在LinkedIn，大数据渗透在各个产品和决策之中。比如，LinkedIn对大众来讲是免费的，但是也会提供付费产品的增值服务，怎么向目标用户进行有效推荐呢?这时候数据就起了作用。在这些数据的帮助下，销售部门的业绩翻了一倍还要多。
LinkedIn有很多数据，我们怎么用呢?如何用数据给各个部门提供数据服务，帮助他们赚钱的呢?这里有三个词：助力、优化、创新，这是我们用数据来持续不断为商业增值的手段。
- 利用人才流动数据
- 为销售人员提供洽谈敲门砖
- 预测硅谷***潜力的创业公司
助力就是公司其他部门在需要数据支撑决策的时候，我们满足他们最基本的对数据的需求，为他们提供数据洞察力。
举个例子，我们四年前做过一个很简单的产品，叫人才流动画板，就是整合LinkedIn上用户的基础数据，就可以得到一段时期内从A公司到B公司的人才流动情况。
大家想想LinkedIn平台上最多的数据是什么?用户职场信息。从哪年哪月到哪年哪月，在某家公司担任什么职务。
当我们把这些用户信息采集起来以后，就可以知道世界上每家公司，任何一个时间点，有哪些人是为这家公司服务的。
这个数据图有什么用?通过它，你很快可以知道自己公司和对手的人才流动情况。有了这个图，销售人员跟一些公司约谈会议的时候，就太容易了，这个数据图就是很好的敲门砖。
我们还将创业公司的数据单独拎出来，做了一个硅谷***潜力创业公司的排名。因为一家公司势头非常好的时候，人才的流动会比资本的流动更快。人才是一个公司能否成功非常好的评判标准。
2012年我们发布了***个榜，当时有Cloudera、Pinterest、Hortonworks等等，这个榜我们发布了两年之后，这些公司IPO加上被收购的公司超过了50%。
2013年的公司可以看到Dropbox、Hortonworks、GoPro这些公司，大家如果13年的时候去投资这些公司，你会获得非常好的回报。
- 向真正有需求的人推荐付费产品
- 数据的甄别定位很重要
- 销售业绩因此增长一倍多
那么，怎么通过优化方式帮助业务部门把工作做得很好?我们用LinkedIn的高级订阅服务做例子。
LinkedIn对大众来讲是免费的，我们会有些增值服务，提供付费产品。但是我们希望找到真正有需求的群体推荐，而不是每一个用户，不然会被认为是垃圾广告。
怎么做呢?我们从LinkedIn最基础的三大类数据开始。
1.***是用户个体数据
姓名、职称、工作公司、职场经历，这是相对静态的数据。
2.第二是用户行为数据
你在LinkedIn上看过哪家公司的广告，和哪些人有联系，有消息的交互记录。后来证明这些用户行为数据，很多时候是比用户个体数据更有预测性的。
3.第三是用户网络数据
在Linkedin里面更多的是社交概念，你的社交网络里有谁，你在谁的社交网络里面。我们知道物以类聚，人以群分，在网络里这个共性会更强。
我们通过网络分析建模，***对非常小的一部分人进行精准定位，我们知道了他们可能对我们产品感兴趣的人，给他们定向发布信息。
做这个数据分析有多大实际用处呢?销售部门的业绩翻了一倍还要多。
- 决策者在2B中起到决定性作用
- 通过大客户兴趣指数
- 确定谁才是值得跟进的决策者
数据应用的有哪些创新?我来讲讲大客户兴趣指数，就是对企业级的用户进行排序，让我们的销售团队知道哪些大客户对我们的产品更有兴趣。
这个兴趣指数是怎么做的呢?首先2C和2B业务决策有一个本质的不同，2B里有个特殊人物叫决策者，拍板的人，如果拍板的人决定买，即使其他人不想，产品还是可以卖出去的。
所以我们通过建模方式，把公司里的每个人分成两个部分来建模。
1.***部分是决策者指数，通过数据比如他在公司的Title(职位)来预测是决策者的可能性。
2.第二部分叫产品倾向模型，就是你作为个人，对产品的喜好程度是什么，我们会考虑你的个人信息，和我们营销互动的情况。
我们把决策者指数和产品倾向喜好度结合起来，就有一个大客户兴趣指数，然后，销售团队就可以清晰地知道哪家客户是值得去跟进的。
比如我们把大客户兴趣指数分为高、中、低三大类别，结果发现，订单成功率高的为42%，低的是21%。对于2B业务，你把更多时间放在指数高的客户上，对订单会非常有帮助。
*本文根据李玥在混沌研习社的课程内容整理而成.。
