GrowingIO联合创始人吴继业：企业不得不重视的数据驱动业务增长该怎么做？

数据猿导读

数据猿联合星河互联主办了《数据猿巅峰思享会——用户画像的100种用法》活动。其中，GrowingIO联合创始人吴继业用个人经验给大家重点分享了：如何给Linekedin做数据驱动业务增长;GrowingIO为客户做的一些案例

11月24日，数据猿联合星河互联主办了《数据猿巅峰思享会——用户画像的100种用法》活动。

本次活动，邀请了来自互联网及大数据行业的多位领军企业代表，就大数据用户画像的真实案例做了分享，探讨了在大数据时代下，各行各业该如何利用用户画像、提升用户转化率等系列问题。

与会嘉宾：

GrowingIO联合创始人——吴继业

热云数据CEO——白冬立

百分点集团研发总监——苏海波

众盟ZMENG高级技术总监——王鹏

找萝卜创始人&CEO——付浩

资深互联网专家、酷6网创始人、迅雷看看前CEO——郝志中

以下内容为“GrowingIO联合创始人吴继业”分享，并由数据猿编辑整理发布：

分享长度为6500字，建议阅读13分钟

我今天分享的内容主要包括以下两部分：

1、如何帮助Linekedin做数据驱动业务增长;

2、GrowingIO的案例分享与实践。

首先做下自我介绍，我是2002年毕业的，最早做数据库，后来在惠普做了四年的数据仓库;之后来到美国加入了eBay，主要负责网络营销相关的工作，也就是现在的SEO、SEM;我在2011年加入Linekedin，主要服务于Linekedin商业部门、销售部门、市场部门、运营部门、客户支持、产品以及技术团队，帮他们用数据驱动业务增长。

Linekedin是2003年成立的一家公司，一开始是做职业社交的，2003年到2009年间，一直在做用户积累，没有涉及任何商业模式。在2006年，Linekedin推出了一个简单的收费产品，用户可以在上面发职位。2009年，公司开始做2B的业务，主要包括以下三个方面：

Subscriptions：Linekedin吸引了很多用户在上面，并为其提供个人服务，如果你是C端的用户，想得到增值服务，来扩展你三度人脉以外的的人际圈子，Linekedin恰好可以帮你实现。事实上，现在国内的一些社交软件都可以提供相关服务。

市场业务。作为一个独立的Linekedin用户，你也可以为自己或自己的公司打广告。以个人的名义，在Linekedin网站给你想要触达的用户做广告，这是2C的业务。还有2B的业务，作为企业，可以为自己的企业在Linekedin上面发布各种各样的广告。

最上面一块业务是Linekedin的核心业务，Linekedin为所有公司招聘端，为HR提供软件服务。从2010年到2015年，Linekedin每年的业务都增长40%到60%。2015年，我们离开的时候，Linekedin大客户流失率只有6%，是一个非常好的数字。

Linekedin是全球第二大SaaS企业，6月15号的时候，Linekedin推出信息，说被微软收购，这也证明了Linekedin的价值，而且大部分都是现金收购，同样说明了Linekedin在营收方面，在数据价值方面，它值这个价格。

我们如何给Linekedin做用户增长?

下面讲一下我们加入Linekedin以后主要做了哪些工作?如何用数据分析挖掘Linekedin背后的商业价值，从而推动市场部能够找到更多客户。

从2011年到2014年，我们不断发展，刚开始，业务部门需要跑一个数据，我们就要做一个报表，用邮件发给他，以后可能会定期的给他邮件发送，那是非常原始的方法。

在第一年的时候，我们想把这个事情做成一个数据产品，这个数据叫Mef，主要是给销售用的。在销售快速签单的时候，这仅是海量报告里面其中的一个，为什么拉这个报告出来?是因为这个数据只有Linekedin才能够做到。

一家公司在一年时间里，人才的流转情况是怎样的?这家公司的竞争对手中，有多少个员工最终加入了他们?举个例子，谷歌有一年，从微软招聘了353个人，可能是被动或主动。同年，也有80个人从谷歌跳槽去了微软。我们会列出来每家公司跟谷歌之间的竞争关系。谷歌的HR肯定是需要这份人才竞争关系报告的。

一个公司的好坏，从人才上面就可以判断。比如说谷歌和Linekedin比，谷歌大概有64个人去了Linekedin，而Linekedin有16个人去了谷歌。

我们还可以对这些数据进行细分，细分到某一个区域，某一个交互方式，他的职能，甚至可以具体细分到某个职级。Linekedin每一个档案上面都会有人才什么时候加入哪家公司，什么时候离开哪家公司，都是非常细的数据，而且也经常更新。如果数据更新很快的话，这个报告是没有意义的。因为大家都非常积极地跟进他的档案，这个数据才是实时的，有意义的数据。

用户数据库很有必要，为A/B测试奠定基础

再举一个例子，我们在做用户数据产品的时候，一开始做的很艰辛，因为数据存在于企业的各个地方，我们需要把这些数据整合好。当时我们做了一个用户级别的数据库，最初主要针对市场来做的，因为市场要发很多邮件。比如产品功能要上了，我要区分出来这个用户是说什么语言的，大概在什么行业?可能在Linekedin里面，我们给每个用户大概有一百多个用户属性，比如这个用户是男是女，毕业于什么学校，大概有多少年工作经验，是什么行业，什么职能，什么职级等等。

我们还需要把用户所有的行为，做成按日来存的数据库，把每一个用户，每一天他做的那些行为都记录下来。比如一个用户一天之内和多少人创建了联系，他是否修改过简历，他是否申请过职位，他看了多少个界面，有没有关注哪家公司等等，用户所有的这些行为，我们分成了好几个部分，加起来，创建了大概一百多个用户行为的数据。把这些用户行为数据和用户属性的数据相结合，我们做了一个巨大的用户数据库，每天都在更新。

每天更新，一个是支持到了市场部门发企业级的邮件，另外，为产品的A/B测试打下了坚实的基础。比如我上了一个产品，这可能是为日本市场做的一个产品，你在做A/B测试的时候，肯定要选说日本语言的用户。所有这些，都需要用到用户各种各样的字段、属性，他做的某些行为，去区分用户不同的画像，有了这些用户画像以后，我们才能够更好地做A/B测试，把同类型的拿出来做测试是更有效的。

为什么要上A/B测试功能?

Linekedin从2003年到2013年才做A/B测试，做A/B测试时，工程师做的代码量会比原来多出很多。2013年做A/B测试主要原因，首页有很多小广告穿插在里面，怕影响Linekedin的调性。你在首页做了太多广告是不是好，是不是能保证Linekedin的活跃度，Linekedin的增长，有了这个广告，会不会影响用户的活跃度，会不会影响其他的一些功能在首页上的表现。

在这种情况下做了A/B测试，测试过程中，用户分为好多组，比如说在这个广告里，每十个正常的用户信息中我穿插一个进来，还是说每四个就穿插一个进来，还是说什么时段，什么频次，这些都要进行测试，去看指标是不是好。这个测试的KPI主要目标不仅仅是点击率高低，而是我要全方位的看那些指标，包括首页上面所有用户其他的指标，正好可以用到每一天的，每一个人的行为库。

我们在这个平台上，每个A/B测试都会拥有大概两三百个到五百个角度，有真正影响意义的指标我们会展示出来，用红的和蓝的去标识，以供产品经理和运营人员去判断，这个测试结果到底是好还是不好。

下面介绍一个数据产品，叫Voice系统。

Voice系统主要用于收集用户的反馈，比如所有用户在Linekedin上面的帖子，包括客户服务中心、新闻、反馈、论坛等。还有市场部做的客户满意度调查，还有LinekedinAPP，比如应用商店里面的那些反馈;还有推特、facebook等上面所有的数据。

这些数据很多都是买来的，买来关于用户怎么反馈Linekedin的数据之后，从各个渠道去收集，收集完就可以对用户说的话进行语义的分析，首先判断出来他是属于哪一个类别，比如说用户说的是关于我们的市场广告，还是说关于他要更改他的档案，还是说他要连接一个联系人等等。我们会根据我们的产品线去划分，把所有用户抱怨哪块的信息区分出来。

第二块，基于这个数据我们要做很多的情感分析。无论正面的反馈还是负面的反馈，还是中立的反馈，我们都会对每一句用户讲的内容进行分析，分析完了以后，我们的用户怎么用呢?

客户服务中心，运营部门在这里输入一个关键字进行搜索，搜索完了以后，我们会告诉他这边大概有哪些类型的反馈，他还可以去看，去读每一条用户的反馈。特别是新产品，你可以看到任何一个用户去讨论他的趋势，从趋势里面可以看到一句话，这句话里面会有一个正面的，还是负面的，还是中立的，你也可以去更改，如果你觉得机器判断不对，运营的人员也可以去改，改完以后再反馈到我们系统里面，我们的系统再去进行计算的时候，就会考虑到这个点。

下面是关于Linekedin客户流失的问题。

在客户流失方面，我们收集了很多用户在使用产品当中的每一个小细节，有了这些用户的行为之后，我们就可以做一个简单的模型，主要是两个指标：一个是健康指数，另外一个是温度指数。

温度指数代表了用户购买的意愿，会把所有的用户都放到图中的四个象限里，在这四个象限里面，所有的2B企业喜欢这样的用户，他使用非常好，购买意愿非常强烈;有些用户缺乏客户培训，我们花费了很大的精力让这个客户把产品用起来，解决各种各样的疑问。还有些用户，每天的使用非常好，但就是没有付费的意愿。

Linekedin那个时候也出现了这样的现象，比如说之前有一个用户，像今天的乐视影视一样，有很多电视剧、电影。我们很奇怪为什么他们的使用频率这么高，之后调查发现有两三个HR同时在用一个账号。有了这样的问题，我们想办法去解决，通过与高层的沟通、拜访，他们就可以买更多的账号。

前面我大概讲了Linekedin的一些案例，除了以上，我们还有很多别的系统，当时为市场做了一套系统，能够获取更多有意愿购买Linekedin服务的客户。还有为我们的客户支持也做了一些系统，其中最值得讲的就是Mef系统。

Airbnb如何做用户增长?

今年十月，我去美国出差，碰到了一个曾经的同事，他后来去了Airbnb，给我介绍了Airbnb做增长部门的一个人叫丹尼尔，他负责用户增长、用户活跃度。跟他聊了两三个小时，也了解了Airbnb是如何做增长的，以及他们大概的流量分布。

Airbnb是艺术气息非常浓郁的一家公司，进去以后，他们所有的装饰都非常吸引我。Airbnb的流量分析，他说40%的流量来自于口口相传，25%的流量来自于SEO，用户通过搜索引擎自然搜索，能够进入他们的网站。20%是SEM，通过购买关键字进来的，还有15%是推荐。推荐和口口相传有什么区别?15%的推荐中，只要你住完了Airbnb，最后会得到一个优惠券，是110美金。

当时我问他这不是很扯吗?你怎么判断用户的流量是来自于口口相传呢?比如我住了Airbnb，回去跟朋友说Airbnb很棒你去住吧，之后他登陆网站，并入住了，你怎么算出来40%的流量?

其实每一个用户进入Airbnb网站，都已经知道你是从哪个渠道来的，不管你是从搜索过来的，还是推荐、付费，还是免费过来的。如果我不知道这个用户从哪儿来的，我就问用户一个问题，让他有下拉菜单，这个下拉菜单里面会问你是从哪儿来的，用户选择了比如说是朋友还是家庭，这个渠道就认为是口口相传。

如果一家公司，65%的增长都来自于非付费渠道，这非常惊人。相对而言，当我们的流量都被大公司所控制着，流量越来越贵的情况下，如果都能够做到产品是可以通过口口相传就能带来客户的话，这是一个非常健康的，拉新获客的情况。

Airbnb在SEO上做了哪些事情?

Airbnb跟传统酒店行业是有明显差别的，传统酒店行业是标准的，但Airbnb是非标的，传统酒店行业并不傻，你去搜谷歌或者百度的时候，会搜到很多内容，Airbnb如果要跟传统酒店行业PK的话，他需要快速地在搜索引擎里面产生很多内容。

他是怎么做的呢?在美国有一家网站，对标中国的58同城，或者是百姓网，上面贴了很多短租的报告，以及短租的链接。Airbnb当时做了这样一件事情，任何一个房东在Airbnb上发布的房源，立马会在该网站上发布同样一条信息，这是工程师去做的，工程师会写程序，把Airbnb上所有发布的消息立马发布到网上，谷歌里面产生的大量房源都是Airbnb的。

还有一点UGC，Airbnb的用户产生的高质量内容。大家住了Airbnb，他们就会找一些热爱旅游的团体去写游记，十个最佳的地区全都是Airbnb用户列出来的地方，这些游记能够帮助他们跟传统的酒店行业相区分，谷歌的搜索引擎就会收录这些信息。

比如说在上海，南京西路的老洋房，可能比酒店还便宜，但是你的感觉是不一样的。包括在这里面，会有一些吸引人的地方，他说这个地区是电影《色戒》、《叶问》的取景地，会写一些信息，这个房间布置的和电影里面的场景一模一样，这都是他们可以拿出来去讲的题材，这样产生大量用户的UGC，这些用户的信息也因此产生了SEO的效果。

Airbnb的反馈设计及推荐

我们再看一下用户住完Airbnb的反馈，当时旧金山附近的酒店都已经非常贵了，大概需要120美金一晚上。我在Airbnb找了一间房，住三天才花了280美金，而且他的反馈设计非常独特。

产品设计分了三块让你填反馈，第一块是公开的反馈，“你撰写的评价将会公开发布在你的个人资料页及房东的页面上”。下面两块是私下反馈，如果你有些抱怨，最好写在下面。现在我们去大众点评，或者其他的地方写反馈的时候，是不会分上下的。私下反馈实际上就是你写给房东的，我也能收到房东给我的私下反馈，这是产品设计的问题。

还有推荐，当Airbnb用完的时候，他会告诉你有110美金，75美金你下次用，35美金你推送给你的朋友。

这边我介绍一些我们的客户在使用了产品之后做的一些增长案例。

首先是“回家吃饭”，大家有多少人知道“回家吃饭”?“回家吃饭”这个APP有一个特点，他的供应商全都是非标的家庭厨房。

但是，“回家吃饭”也存在一些问题，比如一个用户用了“回家吃饭”之后，能搜到附近五公里内家厨供应的菜品。最上面的20个家厨会占据88%的浏览量和92%的点击量，但最上面的那些家厨，他不是标准的供应商，如果有很多人点单，他无法全部供应，那么就会采取抬高自身价格的方式缓解压力。这里就出现了一个问题，如何更有效地去分发流量?“回家吃饭”希望下面的那些家厨也能得到订单，在得到订单的情况下，我们还需要保证他的订单转化率，要怎么做呢?

在之前我们会有一个AB测试，“回家吃饭”前20的总体转化率会有多少，有了这个测试之后，我们可以把流量分发，把排名为偶数的分发给0组，把排名为基数的分发给1组，我们再看这两组的订单转化率有没有变化，如果这个订单转化率没有非常大的差异，就证明了你这个流量分发是可行的，之后你就可以进行更多的流量分发的测量，可以把你的用户分成好几组，每几组的用户给他们看不同家厨的菜品。看完以后，你要跟踪的就是订单的转化率，如果是一样的情况下，或者是没有变化的情况下，你就解决了流量分发的问题。

这个案例讲到了一个增长当中魔法数字，大家可能经常在GrowingIO听到“魔法增长数字”这个概念，谁在多少天做了多少次，相应的他之后的活跃度就会很高。Linekedin很早就说，当一个用户在第一周增加五个社交关系的话，他的活跃度就会很多。比如说我们拿到信用卡之后，信用卡的人会跟你说，信用卡刷五次之后给你免年费，他想养成你刷卡的习惯，为什么不让你刷十次呢?是因为能够刷十次卡的人没那么多，我们不能把门槛设那么高，但是又可以让他用几次。

这里面涉及三个指标，我们在产品里面把它工具化了，我们会对你的产品里面所有的功能去做计算，比如说红色的这根线就代表使用次数和次周留存的关系，在你的产品、APP里面，可能有各种各样的功能，这些功能可以计算用户的留存，当周用的这种功能用户，下一次还会不会来。

黄色的线代表用了一次用户的次周留存是多少。红色曲线的分布表示用户的分布，能够用到一次的用户肯定占比是很高的，用三次、四次以后，他的占比肯定是往下走的趋势。我们要找到能够覆盖更多的用户，并且他的次周留存不太低的最优解。蓝色的线是我们算的相关系数，用户使用一次或者使用两次，或者使用三次，他的次数和他最终次周留存的相关性到底是多少，相关性越强系数越高。

当有了这三个指标以后，我们能找到最优解，我需要次周留存相对的高，覆盖用户数相对的多，相关系数相对的高。我们就能够帮助你在产品里面找到每一个功能的三根曲线，从而找到一个最佳的魔法数字。也就是在七天里面，使用这个功能多少次，才能够证明用户的次周留存就高了。

还有一个简单的功能叫智能路径，用户在使用你的APP、产品的时候，想要走到最终一个转化点，会有不同的路径，去北京机场可以选择走三环或是四环，无论哪种方式都能经过机场高速到达北京首都机场。我们这个功能非常简单，你告诉我你的终点在哪里，比如说你APP终点就是订单提交，你把订单提交以后，我们可以帮你计算出来，用户到达订单的提交路径有哪些，并为你分析出每一个路径当中用户的转化过程。

举个例子，大概有23%的用户提交验收不合格，提交验收不合格之后用户会进入到管理页面，再让他重新提交需求，其实管理页面是多余的页面，产品经理会删掉一些不必要的环节，从而提高转化的效果。

这些也会告诉我们，大概有百分之多少的用户是通过不同的路径到达提交订单的页面的，这当中的每一步都能够自动地计算出来。

我觉得数据驱动业务增长主要做三件事：

1、KPI。要么提升一个KPI，要么能够影响到你的业务增长;

2、产品体验。改变产品的体验，用户的体验也得到了提升;

3、使用流程。改变某一个用户使用的流程，比如说在Airbnb，丹尼尔跟我说他要改变新用户和老用户的体验，新用户进入Airbnb，看到的是Airbnb和传统酒店行业的不同点是哪些，来告诉新用户，Airbnb有什么样的优势等等。只要你用数据能够做到这三点，你就非常成功了。

谢谢大家!

提问：健康指数和温度指数是怎么定义的?

吴继业：健康指数，看这个用户在使用你的产品里面，使用的所有行为，你可以把它做成一个模型，然后将你认为重要的功能配上比较高的权重。再把他的行为指标全部加起来作为一个健康指标。

提问：是不是没有一个特定的，清晰的相关指标?

吴继业：有。像Linekedin，作为一个HR来说，我们比较关注他到底有没有搜索，到底有没有新增加一个职位，有没有发布职位，或者有没有创建一个项目，根据它的功能，分门别类的把指标计算出来。温度指数指的是用户购买的意愿，比如说他有没有到达某一个浏览商品功能的页面，或者他有没有去看一个新功能的介绍，2B里面会有比较多的这样的页面，或者他有没有下载一个白皮书等等。