【报名】2016大数据驱动的管理与决策研究学术研讨会 >> 清华大学
【报名】2016大数据驱动的管理与决策研究学术研讨会
【报名】2016大数据驱动的管理与决策研究学术研讨会
清华大学数据科学研究院日
国家自然科学基金委员会管理科学部、
香港中文大学主办
有兴趣报名参会者
请电邮至香港中文大学学术交流处：
oalc@cuhk.edu.hk
或（复制以下链接到浏览器）网上报名：
http://www.cuhk.edu.hk/oalc/nsfc2016/tc_apply.html
会议详情可（复制以下链接到浏览器）参阅网页：
http://www.cuhk.edu.hk/oalc/nsfc2016/tc_contact.html
微信会议通知请点击的查阅您的 IP 地址/地理位置：220.177.198.53江西&&吉安&&联通
当前位置： &
人人都在谈的 “数据驱动” 到底是什么？ 13:58:27&|&编辑：hely&|&查看：&|&评论：
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。那么，LinkedIn 是如何执行这套分析框架的?又如何用数据驱动增长?
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的重要贡献。LinkedIn 利用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。
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?
1. 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。
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 Dropbox 、Pinterest 等在内，可见数据分析的价值。
2. 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 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。
建立用户倾向模型筛选目标人群
除了常规的数据采集及分析方式，使用如 GrowingIO 这样的数据分析产品，可以在进行高效的数据采集的同时，进行卓有成效的针对性分析。通过数据采集，在上述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。
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。
3. 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。
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。
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，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。
作者 | 李玥 LinkedIn 数据科学和分析总负责人
相关阅读：
搜索"raincent"或扫描下面的二维码2016年中国数据驱动型互联网企业大数据产品研究报告
发布时间：
在大数据产业蓬勃发展的大势下，网络媒体在大数据领域的探索也愈加多元。本报告简要分析了中国大数据产业结构与生态，并聚焦于网络媒体，深入研究其大数据发展战略、体系架构以及产品布局，探讨大数据发展趋势。希望此份报告能够为市场各方对网络媒体大数据发展进行清晰认识提供参考。
1 中国大数据产业现状分析1.1 大数据定义与特征1.2 大数据集成与存储1.3 大数据产业生态1.4 大数据产业图谱1.5 大数据产业链分析：数据来源1.6 大数据产业链分析：数据管理1.7 大数据产业链分析：数据分析1.8 大数据产业链分析：数据应用1.9中国大数据产业发展-政策环境1.10 中国大数据产业发展-发展阶段1.11 中国大数据产业发展-产业分布1.12 中国互联网大数据产业发展-已上市企业1.13 中国互联网大数据产业发展-未上市企业2 中国网络媒体大数据产业分析2.1 海外数据驱动型网络媒体的大数据奠基2.2 中国数字信息量快速膨胀2.3 网民规模不断扩大，增速持续放缓2.4 PC端与移动端月度使用时长继续攀升2.5 移动互联网时代的大数据挑战与机遇2.6 移动互联网时代的产品发展策略2.7 中国数据驱动型网络媒体的大数据战略-12.8 中国数据驱动型网络媒体的大数据战略-22.9 中国数据驱动型网络媒体的大数据战略-32.10 中国网络媒体大数据应用地图3 中国网络媒体大数据企业分析3.1 网络媒体大数据企业案例研究――百度3.2 网络媒体大数据企业案例研究――腾讯3.3 网络媒体大数据企业案例研究――360公司3.4 网络媒体大数据企业案例研究――新浪3.5 网络媒体大数据企业案例研究――网易3.6 网络媒体大数据企业案例研究――凤凰网4 中国网络媒体大数据的机遇与挑战4.1 大数据发展过程中的行业掣肘4.2 大数据发展过程中的企业挑战4.3 大数据的发展趋势-产业-14.4 大数据的发展趋势-产业-24.5 大数据的发展趋势-企业-14.6 大数据的发展趋势-企业-24.7 大数据的发展趋势-终端5 附录5.1 附录一：阿里妈妈-核心资源和产品5.2 附录一：阿里妈妈-营销服务总结5.3 附录一：阿里妈妈-智能营销引擎OCPX5.4 附录二：腾讯社交广告平台-AD+时代下的营销生态5.5 附录二：腾讯社交广告平台-核心资源及定向方式5.6 附录二：腾讯社交广告平台-核心广告产品梳理5.7 附录三：搜狐-营销资源5.8 附录三：搜狐-营销平台
图1-1 数据仓库与数据集市工作原理示意图1-2 大数据处理的数据价值流转过程图1-3 大数据产业结构示意图图1-4 大数据产业图谱图1-5 大数据的数据管理环节图1-6 2012年-2015年中国大数据政策梳理图1-7 中国大数据产业发展阶段演变过程图1-8 中国互联网大数据的核心优势图1-9 2016年中国大数据产业分布图1-10 2014年-2015年中国大数据市场规模图1-11 2016年已上市互联网公司Top20市值图1-12 2016年未上市互联网估值Top20企业增长指数图2-1 2003年-2015年海外网络媒体大数据政策及技术发展历程图2-2 2016H1国外主要媒体营收情况图2-3 2015年中国数字量与世界数字量对比推算图2-4 年中国整体网民及手机网民规模图2-5 2006年7月-2016年8月PC端网页、手机端App、Pad端App月度使用时长图2-6 移动互联网时代的大数据挑战与机遇图2-7 2016年8月中国移动App大类别月独立设备数图2-8 媒体数据与外部数据对比分析图2-9 2016年中国Top级网络媒体流量梯队分布图2-10 2016年中国网络媒体大数据输出类型划分图2-11中国网络媒体大数据应用地图图3-1 百度大数据发展历程图3-2 百度大脑所涉技术与应用概况图3-3 百度商业生态大数据生态架构图3-4 百度营销数据产品体系（百度思维）结构图3-5 百度品牌营销业务流程图3-6 腾讯大数据发展方向梳理图3-7 腾讯大数据数据来源分布图3-8 腾讯大数据标签体系图3-9 腾讯大数据体系架构图3-10 腾讯DMP产品特征总结图3-11 ACE腾讯广告开放平台图3-12 360大数据发展历程图3-13 360行为链厚数据布局图3-14 360安全大数据平台架构图3-15 新浪大数据数据来源分布图3-16 新浪大数据体系架构图3-17 新浪大数据洞察维度及合作方式图3-18 网易大数据用户画像体系图3-19 网易大数据体系架构图3-20 网易有数与传统BI的业务流程对比图3-21 网易云音乐-用户数据驱动下的产品优化流程图3-22 凤凰网大数据系统架构图3-23 凤凰网原生营销闭环图3-24 凤凰新闻客户端-混合智能推荐框架图4-1 中国大数据发展的主要行业问题图4-2 中国大数据发展的企业主要问题图4-3 中国大数据产业中隐私界限、数据归属及定价标准发展方向图4-4 中国大数据技术产业链机会点梳理图4-5 中国大数据企业数据入口拓展图4-6 中国大数据企业数据出口拓展图4-7 不同时期的大数据发展特征总结
最新研究报告
关于艾瑞研究院
艾瑞研究院作为艾瑞咨询集团的核心基础研究机构，主要研究包括网络广告、搜索引挚、电子商务、电子支付、网络游戏、视频、O2O移动互联网、网络经济、网民行为、企业研究等互联网新经济领域，每年发布各类研究报告接近200份，同时在电商产品、投资产品等方面积极布局，目前已发展成为国内最权威的互联网经济研究团队。
iResearchCenter-艾瑞智慧
杰出的互联网研究与数据服务平台
基于每年百余份行业分析报告，几千项数据分析观点，为网络营销、网上银行、电子商务、移动互联网等领域，提供全面、专业、实时的行业智库...
免费订阅艾瑞每日邮件
微信公众号运营与增长黑客只差一个数据驱动
【数据猿导读】
运营在现阶段，需要站在一个企业、一个战略的角度上来考虑，最重要的就是：第一、提升用户生命周期价值；第二，降低获客成本；第三、降低运营成本
来源：数据猿 作者：邱千秋
运营到底在干什么？
在进入主题前，我们首先讨论一个问题&&运营到底在干什么？
公司的运营岗位主要包括活动运营、内容运营和社区运营这三大方面。做活动运营的同学，平常可能会组织一个活动，从前期策划到后期的一步一步的执行，到最后的总结、复盘；做内容编辑的同学，每天更多的考虑的是最近的热点是什么，通过什么样的内容能够更好的拉动用户的活跃；社区运营的同学，可能更多的在做一些社区的管理、社区的调性上的一些引导。
这三类运营本质上都是在围绕用户做所有的事情，以我们的产品为载体，不断的迭代和优化运营策略和方向。如果更深入考虑，这三大手段（内容、活动、社区）到底在干什么，干了些什么的时候？也就更深入的了解到我们贯穿了整个用户的生命周期在做事情。
从产品、运营、开发、市场等各个部门来说，其中运营是最讲究用户生命周期的。从用户获取、激活、留存、营收、传播这个经典的2A3R模型可以看到，我们在第一步获取的时候已经在往外部发内容；再往下深究，通过内容、活动、社区这三大手段，将我们整个工作贯穿在整个用户生命周期中。
对于运营人员，最需要讲究用户生命周期。一个陌生的用户，从初步了解到对产品建立一个基础的认知，内容团队需要考虑如何在合理的场景去告诉用户，产品是做什么的。如果用户被你打动了，就会下载产品进行体验。作为一个新手用户，他使用了我们产品以后，我们应该围绕他去做一些什么样的事情？这也是需要运营人员考虑的。
用户进入到我们产品后，我们会对他进行引导，让他快速的去理解我们产品的价值，在完成了对用户的激活后，当他理解产品的作用并认可产品价值的时候，紧接着就是让用户能够持续活跃，当用户持续的活跃在平台上阅读文章，那他就会给平台（产品）带来营收。
当用户对产品有一个初步的认知，到后续对产品有一个高度的认可，进而会帮你进行情感传播，整个过程需要运营（各个纬度的运营）去构建产品与用户之间的情感链接。
也就是说围绕用户的生命周期做文章，需要做的就是让获取用户更加的精准，让激活更加的快速，让留存更加的稳定，然后让营收更加的多元。最后，能够更广泛的传播出去。
我们通过这样的方式更多、更好、更快去让整个用户的生命周期加长。运营在现阶段，需要站在一个企业、一个战略的角度上来考虑，最重要的就是：第一、提升用户生命周期价值；第二，降低获客成本；三，降低运营成本。
以上，阐释了运营要做什么事和最高的目标是什么，接下来讲述：运营到底需要一些什么样的数据。
运营需要什么样的数据？
首先，得有数据，其次是数据指标：累计用量、新增用户、活跃用户数、阅读量、复购率、UGC转化等指标。
以UGC转化为例。假设当前比较健康的UGC转化率是20%，到下一个阶段，转化率可能得30%才能称得上健康。不同类别、不同特征的用户， UGC转化可能是要做拆分和定义的。在这个过程中，我们需要知道获取的用户是否是我们的受众？哪些渠道的用户更精准？这些渠道用户的特征是什么？如何去更好的激活用户？
作为一个内容运营，发现新增用户、留存率有所上升，活跃用户也在增加，而文章阅读量却有所下滑，调整内容也不见起色，搞不懂用户如此活跃在干吗？
内容质量到底如何？
举一个例子，曾经有一个做内容运营的小伙伴找到我说，&我们产品新增用户、留存表现都还不错，活跃用户也在增多。但是文章阅读量在下滑，究其原因也没找到症结。&
聊完以后，我第一个反应就是文章内容质量到底怎么样，我从以下两个纬度的指标（数据）进行分析：
纬度一：看最近7天阅读文章的用户，有过阅读文章的用户占这7天整个活跃用户的比例。然后我发现这样的用户其实变少了。就是有100个活跃用户，以前有70个人都看文章，现在只有60个人了。但是这个比例下降只能说他不看，但是到底好不好，可能还需要人均阅读数量来衡量。就是说阅读过文章的人他平均能看几篇文章，这个指标他其实是涨的，我看到这两个数据的时候，我大概心里头就一个谱了。就是说从文章内容质量上来讲，内容质量是达标的。因为用户一旦看过文章，还会看更多的内容，人均阅读量其实是增加了。但是现在最大的一个问题：有一波用户进来后，没有进行阅读行为。沿着这个逻辑，找到这部分用户的行为，去分析他们进入产品后做了什么。
纬度二：通过用户的行为去做一个分组。这是今年年初的一个案例，1月5号到1月10号内，有过阅读文章的用户，我把它拆分成一个用户群。然后，再把这个时间段没有阅读过文章的用户拆一个用户群。通过这样的拆分，能够再通过其他用户行为的特征、用户画像和转化率等情况去探寻不看文章的这部分用户到底在干嘛，通过对比这两个用户群的差异，最终在信息（渠道、来源）在这个纬度里找到了问题的根源。
一般来说，一个稳定的渠道带来的用户基本上也是稳定的，如果对一个渠道做了一些投放，做了一些活动，可能会造成内容质量低下。如果是正常情况下，某一个渠道应该是稳定的，不会出现这个渠道就是比别的渠道不看文章的人多这样的特点。所以，当时看到在渠道上的差异的时候，我就在考虑是不是这个渠道发生了一些什么。当时有一个猜想，这一系列的变化可能与渠道E带来的用户有关。从流量上看，需要考虑渠道E带来的新增用户数量的特征，新增用户的留存是怎么样，再往下更深一层，目前活跃的用户里，有多少是第一次下载产品，而且第一次下载产品来源于渠道E，这就直接决定留存和整体活跃度如何。进而会去看渠道E的每日平均停留时长和每次访问的平均时长如何，这些是从基本的健康质量上去做判断。然后，从用户画像的角度再去深究一下，如果能将这个渠道的用户拆分出来，就能清晰了解用户行为特征。
如果用户没有进一步阅读、互动，那他到底在干什么？基于业务猜想，继续对用户做细分，就是说讲第一次访问时间（5号-10号）并且第一次使用用户来自渠道E做一个拆分。
在这种灵活将用户拆分的过程中，我们才能真正的发现这波用户和其他用户有什么不同。在拆分这个用户组的过程中，同时把这个阶段所有的用户也做了一个整体的分组，通过和另一个全量用户去做对比，对比两个用户群之间的流量、质量、新增留存、行为特点、关键漏斗转化的差异。
通过分析对比关键行为转化的差异，得到一些比较明确的结论：从E渠道来的用户，阅读转化率比整体平均水平还要低，而且低将近20%。如此确立了基本的认知了：做任何一款产品，不管是工具、社区的还是电商以及其他类别的产品，都要有一个目标。这个目标指导着整个产品的核心价值，如果一个地方带来的新增用户在最核心的转化上达不到预期的话，可以比较直接的去判定这个渠道的用户质量是相对较低的。
再往下，我想知道这个渠道来的用户或流失的用户他们到底有什么特征。
通过诸葛io看完用户画像，点开每一个用户去看用户进入产品里的行为历程的时候，发现非常多的用户打开应用以后没有做任何操作，用户在打开应用以后就只触发了一个启动事件，而且每次访问的时间都非常的规律，每天都有80多次的启动，这明显是不符合逻辑。
所以，这就涉及到渠道可能为了利益在做刷量。症结所在就找到了，做内容的小伙伴找到渠道运营的同学，说明情况。因为渠道运营的同学，很多时候不会关注用户来了以后的后续关键行为转化，更多的关注是留存情况去判定渠道，这个时间可能至少花3天到7天去判定一个渠道是否可继续往下投。在这个过程中，渠道关注点是在留存上，由于渠道频繁的刷，每天有80多次的启动，而且每天都在做同样的启动。在这个行为下，从留存上是看不出差异的。所以，很容易造成一些获客成本过高，而且获取来的用户可能是一些虚假的用户。
所以，在这里建议：平常各个分管内容、活动、社区的运营同事，不要只盯着自己的考核指标，如果只盯着自己要监控的数据，很有可能是无法真正发现问题所在，也很难找到自己真正的价值点在哪里。
运营需要什么样的数据？
运营需要一个可以分析的数据。在理性的分析中感性的理解用户。通过完整跟踪用户整个完行为，能够知道用户是如何使用我们的产品，我们才有可能深度的理解用户，真正可以做到还原用户使用场景。
好的运营从业者对可能出现的问题在出现前就已经能够预判得到，然后快速的找到一些途径，让用户有更好的体验，去规避存在的风险。而不是在问题出来后去解决问题。
运营+数据驱动=增长黑客
以Airbnb为例，在早期，还只是一家很小的一个线上平台，通过不断的研究用户行为特征，研究用户如何选择一家房子的过程中，通过数据发现更精美的照片、更精致的房子会有更多的人去关注、去住，而且收入也会随之增加。
之后，Airbnb派遣高质量的拍摄团队来帮助房东拍摄精美照片，上传到页面上。在这种服务的情况下，当月收入翻倍。Airbnb虽然付出了相对高成本，但是满足了更多的用户。
从Airbnb案例中，我们发现，通过理解用户，通过数据去找到一些策略，挖掘出用户的价值。
如何制订数据驱动策略？
第一步：制订增长目标。在我们的运营过程中，有三个纬度的事情是和我们制订目标息息相关的。
1）产品的核心价值。
2）公司的战略方向。
3）产品的生命周期。
一个产品本身是有不同的阶段，它的产品上线的初期最大的需求就是获取用户。然后在它的增长期，我们可能会有其他的，更多的会考虑它的留存。如果进入稳定期或衰退期，那我们运营的目标就还会不一样，甚至包括去探索一些新的增长方式或新的产品方向。
第二步：按需采集细化数据。我个人觉得一般运营和高级运营之间最大的区别就是能基于数据去衡量最后的效果。这里面有三个需要考虑的点：
1）细化功能事件
2）核心行为
3）业务信息。其实我们更多的时候还是要关注它背后的业务信息。业务信息就是你任何一次的行为其实都是获取了一些你背后的信息他才可能去触发。就是说，真正影响到用户的其实不见得是你的流程、体验这些东西，而更多的也更应该是他的业务信息。比如说我去采集一个用户查看商品的事件，我更多的是要采集到这个查看商品背后的商品名称、商品分类，这个商品有没有在促销？这个商品促销的力度有多大，这些纬度才是真正影响用户行为的东西。
第三步：衡量效果。当我们新的产品、功能、运营活动上线了，我们要在最短的时间内，去衡量它的效果。如果有任何问题，尤其是运营，我们要去做快速的调整。以用户行为为中心，围绕四个纬度去做&流量、留存、用户、转化。
第四步：交叉分析发现价值
第五步：理解用户优化策略
最后将《精益数据分析》里面的一段话 &如果有机会深入观察用户的行为，你会发现只有少量的访客成了产品的忠实用户，而更多的只是过客。&把这段话送给大家，希望大家的运营之路越走越好。
作者简介：
邱千秋，诸葛io客户成就总监
注：本文由 诸葛io 投稿数据猿发布。
欢迎更多、爱好者投稿数据猿，来稿请直接投递至：
来源：数据猿
声明：数据猿尊重媒体行业规范，相关内容都会注明来源与作者；转载我们原创内容时，也请务必注明“来源：数据猿”与作者名称，否则将会受到数据猿追责。
相关精彩内容推荐
不容错过的资讯
大数据学堂
大数据企业推荐
大家都在搜