查看原文
其他

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? | 数据猿巅峰思享会

2016-11-30 吴继业 数据猿
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。



本文整理abby 微信:wmh4178

来源:数据猿


点击关键词查看相关历史文章


-专访·深度-

微瑞思创周像金&苍锐:地产+大数据

星红桉潘宇文:大数据+广电传媒

青域基金牟颖:能源行业涌现大量创业机会

族谱科技张力铭:很多企业扭曲了大数据

GE通用电气秦川:能源大数据创新需慎重

天云大数据雷涛:人工智能已进入产业化爆发阶段

Kyligence韩卿:解密中国大数据界“神兽”

比邻弘科史建刚:数据造假忍无可忍


-报告·前沿-

医疗大数据应用企业研究—华大基因

医疗大数据应用企业研究—乐普基因

大数据营销企业财报分析—银橙传媒

医疗大数据的行业应用研究

2016年9月大数据投融资分析报告

大数据上市企业财报分析—凯迪网络


-更多关键词-

直播营销价值报告 | 数据猿创始人牟蕾

99CLICK郑泉:新零售大数据精准营销

普丘信息系统陈涛:化妆品行业与大数据

星红桉潘宇文:传媒行业与大数据

昊宸科技在风电行业的实践分享

百分点宗瑞朋 | 晶赞科技梁信屏

能源基金会工业节能项目主任何平



您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存