化繁為簡,Linkedin如何用大數據變現?

對Linkedin商業數據分析部門而言,大數據分析不是什麼高高在上、複雜枯燥的工作,而是一門化繁為簡、高效實用的藝術。

在大數據時代,商業數據分析部門對一個公司的重要意義不言而喻。目前,很多公司的數據分析部門採用的都是「分析放在報表之上」的分析方法,即每天產出非常繁瑣、複雜、海量、事無鉅細的分析報告,但這些分析報告的可理解性和可執行性並不強。而Linkedin作為一個典型的數據驅動的公司,在進行數據分析時卻反其道而行之,採用了「報表放在分析之上」的方法,化繁為簡,以最快的速度在大數據金礦中發掘出最多的商業價值。

據悉,自2011年商業數據分析部成立以來,Linkedin的銷售收入已經增長了20倍,不僅如此,整個公司的各個環節都實現了數據驅動的自動快速的商業決策。近日,鈦媒體駐美記者也獨家專訪了Linkedin商業數據分析部門第一位員工及部門總監Simon Zhang。對Simon而言,商業數據分析不是什麼高高在上、複雜枯燥的工作,而是一門化繁為簡、高效實用的藝術。

數據分析結構:從金字塔到菱形到球形

Linkedin無疑是一個建立在數據基礎之上的公司,截至記者發稿時,其用戶即將超過3.4億人,龐大的用戶規模也產生了海量的數據,這其中包括行為數據、身份數據、社交數據以及內容數據等,如何從這些海量的數據中挖掘出用戶痛點從而推出適銷對路的產品和服務是Linkedin 商業模式的關鍵。

成立於2011年3月21日的Linkedin商業數據分析部門的主要功能正是通過數據分析支撐公司其他關鍵部門進行各種決策。目前,商業數據分析部門的70名員工可以支撐服務於全公司4500名以上的員工。

「自成立以來,每天,銷售、運營、客戶服務、工程、市場、產品等各個部門的員工都會向我們部門提出各種各樣的問題,比如,用戶對我們的主頁面是否滿意?我想推銷某款人力資源產品,我該推銷給哪個公司?等等。最初我們都是通過人工手動進行數據分析,但這樣效率實在是太慢了,於是我們開始思考改革以往的數據分析的方法。」Simon表示。

和大部分公司一樣,Linkedin最初採用的是金字塔形的數據分析架構,從下到上依次是:了解相關業務與產品;有目的地採集有用的數據;深度了解數據分析工具原理以及如何使用;數據分析;得出結論、作出決策。

而這幾個步驟中,區分出不同水準的數據分析的關鍵點在於中間兩個步驟。「了解你所使用的數據分析工具方面,目前很多分析人員不是太重視,因為他們認為編寫數據分析工具是傳統IT部門的事情,但實際上,能否深度地了解分析工具的運作原理對於你能不能充分正確地使用這個工具很關鍵,也是區別好壞分析人員的關鍵。

另一個關鍵點在於數據分析這一過程本身,在我多年的工作經驗中,業界一致認為,好的數據分析都是善於化繁為簡的,好的數據分析人員善於用最簡單明瞭的方式呈現最核心的價值。」Simon告訴鈦媒體。

正因如此,在人人都在討論大數據的時代,Linkedin對數據分析的最重要的兩個要求就是「速度要快並且產生價值」。

只有速度夠快才能形成規模化,才能產生規模的價值,而傳統的金字塔型的數據分析架構使得分析人員在金字塔的中下段部分花費了過長的時間(85%-95%的時間),因此,2010年底至2011年初,Linkedin開始考慮將金字塔結構變為菱形結構。

「變成菱形結構的主要方法就是,不斷創造自動化的工具代替傳統金字塔底層的工作,將金字塔所有可能的環節尤其是中下部分的工作讓機器自動完成,」 Simon表示,「特別需要注意的是,金字塔變成菱形是一個不斷迭代的過程,每一個變成菱形的數據分析結構,我們會將其再次變成金字塔形,然後再次優化變為菱形,如果說每一個菱形面積僅有原來的金字塔面積的一半的話,經過多次轉化和迭代之後,整個數據分析的效率將被大大提升。」

據悉,在將金字塔形的數據分析結構變為菱形後,Linkedin商業數據分析部門再次對其進行了優化,將菱形結構變成球形結構,形成閉環,「目前我們商業分析部門已經開發出了幾百個面向內部員工的閉環的球形產品,每一個產品都可以實現從產品到數據收集到分析到決策的一個閉環流程,這也就意味著每一個球形產品不僅可以實現高效的分析和決策,還能形成閉環、自動升級和迭代」。

對於大數據分析,Linkedin認為效率是第一準則,用最短的時間產生真正的價值比面面俱到的分析更加重要。而通過商業數據部門近幾年開發出的幾百個面向內部使用的產品,Linkedin所有部門的員工都可以真真切切地感受到工作效率的飛速提升。

案例一:市場和銷售團隊支撐產品—— Merlin

對於Linkedin的每一個產品銷售人員,當他接到銷售某一款產品的任務時,他至少會產生以下幾個主要疑問:

1.我該把這款產品賣給哪家公司?
2.我應該聯繫誰?誰有採購的決定權?
3.我應該怎樣去聯繫這個人?
4.我該派誰去聯繫這個人?是我自己去還是我的某位同事去更適合?
5.到這家公司後,我該講一個怎樣的故事打動客戶?

在傳統的人工手動的數據分析模式下,對於某一款特定的產品,其銷售人員想搞清楚以上幾個問題並作出一個見客戶時使用的銷售PPT至少需要2周到2個月的時間,而今天,通過Linkedin市場和銷售團隊支撐產品Merlin,銷售人員僅需要登陸系統,輸入自己的名字以及需要銷售的產品名稱等基本資訊,Merlin可以自動收集銷售人員的背景數據和人脈網路數據,從而快速生成較為精準的銷售方案,從輸入基本資訊到銷售方案的生成僅需要一分鐘的時間,銷售人員甚至可以得到系統為他量身定制的銷售PPT。

「傳統進行2個月的調研也未必可以得到精準的方案,而目前僅需要一分鐘的時間,我們最近還把Merlin安裝到了銷售人員的手機上,即時對銷售人員進行協助,目前Linkedin一共有3000多人在使用Merlin系統,」Simon表示,「銷售方案的自動化生成也使得我們在招聘銷售人員時變得簡單,不需要過多的培訓便可迅速上崗。」

案例二:產品測試團隊支撐產品—— A/B Testing System

對於Linkedin測試部門而言,在傳統環境下,其想要完成一項測試工作起碼需要3個月時間,而目前,通過A/B Testing System,僅需要一分鐘的時間便可以從每一項測試的650個指針中抓取出幾個關鍵指標,提出改進意見,從而以最高的效率對測試產品進行改進。

「傳統環境下,十幾個人3個月才能完成的測試工作,目前僅需要一分鐘,目前A/B Testing System每天可以支撐2000個內部測試,每一個測試追踪650個以上的指針,通過抽取最關鍵指標的方式對產品提出改進意見,」Simon表示,「我們不追求盡善盡美,我們只追求每天進步一點點,事實上,只要每天可以在原有基礎上進步1%,一年之後的進步成果將是驚人的。」

案例三:客戶服務團隊支撐產品—— Voices

對Linkedin客服部門而言,如何衡量用戶滿意度一直以來都是一個難題,因為通常客服人員們只能從用戶留言等非結構化的數據中收集到一些資訊,但如何將鬆散凌亂的非結構化數據變為可衡量改進的結構化數據一直沒有得以解決。

直到Linkedin商業數據分析部門推出客戶服務團隊支撐產品——Voices,傳統無法結構化的數據僅需要一分鐘便可生成分析報告,比如,如果客服團隊想知道目前Linkedin的客戶對於首頁是否滿意,其僅需要在Voices中輸入「Homepage」,便可以瞬間得到結構化的可視的用戶滿意度數據。當然,瞬間獲得結果的背後一定是嚴謹而先進的算法。


(從寫模組到寫機器人)

事實上,如上的例子還有很多很多,Linkedin商業數據分析部門自成立以來一共推出了幾百款這樣的產品,每天都在為每一個Linkedin員工提高工作效率和效果而努力。不僅如此,每款上述產品還可以自動地學習員工的使用習慣,以保證員工在下次再次使用相同的件軟體反應速度會更快。「對Linkedin員工而言,我們的每一款產品都是為他們個性化打造的。」

規模自動化的結果當然是效率和效果的大幅提升,據悉,自2011年商業數據分析部成立以來,Linkedin的銷售收入已經增長了20倍;其他所有環節的工作效率也大幅得以提升。

「我們不會滿足於此,以前我們部門的主要任務是寫模組,從2013年,我們部門開始設計寫模組的機器人,這又進一步加快了公司在數據分析時的自動化和高效率。」Simon表示。

本文出自鈦媒體 / 駐矽谷記者陳琛

追蹤我們