LinkedIn张溪梦：创造价值——大数据分析催生产业革命

【转载地址】：http://blog.sina.com.cn/s/blog_4cc6846d0102v3k7.html

嘉宾介绍：张溪梦（SimonZhang），LinkedIn商业分析部资深总监（Sr.Director, LinkedIn Business Analytics）。张溪梦(SimonZhang)先生目前任职于美国职业社交网络LinkedIn公司。他建立并率领LinkedIn商业分析团队支持公司所有与营收相关的核心业务，包括B2B业务：人力解决方案，市场解决方案，销售解决方案以及针对高端用户的高级订阅服务！商业分析团队利用LinkedIn得天独厚的海量数据开发了一系列革命性的数据分析产品，用以支持公司内部将近5000人（80%）以上的员工，涵盖全球B2B销售，营收类产品研发，市场推广，网络安全，客户服务，广告和销售运营，以及商业运营等部门。LinkedIn商业分析部门是一个高度整合统一的多功能分析团队，内部包含若干主要功能，例如数据基础设施（analyticsinfrastructure)，商业智能情报(BI)，商业分析洞察(DataInsights)，统计分析／机器学习/数据科学(Stats/Machine Learning/Data Science) 以及软件开发 (Engineering) 等各种功能。在加入LinkedIn之前，张先生在若干公司的分析部门任职，包括eBay，Petco，Epson等公司负责电子商务，零售，市场推广，销售等业务分析。在他留学美国之前，曾经在天津肿瘤医院担任神经外科医生。

 

以下为分享实景全文：

 

今天我主要和大家探讨的是大数据分析的价值创造和输出的过程。特别是在当下以及未来，数据作为一种新能源的应用远景。

大家可以看到，在这个循环中，数据是必不可少的一个重要组成部分，是LinkedIn业务模型和价值产出的基础之一。

我们这个部门主要负责与营收相关的各种服务。简单介绍一些LinkedIn 的商业盈利模式。1. 人才解决方案：60%营收。 2.市场解决方案：20%营收。 3. 针对付费客户的高级订阅服务：19%营收。4.销售解决方案：是我们新开发的产品线，在这个季度刚刚正式上线。市场解决方案，包括广告，社交网络推广，Follow，等各种产品。销售解决方案是从我们团队内部开发的一套支持企业销售大数据分析系统里面剥离出来的一个新业务。就是如何利用LinkedIn的数据刺激销售。销售解决方案，不但要帮助客户找人，还要帮客户找公司，找关系，找团队内部的联系。从而帮助公司或者企业主增加销售，我一会儿会谈到一个案例。

我们的商业分析部门，目前有大约70人左右的一个团队，在年底左右，应该继续扩展。目前我们直接支持内部基本上与“钱”有关的所有部门。我们的团队间接支持HR。（以前我刚从LinkedIn开始工作的时候，直接用LinkedIn数据支持HR和内部招聘的部门。现在我们的大组里面有一个小组专门支持人力资源部。）

分析就是预测，但是预测本身没有实际价值，预测完以后，改变才能产生价值！

这张图只是想表达一个意思：大数据的“大”和“复杂”本身没有什么积极意义。最终用户不希望一个大型冰川，他们需要的是结果。“冰激凌”或者说小数据。

数据分析基础设施的建造是所有一切的基础，如何建立非常坚实的基础是以后业务成功的良好开端。大家可以看到这个金字塔很高，很漫长。

所以我们要利用各种技术把“金字塔”变成“菱形”。为什么呢？因为数据分析的基础部分会花掉分析师和数据科学家大部分时间。所以我们要反复把“金字塔”变成“菱形”。

然后把8个不同的步骤链接成个自动的“环”。也就是我们称之为的“数据产品”！

数据产品要最终变成一个生态系统。

分析就是哲学，艺术，商业，科学，历史甚至宗教的集合体啊。扯远了，回到我们的主题，销售！

1. 我们用数据可以精确的计算每一个公司对于LinkedIn的价值。2.我们可以用社交网络数据预测谁是决策人。3.我们找到正确的社会关系。4.我们分析内部销售员工谁和这个决策人关系（影响力）最大。5.我们用linkedin的数据讲一个简单有效而且真是的“销售故事”。

这5步以前在公司内部需要一到两个月，在三年之前我们开发了一个“魔术师”系统，所有的这些过程今天只需要一个按钮，1分钟解决掉。而且，这个按钮一经被我们自己颠覆掉。取而代之的是我们主动为销售人员发送推送信息，从而令他们主动做决策。

很简单，整个的工作就是把大数据变成最后的结果，“小数据”！

再说一个大数据支持产品经理的案例。大家做互联网的，一定有A/B测试。我们今天可以实时追踪2000个在线的a／b测试，同时观测650个以上的指标。这些都可以在几分钟之内完成。

以前，所有的数据分析工作都需要至少2个星期，或者最长的4、5个月。

再看一个数据库市场营销的例子，我们目前有3.3亿以上用户，Marketer问的问题很简单，“谁会买？”，“谁会停止付费？“，”谁会点击广告？“......我们用机器学习，把一个混沌的“宇宙”，反复精炼称一个很小的人群，然后给他们推送信息，帮助转化这些用户。我们2年以前这个模型体系上线的时候，增加330%在线销售。

最重要的一点，我们在背后建造的不是一些单一的模型，而是打造了一个制造模型的“机器人”。这个机器人，会对数据进行自动整合，精炼，加工，用不同的算法（16种以上）比对在线的模型，如果新模型效果好，直接上线。这个系统称为Madoop，是我们的数据挖掘团队在刘绍波的带领下开发的。这个模型能够做到的是反复增加小的Lift，然后每天，每周，每月都有促进。

再说说今天非常热门的“customeranalytics”。大家说说我们如何能够衡量“美”。如果“美”是很难量化的，那么我们如何能够在很多纷繁的非结构化的用户”评论“中，系统的分析客户是否满意？

还是要回到我们刚才说的这个“菱形”结构上面去，就是大规模的文本挖掘和数据分析“产品”化！这个系统，能够“回答”客户服务，产品经理，售前售后各种人员的问题。数据分析的产品化就是要把传统数据分析师，统计学家，数据科学家做的事情软件化！以前我们手动做的东西，需要大规模化软件化。做到“简单”，“迅速”，“有效”，“准确”！因为我们的用户是不关心“流程”的，他们需要的是结果，令人振奋的结果！

我的讲解完了。 ：）

嘉宾互动：

张华平

我有个问题针对后面的非结构化文本分析，目前LinkIn的英文做的不错，貌似中文也有，想具体了解一下中文处理这块？

张溪梦：

中文处理这块对于Linkedin来说还是新的，因为我们今年刚刚开始中文本土化的过程。

夏明武：
张老师，数据分析部分本身应该也是归属于研发体系吧。LinkedIn是独立出来了吗？

张溪梦：
我们的部门是独立于上述六个部门之外的。我们的商业分析部门是完全独立于研发之外的。这是一个非常好的问题。也是数据分析的一个本质性的问题。就是数据分析的“中立性”。分析决策，在我们的历史上一直是重要的部门，特别是协调各种部门的资源的过程中，分析部门的中立与公正是非常重要的一种素质。而且独立在其他组织之外，可以更容做到举一反三，用数据分析完成跨部门的合作。还有一个重要的点就是，我们分析部门具有各种分析职能。这也很重要。

漆晨曦：
LinkedIn数据分析从哪年开始起步做的？

张溪梦：
应该从2006，07年左右就开始了。我们的商业分析团队在2011年建立，当时就我一个人。现在我们核心团队发展到70人左右。Linkedin用handoop将近8年了。我们的BI，用过各种解决方案，现在内部研发为主导，Tableau也有很多的部署。因为传统的工具无法很好的实现规模化的意图，所以我们自己开发了一套东西。还有就是ETL工具，也是自己开发的。

张华平：
LinkIn经常给我推荐一些我很多年未谋面的老朋友，实际上相关的数据有限，但推送的非常准。想知道主要依据的数据是什么？

张溪梦：
关于认识的人的推荐，最重要的变量就一个。社交联系。（connection）我们有一个算法，可以发现相关联的人。背后的算法就是物理上的星体重力理论