资讯 业界
此为临时链接,仅用于文章预览,将在时失效

LinkedIn 数据科学和分析总负责人自述: “数据驱动” 到底是什么?

作者:张溪梦
2016/11/22 11:28

雷锋网按: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 对李玥采访内容编辑整理,原文发于GrowingIO博客和公众号,授权发布雷锋网。

LinkedIn 作为一家职业社交网站,通过人才招聘、广告投放、付费订阅等服务实现了盈利,这三项服务的背后实际上都有着数据分析的重要贡献。LinkedIn 利用数据分析为所有职场人员作出迅捷、高质、高效的决策,提供具有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来价值的科学。

LinkedIn 数据科学和分析总负责人自述: “数据驱动” 到底是什么?

图1:EOI框架

在 LinkedIn 内部,我们的团队搭建了一个分析框架,用来推动商务分析价值的持续产生。这个EOI 框架从企业的长远发展入手,针对核心任务、战略任务、风险任务提出了助力(Empower)、优化(Optimize)、创新(Innovate)三大思路。

那么,LinkedIn 是如何执行这套分析框架的?又如何用数据来驱动增长?

一、助力:如何提升销售的效率?

LinkedIn是全球最大的职场社交平台,有海量的人才信息,比如某人某年某月在某公司做某岗位。有了这些信息以后,LinkedIn就能知道人才在企业之间的流动情况;通过信息整合,我们的团队做出来人才流动画板。比如一家企业从A公司招聘了80名员工,流失了18名;通过人才流动画板,企业间人力资源的流动情况就非常清晰了。

LinkedIn 数据科学和分析总负责人自述: “数据驱动” 到底是什么?

图2:人才流动画板

人才解决方案是LinkedIn B端业务的重要组成,以前销售人员去预约企业的管理层非常困难,无论是打电话还是email都经常碰壁。现在 LinkedIn 的销售人员只需要在这个人才流动画板上搜索目标企业,就可以清晰获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,这样就很容易引起了对方的重视,预约成功率和签单比率大幅度上升。

LinkedIn 数据科学和分析总负责人自述: “数据驱动” 到底是什么?

图3:LinkedIn推出的企业榜单

在整合工作岗位投递、LinkedIn企业主页访问、人才档案等数据的基础上,LinkedIn还推出来《最受欢迎的100家企业雇主排行榜》。2012年一推出这张榜单就受到了极大关注,在LinkedIn上blog访问量排名第二。

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加具有敏感度。我们团队还推出了《硅谷最具潜力的100家企业排行版》,2012年推出的榜单中已经有一半以上的企业实现IPO或者被收购,包括Drobox 、Pinterest等在内,可见数据分析的价值。

二、优化:如何找出目标用户?

作为一个职场社交平台,大部分用户都是免费使用 LinkedIn;但对于那些有高级需求的人群,LinkedIn 推出了付费订阅服务。为了保持良好的用户体验,LinkedIn 并没有给所有人都发推广邮件;那么留给我们的问题来了,如何找到这部分有需求的人群?

LinkedIn 数据科学和分析总负责人自述: “数据驱动” 到底是什么?

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、用户行为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,用户行为数据是在用户在LinkedIn产品上的使用情况;事实表明,用户行为数据往往比用户个体数据更加具有预测性。用户网络数据是一个social network的概念,同一个网络里面的人,共性更加强烈。

LinkedIn 数据科学和分析总负责人自述: “数据驱动” 到底是什么?

图5:建立用户倾向模型筛选目标人群

在这三大类数据的基础上,分析部门建立了“用户倾向模型”,筛选出有需求的目标人群。业务部门只给这些筛选出来的目标人群推送“高级订阅功能”营销邮件,在不破坏用户体验的基础上,取得了非常好的营收效果。

LinkedIn 数据科学和分析总负责人自述: “数据驱动” 到底是什么?

图6:用户倾向模型的效果

上图最右侧的灰色柱状图代表业务部门实际获取的新付费用户,其中10%和36%来源于用户个体数据和用户行为数据筛选的结果,剩下54%新付费用户均来自于用户倾向模型的作用。通过数据分析,用户倾向模型使得业务部门的业绩提升了100%以上,我认为这是最能直接体现数据分析价值的地方。

三、创新:如何提升订单成功率?

不只是全球最大的职场社交平台,LinkedIn 也是全球第二大 SaaS(企业级服务)企业,面向B端客户提供人才解决方案、精准广告等服务。区别于B2C业务,B2B业务的一个显著点就是决策权集中在管理层,如何找到大客户的核心决策者一直是B2B企业销售的重点。

我认为LinkedIn在这方面具有先发优势,因为LinkedIn上聚集了海量的职场人员信息,我们创新的“大客户兴趣指数”就是一个很好的例子。

LinkedIn 数据科学和分析总负责人自述: “数据驱动” 到底是什么?

图7:大客户兴趣指数模型

大客户兴趣指数,用来衡量企业级大客户对于LinkedIn产品和服务的兴趣程度。我将它拆解成两个子模型:决策者模型和产品偏好模型。决策者模型用来评估用户是企业决策者的可能系数,产品偏好模型用来分析用户在LinkedIn上产品的使用程度,两者结合起来就是“大客户兴趣指数”。

以往销售人员要同时跟进很多客户,而且销售并不清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,销售人员就可以进行优先级排序。哪些客户成单的可能性高?那些客户值得我们多花些时间?销售都心中有数。

LinkedIn 数据科学和分析总负责人自述: “数据驱动” 到底是什么?

图8:大客户兴趣指数的效果

我将大客户兴趣指数分为低、中、高三种;大客户兴趣指数为“高”的用户订单成功率高达42%,是指数为“低”的客户订单成功率的两倍。对于一家B2B企业,或者To B业务很大比重的企业,精准找到核心用户、提升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,它是一个不断进化的过程。对于所有的分析团队来讲,数据驱动都绕不过这四步:数据获取、数据挖掘分析、商业预测以及商业决策。其中,数据获取是基础,商业决策的价值量最高。

数据驱动不能没有数据分析工具,我结合自己多年分析经历谈了自己的看法。一个好的数据分析产品一定要简单易用,让数据工作从大到小,实现从冰山到冰棍的变化。同时,几秒钟就能拿到数据、大幅提升数据工作效率也是一款优秀数据产品的所必须具备的。

长按图片保存图片,分享给好友或朋友圈

LinkedIn 数据科学和分析总负责人自述: “数据驱动” 到底是什么?

扫码查看文章

正在生成分享图...

取消
相关文章