LinkedIn 作为一家职业社交网站，通过人才 应聘、广告投放、付费订阅等服 求实现了盈利，这三项服务的背后实际上都有着数据 综合的主要 奉献 。LinkedIn 利用数据 综合为全部职场人员作出迅捷、高质、高效的决策，提供 存在 指导 意思的洞察和可规模化的解决 方案 。 因此，商业数据 综合不只不过一种科学，并且是实 着实在 可 认为业务带来价格的科学 。

图1：EOI框架

在 LinkedIn 内部，我们的团队搭建了一个 综合框架，用来推进商务 综合价格的 连续产生 。这个EOI 框架从企业的 深远进展 动手，针对核心 使命、 策略 使命、风险 使命提出了助力(Empower)、优化(Optimize)、创新(Innovate)三大思路 。

那么，LinkedIn 是如何执行这套 综合框架的？又如何用数据来驱动增进？

一、助力：如何 晋升销售的效率？

LinkedIn是 寰球最大的职场社交平台，有海量的人才信息， 比方某人某年某月在某公司做某岗位 。有了这些信息以后，LinkedIn就能晓得人才在企业中间的流动状况；通过信息整合，我们的团队做出来人才流动画板 。 比方一家企业从A公司 应聘了80名员工， 消散了18名；通过人才流动画板，企业间人力资源的流动状况就十分清楚了 。

图2：人才流动画板

人才解决 方案是LinkedIn B端业务的主要构成，以往销售人员去预约企业的治理层十分 困苦，无论是打电话还是email都 时常碰壁 。现在 LinkedIn的销售人员 惟独要在这个人才流动画板上查找 指标企业，就 可以清楚 获得对方的人才流动状况 。销售把这张图发给 指标客户的治理层，这样就很方便引起了对方的 重视，预约 顺利率和签单比率大幅度 回升 。

图3：LinkedIn推出的企业榜单

在整合工作岗位投递、LinkedIn企业主页 拜访、人才档案等数据的 根底上，LinkedIn还推出来《最受 欢送的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 拜访量排名第二 。

人才是企业最核心的竞争力，企业网站上人才信息一般比资本更加 存在敏感度 。我们团队还推出了《硅谷最具 后劲的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，包含Drobox 、Pinterest等在内，可见数据 综合的价格 。

二、优化：如何找出 指标消费者？

作为一个职场社交平台，大 部分消费者都是免费 使用 LinkedIn；但关于那些有高级需要的人群，LinkedIn 推出了付费订阅服务 。为了 维持良好的消费者体验，LinkedIn 并没有给全部人都发推广邮件；那么留给我们的问题来了，如何找到这 部分有需要的人群？

图4：LinkedIn 三大类消费者数据

LinkedIn有三大类消费者数据，消费者个体数据、消费者行为数据和消费者网络数据 。消费者个体数据主要是消费者的一些 根底信息，消费者行为数据是在消费者在LinkedIn产品上的 使用状况；事实表明，消费者行为数据一般比消费者个体数据更加 存在预测性 。消费者网络数据是一个social network的概念，同一个网络里面的人，共性更 加强烈 。

图5： 构建消费者 偏向模型筛选 指标人群

在这三大类数据的 根底上， 综合部门 构建了“消费者 偏向模型”，筛选出有需要的 指标人群 。业务部门只给这些筛选出来的 指标人群推送“高级订阅 性能”营销邮件，在不 毁坏消费者体验的 根底上， 获得了十分好的营收 动机

图6：消费者 偏向模型的 动机

上图最右侧的灰色柱状图代表业务部门实际猎取的新付费消费者，其中10%和36% 起源于消费者个体数据和消费者行为数据筛选的 后果，剩下54%新付费消费者均来自于消费者 偏向模型的作用 。通过数据 综合，消费者 偏向模型使得业务部门的业绩 晋升了100%以上，我认为这是最能直接体现数据 综合价格的地方 。

三、创新：如何 晋升订单 顺利率？

不只不过 寰球最大的职场社交平台，LinkedIn也是 寰球第二大 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业务的一个卓著点便是决策权集中在治理层，如何找到大客户的核心决策者向来是B2B企业销售的重点 。

我认为LinkedIn在这方面 存在先发优势，由于LinkedIn上 荟萃了海量的职场人员信息，我们创新的“大客户兴趣指数”便是一个很好的例子 。

图7：大客户兴趣指数模型

大客户兴趣指数，用来 衡量企业级大客户关于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消费者是企业决策者的可能系数，产品偏好模型用来 综合消费者在LinkedIn上产品的 使用程度，两者 联合起来便是“大客户兴趣指数” 。

以往销售人员要同时跟进众多客户，并且销售并不清楚哪些消费者是决策者，哪些消费者对我们产品有兴趣 。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 工夫？销售都 成竹在胸 。

图8：大客户兴趣指数的 动机

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”的消费者订单 顺利率高达42%，是指数为“低”的客户订单 顺利率的两倍 。关于一家B2B企业，或者To B业务很大比重的企业，精准找到核心消费者、 晋升订单 顺利率至关主要 。

数据驱动并不是一步到位的，从数据到洞察，它是一个不停进化的过程 。关于全部的 综合团队来讲，数据驱动都绕不过这四步：数据猎取、数据 开掘 综合、商业预测以及商业决策 。其中，数据猎取是 根底，商业决策的价格量最高 。

数据驱动不能没有数据 综合工具，我 联合自己多年 综合 经历谈了自己的 意见 。一个好的数据 综合产品 定然要 方便易用，让数据工作从大到小，实现从冰山到冰棍的 变迁 。同时，几秒钟就能拿到数据、大幅 晋升数据工作效率也是一款优异数据产品的所必须具备的 。