IT思维

张溪梦

GrowingIO 创始人兼 CEO

硅谷大数据分析和数据科学专家

前 LinkedIn 商业分析部门高级总监

美国时间 6 月 13 号 LinkedIn 以约 262 亿的天价被微软收购的消息传开后，很多的朋友问我为什么微软要收购 LinkedIn，而这样的收购价格是否合理。所以我想从数据的角度来解释一下为什么 LinkedIn 有如此高的估值。

第一点是数据本身对用户产生的价值。领英是世界上最大的社交网络公司， 有接近 4.3 亿的用户，这些用户是社会中坚力量，具有很多决策权力和巨大的购买力。

LinkedIn 是一家数据公司，用户的体验使用产生大量数据，数据本身提炼出更高价值和更新的产品，进一步为用户进行服务，三点之间形成无缝循环，为很多普通用户产生很多价值。

比如用户在上面找到很多新的工作机会，新的商务解决方案，新的营销方法，和自己匹配的商业拓展方法和功能等等。这些为许多普通用户提供了价值。

其次，在企业层面，LinkedIn 连接了普通白领、高端用户和企业。企业需要各种人才满足发展需要，LinkedIn 上汇聚了顶级的人才库（尤其在欧美），平台上的职业社交关系帮助企业找到最佳切入路径，提高转化效率。

比如一个很好的工作职位，通过推荐、引荐介绍的人才转化率比普通内部找工作的人转化率要高几倍，无形中提高了企业人力获取成本上的效率。此外，LinkedIn 上的精英库本身也是很多企业思考他们未来产品的一个最好的销售线索池。LinkedIn 为寻找商业机会的人搭建了从市场运营到销售的好的平台。

最后，从 LinkedIn 内部的运营效率来说，首先通过使用 LinkedIn 的数据，可以用最快的方法、最简单的手段、最有规模化的方式获取用户，举例来说，通过分析许多用户简历可以抽象追踪到近百万家公司；通过分析企业内部人之间的社交网络可以找到公司内部决策层；通过分析企业内部销售人员的社交网络关系，可以找到认识决策人的人。

对于一个公司，以往的决策周期都需要人去做很多判断，收集信息，这样就无法做到规范化、统一化。但用数据驱动之后，所有人都非常统一，给企业带来的价值很聚焦，最后实现的方法也非常落地，这样将大幅度缩短整个销售周期，在单位时间内提高获取用户的效率、降低获取用户的成本。

在华尔街若干年的分析中，LinkedIn 是世界上第二大的企业服务商，它提供的获取客户的这种服务成本是普通企业服务提供商的近 50%。

对于同样的资源，LinkedIn 获取客户的速度和质量和广度比其他竞争对手具有优势，这也是它在华尔街和股市上的估值一直居高不下的一个原因。

因此可以看到，在LinkedIn服务的普通用户端、企业端以及最终服务的投资端，三者可以通过数据进行无缝统一，这就是 LinkedIn 被收购时估值非常高的核心原因之一。

1.大数据领域的价值、视差和痛点

数据诞生各种价值，但大数据领域也存在很大的视差和痛点，离开 LinkedIn 进行创业正是基于以上两个问题。

（1）首先，在过去五年间的工作中我看到了数据的各种价值的产生。

我认为数据产生的价值的第一个核心是建立在信念的基础上，也即我们是否真正意识到自己坐在数据的金矿上，这样的信念最终解释成信念实现之前的想像力和创造力。数据本身是我们创造力和想像力的源泉，想像力抽象出来就是它的产品形态和价值体现，这是我为什么回中国创业的一个原因。

过去十几年间，互联网行业经历了两次革命。第一次 PC 网站端的革命带动了一系列成功创业企业的诞生，如从门户型到平台型交易型的一系列互联网网站革新。从 2008 年开始，新的一波移动互联网崛起。但中国整体的经济已经从一种增量型或着高速增长型的获客型经济向存量型或价值型经济转化。

以智能手机为例，其拥有量在过去几年的年增速在 50% 到 30% 之间，但近两年尤其是近一年，年增长速度在 5% 左右徘徊。新增客户数量慢慢衰减，市场接近于饱和。在这种情况下，企业需要把以前的流量驱动思维转变成精益化运营思维。

这种精益化思维已在欧美的许多国家推行了若干年，我入行的第一份工作就是做数据驱动的精益化运营。这种思维，我认为是社会发展必然经历的一个阶段。若企业希望在未来的竞争格局里占据一席之地，必须在此有所建树。

现在的 APP 有很多，一个用户单位时间内在某个 APP 或网站上花的时间是非常有限的，如何在单位时间内提高转化率是今天企业需要关注的第一个事实。第二个事实是如何让用户在使用 APP 之后持续留存下来。第三个事实是一个好的产品如何通过非常低的成本方式传播出去？

用大量的资金来买流量的时代已经消亡，我们必须在单位时间内用更低的成本、更快的速度获取客户，特别是客户在平台上持续产生价值的能力。从这一角度来说，数据驱动是一种必然。

在企业一般发展的早期，尤其在互联网人口红利时代没有结束的时期，很多的决策可能不太需要数据驱动。但在今天激烈的竞争环境下，企业想要生存下去就必须要提高单位时间之内的产出，这也是数据驱动越来越重要的一个核心原因。

此外，以往的数据决策都停留在管理层层面，也就是说它不需要很多人做决策，只是上层拍板下层执行。但在今天的全产品、全民竞争时代，一个企业需要让前端的人也用数据做决策，促进单位各种效率的整体提升，从而使生产的产品被许多人需要，用户的留存度增加。

最后产品的良好口碑能以最低成本最快方式扩散和营销，给企业带来大量的价值实现企业长远使命，对社会贡献价值。在此过程中，数据驱动变得越来越重要。

在过去的十几年里数据分析领域经历了两次巨大变革。第一次变革是 ERP 时代。在 ERP 时代，一般对交易型的数据做一些分析，如交易的质量、数量和地域等，这些一般通过用时间换空间的方式来达成。

因为计算和存储成本非常高，人们不得不花很多的时间把大量的、不结构化的数据变成非常结构化的、小的数据存储下来。这需要很重的人力。这个时代大约持续到了 2000 年左右，很多企业在今天仍在用这种模型进行实验。

但在过去的五到十年之间，硅谷诞生了一套新的分析框架，基于大量的、非结构化的数据，以并行计算为核心的大数据框架，也就是今天普遍为世人所知的大数据概念。这套系统和技术的框架建立在并行处理、不结构化、大量存储计算能力之上，需要具有很高的计算力和信息框架能力的公司才能实现。

如果传统的分析方案有四种不同工具能实现，在今天则可能需要几十种不同的工具、语言交集在一起才能实现一个真正大体量的分析体系。在过去的十几年里，中国的很多企业发展在此方面还具有技术上的缺失。

我们不像美国一样经济运营了几十年，在过去十几年就开发无结构数据方案。企业想在未来竞争格局里独占鳌头产生效率，就可以抓住机遇实现弯道超车，甩掉传统分析的包袱，用新的方法来实现未来大规模部署。

比如分析智能在企业各个部门的一个方法论，这就是一个用新的技术和新的工具来实现的方法论。云技术已经很成熟，分析的各种理论也已经变成产品化，企业没有必要再花大量的时间、成本和人力去建造庞大的团队。

从这点上我要再讲到连接的问题，其实一个分析师帮助一个企业提供分析的方法如方法论和结论，和医生做一个诊断的过程是一样的。医生做诊断首先要收集一些基本信息，像验血、照X光等，因为以往各种系统的不完善，像企业内部一样，他需要有资金内建这个验血系统、X光系统。

但今天来说，我们不再需要自建，这样就节省了大量的时间。另外医生通过数据的判断给病人做诊断，数据分析也是一样，通过了解人某个这个事件发生历史，判断它的成因预测它的未来。

今天的大数据分析体系，希望能够自动化地把医生做到大量有规律的复制，让每一个人都有一个医生来陪伴他，这就是大数据的一个核心分析理论，也即数据的平民化、可执行性和简单性。

（2）大数据领域里面存在一个很大的视差和痛点，这是我们想要解决的问题。

比如在过去工作的十年间，我们发现很多企业甚至在数据收集方面都有很多的困扰。我以前工作过的几家互联网公司花了大量人力物力和时间在数据收集、整理、清洗甚至是基本规范化上面。

但实际上真正产生价值的过程在于数据的应用，应用在业务端、服务端、客户端上才能给人产生真正的价值。我们要解决的问题是如何让人特别是工程师、分析师、产品经理、运营的人员把时间花在业务上，而不是花在数据清洗和收集上。

因此我们开发了一套新的技术，叫做无埋点的一套数据收集方案。在网站、APP上基本做到全量的信息收集，而不需要工程师去做很多打点，在这一过程帮助企业节约很多资源。此外我们建议把这些数据立刻沉淀下来，作为企业数据分析的基池，做到分析的实时性。

数据本身的价值会随着时间的不断过渡慢慢衰减，离我们越近的数据未来对客户的转化率提升的可能性越高，离我们越远的数据对潜在用户的影响会越来越浅。而我们今天开发的这套系统在超级大规模处理情况下做到实时性，需要用技术去实现。

目前来说，我们开发得这套系统希望能让很多人用数据来做决策，提供商业分析的智能，帮助企业内部的一线员工做决策和判断，这和以往的设计思路不一样。但这一目标的实现实际上还是很困难的。

企业在部署实施这一方案时，基本会有三个困扰，其中两个困扰来自于人们的认知问题。

第一点是企业能否认识到数据能带来这种巨大的价值。

第二点是企业内部是否有一定的经验和方法论来实施数据驱动决策的整个过程。为什么在这一方面是很大的挑战？因为中国发展速度非常快，在过去十几年里没有很多数据驱动的经验沉淀，因此我们希望能够把方法论直接输出到企业来帮助他们快速获得理论和实践的操作基础和方案。

第三点是实际操作能力。很多企业软件本身需要很多人花时间去学习，为了越过这一庞大、缓慢的学习壁垒。我们要尽量把产品做得简单易用，能同时让很多企业内部用户使用，这也是我们企业的使命。在价值认知、方法论实施和最后操作的三个领域都进行覆盖，希望帮助更多的企业提高生产效率、创造更多客户价值，把企业的内部资源真正用在刀刃上。

2.爱因斯坦为什么聪明：连接的重要性

数据本身和脑外科手术对人脑的理解很类似，包括 LinkedIn 的社交网络和数据连接的万物和以前的人脑的结构，这些东西真正的价值就在于连接。

也许大家之前读过关于爱因斯坦的一篇文章，爱因斯坦的聪明不是因为他的脑容量大，而是因为他脑细胞之间的连接多。

从数据上来说，一个数据本身可能产生的价值是 1 ，但几个数据点关联以后，它的价值就不再是一个数字简单相加，而是一个几何倍数的提振。不同的数据源头、设备、业务慢慢地把这些数据聚合在一起以后，产生的价值是巨大的。这种关联性和几何的迭代是一个非常庞大的价值体现。

我们发现一个人在社会上的影响力也和他的社交网络密度有关系。一个人的在社会的地位和关系的数量相对呈正比，也即一个人的连接数量体现出他在社会上的某种潜在价值。如果两个组织之间员工有各种合作，就潜在形成了很多内在连接。

当把两个社交网络往一个方向推的时候，就是一个组织并购的过程。有时候并购的挑战来源于这两个组织的人之间互相不认识，合作时会产生很多摩擦。在并购过程中人力资源部门做的很多分析的一个方法叫做talent analytics（人才的分析），分析人之间的社交网络。

很多事情是举一反三的，从一个物理性事实抽象出数学方法，反过来又解释了很多物理现实中的业务之间的关联，并放大了这些关联性。我们可以用人与人之间的社交关系推演出一个组织的架构图，再推演出什么人胜任什么位置，预测个人未来发展方向，这些潜在的东西都是数据告诉我们的。

数据告诉我们的是整个宇宙的一个基本物理事实和未来趋势，也就是我们不断从低级向高级进化，不断从粗颗粒向细颗粒进化，不断在能量的这个过程中向上进化。

信息是能量传输过程中的一种最高级的反应之一，它充满了价值、能量和创造性、可能性。

微信公众号：造就