在大資料時代，商業資料分析部門對一個公司的重要意義不言而喻。目前，很多公司的資料分析部門采用的都是“分析放在報表之上”的分析方法，即每天産出非常繁瑣、複雜、海量、事無巨細的分析報告，但這些分析報告的可了解性和可執行性并不強。而linkedin作為一個典型的資料驅動的公司，在進行資料分析時卻反其道而行之，采用了“報表放在分析之上”的方法，化繁為簡，以最快的速度在大資料金礦中發掘出最多的商業價值。
據悉，自2011年商業資料分析部成立以來，linkedin的銷售收入已經增長了20倍，不僅如此，整個公司的各個環節都實作了資料驅動的自動快速的商業決策。近日，钛媒體駐美記者也獨家專訪了linkedin商業資料分析部門第一位員工及部門總監simon zhang,對simon而言，商業資料分析不是什麼高高在上、複雜枯燥的工作，而是一門化繁為簡、高效實用的藝術。
資料分析結構：從金字塔到菱形到球形
linkedin無疑是一個建立在資料基礎之上的公司，截至記者發稿時，其使用者即将超過3.4億人，龐大的使用者規模也産生了海量的資料，這其中包括行為資料、身份資料、社交資料以及内容資料等，如何從這些海量的資料中挖掘出使用者痛點進而推出适銷對路的産品和服務是linkedin商業模式的關鍵。
成立于2011年3月21日的linkedin商業資料分析部門的主要功能正是通過資料分析支撐公司其他關鍵部門進行各種決策。目前，商業資料分析部門的70名員工可以支撐服務于全公司4500名以上的員工。
“自成立以來，每天，銷售、營運、客戶服務、工程、市場、産品等各個部門的員工都會向我們部門提出各種各樣的問題，比如，使用者對我們的首頁面是否滿意？我想推銷某款人力資源産品，我該推銷給哪個公司？等等。最初我們都是通過人工手動進行資料分析，但這樣效率實在是太慢了，于是我們開始思考改革以往的資料分析的方法。”simon表示。
和大部分公司一樣，linkedin最初采用的是金字塔形的資料分析架構，從下到上依次是：了解相關業務與産品；有目的地采集有用的資料；深度了解資料分析工具原理以及如何使用；資料分析；得出結論、作出決策。
而這幾個步驟中，區分出不同水準的資料分析的關鍵點在于中間兩個步驟。“了解你所使用的資料分析工具方面，目前很多分析人員不是太重視，因為他們認為編寫資料分析工具是傳統it部門的事情，但實際上，能否深度地了解分析工具的運作原理對于你能不能充分正确地使用這個工具很關鍵，也是差別好壞分析人員的關鍵。
另一個關鍵點在于資料分析這一過程本身，在我多年的工作經驗中，業界一緻認為，好的資料分析都是善于化繁為簡的，好的資料分析人員善于用最簡單明了的方式呈現最核心的價值。”simon告訴钛媒體。
正因如此，在人人都在讨論大資料的時代，linkedin對資料分析的最重要的兩個要求就是“速度要快并且産生價值”。
隻有速度夠快才能形成規模化，才能産生規模的價值，而傳統的金字塔型的資料分析架構使得分析人員在金字塔的中下段部分花費了過長的時間（85%－95%的時間），是以，2010年底至2011年初，linkedin開始考慮将金字塔結構變為菱形結構。
“變成菱形結構的主要方法就是，不斷創造自動化的工具代替傳統金字塔底層的工作，将金字塔所有可能的環節尤其是中下部分的工作讓機器自動完成，” simon表示，“特别需要注意的是，金字塔變成菱形是一個不斷疊代的過程，每一個變成菱形的資料分析結構，我們會将其再次變成金字塔形，然後再次優化變為菱形，如果說每一個菱形面積僅有原來的金字塔面積的一半的話，經過多次轉化和疊代之後，整個資料分析的效率将被大大提升。”
據悉，在将金字塔形的資料分析結構變為菱形後，linkedin商業資料分析部門再次對其進行了優化，将菱形結構變成球形結構，形成閉環，“目前我們商業分析部門已經開發出了幾百個面向内部員工的閉環的球形産品，每一個産品都可以實作從産品到資料收集到分析到決策的一個閉環流程，這也就意味着每一個球形産品不僅可以實作高效的分析和決策，還能形成閉環、自動更新和疊代”。
（分析決策：從三個月到一分鐘）
對于大資料分析，linkedin認為效率是第一準則，用最短的時間産生真正的價值比面面俱到的分析更加重要。而通過商業資料部門近幾年開發出的幾百個面向内部使用的産品，linkedin所有部門的員工都可以真真切切地感受到工作效率的飛速提升。
案例一：市場和銷售團隊支撐産品——merlin
對于linkedin的每一個産品銷售人員，當他接到銷售某一款産品的任務時，他至少會産生以下幾個主要疑問：
1.我該把這款産品賣給哪家公司？ 2.我應該聯系誰？誰有采購的決定權？ 3.我應該怎樣去聯系這個人？ 4.我該派誰去聯系這個人？是我自己去合适還是我的某位同僚去更适合？ 5.到這家公司後我該講一個怎樣的故事打動客戶？
在傳統的人工手動的資料分析模式下，對于某一款特定的産品，其銷售人員想搞清楚以上幾個問題并作出一個見客戶時使用的銷售ppt至少需要2周到2個月的時間，而今天，通過linkedin市場和銷售團隊支撐産品merlin，銷售人員僅需要登陸系統，輸入自己的名字以及需要銷售的産品名稱等基本資訊，merlin可以自動收集銷售人員的背景資料和人脈網絡資料，進而快速生成較為精準的銷售方案，從輸入基本資訊到銷售方案的生成僅需要一分鐘的時間，銷售人員甚至可以得到系統為他量身定制的銷售ppt。
“傳統進行2個月的調研也未必可以得到精準的方案，而目前僅需要一分鐘的時間，我們最近還把merlin安裝到了銷售人員的手機上，實時對銷售人員進行支撐，目前linkedin一共有3000多人在使用merlin系統，”simon表示，“銷售方案的自動化生成也使得我們在招聘銷售人員時變得簡單，不需要過多的教育訓練便可迅速上崗。”
案例二：産品測試團隊支撐産品——a/b testing system
對于linkedin測試部門而言，在傳統環境下，其想要完成一項測試工作起碼需要3個月時間，而目前，通過a/b testing system，僅需要一分鐘的時間便可以從每一項測試的650個指針中抓取出幾個關鍵名額，提出改進意見，進而以最高的效率對測試産品進行改進。
“傳統環境下，十幾個人3個月才能完成的測試工作，目前僅需要一分鐘，目前a/b testing system每天可以支撐2000個内部測試，每一個測試追蹤650個以上的指針，通過抽取最關鍵名額的方式對産品提出改進意見，”simon表示，“我們不追求盡善盡美，我們隻追求每天進步一點點，事實上，隻要每天可以在原有基礎上進步1%，一年之後的進步成果将是驚人的。”
案例三：客戶服務團隊支撐産品——voices
對linkedin客服部門而言，如何衡量使用者滿意度一直以來都是一個難題，因為通常客服人員們隻能從使用者留言等非結構化的資料中收集到一些資訊，但如何将松散淩亂的非結構化資料變為可衡量改進的結構化資料一直沒有得以解決。
直到linkedin商業資料分析部門推出客戶服務團隊支撐産品——voices，傳統無法結構化的資料僅需要一分鐘便可生成分析報告，比如，如果客服團隊想知道目前linkedin的客戶對于首頁是否滿意，其僅需要在voices中輸入“homepage”，便可以瞬間得到結構化的可視的使用者滿意度資料。當然，瞬間獲得結果的背後一定是嚴謹而先進的算法。
（從寫模型到寫機器人）
事實上，如上的例子還有很多很多，linkedin商業資料分析部門自成立以來一共推出了幾百款這樣的産品，每天都在為每一個linkedin員工提高工作效率和效果而努力。不僅如此，每款上述産品還可以自動地學習員工的使用習慣，以保證員工在下次再次使用相同的軟體時響應速度會更快。“對linkedin員工而言，我們的每一款産品都是為他們個性化打造的。”
規模自動化的結果當然是效率和效果的大幅提升，據悉，自2011年商業資料分析部成立以來，linkedin的銷售收入已經增長了20倍；其他所有環節的工作效率也大幅得以提升。
“我們不會滿足于此，以前我們部門的主要任務是寫模型，從2013年，我們部門開始設計寫模型的機器人，這又進一步加快了公司在資料分析時的自動化和高效率。”simon表示。
原文釋出時間為：2014-12-22
本文來自雲栖社群合作夥伴“大資料文摘”，了解相關資訊可以關注“bigdatadigest”微信公衆号