Embedded Files
Phân tích dự đoán (tiếng Anh: Predictive Analytics) được sử dụng như một công cụ ra quyết định trong nhiều ngành công nghiệp, chẳng hạn như bảo hiểm và marketing.
Phân tích dự đoán
Phân tích dự đoán
Khái niệm
Phân tích dự đoán trong tiếng Anh là Predictive Analytics.
Phân tích dự đoán là việc việc sử dụng số liệu thống kê và mô hình để xác định hiệu suất trong tương lai dựa trên dữ liệu hiện tại và quá khứ.
Phân tích dự đoán xem xét các kiểu mẫu trong dữ liệu để xác định xem liệu liệu các chúng khả năng xuất hiện trở lại hay không, cho phép các doanh nghiệp và nhà đầu tư điều chỉnh việc phân phối nguồn lực để tận dụng các sự kiện có thể xảy ra trong tương lai.
Phân tích dự đoán là một công cụ giúp đưa ra quyết định trong một loạt các ngành công nghiệp.
Ví dụ: các công ty bảo hiểm kiểm tra các ứng viên để xác định khả năng phải trả tiền cho yêu cầu bồi thường trong tương lai, dựa trên nhóm rủi ro hiện tại của những người mua bảo hiểm tương tự, cũng như các sự kiện trong quá khứ dẫn đến việc phải chi tiền.
Các nhà tiếp thị xem xét cách phản ứng của người tiêu dùng với nền kinh tế tổng thể khi lập kế hoạch cho một chiến dịch mới, và có thể sử dụng các thay đổi trong nhân khẩu học để xác định xem liệu các sản phẩm hiện tại có lôi kéo được người tiêu dùng mua hàng hay không.
Các nhà giao dịch trên thị trường chứng khoán xem xét một loạt các số liệu dựa trên các sự kiện trong quá khứ khi quyết định mua hay bán một chứng khoán. Đường trung bình, điểm phá vỡ đều dựa trên dữ liệu lịch sử và được sử dụng để dự báo biến động giá trong tương lai.
Ví dụ về phân tích dự đoán
Ví dụ về phân tích dự đoán
Dự đoán là một nhiệm vụ thiết yếu trong sản xuất vì nó đảm bảo cho việc sử dụng tối ưu các nguồn lực trong chuỗi cung ứng. Các bộ phận quan trọng của chuỗi cung ứng, dù cho đó là quản lí hàng tồn kho hay công xưởng, đều cần các dự báo chính xác cho hoạt động của chúng.
Các mô hình dự đoán trong phân tích dự đoán thường được sử dụng để làm sạch và tối ưu hóa chất lượng dữ liệu được sử dụng cho các dự báo đó. Các mô hình đảm bảo rằng nhiều dữ liệu có thể được nhập vào hệ thống, bao gồm dữ liệu từ các hoạt động hướng tới khách hàng, để đảm bảo dự báo chính xác hơn.
Những quan niệm sai lầm phổ biến về phân tích dự đoán
Một quan niệm sai lầm phổ biến là phân tích dự đoán và học máy là giống nhau.
Về bản chất, phân tích dự đoán bao gồm một loạt các kĩ thuật thống kê (bao gồm học máy, mô hình dự đoán và khai thác dữ liệu) và sử dụng thống kê (trong quá khứ và hiện tại) để ước tính hoặc dự đoán kết quả trong tương lai. Phân tích dự đoán giúp chúng ta hiểu các sự kiện có thể xảy ra trong tương lai bằng cách phân tích quá khứ.
Trong khi đó, học máy là một lĩnh vực của khoa học máy tính, theo định nghĩa năm 1959 của Arthur Samuel - một nhà tiên phong người Mỹ trong lĩnh vực trí tuệ nhân tạo, cho phép "máy tính có khả năng học mà không cần lập trình chi tiết".
Các mô hình dự đoán phổ biến nhất bao gồm cây quyết định, hồi quy (tuyến tính và logistic) và mạng nơ-ron nhân tạo.
(Theo investopedia)
Case Study
Case Study
6 cách phân tích dữ liệu dự đoán đang định hình lại marketing
6 cách phân tích dữ liệu dự đoán đang định hình lại marketing
Phân tích dữ liệu dự đoán đang nhanh chóng trở thành động lực thúc đẩy tiếp thị hiện đại. Phân tích dữ liệu dự đoán là quá trình sử dụng dữ liệu lịch sử và hiện tại kết hợp với học máy để dự báo một số kết quả nhất định. Trong thế giới marketing, phân tích dự đoán sử dụng giám sát và báo cáo để lên kế hoạch chính xác cho các chiến lược và chiến dịch. Trong gần một thập kỷ, loại nghiên cứu marketing này đã thay đổi cục diện về cách các tổ chức tiếp cận và tác động đến khách hàng của họ.
Tìm kiếm khách hàng tiềm năng tốt hơn
Sử dụng dữ liệu lịch sử của công ty và ngành mà công ty tham gia hoạt động, các nhà tiếp thị có thể tìm thấy các yếu tố nhất định liên quan đến khách hàng tiềm năng bằng cách sử dụng phân tích dự đoán. Ví dụ, một công ty tư vấn tài chính có thể phát hiện ra những cá nhân trong độ tuổi từ 52 đến 58 thể hiện một số hành vi nhất định trên các phương tiện truyền thông xã hội có nhiều khả năng trở thành khách hàng của mình.
Các dấu hiệu như vậy có thể được sử dụng theo một số cách như:
Quảng cáo nhắm mục tiêu
Viết quảng cáo có tính đề xuất
Tiếp cận khách hàng tiềm năng
Thực hiện các cuộc trò chuyện bán hàng nhắm mục tiêu
Xác định khách hàng tiềm năng nhanh hơn
Rất nhiều công ty sử dụng phần mềm quản lý quan hệ khách hàng (CRM). Những công cụ này thường bao gồm chức năng chấm điểm khách hàng tiềm năng. Việc chấm điểm này đơn giản là sẽ thông báo cho đội ngũ tiếp thị và bán hàng khi một khách hàng tiềm năng chuẩn bị đưa ra quyết định. Khi dữ liệu này được kết hợp với học máy và trí tuệ nhân tạo, việc xác định khách hàng tiềm năng đủ điều kiện bán hàng trở nên dễ dàng hơn bao giờ hết. Hơn nữa, phân tích dự đoán có thể được sử dụng để rút ngắn chu kỳ bán hàng bằng cách dự đoán tốt hơn một hành vi khách hàng tiềm năng khi ở trong kênh bán hàng.
Khi quá trình xác định khách hàng tiềm năng đủ điều kiện bán hàng (Sales-Qualified Lead - SQL) được thực hiện thủ công, có rất nhiều sai sót có thể xảy ra. Chẳng hạn, nếu một khách hàng tiềm năng tải xuống một tài nguyên nhất định, nó có thể kích hoạt nhóm tiếp thị gửi khách hàng tiềm năng đó sang bộ phận bán hàng. Tuy nhiên, phân tích dự đoán có thể cho bạn biết rằng khách hàng tiềm năng có thể đã tải xuống quá nhanh và chưa sẵn sàng cho cuộc trò chuyện bán hàng.
Căn chỉnh tốt hơn giữa tiếp thị và bán hàng
Đội ngũ tiếp thị và đội ngũ bán hàng có những vai trò rất khác nhau và thực tế là hai bộ phận này thường không hiểu nhau, dẫn đến các sự cố trong giao tiếp có thể làm mất doanh thu của công ty. Bản chất của phân tích dự đoán là cải thiện theo thời gian. Dữ liệu từ cả nhóm bán hàng và tiếp thị có thể cải thiện nhiều yếu tố bao gồm:
Quá trình chuyển giao khách hàng tiềm năng
Truyền thông về các chương trình khuyến mãi (ví dụ: giảm giá)
Triển khai và cập nhật CRM
Chất lượng khách hàng tiềm năng trong kênh
Hiểu khách hàng hiện tại
Nhiều tổ chức dựa vào việc giữ chân khách hàng và bán các sản phẩm bổ sung theo thời gian. Các ngân hàng bán lẻ, các công ty dịch vụ phần mềm, tư vấn tài chính và nhiều người khác dựa vào những khách hàng truyền thống của mình. Phân tích dự đoán giúp các công ty không chỉ hiểu khách hàng tiềm năng, khách hàng mới mà cả hành vi của khách hàng hiện tại. Những yếu tố này ảnh hưởng đến tiếp thị theo một số cách.
Tạo khách hàng tiềm năng: Một số khách hàng tiềm năng nhất định có thể khó tiếp cận hơn những người khác. Bằng cách hiểu các hành vi và đặc tính của khách hàng, bạn có thể nhắm mục tiêu tốt hơn các khách hàng tiềm năng và giữ được khách hàng lâu hơn.
Sản phẩm/Dịch vụ mới: Phân tích dự đoán có thể lắng nghe cơ sở khách hàng hiện tại của bạn. Dữ liệu được thu thập có thể được sử dụng để cải thiện các sản phẩm hiện tại hoặc thậm chí tạo ra các ưu đãi mới được điều chỉnh cụ thể theo các nhu cầu được dự đoán.
Cải thiện tiếp thị giới thiệu: Giới thiệu là một phần quan trọng trong bất kỳ chiến lược phát triển khách hàng tiềm năng nào. Tuy nhiên, thời gian thường không thể đoán trước. Với hành vi trong quá khứ và các phân tích dự đoán, các công ty có thể biết được chính xác khi nào khách hàng sẵn sàng giới thiệu bạn với người khác.
Tự động hóa tiếp thị
Có lẽ một trong những cách có tác động nhất của phân tích dự đoán trong việc định hình lại thế giới tiếp thị là thông qua tự động hóa. Khi các hành vi của các khách hàng triển vọng sinh lợi được xác định, các chương trình tinh vi có thể tương tác với khách hàng tiềm năng gần như ngay lập tức.
Đây là một vài ví dụ:
Một khách hàng tiềm năng phù hợp với hồ sơ người mua của bạn, tweet một từ khóa liên quan đến doanh nghiệp của bạn. Một chương trình phần mềm tự động sẽ ngay lập tức tương tác với tweet đó từ tài khoản Twitter của công ty.
Một khách hàng tiềm năng đến trang web của bạn thông qua tìm kiếm không phải trả tiền và trang web của bạn sẽ cung cấp các tài nguyên được thiết kế phù hợp với người dùng cụ thể đó dựa trên các tiêu chí tìm kiếm của họ.
Các hoạt động xã hội liên quan đến ngành công ty bạn đang tham gia của khách hàng tiềm năng nằm trong kênh sẽ được theo dõi và một khi các hành vi nhất định xảy ra, nhóm bán hàng sẽ được thông báo ngay lập tức.
Phân bổ ngân sách tốt hơn
Nâng cao hiểu biết về người mua tiềm năng, nơi bạn có thể tìm thấy họ và các tài nguyên được sử dụng để thu hút sự quan tâm có thể làm giảm đáng kể các chi tiêu quảng cáo lãng phí. Qua thời gian, phân tích dự đoán có thể cảnh báo cho nhóm tiếp thị việc các nền tảng (như Facebook, AdWords) đang trở nên kém hiệu quả cũng như các phương thức (video, email ngẫu nhiên) không còn hoạt động nữa. Ngược lại, các dự đoán tương tự có thể được sử dụng để tăng chi tiêu trong các nỗ lực khác có khả năng đem lại kết quả như mong muốn.
Phân tích dữ liệu dự đoán đang nhanh chóng trở thành động lực thúc đẩy tiếp thị hiện đại. Từ việc cải thiện đáng kể chất lượng khách hàng tiềm năng đến việc sắp xếp tốt hơn các sáng kiến tiếp thị và bán hàng và làm cho tự động hóa tiếp thị được nhắm mục tiêu phù hợp hơn với nhu cầu của khách hàng, phân tích dữ liệu dự đoán khuếch đại khả năng phục vụ từng khách hàng - và đó là công thức kỳ diệu để thành công trong bối cảnh tiếp thị hiện đại.
Decision Tree - Cây quyết định
Decision Tree - Cây quyết định
Visualizations - Analytics based on Payment Method
Visualizations - Analytics based on Payment Method
LỘ TRÌNH HỌC
LỘ TRÌNH HỌC
KẾT QUẢ ĐẠI ĐƯỢC SAU KHI THAM GIA KHÓA HỌC
KẾT QUẢ ĐẠI ĐƯỢC SAU KHI THAM GIA KHÓA HỌC
Lập trình thành thạo bằng ngôn ngữ lập trình Python và R
Hiểu rõ và có thể ứng dụng các thuật toán, tools, librarys, framework ... vào các tình huống Data Science thực tế
Hiểu và vận dụng được các bước trong quy trình triển khai dự án Data Science
Thu thập dữ liệu, tiền xử lý dữ liệu, khám phá, phân tích, thống kê tạo ra các báo cáo và đưa ra các quyết định hiệu quả hơn
Vận dụng các thư viện toán, xác suất thống kê của Python để giải quyết các vấn đề Data Science
Nắm được các khái niệm CSDL quan hệ, hiểu và áp dụng kiến thức nền tảng của ngôn ngữ SQL, thực hiện truy cập SQL trong môi trường Data Science
Làm việc với CSDL trên Cloud, thu thập dữ liệu từ APIs
Khám phá nhiều loại dữ liệu khác nhau
Hiểu và áp dụng các thuật toán Machine Learning ( Supervised Learning và Unsupervised Learning) cho các vấn đề, yêu cầu khác nhau như phân loại, dự đoán các xu thế, xu hướng, phân cụm dữ liệu, gợi ý đề xuất…
Hiểu và vận dụng các công nghệ trong Big Data: cách lưu trữ, quản lý, xử lý và phân tích dữ liệu lớn để mang lại các số liệu theo yêu cầu của hoạt động doanh nghiệp đặc biệt là Spark, Big Data Technology mới nhất
Vận dụng và triển khai hiệu quả các thuật toán quan trọng thuộc nhóm Supervised Learning và Unsupervised Learning trong việc giải quyết các vấn đề thực tế như phân loại, dự đoán các xu thế, xu hướng, phân cụm dữ liệu, gợi ý đề xuất…
Hiểu và vận dụng các công nghệ trong Big Data: cách lưu trữ, quản lý, xử lý và phân tích dữ liệu lớn để mang lại các số liệu theo yêu cầu của hoạt động doanh nghiệp
Làm việc với Spark, Big Data Technology mới nhất
Trang bị các kiến thức và kỹ năng làm việc với PySpark (Python package tích hợp Spark dùng để thực hiện tính toán song song với các bộ dữ liệu lớn) như PySpark RDD’s, PySpark DataFrame, PySpark SQL, PySpark Mllib, PySpark Streaming…
ĐỀ CƯƠNG CHI TIẾT MÔN HỌC
ĐỀ CƯƠNG CHI TIẾT MÔN HỌC
· Course 1: Fundamentals of Python (Lập trình Python cơ bản)
Kiến thức nền tảng về Python – một ngôn ngữ lập trình cấp cao, thông dịch, hướng đối tượng và đa mục đích
Sử dụng các cấu trúc trong ngôn ngữ lập trình Python để xây dựng ứng dụng
Nắm vững và sử dụng các kiểu dữ liệu, toán tử, cấu trúc điều khiển, cấu trúc lặp để giải quyết các bài toán
Sử dụng các thư viện Number, String, Date & Time để xử lý số, chuỗi và thời gian
Làm việc với List, Tuple và Dictionary để lưu trữ và xử lý danh sách các phần tử.
Tạo và sử dụng các phương thức, module/package giúp tái sử dụng code
Làm việc với tập tin và thư mục với File I/O
Rèn luyện và phát triển kỹ năng lập trình, tư duy logic.
Xây dựng nền tảng cơ bản vững chắc trong ngôn ngữ lập trình Python tạo tiền đề cho việc học các kiến thức lập trình
· Course 2: Python For Machine Learning, Data Science and Data Visualization (Python cho Máy học, Khoa học dữ liệu và Trực quan hóa dữ liệu)
Kiến thức tổng quát về Data Science, một trong những chuyên ngành “hot” của thế kỷ 21.
Cách thu thập dữ liệu, khám phá, phân tích, thống kê tạo ra các báo cáo thông qua việc sử dụng các bộ thư viện, công cụ mạnh mẽ, mã nguồn mở như Python, Jupyter Notebooks, Numpy, Pandas …
Cách trích xuất và trình bày dữ liệu dưới dạng có ý nghĩa thông qua nhiều kỹ thuật trình bày dữ liệu một cách trực quan trong Python như Matplotlib, Seaborn và Folium.
Tìm hiểu các công cụ trực quan hóa dữ liệu khác như Google Chart, IBM Watson Analytics.
Vận dụng cách tìm dữ liệu, xây dựng câu hỏi nghiên cứu, sử dụng các công cụ và kỹ thuật tìm ra câu trả lời và đưa ra quyết định hiệu quả hơn
Thực hiện phân tích thống kê cơ bản
Thực hiện các project cụ thể trong bối cảnh giải quyết các vấn đề khoa học dữ liệu hấp dẫn
· Course 3: Mathematics and Statistics for Data Science (Toán và Thống Kê cho Khoa học dữ liệu)
Các kiến thức cần thiết về toán dành cho Data Science như Đại số tuyến tính (Linear Algebra), Giải tính (Calculus), Gradient Descent, Phương trình vector ma trận (Matrix-Vector Equations), Matrix Factorization, Eigenvalues và Eigenvectors, Singular Value Decomposition (SVD), Phân tích thành phần chính (Principal Component Analysis - PCA)
Các kiến thức cần thiết xác suất thống kê dành cho Data Science như Thống kê mô tả (Descriptive Statistics), Xác suất (Probability), Thống kê suy luận (Inferential Statistics), Ước lượng (Estimation), Tương quan (Correlation)
Vận dụng các thư viện toán, xác suất thống kê của Python để giải quyết các vấn đề về khoa học dữ liệu.
Thực hiện phân tích thống kê, đưa ra nhận xét trên những bộ dữ liệu thực tế
· Course 4: Databases and SQL for Data Science (Cơ sở dữ liệu và Truy vấn cho Khoa học dữ liệu)
Các kiến thức và kỹ năng cần thiết khi làm việc với cơ sở dữ liệu (database)
Kiến thức nền tảng vững chắc về ngôn ngữ truy vấn (SQL): các loại truy vấn rút trích, thêm, xóa, cập nhật… dữ liệu trong môi trường Data Science
Xây dựng và làm việc với CSDL trên Cloud (đám mây), truy cập CSDL với Python sử dụng DB-API
Thu thập dữ liệu từ Twitter APIs sử dụng Tweepy Python Package
Phân tích dữ liệu với Python
Làm việc với cơ sở dữ liệu thực, công cụ khoa học dữ liệu thực và bộ dữ liệu trong thế giới thực
· Course 5: Data Pre-processing and Analysis (Tiền xử lý và phân tích dữ liệu)
Các kiến thức và kỹ năng cần thiết khi thực hiện việc tiền xử lý và phân tích dữ liệu.
Kỹ thuật khai thác dữ liệu, chuyển đổi dữ liệu thô thành dữ liệu có định dạng dễ hiểu
Cách chuẩn bị dữ liệu để phân tích, thực hiện thống kê, tạo trực quan hóa dữ liệu có ý nghĩa
Các thư viện tiền xử lý và phân tích dữ liệu mạnh mẽ và ưu việt của Python như Numpy, Scipy, Pandas, Matplotlib, Seaborn…
Quy trình quản lý phân tích dữ liệu hiệu quả
Sử dụng thư viện mã nguồn mở sklearn để triển khai một số thuật toán Machine Learning giúp xây dựng các mô hình thông minh và đưa ra các dự đoán tuyệt vời
Tích hợp kết quả thống kê để tạo các báo cáo, thuyết trình phân tích dữ liệu mạch lạc, thuyết phục
· Course 6: Machine Learning with Python (Máy học với Python)
Kiến thức nền tảng, cần thiết về Machine Learning, một nhánh rất “hot” của Trí tuệ nhân tạo (AI)
Sử dụng các bộ thư viện, công cụ mạnh mẽ, mã nguồn mở như Python, Jupyter Notebooks, Numpy, Pandas, Matplotlib, sklearn… dành cho Machine Learning
Kiến thức và kỹ năng vận dụng và triển khai các thuật toán quan trọng thuộc nhóm Supervised Learning như Logistic Regression, Linear Regression, Naïve Bayes, K-Nearest Neighbors (KNN), Decision Tree, Random Forest, Support Vector Machine (SVM), Boosting và AdaBoost, XGBoost với Python
Kiến thức và kỹ năng vận dụng và triển khai các thuật toán quan trọng thuộc nhóm Unsupervised Learning như K-Means clustering, Hierarchical Clustering, Apriori, Equivalence Class Clustering and bottom up Lattice Traversal (ECLAT), Gaussian Mixture Models (GMM), Dimensionality Reduction với Principal Component Analysis (PCA), Locally Linear Embedding (LLE) với Python, Time Series với ARIMA, HoltWinters
Vận dụng các thuật toán Machine Learning trong việc giải quyết các vấn đề thực tế, cụ thể
Xây dựng nền tảng vững chắc về Machine Learning với Python, tạo tiền đề cho việc tìm hiểu kiến thức về Deep Learning.
· Course 7: R programming language for Data Science (Lập trình R cho Khoa học dữ liệu)
Các kiến thức nền tảng và những kỹ năng cần thiết để có thể thực hiện việc phân tích, thống kê, biểu diễn đồ họa và báo cáo bằng R – một ngôn ngữ lập trình luôn đứng trong “TOP TEN” các ngôn ngữ lập trình được sử dụng nhiều và phổ biến nhất .
Sử dụng các cấu trúc trong ngôn ngữ lập trình R để giải quyết các bài toán
Vận dụng các cấu trúc điều kiện, cấu trúc lặp, function
Sử dụng các thư viện có sẵn của R để thực hiện các công việc tính toán, thống kê
Nắm vững và vận dụng các kiểu dữ liệu String, Vector, List, Matric, Array, Data Frame, Object và Class
Làm việc với các kiểu dữ liệu tập tin như txt file, CSV file, Excel file, XML file, JSON file
Thiết lập các Chart và Graph, trực quan hóa dữ liệu
Tiền xử lý dữ liệu (data preprocessing)
Lập trình thống kê và báo cáo với các built-in function trong R
Áp dụng một số thuật toán Machine Learning trong việc phân loại (classification), dự đoán (regression) và phân nhóm dữ liệu (clustering), dự đoán dữ liệu Time Series…
· Course 8: Big Data in Machine Learning (Dữ liệu lớn trong Máy học)
Các công nghệ trong Big Data: cách lưu trữ, quản lý, xử lý và phân tích dữ liệu lớn để mang lại các số liệu theo yêu cầu của hoạt động doanh nghiệp
Làm việc với Spark, Big Data Technology mới nhất
Trang bị các kiến thức và kỹ năng làm việc với PySpark (Python package tích hợp Spark dùng để thực hiện tính toán song song với các bộ dữ liệu lớn) như PySpark RDD’s, PySpark DataFrame, PySpark SQL, PySpark Mllib, PySpark Streaming
Áp dụng Machine Learning với Big Data
· Capstone Project – Đồ án tốt nghiệp (50 giờ)
Học phí: x.000.000đ
Sau khi hoàn thành xong 8 khóa học trong chương trình Data Science Certificate tại Trung Tâm ( Điểm số từ 5 điểm trở lên) HV liên hệ số Hotline: 0918.080.300 hoặc email vvchauit@gmaill.com để đăng kí làm đồ án tốt nghiệp.
HV sẽ làm đồ án tại nhà, gặp Giảng viên hướng dẫn 4 lần và 1 lần báo cáo đồ án
· Quan tâm đến việc nâng tầm sự nghiệp bằng việc phát triển các kỹ năng và kinh nghiệm trong lĩnh vực Data Science và Machine Learning, nhu cầu tuyển dụng đang rất cao ở nhiều ngành nghề.
· Khóa học đặc biệt phù hợp với các bạn ở xa, thường xuyên đi công tác, lịch làm việc không cố định, hiện đang du học hoặc làm việc ở nước ngoài.
Các chính sách ưu đãi thêm dành cho học viên đăng kí từng môn:
· Ưu đãi 100.000đ đăng kí online (1)
· Ưu đãi học viên cũ 10% (2)
· Ưu đãi sinh viên 10% (3)
· Ưu đãi nhóm 2 học viên 10%, nhóm 3 học viên 15% (4)
Các chính sách (1)(2)(3)(4) không áp dụng cộng dồn, áp dụng chính sách ưu đãi cao nhất
Lưu ý: Trong trường hợp học viên đăng kí 2 lớp Python cơ bản và Python for Machine Learning, Data Science and Data Visualization, sẽ được áp dụng mức ưu đãi combo 2 lớp giảm từ 6.600.000đ còn 5.500.000đ, không áp dụng cộng dồn các chính sách (1) (2) (3)(4)
Page updated
Google Sites
Report abuse