LinkedIn数据科学和分析总负责人自述：“数据驱动”到底是什么？：太阳游戏城

本文摘要：(公众号：)按：本文作者李玥（Michael Li），LinkedIn 数据科学和分析总负责人。本文根据 GrowingIO 对李玥专访内容编辑整理，原文湿疹GrowingIO博客和公众号，许可公布。LinkedIn 作为一家职业社交网站，通过人才聘用、广告投放、收费订阅者等服务构建了盈利，这三项服务的背后实质上都具有数据分析的最重要贡献。 LinkedIn 利用数据分析为所有职场人员做出极快、高质、高效的决策，获取具备指导意义的洞察和可规模化的解决方案。

(公众号：)按：本文作者李玥（Michael Li），LinkedIn 数据科学和分析总负责人。本文根据 GrowingIO 对李玥专访内容编辑整理，原文湿疹GrowingIO博客和公众号，许可公布。LinkedIn 作为一家职业社交网站，通过人才聘用、广告投放、收费订阅者等服务构建了盈利，这三项服务的背后实质上都具有数据分析的最重要贡献。

LinkedIn 利用数据分析为所有职场人员做出极快、高质、高效的决策，获取具备指导意义的洞察和可规模化的解决方案。因此，商业数据分析不仅是一种科学，而且是实实在在可以为业务带给价值的科学。

图1：EOI框架在 LinkedIn 内部，我们的团队搭起了一个分析框架，用来推展商务分析价值的持续产生。这个EOI 框架从企业的将来发展应从，针对核心任务、战略任务、风险任务明确提出了助力（Empower）、优化（Optimize）、创意（Innovate）三大思路。

那么，LinkedIn 是如何继续执行这套分析框架的？又如何用数据来驱动快速增长？一、助力：如何提高销售的效率？LinkedIn是全球仅次于的职场社交平台，有海量的人才信息，比如某人某年某月在某公司做到某岗位。有了这些信息以后，LinkedIn就能告诉人才在企业之间的流动情况；通过信息统合，我们的团队做到出来人才流动画板。比如一家企业从A公司聘用了80名员工，萎缩了18名；通过人才流动画板，企业间人力资源的流动情况就十分明晰了。图2：人才流动画板人才解决方案是LinkedIn B末端业务的最重要构成，以前销售人员去购票企业的管理层十分艰难，无论是打电话还是email都常常刁难。

现在 LinkedIn 的销售人员只必须在这个人才流动画板上搜寻目标企业，就可以明晰取得对方的人才流动情况。销售把这张图发给目标客户的管理层，这样就很更容易引发了对方的推崇，购票成功率和签单比率大幅下降。图3：LinkedIn发售的企业榜单在统合工作岗位投递、LinkedIn企业主页采访、人才档案等数据的基础上，LinkedIn还发售来《最热门的100家企业雇员排行榜》。

2012年一发售这张榜单就受到了很大注目，在LinkedIn上blog访问量名列第二。人才是企业最核心的竞争力，企业网站上人才信息往往比资本更为具备敏感度。我们团队还发售了《硅谷最不具潜力的100家企业名列版》，2012年发售的榜单中早已有一半以上的企业构建IPO或者被并购，还包括Drobox 、Pinterest等在内，可见数据分析的价值。

二、优化：如何找到目标用户？作为一个职场社交平台，大部分用户都是免费用于 LinkedIn；但对于那些有高级市场需求的人群，LinkedIn 发售了收费订阅者服务。为了保持良好的用户体验，LinkedIn 并没给所有人都放推展邮件；那么留下我们的问题来了，如何寻找这部分有市场需求的人群？图4：LinkedIn 三大类用户数据LinkedIn有三大类用户数据，用户个体数据、用户不道德数据和用户网络数据。

用户个体数据主要是用户的一些基础信息，用户不道德数据是在用户在LinkedIn产品上的用于情况；事实指出，用户不道德数据往往比用户个体数据更为具备预测性。用户网络数据是一个social network的概念，同一个网络里面的人，共性更为反感。

图5：创建用户偏向模型检验目标人群在这三大类数据的基础上，分析部门创建了“用户偏向模型”，检验出有有市场需求的目标人群。业务部门只给这些检验出来的目标人群启动时“高级订阅者功能”营销邮件，在不毁坏用户体验的基础上，获得了十分好的营收效果。图6：用户偏向模型的效果右图最右侧的灰色柱状图代表业务部门实际提供的新收费用户，其中10%和36%源于用户个体数据和用户不道德数据检验的结果，只剩54%新的收费用户皆来自于用户偏向模型的起到。

通过数据分析，用户偏向模型使得业务部门的业绩提高了100%以上，我指出这是最能必要反映数据分析价值的地方。三、创意：如何提高订单成功率？不只是全球仅次于的职场社交平台，LinkedIn 也是全球第二大 SaaS（企业级服务）企业，面向B末端客户获取人才解决方案、精准广告等服务。区别于B2C业务，B2B业务的一个明显点就是决策权集中于在管理层，如何寻找大客户的核心决策者仍然是B2B企业销售的重点。

我指出LinkedIn在这方面具备先发优势，因为LinkedIn上挤满了海量的职场人员信息，我们创意的“大客户兴趣指数”就是一个很好的例子。图7：大客户兴趣指数模型大客户兴趣指数，用来取决于企业级大客户对于LinkedIn产品和服务的兴趣程度。我将它报废成两个子模型：决策者模型和产品偏爱模型。决策者模型用来评估用户是企业决策者的有可能系数，产品偏爱模型用来分析用户在LinkedIn上产品的用于程度，两者融合一起就是“大客户兴趣指数”。

以往销售人员要同时第一时间很多客户，而且销售并不明晰哪些用户是决策者，哪些用户对我们产品感兴趣。有了这个“大客户兴趣指数”以后，销售人员就可以展开优先级排序。

哪些客户成单的可能性低？那些客户有一点我们多花上些时间？销售都心中有数。图8：大客户兴趣指数的效果我将大客户兴趣指数分成较低、中、低三种；大客户兴趣指数为“低”的用户订单成功率高约42%，是指数为“较低”的客户订单成功率的两倍。

对于一家B2B企业，或者To B业务相当大比重的企业，精准寻找核心用户、提高订单成功率至关重要。数据驱动并不是一步到位的，从数据到洞察，它是一个大大演化的过程。

对于所有的分析团队来讲，数据驱动都绕行不过这四步：数据提供、数据挖掘分析、商业预测以及商业决策。其中，数据提供是基础，商业决策的价值量最低。数据驱动无法没数据分析工具，我融合自己多年分析经历讲了自己的观点。一个好的数据分析产品一定要非常简单易懂，让数据工作从大到小，构建从冰山到冰棍的变化。

同时，几秒钟就能获得数据、大幅度提高数据工作效率也是一款杰出数据产品的所必需不具备的。原创文章，予以许可禁令刊登。下文闻刊登须知。

本文关键词：LinkedIn,太阳游戏城,数据,科学,和,分析,总负责人,自述,“

本文来源：太阳游戏城-www.mybodylanguageatl.com