.jpg)
12月14日，由中国产学研合作促进会指导，中国客户管理产业创新联盟主办，中国客户管理网、清华大学中国企业研究中心、清数大数据产业联盟、迪铭咨询、清华校友互联网与新媒体协会等多家机构共同举办的2017第八届中国客户管理大会暨首届中国客户管理奖颁奖典礼在北京清华大学隆重举行。
GrowingIO联合创始人吴继业先生出席会议并以“数据智能驱动更低成本和更高效率的增长”为题发表演讲，以下为嘉宾发言实录：
尊敬的各位嘉宾，大家下午好！我叫吴继业，今天给大家分享一些之前在LinkedIn做过的事情以及现在在GrowingIO做的事情。本次演讲更多的是案例分享。
LinkedIn是03年成立的一家职业社交公司，从03年成立开始一直到09年，LinkedIn都没有做任何变现举措，而是一直思考到底什么样的产品能够给客户创造价值？LinkedIn的初创团队很小，客户也很少。LinkedIn的创始人认为：需要这样的一个职业化平台——在平台里，每个客户都有一份非常职业化的个人档案，能分享工作当中的成果，同时能和专家学者进行交流。于是，他找了一些硅谷的前沿专家创建了一个社交网络，帮助每一个人把他的社交网络和人脉圈做的更大。如果一个职业人士的社交圈很大，它给自己带来的价值就很大，也为LinkedIn带来非常大的价值。
LinkedIn用户的核心价值在使用过程中体现在哪里？我认为有以下几个方面，分别是：可以扩大用户的社交圈，获得源源不断的好的工作机会；作为一家公司的管理者或者团队的经理，可以在这个平台上找到人才。
LinkedIn是通过社交的方式去做，区别于传统求职。LinkedIn在03-09年积累了一亿的职场人士，这样就有了变现的卖点，公司才开始考虑变现的事。很多公司希望在LinkedIn上面找到一个被动求职者。80%的人都是被动求职者，20%的是主动找工作的人，好的职业人是被挖走的。这是LinkedIn在10年快速发展阶段做的事。
我是在2011年加入LinkedIn。我当时遇到了LinkedIn的创始人，我跟他一起聊了聊未来在LinkedIn的一些想法。当时LinkedIn开始做上市的准备，未来要为业绩负责，华尔街不可能说你有很好的用户群体，却没有方法变现，你必须有业绩收入。在这种情况下LinkedIn组建了一支商业分析团队，目标就是利用LinkedIn社交的大数据为LinkedIn的市场、销售、客服和运营产品等这些团队服务，并创造价值。这就是我们数据分析团队的使命！
.jpg)
LinkedIn发现这样一件事情，职业人士在加入LinkedIn的第一个星期增加5个社交关系，那这个用户在未来会更有可能变成高价值用户。接下来LinkedIn推出一个帮助大家快速的找到好友的算法。这个算法的维度非常的复杂，它可以在新用户没有添加任何朋友的时候，根据用户的一些数据不断帮你推荐，通过不同的维度帮助你扩大人脉圈。LinkedIn现在承载了5亿多用户，随着用户数量的增加和参与度的增加，产生了大量的数据，这些数据有用户和用户之间的，有用户和公司之间的，还有通过用户和用户之间的交互关系，个人用户与企业之间的交互关系产生的大量用户行为关系数据。基于这些数据，通过分析和迭代可以做出各种各样的产品，而这些有价值的产品和服务在使用过程中又产生大量的数据，形成了一个闭环。通过用户的增长，用户行为数据的积累，产生新的产品和服务，比如说雇主品牌的吸引力指数，比如说毕业生的走向分析。LinkedIn中每个用户档案都有校友，有毕业生的档案分析，这些用户的行为数据可以通过聚合和分析，从而帮助企业建立自己的雇主品牌，找到合适的候选人，尤其是在海外拓展业务的时候特别有帮助。华为就是特别好的案例。13、14年华为拓展海外市场的时候，希望在遍布全球的目标国家里建立自己的雇主平台，快速的找到合适的人才，确立在国外市场竞争的策略是什么，这些产品就非常的有说服力。
从2009年到2015年，LinkedIn实现了约30倍的业绩增长。这个过程中有3块业务线，第一个业务线是个人订阅服务，就是为个人提供的数据分析产品。它的获客模式非常的简单，用户使用信用卡按月支付，从30美金到500美金不等。毛利率非常高，因为不需要销售一一面对用户推销，完全可以通过市场营销的手段获客。第二个解决方案是市场广告。第三个是LinkedIn针对人力资源的解决方案，占LinkedIn业绩的65%，也是发展最迅速的一块。我们在做数据产品的过程中不断的创新，不断的挖掘企业内部的用户需求，比如如何赋能销售快速成单。
.jpg)
LinkedIn销售要跟星巴克的HR总监推销LinkedIn人力资源的解决方案，在推销过程中展示的PPT的制作要有一些个性化以及定制化的内容，所有的数据按照以前的方法准备的话可能要花20个小时，同时需要数个工作人员才能做出来。这是非常耗时的事情。如何通过技术赋能呢？LinkedIn把公司的所有的数据做好，在后台准备好，同时事先可以准备一个专业销售PPT模板，基于这个模板和数据就可以自动替代PPT里面某几张页面、某几个数据，这样我们的效率就提升很多。在你获得很多的用户认可的时候，团队就要扩大了，大概四到五年的时间数据分析团队变成一个很大的团队。
再讲一个关于LinkedIn销售如何跟企业高层人员对话的案例，是一个人才流动记录仪的应用。比如说这家公司是Facebook，可能Google有15个人是从Facebook过来的，可能有120人离开Google转而加入Facebook，这就可以看到Google和Facebook之间的人才竞争关系。公司的高层会很关心这张图，我的人才流向哪里？谁是我最重要的竞争对手，这个案例虽然非常的直观，红的就是不好，绿的就是好。利用数据分析，还可以做某家公司职位来源的排名和粉丝的排名，还有毕业生的走向分析，以及LinkedIn每年会评选的一百家优秀雇主，所有这些都跟用户行为数据密切相关。
LinkedIn个人订阅服务业务线，通过市场营销的手段获客，业务在三年内获得15倍的业务增长。当时LinkedIn有1亿用户，其中只有1%的人是个人付费用户，现在LinkedIn大概有5亿用户，里面有3%是LinkedIn的个人付费用户，所以有15倍的业绩增长。个人订阅服务是一个纯数据的产品，成本很低，我们团队要做的事情就是不断的通过各种渠道触达用户，给所有的LinkedIn用户打分，找到潜在付费用户并让这些用户转化成为正式付费用户。
.jpg)
LinkedIn根据用户的行为，建立了一个用户标签库，能够帮助筛选出很多用户，再添加上用户的结果数据——之前哪些人是LinkedIn的付费用户哪些人不是。在用户标签库里我们做了用户机器学习的算法。这个算法一开始需要手工去做，需要找一些数据科学家来做。后来LinkedIn搭建了自动化平台，原来数据科学家需要30天的时间才能做出一个模型，有了自动化平台后可以更快的做出模型，更快地试错，再加上A/B测试的环境，可以做出一个挑战者模型和一个冠军模型，挑战者模型不断地挑战已有机器学习模型，当新模型连续两周打败已有模型，新的模型就可以上线。这个模型的效果经过不断的打磨，应用用户行为数据和社交数据，加上自动化的平台，还有A/B测试的系统，把付费用户转化率1%，提升到3%，未来还有提升潜力。
很多时候我们会得到很多的用户投诉，这些投诉可能积淀在不同的渠道，比如APP下载的地方收到的用户反馈，客服系统收到的客户反馈，还有各种各样的媒体报道、社交媒体都有这样的用户反馈。LinkedIn运营过程中也会看这些用户的反馈，靠人看的话效率非常低。用户反馈数据进入平台后，通过关键字搜索，可以看到基于这个关键字的一个数据趋势，可以帮助LinkedIn完善运营。比如LinkedInCEOJeffWeiner在参加家庭聚会的时候，一个朋友说“你们用户档案的编辑方式改变了，我以前用的功能没有了”，JeffWeiner听到以后第一时间想到要找产品经理，产品经理就可以进入到这个平台搜索档案更改的时间线，看这个功能撤掉以后舆论是什么样的反馈。LinkedIn的产品运营不是基于CEO拍板说要把功能拿出来，而是基于数据的分析，基于客户的反馈做的最终决策。LinkedIn做到了30亿美元的市值的时候，我们通过数据分析每一个客户处于什么样的阶段，先定义客户的阶段，通过用户行为定义客户的风险，有了风险以后再去做一些预测，知道怎么控制这个风险。
我总结一下，在过去的几年里，我和我的创业合伙人深刻的认知到数据驱动业务增长这件事情是完全可以做到的，只要我们深入研究客户的需求，深入的理解业务的需求，这个事情完全可以被做到。我们觉得数据驱动业务增长的一个很大痛点就是对数据的采集需求，这个数据大部分在用户的客户端里面，哪怕是一个网站，是一个微信小程序，或者微信公众号。用户发生的行为数据是一个过程数据，这些过程数据采集下来可以做很多的数据分析。这就是我们离开LinkedIn之后想做的一个技术突破——如何高效的采集用户的数据。
之后我们创立了GrowingIO，我们通过技术方法突破了数据采集问题，只要加载一次代码，不管是网站、IOS、安卓还是HTML5的页面，都可以实时全量采集用户行为数据，通过数据的清洗做成结构化的数据存储在后台，这样就把全量的用户行为数据采集下来。接下来可以做很多的事情。
.jpg)
.jpg)
很多公司都有结果型指标，我们的结果型指标是用户的一些数据，到底有没有买，定单是多少，商品是什么。我们要优化业务漏斗，而用户的行为能够体现漏斗。用户发起了搜索，那我的搜索效率是不是好，用户搜索完之后是在第一页完成转化，还是需要几个页面才能找到他想要的东西。在整个业务漏斗的每一步都有很多的用户流失，这个过程数据就是用户的行为数据。过程数据搜集到以后，经过优化和判断，我们可以进行优化和运营。用户的行为数据需要完整的、全量的。简单在APP里打几个点是不够的，全量的数据采集需要知道用户在过去的时间内，到底发生了什么。这些数据有助于我们研究用户的心理，知道客户当时在做什么，还有助于我们分析某一群体的用户共同特征是什么？我们进行分析可以得到很多的结论。
.jpg)
总体而言，我们现在的产品能够为一个拥有线上业务的公司提供市场、运营、产品和体验各方面的优化。我们的产品也是非常灵活的。
比如在数据指标定义的环节，原来公司内部人员有数据需求的时候，要数据分析师写代码查询。而我们非常的简单，比如这是一个加载我们代码的APP，员工进来用手点一下某个产品的控件就可以自己做了，不需要技术人员帮助实现，有了指标以后可以定义创建多维度的报表。我们知道用户的行为路径是非常重要的，它可以被探知，比如说我们从这里去北京首都机场T3航站楼，用地图导航可以告诉我们有什么样的路径。我们在产品里面有一个智能路径的功能，你告诉我一个用户的目的地、最终节点，我们就可以逆推出这个用户走了多少步到达最终的这个结果，你可以判断这个路径上有没有多余的节点，而路径越长用户的流失就越多。
我们也有一些发现用户增长途径的分析，怎么分析留存用户的黏性、活跃度。我们能够详细地描述上周期还是活跃度用户，这个周期不活跃的原因，我们把活跃用户拆分成几个不同类型，可以帮助你发现到底是用户留存发生问题，还是用户拉新发生了问题，活跃用度的持续增长，是来自老用户回流还是新用户增长，这是很简单的模型就可以做到的。我们的想法是先打造一款简单易用的用户行为数据采集工具，然后做了一些面向市场运营，面向产品经理，还有面向用户运营等不同的数据分析赋能的角色，为客户提供了一些数据分析的模型，这些模型都可以被产品化，可以很快地用企业服务的方式交付这个能力。针对一些对数据安全非常关注的企业我们也可以提供一些解决方案。
以上是我今天的分享，谢谢大家！
[上一篇] 【大会干货•演讲实录】赛智时代CEO赵刚：数字经济演变逻辑和2018年发展趋势
[下一篇] 客户体验四大原则
