硅谷顶尖增长大佬：揭秘 LinkedIn 快速增长与变现的奥义

本文作者：李玥（Michael Li），LinkedIn 数据科学和分析总负责人。

本文根据  GrowingIO  对李玥采访内容编辑整理，原文发于 GrowingIO 博客 和公众号，极客公园授权发布。

---

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数据分析的重要贡献。LinkedIn 利用数据分析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，商业数据分析不仅是一种科学，而且是实实在在可以为业务带来价值的科学。

EOI 框架

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？

一、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 Drobox 、Pinterest 等在内，可见数据分析的价值。

二、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

在这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。

三、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，我结合自己多年分析经历谈了自己的看法。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。同时，几秒钟就能拿到数据、大幅提升数据工作效率也是一款优秀数据产品的所必须具备的。