļĢ] āļ•āļēāļĄāļžāļ·āđ‰āļ™āļ—āļĩāđˆ āđāļĨāļ°āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāđāļ™āļ§āđ‚āļ™āđ‰āļĄāļŦāļĢāļ·āļ­āļĢāļđāļ›āđāļšāļšāļ—āļĩāđˆāļ™āđˆāļēāļŠāļ™āđƒāļˆ”
  19. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ Time Series āļ‚āļ­āļ‡ [āļ•āļąāļ§āļŠāļĩāđ‰āļ§āļąāļ”] āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ Decomposition Plot āļ—āļĩāđˆāđāļĒāļāļ­āļ‡āļ„āđŒāļ›āļĢāļ°āļāļ­āļš Trend, Seasonality, āđāļĨāļ° Residual āļžāļĢāđ‰āļ­āļĄāļ­āļ˜āļīāļšāļēāļĒāļœāļĨāļāļĢāļ°āļ—āļšāļ•āđˆāļ­āļ˜āļļāļĢāļāļīāļˆ”
  20. “āļŠāļĢāđ‰āļēāļ‡ Decision Tree āļŦāļĢāļ·āļ­ Random Forest Model āļ—āļĩāđˆāļŠāđˆāļ§āļĒāđƒāļ™āļāļēāļĢāļ•āļąāļ”āļŠāļīāļ™āđƒāļˆāđ€āļāļĩāđˆāļĒāļ§āļāļąāļš [āļŦāļąāļ§āļ‚āđ‰āļ­/āļ›āļąāļāļŦāļē] āđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­āļœāļĨāļĨāļąāļžāļ˜āđŒāđƒāļ™āļĢāļđāļ›āđāļšāļš Flowchart āļ—āļĩāđˆāđ€āļ‚āđ‰āļēāđƒāļˆāļ‡āđˆāļēāļĒāļŠāļģāļŦāļĢāļąāļšāļœāļđāđ‰āļšāļĢāļīāļŦāļēāļĢ”
āđāļˆāļāļĢāļ°āļšāļšāđ€āļ—āļĢāļ”āđ‚āļ”āļĒAI (āļāļ”āļ”āļđāđ€āļžāļīāđˆāļĄāđ€āļ•āļīāļĄ)

āļœāļĄāđ„āļ”āđ‰āđ„āļ›āđ€āļˆāļ­āļ„āļĨāļīāļ›āļ™āļĩāđ‰ āļĄāļĩāļāļēāļĢāđāļˆāļāļĢāļ°āļšāļšāđ€āļ—āļĢāļ”āļ‚āļ­āļ‡āļĨāļļāļ‡āđ‚āļ‰āļĨāļ āļ‹āļķāđˆāļ‡āđ€āļ›āđ‡āļ™ CDC ActionZone āļāđ‡āđ€āļĨāļĒāđ€āļ­āļēāđ„āļ›āļ›āļĢāļąāļšāđāļ•āđˆāļ‡āđ€āļžāļīāđˆāļĄāļ™āļīāļ”āđ†āļŦāļ™āđˆāļ­āļĒāđ† āđƒāļŦāđ‰āļ—āļģāļāļēāļĢāđ€āļ›āļīāļ”āļŠāļąāļāļāļēāļ“āļ‹āļ·āđ‰āļ­āļ‚āļēāļĒ āļāļąāļšāđ€āļžāļīāđˆāļĄāļŠāļąāļāļĨāļąāļāļĐāļ“āđŒāļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™āđƒāļŦāđ‰āļ‡āđˆāļēāļĒāļ‚āļķāđ‰āļ™


1.āđ€āļ›āļīāļ”āļšāļąāļāļŠāļĩāļ—āļ”āļĨāļ­āļ‡
āļ—āļ”āļĨāļ­āļ‡āđ€āļ—āļĢāļ” Binaryoption (āđ€āļŦāļĄāļēāļ°āļāđ‡āļ•āđˆāļ­āđ€āļĄāļ·āđˆāļ­āđ€āļ›āļīāļ”āļ”āļđāļŠāļąāļāļāļēāļ“ TF 1H āļ‚āļķāđ‰āļ™āđ„āļ›) āļāļķāļāļāļ™āđ€āļ—āļĢāļ”āļŸāļĢāļĩāļ„āļĨāļīāļāļ—āļĩāđˆāļ™āļĩāđˆ
āļ—āļ”āļĨāļ­āļ‡āđ€āļ—āļĢāļ”Forex (āđƒāļŠāđ‰āđ„āļ”āđ‰āļ”āļĩāļāļąāļšāļŠāļąāļāļāļēāļ“āļ™āļĩāđ‰) āļāļķāļāļāļ™āđ€āļ—āļĢāļ”āļŸāļĢāļĩāļ„āļĨāļīāļāļ—āļĩāđˆāļ™āļĩāđˆ

2.āđ„āļ›āļ—āļĩāđˆ https://www.tradingview.com/ āđāļĨāđ‰āļ§āđ€āļ­āļēCodeāļ—āļĩāđˆāļœāļĄāđāļˆāļ āļāđ‡āļ­āļ›āļ§āļēāļ‡āđ„āļ”āđ‰āđ€āļĨāļĒāļ„āļĢāļąāļš

// This source code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
// ÂĐ piriya33
// Added Labels and alert conditions and other quality of life feature
// Updated compatability with pine script v4
// Based on improvements from "Kitti-Playbook Action Zone V.4.2.0.3 for Stock Market"

//@version=5
strategy('GPT Mod By CDC V3', overlay=true, precision=6, default_qty_type=strategy.percent_of_equity, default_qty_value=10)
//****************************************************************************//
// CDC Action Zone is based on a simple EMA crossover
// between [default] EMA12 and EMA26
// The zones are defined by the relative position of
// price in relation to the two EMA lines
// Different zones can be use to activate / deactivate
// other trading strategies
// The strategy can also be used on its own with
// acceptable result, buy on the first green candle
// and sell on the first red candle
//****************************************************************************//
//****************************************************************************//
// Define User Input Variables

xsrc = input.source(title='Source Data', defval=close)
xprd1 = input.int(title='Fast EMA period', defval=12)
xprd2 = input.int(title='Slow EMA period', defval=26)
xsmooth = input.int(title='Smoothing period (1 = no smoothing)', defval=1)
fillSW = input.bool(title='Paint Bar Colors', defval=true)
fastSW = input.bool(title='Show fast moving average line', defval=true)
slowSW = input.bool(title='Show slow moving average line', defval=true)
labelSwitch = input.bool(title='Turn on assistive text', defval=true)
plotSigsw = input.bool(title='Plot Buy/Sell Signals? ', defval=true)
plotRibsw = input.bool(title='Plot Buy/Sell Ribbon', defval=false)
plotRibbonPos = input.string(title='Ribbon Position', options=['Top', 'Bottom'], defval='Top')

xfixtf = input.bool(title='** Use Fixed time frame Mode (advanced) **', defval=false)
xtf = input.timeframe(title='** Fix chart to which time frame ? **)', defval='D')

plotSig2sw = input.bool(title='Plot momentum based Buy/Sell Signals? ', defval=false)
plotSig2lv = input.int(title='Set signal threshold (higher = stricter)', defval=1, minval=0, maxval=1)

//****************************************************************************//
//Calculate Indicators

f_secureSecurity(_symbol, _res, _src) => request.security(_symbol, _res, _src[1], lookahead = barmerge.lookahead_on) // Using f_secureSecurity to avoid repainting

xPrice = ta.ema(xsrc, xsmooth)


FastMA = xfixtf ?
ta.ema(f_secureSecurity(syminfo.tickerid, xtf, ta.ema(xsrc, xprd1)), xsmooth)
:
ta.ema(xPrice, xprd1)


SlowMA = xfixtf ?
ta.ema(f_secureSecurity(syminfo.tickerid, xtf, ta.ema(xsrc, xprd2)), xsmooth)
:
ta.ema(xPrice, xprd2)

Bull = FastMA > SlowMA
Bear = FastMA < SlowMA

//****************************************************************************//
// Define Color Zones

Green = Bull and xPrice > FastMA // Buy
Blue = Bear and xPrice > FastMA and xPrice > SlowMA //Pre Buy 2
LBlue = Bear and xPrice > FastMA and xPrice < SlowMA //Pre Buy 1

Red = Bear and xPrice < FastMA // Sell
Orange = Bull and xPrice < FastMA and xPrice < SlowMA // Pre Sell 2
Yellow = Bull and xPrice < FastMA and xPrice > SlowMA // Pre Sell 1

//****************************************************************************//
// Display color on chart


bColor = Green ? color.green :
Blue ? color.blue :
LBlue ? color.aqua :
Red ? color.red :
Orange ? color.orange :
Yellow ? color.yellow :
color.black
barcolor(color=fillSW ? bColor : na)

//****************************************************************************//
// Display MA lines

FastL = plot(fastSW ? FastMA : na, 'Fast EMA', color=color.new(color.red, 0), style = xfixtf ? plot.style_stepline : plot.style_line)
SlowL = plot(slowSW ? SlowMA : na, 'Slow EMA', color=color.new(color.blue, 0), style = xfixtf ? plot.style_stepline : plot.style_line)
fillcolor = Bull ? color.new(color.green,90) : Bear ? color.new(color.red,90) : color.new(color.black,90) // fillcolor = Bull ? color.green : Bear ? color.red : color.black
fill(FastL, SlowL, fillcolor) // fill(FastL, SlowL, fillcolor, transp=90)

//****************************************************************************//
// Define Buy and Sell condition
// This is only for thebasic usage of CDC Actionzone (EMA Crossover)
// ie. Buy on first green bar and sell on first red bar

buycond = Green and Green[1] == 0
sellcond = Red and Red[1] == 0

bullish = ta.barssince(buycond) < ta.barssince(sellcond)
bearish = ta.barssince(sellcond) < ta.barssince(buycond)

buy = bearish[1] and buycond
sell = bullish[1] and sellcond

bColor_BullBear = bullish ? color.green : bearish ? color.red : color.black

//****************************************************************************//
// Plot Buy and Sell point on chart

plotshape(plotSigsw ? buy : na,
style=shape.labelup,
title='Buy Signal',
location=location.belowbar,
color=color.new(color.green, 0),
text="BUY")
plotshape(plotSigsw ? sell : na,
style=shape.labeldown,
title='Sell Signal',
location=location.abovebar,
color=color.new(color.red, 0),
text="SELL")

// Display Buy/Sell Ribbon


plotshape(plotRibsw ? plotRibbonPos == 'Top' ? close : na : na,
style=shape.square,
title='Buy/Sell Ribbon',
location=location.top,
color=bColor_BullBear)

plotshape(plotRibsw ? plotRibbonPos == 'Bottom' ? close : na : na,
style=shape.square,
title='Buy/Sell Ribbon',
location=location.bottom,
color=bColor_BullBear)


//****************************************************************************//
// Label

labelstyle = close > SlowMA ? label.style_label_down : label.style_label_up
labelyloc = close > SlowMA ? yloc.abovebar : yloc.belowbar
labeltcolor = buy ? color.black :
sell ? color.white :
close > close[1] ? color.green :
color.red
labelbgcolor = buy ? color.green : sell ? color.red : color.silver
labeltext = buy ? 'BUY next bar\n' : sell ? 'SELL next bar\n' : ' '
trendText = bullish ? 'bullish' : bearish ? 'bearish' : 'sideways'


l1 = label.new(bar_index, na,
text=labeltext + syminfo.ticker + ' ' + str.tostring(close) + ' ' + syminfo.currency + '\n currently in a ' + trendText + ' trend \n',
color=labelbgcolor,
textcolor=labeltcolor,
yloc=labelyloc,
style=labelstyle)

label.delete(labelSwitch ? l1[1] : l1)

// Momentum Signal using StochRSI

// Adds a momentum based signal following trends to the script
// Default is hidden, only use with caution
// Parameters for STOCH RSI is hard-coded to avoid cluttering the input screen further
// If you need to change anything, make a copy of the code and change it.
// Inputs are commented out, to enable them comment out the hard coded variables first!

// fixed inputs //

smoothK = 3
smoothD = 3
RSIlen = 14
STOlen = 14
SRsrc = close
OSlevel = 30
OBlevel = 70

// User inputs // // COMMENT ABOVE VARIABLES FIRST!!

// smoothK = input(3,"StochRSI smooth K",type=input.integer,minval=1)
// smoothD = input(3,"StochRSI smooth D",type=input.integer,minval=1)
// RSIlen = input(14,"RSI length",type=input.integer,minval=1)
// STOlen = input(14,"Stochastic length",type=input.integer,minval=1)
// SRsrc = input(close,"Source for StochasticRSI",type=input.source)
// OSlevel = input(30,"Oversold Threshold",type=input.float,minval=0.00)
// OBlevel = input(70,"Oversold Threshold",type=input.float,minval=0.00)

// calculations //
rsi1 = ta.rsi(SRsrc, RSIlen)
k = ta.sma(ta.stoch(rsi1, rsi1, rsi1, STOlen), smoothK)
d = ta.sma(k, smoothD)

// storsiBuySig = if bullish
// if (d < OSlevel and crossover(k,d))
// 3
// else if crossover(k,OSlevel)
// 2
// else if d > OSlevel and crossover(k,d)
// 1
// else
// 0
// else
// 0

crossover_1 = ta.crossover(k, d)
crossover_2 = ta.crossover(k, d)
iff_1 = d > OSlevel and crossover_2 ?
1 : 0
iff_2 = d < OSlevel and crossover_1 ?
2 : iff_1
storsiBuySig = bullish ? iff_2 : 0

crossunder_1 = ta.crossunder(k, d)
crossunder_2 = ta.crossunder(k, d)
iff_3 = d < OBlevel and crossunder_2 ?
1 : 0
iff_4 = d > OBlevel and crossunder_1 ?
2 : iff_3
storsiSellSig = bearish ? iff_4 : 0

plotshape(plotSig2sw ? storsiBuySig > plotSig2lv ? storsiBuySig : na : na,
'Buy more signals', style=shape.triangleup,
location=location.belowbar, color=color.new(color.teal, 0))
plotshape(plotSig2sw ? storsiSellSig > plotSig2lv ? storsiSellSig : na : na,
'Sell more signals', style=shape.triangledown,
location=location.abovebar, color=color.new(color.orange, 0))


//****************************************************************************//
// Alert conditions

alertcondition(buy,
title='*Buy Alert',
message='Buy {{exchange}}:{{ticker}}')

alertcondition(sell,
title='*Sell Alert',
message='Sell {{exchange}}:{{ticker}}')

alertcondition(bullish,
title='is Bullish')

alertcondition(bearish,
title='is Bearish')

alertcondition(Green,
title='is Green')

alertcondition(Blue,
title='is Blue (Strong Rally)')

alertcondition(LBlue,
title='is Light Blue (Rally)')

alertcondition(Red,
title='is Red')

alertcondition(Orange,
title='is Orange (Strong Dip)')

alertcondition(Yellow,
title='is Yellow (Dip)')


//****************************************************************************//

// Entry and Exit Strategy
if (buy)
strategy.entry("Buy", strategy.long)

if (sell)
strategy.close("Buy")

  1. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ Text Mining āļˆāļēāļ [āđāļŦāļĨāđˆāļ‡āļ‚āđ‰āļ­āļĄāļđāļĨ] āđ€āļŠāđˆāļ™ āļĢāļĩāļ§āļīāļ§āļĨāļđāļāļ„āđ‰āļēāļŦāļĢāļ·āļ­ Social Media āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ Word Cloud āļžāļĢāđ‰āļ­āļĄāļŠāļĢāļļāļ›āļ›āļĢāļ°āđ€āļ”āđ‡āļ™āļŠāļģāļ„āļąāļāļ—āļĩāđˆāļžāļšāļˆāļēāļāļāļēāļĢāļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒ”
  2. “āļŠāļĢāđ‰āļēāļ‡ Funnel Analysis āļ‚āļ­āļ‡āļāļĢāļ°āļšāļ§āļ™āļāļēāļĢ [āļŠāļ·āđˆāļ­āļāļĢāļ°āļšāļ§āļ™āļāļēāļĢ] āđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­ Conversion Rate āđƒāļ™āđāļ•āđˆāļĨāļ°āļ‚āļąāđ‰āļ™āļ•āļ­āļ™ āļžāļĢāđ‰āļ­āļĄāđ€āļŠāļ™āļ­āđāļ™āļ°āļ§āļīāļ˜āļĩāļāļēāļĢāļ›āļĢāļąāļšāļ›āļĢāļļāļ‡āļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļž”
  3. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ A/B Testing āļ‚āļ­āļ‡ [āļŠāļ·āđˆāļ­āļāļēāļĢāļ—āļ”āļŠāļ­āļš] āđāļĨāļ°āļŠāļĢāļļāļ›āļœāļĨāļĨāļąāļžāļ˜āđŒāđƒāļ™āļĢāļđāļ›āđāļšāļšāļ—āļĩāđˆāđ€āļ‚āđ‰āļēāđƒāļˆāļ‡āđˆāļēāļĒ āļžāļĢāđ‰āļ­āļĄāļ„āļģāđāļ™āļ°āļ™āļģāļŠāļģāļŦāļĢāļąāļšāļāļēāļĢāļ™āļģāđ„āļ›āđƒāļŠāđ‰āđƒāļ™āļāļēāļĢāļ•āļąāļ”āļŠāļīāļ™āđƒāļˆāļ—āļēāļ‡āļ˜āļļāļĢāļāļīāļˆ”
  4. “āļŠāļĢāđ‰āļēāļ‡ Cluster Analysis āļ‚āļ­āļ‡ [āļāļĨāļļāđˆāļĄāļ‚āđ‰āļ­āļĄāļđāļĨ] āđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­āļœāļĨāļĨāļąāļžāļ˜āđŒāđƒāļ™āļĢāļđāļ›āđāļšāļš Scatter Plot āļŦāļĢāļ·āļ­ t-SNE Visualization āļžāļĢāđ‰āļ­āļĄāļ­āļ˜āļīāļšāļēāļĒāļĨāļąāļāļĐāļ“āļ°āđ€āļ‰āļžāļēāļ°āļ‚āļ­āļ‡āđāļ•āđˆāļĨāļ°āļāļĨāļļāđˆāļĄ”
  5. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ IoT āļˆāļēāļ [āļ­āļļāļ›āļāļĢāļ“āđŒ/āđ€āļ‹āļ™āđ€āļ‹āļ­āļĢāđŒ] āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ Real-time Dashboard āļ—āļĩāđˆāđāļŠāļ”āļ‡āļŠāļ–āļēāļ™āļ°āđāļĨāļ°āđāļ™āļ§āđ‚āļ™āđ‰āļĄāļŠāļģāļ„āļąāļ āļžāļĢāđ‰āļ­āļĄāļĢāļ°āļšāļšāđāļˆāđ‰āļ‡āđ€āļ•āļ·āļ­āļ™āļŠāļģāļŦāļĢāļąāļšāđ€āļŦāļ•āļļāļāļēāļĢāļ“āđŒāļœāļīāļ”āļ›āļāļ•āļī”
  6. “āļŠāļĢāđ‰āļēāļ‡ Network Analysis āļ‚āļ­āļ‡ [āļ‚āđ‰āļ­āļĄāļđāļĨāđ€āļ„āļĢāļ·āļ­āļ‚āđˆāļēāļĒ] āđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­ Key Influencers āļŦāļĢāļ·āļ­ Central Nodes āļžāļĢāđ‰āļ­āļĄāļ­āļ˜āļīāļšāļēāļĒāļ„āļ§āļēāļĄāļŠāļģāļ„āļąāļāđāļĨāļ°āļœāļĨāļāļĢāļ°āļ—āļšāļ•āđˆāļ­āđ€āļ„āļĢāļ·āļ­āļ‚āđˆāļēāļĒāđ‚āļ”āļĒāļĢāļ§āļĄ”
  7. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ Sentiment Analysis āļˆāļēāļ [āđāļŦāļĨāđˆāļ‡āļ‚āđ‰āļ­āļĄāļđāļĨ] āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ Emotion Wheel āļ—āļĩāđˆāđāļŠāļ”āļ‡āļŠāļąāļ”āļŠāđˆāļ§āļ™āļ‚āļ­āļ‡āļ­āļēāļĢāļĄāļ“āđŒāļ•āđˆāļēāļ‡āđ† āļžāļĢāđ‰āļ­āļĄāļŠāļĢāļļāļ›āļ‚āđ‰āļ­āļĄāļđāļĨāđ€āļŠāļīāļ‡āļĨāļķāļāļ—āļĩāđˆāļŠāļģāļ„āļąāļ”
  8. “āļŠāļĢāđ‰āļēāļ‡ Correlation Matrix āļ‚āļ­āļ‡ [āļŠāļļāļ”āļ•āļąāļ§āđāļ›āļĢ] āđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­āđƒāļ™āļĢāļđāļ›āđāļšāļš Heatmap āļžāļĢāđ‰āļ­āļĄāļ­āļ˜āļīāļšāļēāļĒāļ„āļ§āļēāļĄāļŠāļąāļĄāļžāļąāļ™āļ˜āđŒāļ—āļĩāđˆāļ™āđˆāļēāļŠāļ™āđƒāļˆāđāļĨāļ°āļ™āļąāļĒāļŠāļģāļ„āļąāļāļ—āļēāļ‡āļ˜āļļāļĢāļāļīāļˆ”
  9. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ Clickstream āļˆāļēāļāđ€āļ§āđ‡āļšāđ„āļ‹āļ•āđŒāļŦāļĢāļ·āļ­āđāļ­āļ›āļžāļĨāļīāđ€āļ„āļŠāļąāļ™āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ User Flow Diagram āļ—āļĩāđˆāđāļŠāļ”āļ‡āđ€āļŠāđ‰āļ™āļ—āļēāļ‡āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™āļ—āļĩāđˆāļžāļšāļšāđˆāļ­āļĒ āļžāļĢāđ‰āļ­āļĄāđ€āļŠāļ™āļ­āđāļ™āļ°āļāļēāļĢāļ›āļĢāļąāļšāļ›āļĢāļļāļ‡ UI/UX”
  10. “āļŠāļĢāđ‰āļēāļ‡ Recommender System āļŠāļģāļŦāļĢāļąāļš [āļœāļĨāļīāļ•āļ āļąāļ“āļ‘āđŒ/āļšāļĢāļīāļāļēāļĢ] āđ‚āļ”āļĒāđƒāļŠāđ‰āļ‚āđ‰āļ­āļĄāļđāļĨ [āļŠāļ·āđˆāļ­āļŠāļļāļ”āļ‚āđ‰āļ­āļĄāļđāļĨ] āđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­āļ•āļąāļ§āļ­āļĒāđˆāļēāļ‡āļ„āļģāđāļ™āļ°āļ™āļģāļžāļĢāđ‰āļ­āļĄāļ­āļ˜āļīāļšāļēāļĒāđ€āļŦāļ•āļļāļœāļĨāđƒāļ™āļāļēāļĢāđāļ™āļ°āļ™āļģ”
  11. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ Financial Time Series āļ‚āļ­āļ‡ [āļ•āļąāļ§āļŠāļĩāđ‰āļ§āļąāļ”āļ—āļēāļ‡āļāļēāļĢāđ€āļ‡āļīāļ™] āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ Candlestick Chart āļžāļĢāđ‰āļ­āļĄ Technical Indicators āļ—āļĩāđˆāļŠāļģāļ„āļąāļ āđāļĨāļ°āļ­āļ˜āļīāļšāļēāļĒāđāļ™āļ§āđ‚āļ™āđ‰āļĄāļ—āļĩāđˆāļ™āđˆāļēāļŠāļ™āđƒāļˆ”
  12. “āļŠāļĢāđ‰āļēāļ‡ Survival Analysis āļ‚āļ­āļ‡ [āļāļĨāļļāđˆāļĄāļ‚āđ‰āļ­āļĄāļđāļĨ/āđ€āļŦāļ•āļļāļāļēāļĢāļ“āđŒ] āđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­ Kaplan-Meier Curve āļžāļĢāđ‰āļ­āļĄāļ­āļ˜āļīāļšāļēāļĒāļ›āļąāļˆāļˆāļąāļĒāļ—āļĩāđˆāļŠāđˆāļ‡āļœāļĨāļ•āđˆāļ­āļ­āļąāļ•āļĢāļēāļāļēāļĢāļ­āļĒāļđāđˆāļĢāļ­āļ”āļŦāļĢāļ·āļ­āļāļēāļĢāđ€āļāļīāļ”āđ€āļŦāļ•āļļāļāļēāļĢāļ“āđŒ”
  13. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ Web Analytics āļ‚āļ­āļ‡ [āđ€āļ§āđ‡āļšāđ„āļ‹āļ•āđŒ/āđāļ­āļ›āļžāļĨāļīāđ€āļ„āļŠāļąāļ™] āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ Multi-touch Attribution Model āļ—āļĩāđˆāđāļŠāļ”āļ‡āđƒāļŦāđ‰āđ€āļŦāđ‡āļ™āļ–āļķāļ‡āļŠāđˆāļ­āļ‡āļ—āļēāļ‡āļ—āļĩāđˆāļĄāļĩāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāđƒāļ™āļāļēāļĢāļŠāļĢāđ‰āļēāļ‡ Conversion”
  1. “āļŠāļĢāđ‰āļēāļ‡ Conjoint Analysis āļŠāļģāļŦāļĢāļąāļš [āļœāļĨāļīāļ•āļ āļąāļ“āļ‘āđŒ/āļšāļĢāļīāļāļēāļĢ] āđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­āļœāļĨāļĨāļąāļžāļ˜āđŒāđƒāļ™āļĢāļđāļ›āđāļšāļšāļ—āļĩāđˆāđāļŠāļ”āļ‡āļ„āļ§āļēāļĄāļŠāļģāļ„āļąāļāļ‚āļ­āļ‡āđāļ•āđˆāļĨāļ°āļ„āļļāļ“āļĨāļąāļāļĐāļ“āļ° āļžāļĢāđ‰āļ­āļĄāđ€āļŠāļ™āļ­āđāļ™āļ°āļāļĨāļĒāļļāļ—āļ˜āđŒāļāļēāļĢāļžāļąāļ’āļ™āļēāļœāļĨāļīāļ•āļ āļąāļ“āļ‘āđŒ”
  2. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ Geospatial āļˆāļēāļ [āđāļŦāļĨāđˆāļ‡āļ‚āđ‰āļ­āļĄāļđāļĨ] āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ Choropleth Map āļ—āļĩāđˆāđāļŠāļ”āļ‡āļāļēāļĢāļāļĢāļ°āļˆāļēāļĒāļ•āļąāļ§āļ‚āļ­āļ‡ [āļ•āļąāļ§āđāļ›āļĢ] āļ•āļēāļĄāļžāļ·āđ‰āļ™āļ—āļĩāđˆ āļžāļĢāđ‰āļ­āļĄāļĢāļ°āļšāļļ Hotspots āđāļĨāļ° Cold spots āļ—āļĩāđˆāļ™āđˆāļēāļŠāļ™āđƒāļˆ”
  3. “āļŠāļĢāđ‰āļēāļ‡ Predictive Maintenance Model āļŠāļģāļŦāļĢāļąāļš [āđ€āļ„āļĢāļ·āđˆāļ­āļ‡āļˆāļąāļāļĢ/āļ­āļļāļ›āļāļĢāļ“āđŒ] āđ‚āļ”āļĒāđƒāļŠāđ‰āļ‚āđ‰āļ­āļĄāļđāļĨ Sensor āđāļĨāļ°āļ›āļĢāļ°āļ§āļąāļ•āļīāļāļēāļĢāļ‹āđˆāļ­āļĄāļšāļģāļĢāļļāļ‡ āļ™āļģāđ€āļŠāļ™āļ­āļœāļĨāļāļēāļĢāļžāļĒāļēāļāļĢāļ“āđŒāđāļĨāļ°āđāļœāļ™āļāļēāļĢāļšāļģāļĢāļļāļ‡āļĢāļąāļāļĐāļēāđ€āļŠāļīāļ‡āļ›āđ‰āļ­āļ‡āļāļąāļ™”
  4. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ Customer Feedback āļˆāļēāļ [āđāļŦāļĨāđˆāļ‡āļ‚āđ‰āļ­āļĄāļđāļĨ] āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ Topic Modeling āļ”āđ‰āļ§āļĒāđ€āļ—āļ„āļ™āļīāļ„ LDA (Latent Dirichlet Allocation) āļžāļĢāđ‰āļ­āļĄāļŠāļĢāļļāļ›āļ›āļĢāļ°āđ€āļ”āđ‡āļ™āļŦāļĨāļąāļāļ—āļĩāđˆāļĨāļđāļāļ„āđ‰āļēāđƒāļŦāđ‰āļ„āļ§āļēāļĄāļŠāļ™āđƒāļˆ”
  5. “āļŠāļĢāđ‰āļēāļ‡ Dynamic Pricing Model āļŠāļģāļŦāļĢāļąāļš [āļŠāļīāļ™āļ„āđ‰āļē/āļšāļĢāļīāļāļēāļĢ] āđ‚āļ”āļĒāđƒāļŠāđ‰āļ‚āđ‰āļ­āļĄāļđāļĨ [āļŠāļļāļ”āļ‚āđ‰āļ­āļĄāļđāļĨ] āđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­āļāļĨāļĒāļļāļ—āļ˜āđŒāļāļēāļĢāļ›āļĢāļąāļšāļĢāļēāļ„āļēāļ•āļēāļĄāļ›āļąāļˆāļˆāļąāļĒāļ•āđˆāļēāļ‡āđ† āđ€āļŠāđˆāļ™ āļ„āļ§āļēāļĄāļ•āđ‰āļ­āļ‡āļāļēāļĢ āļĪāļ”āļđāļāļēāļĨ āļŦāļĢāļ·āļ­āļāļēāļĢāđāļ‚āđˆāļ‡āļ‚āļąāļ™”
  6. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ Social Network Analysis āļ‚āļ­āļ‡ [āļāļĨāļļāđˆāļĄāđ€āļ›āđ‰āļēāļŦāļĄāļēāļĒ] āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ Influence Map āļ—āļĩāđˆāđāļŠāļ”āļ‡āļ„āļ§āļēāļĄāļŠāļąāļĄāļžāļąāļ™āļ˜āđŒāđāļĨāļ°āļāļēāļĢāļĄāļĩāļ­āļīāļ—āļ˜āļīāļžāļĨāļĢāļ°āļŦāļ§āđˆāļēāļ‡āļšāļļāļ„āļ„āļĨāļŦāļĢāļ·āļ­āļāļĨāļļāđˆāļĄ āļžāļĢāđ‰āļ­āļĄāļĢāļ°āļšāļļ Key Influencers”
  7. “āļŠāļĢāđ‰āļēāļ‡ Causal Inference Model āļ—āļĩāđˆāļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļœāļĨāļāļĢāļ°āļ—āļšāļ‚āļ­āļ‡ [āļ›āļąāļˆāļˆāļąāļĒ/āļāļēāļĢāđāļ—āļĢāļāđāļ‹āļ‡] āļ•āđˆāļ­ [āļœāļĨāļĨāļąāļžāļ˜āđŒ] āđ‚āļ”āļĒāđƒāļŠāđ‰āđ€āļ—āļ„āļ™āļīāļ„ Propensity Score Matching āļŦāļĢāļ·āļ­ Difference-in-Differences āđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­āļœāļĨāļāļēāļĢāļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāđƒāļ™āļĢāļđāļ›āđāļšāļšāļ—āļĩāđˆāđ€āļ‚āđ‰āļēāđƒāļˆāļ‡āđˆāļēāļĒ”
  8. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ Patent Analytics āļˆāļēāļ [āļāļēāļ™āļ‚āđ‰āļ­āļĄāļđāļĨāļŠāļīāļ—āļ˜āļīāļšāļąāļ•āļĢ] āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ Technology Landscape Map āļ—āļĩāđˆāđāļŠāļ”āļ‡āđāļ™āļ§āđ‚āļ™āđ‰āļĄāļ™āļ§āļąāļ•āļāļĢāļĢāļĄāđƒāļ™āļ­āļļāļ•āļŠāļēāļŦāļāļĢāļĢāļĄ [āļŠāļ·āđˆāļ­āļ­āļļāļ•āļŠāļēāļŦāļāļĢāļĢāļĄ] āļžāļĢāđ‰āļ­āļĄāļĢāļ°āļšāļļāđ‚āļ­āļāļēāļŠāđƒāļ™āļāļēāļĢāļžāļąāļ’āļ™āļēāđ€āļ—āļ„āđ‚āļ™āđ‚āļĨāļĒāļĩāđƒāļŦāļĄāđˆ”
  9. “āļŠāļĢāđ‰āļēāļ‡ Churn Prediction Dashboard āļ—āļĩāđˆāđāļŠāļ”āļ‡āļ„āļ§āļēāļĄāđ€āļŠāļĩāđˆāļĒāļ‡āđƒāļ™āļāļēāļĢāļŠāļđāļāđ€āļŠāļĩāļĒāļĨāļđāļāļ„āđ‰āļēāđāļ•āđˆāļĨāļ°āļĢāļēāļĒ āļžāļĢāđ‰āļ­āļĄāļĢāļ°āļšāļļāļ›āļąāļˆāļˆāļąāļĒāļ—āļĩāđˆāļŠāđˆāļ‡āļœāļĨāļ•āđˆāļ­āļāļēāļĢ Churn āđāļĨāļ°āđ€āļŠāļ™āļ­āđāļ™āļ°āļāļĨāļĒāļļāļ—āļ˜āđŒāļāļēāļĢāļĢāļąāļāļĐāļēāļĨāļđāļāļ„āđ‰āļēāđ€āļ‰āļžāļēāļ°āļĢāļēāļĒ”
  10. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ Voice of Customer (VoC) āļˆāļēāļ [āđāļŦāļĨāđˆāļ‡āļ‚āđ‰āļ­āļĄāļđāļĨ] āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ Emotional Journey Map āļ—āļĩāđˆāđāļŠāļ”āļ‡āļ„āļ§āļēāļĄāļĢāļđāđ‰āļŠāļķāļāļ‚āļ­āļ‡āļĨāļđāļāļ„āđ‰āļēāđƒāļ™āđāļ•āđˆāļĨāļ°āļ‚āļąāđ‰āļ™āļ•āļ­āļ™āļ‚āļ­āļ‡ Customer Journey āļžāļĢāđ‰āļ­āļĄāđ€āļŠāļ™āļ­āđāļ™āļ°āļˆāļļāļ”āļ—āļĩāđˆāļ„āļ§āļĢāļ›āļĢāļąāļšāļ›āļĢāļļāļ‡”
  11. “āļŠāļĢāđ‰āļēāļ‡ Market Basket Analysis āļˆāļēāļāļ‚āđ‰āļ­āļĄāļđāļĨāļāļēāļĢāļ‹āļ·āđ‰āļ­āļŠāļīāļ™āļ„āđ‰āļēāđāļĨāļ°āļ™āļģāđ€āļŠāļ™āļ­āļœāļĨāļĨāļąāļžāļ˜āđŒāđƒāļ™āļĢāļđāļ›āđāļšāļš Association Rules Network Graph āļžāļĢāđ‰āļ­āļĄāđ€āļŠāļ™āļ­āđāļ™āļ°āļāļĨāļĒāļļāļ—āļ˜āđŒāļāļēāļĢāļˆāļąāļ”āļ§āļēāļ‡āļŠāļīāļ™āļ„āđ‰āļēāđāļĨāļ° Cross-selling”
  12. “āļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨ Time-to-Event āļˆāļēāļ [āļŠāļļāļ”āļ‚āđ‰āļ­āļĄāļđāļĨ] āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡ Cox Proportional Hazards Model āļ—āļĩāđˆāļ—āļģāļ™āļēāļĒāļ„āļ§āļēāļĄāļ™āđˆāļēāļˆāļ°āđ€āļ›āđ‡āļ™āđƒāļ™āļāļēāļĢāđ€āļāļīāļ”āđ€āļŦāļ•āļļāļāļēāļĢāļ“āđŒ [āļŠāļ·āđˆāļ­āđ€āļŦāļ•āļļāļāļēāļĢāļ“āđŒ] āļžāļĢāđ‰āļ­āļĄāļ­āļ˜āļīāļšāļēāļĒāļ›āļąāļˆāļˆāļąāļĒāļ—āļĩāđˆāļŠāđˆāļ‡āļœāļĨāļ•āđˆāļ­āļ„āļ§āļēāļĄāđ€āļŠāļĩāđˆāļĒāļ‡”

AI Master Class

(āđƒāļŠāđ‰AIāļŠāđˆāļ§āļĒāļ—āļģāļ˜āļļāļĢāļāļīāļˆ āļāļēāļĢāļ•āļĨāļēāļ” āđ€āļžāļīāđˆāļĄāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļž)

āļ‚āļ­āļ‚āļ­āļšāļ„āļļāļ“āļ—āļĩāđˆāđ„āļ§āđ‰āļ§āļēāļ‡āđƒāļˆ

āđ€āļĢāļēāļ­āļĒāļđāđˆāđƒāļ™āļĒāļļāļ„āļ—āļĩāđˆ AI āļāļģāļĨāļąāļ‡āļˆāļ°āļĄāļēāļžāļĨāļīāļāđ‚āļĨāļāļāļēāļĢāļ—āļģāļ‡āļēāļ™

āļ„āļ­āļĢāđŒāļŠāļ™āļĩāđ‰āđ€āļŦāļĄāļēāļ°āļŠāļģāļŦāļĢāļąāļš

✅ āļœāļđāđ‰āļ›āļĢāļ°āļāļ­āļšāļāļēāļĢ āđ€āļˆāđ‰āļēāļ‚āļ­āļ‡āļ˜āļļāļĢāļāļīāļˆ āļ—āļĩāđˆāļ­āļĒāļēāļāļ™āļģ AI āļĄāļēāļŠāđˆāļ§āļĒāđ€āļžāļīāđˆāļĄāļœāļĨāļāļģāđ„āļĢ āđ€āļžāļīāđˆāļĄāļĒāļ­āļ”āļ‚āļēāļĒ
✅ āļĄāļ™āļļāļĐāļĒāđŒāđ€āļ‡āļīāļ™āđ€āļ”āļ·āļ­āļ™ āļ—āļĩāđˆāļ•āđ‰āļ­āļ‡āļāļēāļĢāļ­āļąāļžāļŠāļāļīāļĨāļ•āļąāļ§āđ€āļ­āļ‡ āđ€āļžāļ·āđˆāļ­āđ€āļžāļīāđˆāļĄāđ‚āļ­āļāļēāļŠāđƒāļ™āļ­āļēāļŠāļĩāļžāļāļēāļĢāļ‡āļēāļ™
✅ āļœāļđāđ‰āļ—āļĩāđˆāļŠāļ™āđƒāļˆāđ€āļ—āļ„āđ‚āļ™āđ‚āļĨāļĒāļĩ AI āđāļĨāļ°āļ•āđ‰āļ­āļ‡āļāļēāļĢāļ™āļģāđ„āļ›āļ›āļĢāļ°āļĒāļļāļāļ•āđŒāđƒāļŠāđ‰āđƒāļ™āļŠāļĩāļ§āļīāļ•āļ›āļĢāļ°āļˆāļģāļ§āļąāļ™
✅ āļ™āļąāļāļĨāļ‡āļ—āļļāļ™ āļ—āļĩāđˆāļ•āđ‰āļ­āļ‡āļāļēāļĢāđƒāļŦāđ‰ AI āļŠāđˆāļ§āļĒāļ•āļąāļ”āļŠāļīāļ™āđƒāļˆāđƒāļ™āļāļēāļĢāļĨāļ‡āļ—āļļāļ™

āļŠāļīāđˆāļ‡āļ—āļĩāđˆāļ„āļļāļ“āļˆāļ°āđ„āļ”āđ‰āđ€āļĢāļĩāļĒāļ™āļĢāļđāđ‰āđƒāļ™āļ„āļ­āļĢāđŒāļŠ

✅ āļ›āļđāļžāļ·āđ‰āļ™āļāļēāļ™ AI āđāļĨāļ° ChatGPT āļˆāļēāļāļĢāļ°āļ”āļąāļšāđ€āļĢāļīāđˆāļĄāļ•āđ‰āļ™āļˆāļ™āđƒāļŠāđ‰āļ‡āļēāļ™āđ€āļ›āđ‡āļ™
✅ āđ€āļ—āļ„āļ™āļīāļ„āļāļēāļĢ Prompt āđƒāļŦāđ‰ AI āļ—āļģāļ‡āļēāļ™āļ•āļēāļĄāļ—āļĩāđˆāđ€āļĢāļēāļ•āđ‰āļ­āļ‡āļāļēāļĢ
✅ āļ›āļĢāļ°āļĒāļļāļāļ•āđŒāđƒāļŠāđ‰ AI āđƒāļ™āļ”āđ‰āļēāļ™āļ•āđˆāļēāļ‡āđ† āđ€āļŠāđˆāļ™ āļāļēāļĢāļ•āļĨāļēāļ”, Content Creation, SEO
✅ āļŠāļĢāđ‰āļēāļ‡āļĢāļđāļ›āļ āļēāļž āļ§āļīāļ”āļĩāđ‚āļ­ āļ”āđ‰āļ§āļĒ AI āļ­āļĒāđˆāļēāļ‡ DALL-E
✅ āđ€āļĢāļĩāļĒāļ™āļĢāļđāđ‰āļāļēāļĢāđƒāļŠāđ‰ AI āļŠāđˆāļ§āļĒāđ€āļŦāļĨāļ·āļ­āđƒāļ™āļāļēāļĢāļĨāļ‡āļ—āļļāļ™
✅ AI āļ­āļĩāļāļĄāļēāļāļĄāļēāļĒāļ—āļĩāđˆāļˆāļ°āļŠāđˆāļ§āļĒāđƒāļŦāđ‰āļŠāļĩāļ§āļīāļ”āđāļĨāļ°āļ˜āļļāļĢāļāļīāļˆāļ‚āļ­āļ‡āļ„āļļāļ“āļ‡āđˆāļēāļĒāļ‚āļķāđ‰āļ™

āđāļĨāļ°āļĒāļąāļ‡āļĄāļĩāļāļēāļĢāļ›āļĢāļ°āļĒāļļāļāļ•āđŒāđƒāļŠāđ‰āļ­āļ·āđˆāļ™āđ†āļ­āļĩāļāļĄāļēāļāļĄāļēāļĒ

✅ āđƒāļŠāđ‰ Gemini āļ§āļēāļ‡āđāļœāļ™āļāļēāļĢāđ€āļĢāļĩāļĒāļ™ āļžāļĢāđ‰āļ­āļĄāļ•āļąāļ§āļ­āļĒāđˆāļēāļ‡āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™
📝 Workshop āđ€āļžāļˆāļŠāļ­āļ™āļžāļīāđ€āļĻāļĐāļ„āļ“āļīāļ•āļĻāļēāļŠāļ•āļĢāđŒ
💎 workshop āđ€āļžāļˆ āļ˜āļļāļĢāļāļīāļˆāļŠāļ­āļ™āļ āļēāļĐāļēāļ­āļąāļ‡āļāļĪāļĐ
📝 āļĨāļ­āļ‡āđƒāļŦāđ‰ ChatGPT āļŠāļ­āļ™āđ€āļ‚āļĩāļĒāļ™ HTML CSS āļŠāļ­āļ™āļ”āļĩāđ„āļĄāđˆāļžāļ­āļŠāļĢāļļāļ›āđ„āļ”āđ‰āļ”āļĩāļ”āđ‰āļ§āļĒ
🚀 āļŠāļ­āļ™āļŠāļĢāđ‰āļēāļ‡āļŦāļ™āđ‰āļēāđ€āļ§āļ›āđƒāļ™5āļ™āļēāļ—āļĩ āļ”āđ‰āļ§āļĒ ChatGPT āđ„āļĄāđˆāļ•āđ‰āļ­āļ‡āđ€āļ‚āļĩāļĒāļ™Codeāđ€āļ­āļ‡āđāļĄāđ‰āđāļ•āđˆāļ•āļąāļ§āđ€āļ”āļĩāļĒāļ§
ðŸŽĨ AI āļŠāļĢāļļāļ›āļ„āļĨāļīāļ› youtube
ðŸ’Ą āđƒāļŠāđ‰ ChatGPT āļ­āļ­āļāđ„āļ­āđ€āļ”āļĩāļĒāļ—āļģāļ„āļĨāļīāļ›āļ§āļĩāļ”āļĩāđ‚āļ­
🗚ïļ ChatGPT āđ€āļ‚āļĩāļĒāļ™ Mind Mapping āđ„āļ”āđ‰āļ”āđ‰āļ§āļĒ
🔍 āđƒāļŠāđ‰ Chat GPT āļŠāđˆāļ§āļĒāļŦāļēāļĢāļđāļ›āđ„āļ”āđ‰āļ”āđ‰āļ§āļĒ
📚 āļĨāđ‰āļģāļˆāļąāļ” āđƒāļŦāđ‰ AI āđāļ•āđˆāļ‡āļ™āļīāļ—āļēāļ™ āļžāļĢāđ‰āļ­āļĄāļ āļēāļžāļ›āļĢāļ°āļāļ­āļš āļ„āļ­āļĄāđ‚āļš ChatGPT+Midjourney+Canva
🖌ïļ āļ—āļģāļĢāļđāļ›āļŠāļĄāļļāļ”āļĢāļ°āļšāļēāļĒāļŠāļĩ āļ”āđ‰āļ§āļĒ Midjourney
📈 āđƒāļŠāđ‰ ChatGPT āđ€āļ‚āļĩāļĒāļ™ SEO āļ•āļąāđ‰āļ‡āđāļ•āđˆāđ€āļĢāļīāđˆāļĄ
📊 50 marketing Prompt
🖞ïļ āļŠāļĢāđ‰āļēāļ‡āļĢāļđāļ›āļŸāļĢāļĩāđ†āļœāđˆāļēāļ™ ChatGPT
ðŸ–Ĩïļ āđƒāļŠāđ‰ ChatGPT āļŠāļĢāđ‰āļēāļ‡slide āđāļšāļš powerpoint
📚 āļŠāļĢāđ‰āļēāļ‡āļ„āļģāļ­āļ˜āļīāļšāļēāļĒāļ„āļĨāļīāļ› Youtube āđ€āļžāļīāđˆāļĄ SEO

āđ„āļ­āđ€āļ”āļĩāļĒāļ—āļģāļ„āļĨāļīāļ›āđ„āļĄāđˆāļĄāļĩāļ•āļąāļ™

āļŠāđˆāļ§āļĒāđ€āļĢāļēāļ—āļģāļ„āļĨāļīāļ› tiktok āļĒāļ­āļ”āļ§āļīāļ§āļžāļļāđˆāļ‡āđ† āđ„āļĄāđˆāļ•āđ‰āļ­āļ‡āļĒāļīāļ‡Ads

FAQ

āļ—āļąāđ‰āļ‡āļŦāļĄāļ”āļ™āļĩāđ‰āđ€āļžāļĩāļĒāļ‡ 3,990 āļšāļēāļ— āļāđˆāļ­āļ™āļ›āļĢāļąāļšāđ€āļ›āđ‡āļ™āļĢāļēāļ„āļēāđ€āļ•āđ‡āļĄ 8,990 āđƒāļ™āļ­āļ™āļēāļ„āļ•

āđƒāļŠāđˆāļ„āļ§āļēāļĄāđ€āļŦāđ‡āļ™

āļ­āļĩāđ€āļĄāļĨāļ‚āļ­āļ‡āļ„āļļāļ“āļˆāļ°āđ„āļĄāđˆāđāļŠāļ”āļ‡āđƒāļŦāđ‰āļ„āļ™āļ­āļ·āđˆāļ™āđ€āļŦāđ‡āļ™ āļŠāđˆāļ­āļ‡āļ‚āđ‰āļ­āļĄāļđāļĨāļˆāļģāđ€āļ›āđ‡āļ™āļ–āļđāļāļ—āļģāđ€āļ„āļĢāļ·āđˆāļ­āļ‡āļŦāļĄāļēāļĒ *