編者按：在她加入LinkedIn市場營銷部門之前，他們很多市場部經理加大數據專家，做了快1年的內容運營，CTR才2%。她去了以后，做了優化，一下就提高到17%。她說，問題就出在了他們沒有應用正確的優化方法。選錯了優化目標，定義錯了優化的核心Metrics。
作為前LinkedIn核心數據成員，Sophia擁有多年數據驅動運營的實踐經驗。本期《崔牛八點半》，我們有幸邀請到這位曾被LinkedIn CEO譽為最杰出分析師的數據專家，為我們揭開大數據驅動運營的本質與技巧。
公司內部數據驅動企業優化，一定要注意不能空頭玩數據。找了數據方面的人才，卻不懂運營優化的方法，也不一定能幫到企業。
大數據是用來解決商業問題的，脫離業務問題看數據是大忌。我們科學的大數據驅動業務優化的做法，可以參考下圖里的流程。
做大數據驅動運營，首先要明確地定義本次優化要解決的問題。如果有多個問題，可以一個一個解決，不要心急。倘若攪在一起，最后反而說不清楚什么是真正的影響因素。
然后定義優化的目標。很多人沒有學過企業優化的專業知識，所以解決問題容易失去大方向。
就像在LinkedIn的時候，我剛加入市場營銷部門，他們很多市場部經理加大數據專家，做了快1年的內容運營，CTR才2%。 我去了以后，做了優化，一下就提高到17%。問題就出在了他們沒有應用正確的優化方法。選錯了優化目標，定義錯了優化的核心Metrics。
然后，根據目標，定義與之相關的業務指標，也就是核心Metrics。
之后，才到數據的部分。根據業務目標和指標，去決定要采集什么數據。然后再根據業務的實際情況，決定數據的架構。比如， 最后做的是線上的推薦引擎，那我們需要建立實時的架構，比如用Spark Streaming 實現。 如果是做的Add Hoc 分析，那只要做成線下的一個可視化報表即可，用offline離線的架構即可。
后面配合的是數據的深度分析，以及分析結果可視化（ 比如用可視化工具 tebleau或者我們的Yonghong BI，BDP等)。因為復雜的數據，老總未必看得懂。作為數據人員，需要掌握一門技術——如何可視化數據結果，讓insight簡單直觀的展現。
如何在企業內部搭建一個完整的大數據團隊？
很多人問我：如何組建大數據團隊？以下這張圖代表了很多大公司的典型大數據組織架構。
大數據不是一個人的工作，團隊合作非常重要。先強調一下當前所謂的“大”數據和傳統的數據概念的差別：
傳統的，每家公司幾乎都有DBA，都有一個業務數據庫，不論是Oracle還是MySQL。 存的是業務數據，比如電商的交易數據。支持的是業務的正常運營。
隨著互聯網時代的普及，“大數據”的概念油然而生。“大”主要是體現在了行為數據上。比如通過捕捉在線用戶行為的蛛絲馬跡（也就是行為數據采集），我們可以更好地認識我們的客戶，將客戶更好地畫像分群，提供個性化服務。
我們可以通過客戶看什么內容，喜歡停留在哪些頁面，愛收藏什么內容，經常評價什么，等等，來預測這個客戶的喜好，以及他未來可能做什么？比如某個客戶最近經常活躍，接下來可能購買的概率有多大？是否可以對他進行精準營銷，刺激他購買？
我們這里說的數據采集，對應的就是采集行為數據，當然也包括業務數據。有了數據，我們可以為各個業務部門做各種分析。比如給客戶做行為分析和畫像，給產品經理做產品分析和優化， 給市場部門做市場營銷分析，給銷售或者財務部分提供分析，等等。
數據產品一般是要上線的。比如在線的個性化推薦產品等。最著名比如Linkedin 的“People you may know”， 推薦你可能喜歡的客戶。
最后，research lab 通常是數據科學家研究的各種機器學習模型，優化、預測、進行商業建模。 這可以應用在前面的各個業務場景中，提高和優化效果。
完整的團隊，包括前端工程師埋點采集數據，架構師架構數據，商業分析師提供各種分析，還有數據科學家進行建模。總監還有一批數據工程師進行數據的清洗和轉化。
如何運用大數據幫到企業優化運營？
大數據優化需要各種技能。做一個好的數據優化師非常的不容易。 還需要軟的溝通，可視化，還有領導力技能。
完整來講，大數據優化主要有這幾個階段：
1、數據采集、架構、報告
2、商業分析
3、實驗設計 A/Btest
4、客戶畫像
5、智能產品
6、通過各種模型進行決策優化
目前，大多數數據公司的產品都在解決1和2的問題，還不能直接驅動企業的運營。3到6都依賴專業的數據人才手動提供解決方案。其實國內的企業大數據都普遍缺乏專業的大數據人才，所以實現3到6非常困難。未來的目標是要能提供專業的大數據軟件產品，提供1到6的一站式解決方案。
可惜現在大數據公司的產品都停留在Data階段，最多到insight。沒有一個可行的Action提供給企業，讓企業沒有數據人才的情況下也能驅動運營。
這里，我講一講一下幾乎所有互聯網公司都要解決的用戶運營優化問題和方法。
所有的互聯網企業都面臨同樣的痛點——如何從茫茫人海中獲取新客戶？花大價錢拉新后，如何留存客戶，活躍客戶，最終轉化客戶為付費客戶價值客戶？
在外部拉新階段，有很多傳統渠道，比如打廣告，買關鍵詞等。 但是現在都面臨改革的需要，因為不夠精準。 舉例，我們崔牛會很多2B的企業。如果百度打廣告，受眾其實很多是C。意味著一半的廣告費用，都要浪費在非目標客戶身上。如何利用機器學習技術，精準定位目標客戶是一個很多的難題。
在完成拉新之后，活躍和價值轉化用戶，屬于內部大數據優化的范疇。
這里列舉了國際上最常見的內部大數據優化的核心技術：
首先是要采集行為數據（tracking）；
然后，積累數據之后，我們需要對用戶進行畫像分組，以便提供個性化的策略；
接著產品分析和優化是一個常見的應用。
目前市場上很多數據產品就是在做這三個步驟。我們統稱為“產品分析”數據產品。
后面開始的各種應用目前市場上的產品并不多見，我們可以叫“市場營銷云”范疇（Marketing Cloud）。包括：目標用戶優化（俗稱精準營銷）Targeting optimization；推薦優化 （個性化推薦）；市場營銷的運營實驗設計 A/B test （ 其實產品分析也需要這個）；ROI優化（比如有1千萬營銷預算，投5個渠道，哪個渠道效果最好？怎么組合渠道投放，達到最佳的回報？）
Marketing Cloud在國內重視程度并不太高，而且客戶處于“無策略”投放階段，所以非常需要專業的大數據產品來幫助指導。
針對這幾個步驟，我分別展示一下更具體的內容：
上圖為第一個步驟的demo，采集客戶行為數據，建立“大數據”系統，然后提供KPI報告。包括客戶，產品，市場和銷售的統計數據。這其實也就是之前那個1到2的步驟。
目前，這個過程我們已經產品化了，讓大家看來又方便又簡單。幾分鐘部署，大數據系統就自動搭建了，實時報告就出來了。實際上在ebay 有幾百人在做這件事，是個巨大的工程。
產品分析和優化是非常常見的應用，國內好幾家大數據公司都在專門做這個產品。
市場營銷云的系列之一就是通過用戶畫像精準推薦內部營銷的目標客戶。 比如我們每個月盤點用戶，打上活躍度標簽，誰在這個月是最活躍的客戶、次活躍的客戶，不活躍的客戶。另外，最活躍的客戶，卻不購買的有哪些？ 我們是否通過一些營銷策劃轉化他們？
畫像的做法有很多模型，我們最擅長的是機器學習模型。可以精準預測誰會購買誰會流失、誰會注冊等等。這大大降低了運營人員的難度，也提高了運營的效果。
以前我在Linkedin做出數十倍的優化效果，里面5個優化環節里，最核心的就是機器學習的預測算法。
在充分了解用戶的群體和個體特征之后，個性化推薦是營銷運營優化的另一個系列。
個性化推薦可以通過產品級實現，也可以通過內部營銷渠道，比如發push的時候內容個性化，或者email的時候內容個性化實現。
最后是渠道效率ROI優化。
大數據運營產品的分析與比較
接下來，我分享一下針對上述大數據驅動運營優化方向的市場分析，可以幫助大家選型。
這是美國一些大數據公司的分布情況。美國的市場營銷云非常受歡迎，也很成熟，幾乎每家企業級應用大公司都分布收購了很多小公司組建這個產品線。
比如Adobe買了Omniture (涵蓋了用戶行為分析，畫像，基于預測的目標定位等系列）, Salesforce買了 Exact Target （ 營銷自動化），Oracle 買了Responsys (郵件營銷公司）,Responsys里面的人出來成立了Act-on（ marketing automation 將整個營銷流程自動化）。
實際上，我們公司的業務類似于Omniture + Act-on + Exact target，是一站式的營銷云方案，非常適合國內缺乏專業運營和大數據人才的企業現狀。
最后分析一下國內的大數據市場。
大家看到中國從免費的APP數據分析時代（ Talking Data、友盟、易觀），逐步發展到收費產品分析時代（比如GrowingIO、神策數據、諸葛IO）。
但是營銷分析這里還是以傳統的外部渠道為主，比如廣告、SEO等的優化。 其中，國雙最近已經海外上市。然而，企業內部的營銷優化，精準目標定位等，內外結合的營銷一體化方案等都還沒有成熟的產品。
今天時間短暫，還沒有機會好好介紹一下我們Datatist做什么，如何幫助到大家。這個是我們公司的介紹。希望對大家有所幫助。
本期嘉賓：Datatist創始人 宋碧蓮（Sophia）
Datatist的目標是利用機器學習大數據技術，提供一站式解決方案，自動驅動運營，助力企業優化。
其大數據驅動業務的終極目標是從數據(Data)中看到有價值的信息（insight），然后制定可行的方案（Action), 解決問題，實現優化。
定位：提供市場營銷云的解決方案，讓運營的同事在沒有大數據人才到位的情況下，也可以科學地投放和優化。
京公網安備 11010502049343號