作者 | 张溪梦
过去的 11 年，LinkedIn 从一个默默无闻的社交网络公司成长到现在市值 300 亿的、世界上最大的职业社交网络。
LinkedIn 是如何利用数据来驱动各个业务线，达到营业额快速增长？
过去的 11 年，LinkedIn 的 CAC（用户获取成本）是所有互联网公司的 50%，增加销售额的成本也是其他企业服务类公司的 50%，这是如何实现的？
同时，互联网公司希望在未来获得高速发展，就必须有一个自然增长的引擎，必须要在把市场运营和用户获取成本压到最低，最大量、最快速地获取客户，这些如何实现？
LinkedIn 用户增长的第一个拐点发生在 2004 年到 2005 年之间。
当时 Reid Hoffman 作为产品经理和公司创始人做了一系列的工作，他们通过引导用户上传自己的通讯录，使平台获得了爆发式的增长。
我认为增长背后的一个至关重要的点是，LinkedIn 无时不刻地在用数据衡量每天、每周用户的增长和活跃度，这个先天的基因造就了 LinkedIn 今天在职业社交领域独一无二的地位；第二就是 LinkedIn 利用数据来实现营业额的增长。
如同今天的 Growth Hacker，通过技术性的手段和分析性的原理，在不利用传统广告的方式下获取客户，这与 LinkedIn 获取营收的方式有着异曲同工之妙。
数据带来的商业价值
总体来说，大数据给公司带来的商业价值有三点：为公司挣钱，为公司花钱，为公司省钱。以下我也会从这三个维度，分享 LinkedIn 的经验。
LinkedIn 是如何利用内、外部数据，创造营收的呢？
我们尝试以最低的成本和最高效的手段，直接获取更多的企业级用户。据统计，LinkedIn 每获取一个公司信息，一年就会增加 8,000~9,000 美元的营收。从 2010 年末到 2015 年初的短短 4 年半内，LinkedIn 的营业额增长超过了 40 倍，这个过程与利用有效地获取和利用大数据息息相关。
LinkedIn 是如何获得公司信息的？
我们通过机器的方式将 LinkedIn 上用户简历中的信息进行聚类、推演和数据的标准化。系统自动把简历里的信息从每一个用户里抽出来进行规范化，并对每一份简历里的公司和公司员工进行二次聚合、推演。
传统销售或企业型公司，他们的销售团队每天会对企业或者融资信息进行监控，或者通过买数据和报告的各种形式获取销售线索。而我们通过把简历中公司的信息抽取出来，进行调优和排序，再评估每个公司每年大约能为 LinkedIn 产生多少营收。
2010 年我们通过基本数据计算出了全世界所有在 LinkedIn 的公司对 LinkedIn 各个产品线的估值，这个模型和算法产生了大约 200 万家公司的销售线索。这些线索从传统意义上来说，通常需要花费一家传统型公司 2 到 5 年的时间来完成。
获取这些数据后，如何计算
首先，我们评估公司内部招的人数，以及人力和猎头的资源，根据这两个数据，以一种非常复杂的社交模型的算法，计算出对这个公司潜在的在人力资源上投放的估值。
接下来，通过分析公司内部人员的社交网络关系，找到这个公司能够决定购买服务的决策者或者潜在决策者，并进行打分，筛选出得分和转化可能性双高的决策者。
之后我们通过 LinkedIn 内部的社交网络关系，分析当时我们销售人员每一个人和顶级销售线索的社会关系，找到节点人物。通过节点人物的介绍，销售的转化率可以提高 2 到 3 倍。
我们通过数据深挖，分析每个公司的内部的人员流动数据、分布情况、成长情况，以及在行业内的各种竞争关系，推演出这个公司每年需要招聘多少人，并且可以用数据非常详细地描绘他和潜在的竞争对手在市场之间的竞争地位。随后我们的销售人员可以通过这些数据和线索，迅速与我们的目标客户进行联系。
2010 年底这套系统出来之后，我们内部的销售效率从二到四个星期谈一个客户提升到一个星期三四个客户，比传统销售效率增加了十几倍。这不仅使得 LinkedIn 获取客户的成本在降低，同时 LinkedIn 的营收增长速度在飞速提高。这就是为什么 LinkedIn 在 2011 年上市后，营业额以每年 90% 甚至 100% 的速度在增长。 这是在建立初期，谁都不相信的——我们利用大数据，能做到这么大规模和这般的体验，进而促进高营收，并给公司带来很大提升。
这套系统为公司，为许多企业的员工，为 LinkedIn 所有用户创立了很多的价值，我们每天做的工作都得到了非常好的回报。
2011 年底，有一个销售人员给他老板发了一封邮件，“虽然不知道这个系统是谁做出来的，但是还是要非常感谢他们过去给我们的支持，正是因为他们这样的工作，让我和我的家庭享受了一个非常美好的旅行”。
如何用大数据精准营销
如果在一个企业内部要实现营收增长，基本是靠三个部门：市场部、产品部、销售部。市场部门，获取客户；产品部，提升客户体验，提高用户黏度；销售部，直接增加营收。
传统获取客户的方法是通过市场营销——比如在各个渠道投放广告，通过不同的促销方案，给客户不同的折扣。公司就通过内容营销的方式，由登陆页面收集各种销售线索。那LinkedIn是如何获取大量新增用户的呢？在所有使用 LinkedIn 的用户当中，到底又会有多少人购买我们的产品呢？
我们当时通过数学模型的方法对所有用户进行了归类和排序，利用大量的机器学习、人工智能，还有三元处理等不同的模型对 LinkedIn 的用户进行大规模的归因和算法，以此分析每一个用户潜在的购买 LinkedIn 产品的可能性。
2012 年我们做出了第一个针对营收增长的预测模型。我们和市场部合作，用我们的方案来发出第一批营销方案，完全根据客户的使用度和行为，对每个客户进行打分。我们问产品营销部门，你们是想增长 100% 还是 1000%？当时整个市场部都觉得这件事太疯狂，是不可能实现的。然而在 4 月份，我们的方案在零点上线的时候，营业额就超越了我们所有的预期，直接引爆了欺诈的警铃。通过 AB 测试的对照，当时我们就为 LinkedIn 提升了 330% 的直接销售额。而次周我们第二个模型的上线，又为 LinkedIn 的第二条产品线——销售解决方案，提升了接近 550% 的销售额。所以大家可以看到，利用用户的行为数据对用户进行预测的准确度和有效度要远远高于基于用户的画像、地理位置、职级，和收入这样的传统方式。
由于这个营销方案产生了很好的效果，之后公司在每周和每季度都会推出一个促销方案。于是我们又把内部的系统做了一次巨大的升级，升级之后我们可以对全公司所有的营销方案进行相对实时的追踪，每一个营销方案最多有超过 150 个不同的客户区隔。同时我们为每一个产品线建立了 16 个不同的预测模型，一直到现在，这 16 个模型还在 LinkedIn 的系统里运转，变得越来越智能，越来越精确，性能越来越高，还在持续地为 LinkedIn 产生价值。
如何用大数据帮助大公司省钱
我们知道一个公司整个的产品分系，产品部门和工程部门会花大量的精力为公司的产品线进行调优和优化，从而为客户提供最好的产品体验。但是由于我们不知道客户到底喜欢产品的哪个功能，所以要做大量的测试和分析才能得到一个最终结果，这也是最痛苦、最漫长，也是耗费最多人力的地方。
在每一个产品上线前一到两个月的时间，我们都需要和工程部门把数据准备好，在网站上做好各种标签。上线前我们会做一个快速的测试来保证这个产品不会对主营业务造成很大的影响，同时确保产品上线会后对公司的营业额增长和客户增长以及客户体验产生良性的影响。但是传统的或者99%的互联网企业基本靠手动的或者半自动的分析，整个过程需要将近三个星期甚至几个月的时间。
由于效率非常低下，我们决定内部建造一种数据分析系统，通过分析所有动态的、静态的，和实时的数据，把所有的分析结果，特别是用户体验的结果，迅速展现给我们的产品经理、工程师，和业务端。当时，我们每天对所有 450 个核心 KPI 进行计算。以往产品经理每周只能汇报 35 到 40 个，这是没有规模的。在建立了这个系统后，它能自动根据所有的核心 KPI，对任何一个产品进行分析，这样产品经理能在 24 小时之内就知道所有的分析结果。
这样的结果使我们直接提高了产品迭代的速度——原本是一星期一次，现在基本上是一天一次，最高甚至在一星期内做了 16 次改进，为当时的营业额增长带来了 120% 的提升。同时，它还节省了大量的人力和时间成本——原来可能一个分析师只能支持一两个产品线，而改进后一个分析师可以支持近八条产品线。
在 LinkedIn 做得这么好，为何创业
在过去的十二年职业生涯里，我的所有工作都是和数据分析相关的，从对市场营销和零售的分析，到对产品和网站的分析，再到对电商和社交网站的分析，最后到销售的分析，我发现有数据决策能力是一个企业提高运营效率的最好途径，也是所有互联网企业必需的能力。然而并不是所有的企业都有对应的人力、物力、财力，来实现同样的价值，特别是人才和时间。
因为我们希望能帮助世界上所有的互联网企业，用自己的数据大幅度地提高运营效率，让每一个员工都能做数据驱动的决策，提高生产力，增加企业营收，间接地为他们的客户和用户提供价值。另外也希望企业能够通过我们，避免在工程上做太大的投入，不需要在网站或者 App 里面埋点就做到全自动分析，这就是我们的一个产品。
若有收获，就点个赞吧
0 人点赞
