2016-06-10宋碧莲博士DATATIST大数据家
作者简介
宋碧莲博⼠是商业优化专家。擅长机器学习客户行为，海量数据价值挖掘，对商业目标精准预测和决策优化。曾经是Linkedin，eBay的大数据核⼼成员。有近10年一线企业实战经验。曾为eBay数字营销优化挖掘上亿美元机会。被Linkedin CEO 誉为最好的分析师, 获Linkedin改⾰奖。
宋碧莲博士(Sophia) 2015年在硅谷创立了大数据公司Datatist （公众号为Datatist大数据家), 名字源于连接各位大数据专家共创美好未来的愿望。致力于用机器学习技术自动优化企业的商业目标，为互联网和物联网企业提供2B优化大数据产品和服务。Datatist于16年落地中国成立了上海画龙信息科技有限公司，并获得数千万的天使投资。
今天很荣幸受邀于硅谷大讲堂定期技术讲座，进行大数据优化成功案例分享。我将和大家一起从Linkedin的战略开始，认识一下Linkedin内容运营的历史地位和作用，分享如何运用大数据优化内容运营效果数十倍的成功经验。
Linkedin的战略并非从盈利入手
LinkedIn (领英) 由Paypal黑帮成员之一Reid Hoffman 创建于 2002 年，致力于向全球职场人士提供沟通平台。作为全球最大的职业社交网站，目前LinkedIn 会员人数在世界范围内已超过 4亿。其中日活跃用户高达1亿。
很多公司都是以盈利为KPI，为一切产品设计，市场策略的唯一指挥棒。Linkedin在这个方面比较特立独行。 创立至今，Linkedin一直把用户增长和交互（Growth and Engagement）作为公司战略的核心和根本。我印象里最深的是CEO，Jeff Weiner 经常会强调，只要Growth and Engagement做的够好，Monetization (变现）自然会水到渠成。
用大数据驱动Growth and Engagement
Growth and Engagement在很多成熟公司，比如eBay，市场营销部门会起到决定性的作用。然而Linkedin历史上是以产品为导向的公司, 市场营销部门相对很年轻，直至2013年，LinkedIn十周年的时候，用户以每秒2人的速度增长，在很多需要花钱的市场渠道仍然还是在试探阶段，基本没有通过花钱带来流量。 那么公司的4亿用户还有1亿日活是怎么来的呢？ 要诀之一是大数据的驱动。起初基本依靠集成在产品端的各种增长Feature, 包括著名的People you may know等各种在线大数据算法； 后来开展了大数据驱动市场营销领域的各种运营，内容运营 （Content Engagement)，本文的重点，是其中之一。
LinkedIn核心用户产品
LinkedIn有三大不同的用户产品，也体现了三种核心价值。
职业身份
职业身份呈现为个人档案。
知识洞察
关注行业信息、汲取人物观点、学习专业知识、提升职业技能、分享商业洞察。
商业机会
寻找同学、同事、合作伙伴，搜索职位、公司信息，挖掘无限机遇。
其中知识洞察基本是内容运营的结果。
Linkedin的内容运营
现在有人称2015年是国内内容运营的元年。传统的门户形式正向新型的社交内容媒体形式转化，涌现出微信moments，今日头条等大批新秀。其实在硅谷，Linkedin 很早就开始了社交内容运营的全面部署。连同Facebook都在从传统社交平台形象转换到社交内容运营平台。内容为王。他们都有一个共同目标，通过内容形成更大的流量入口。
Linkedin的内容运营前后分为几个节奏。首先是home page 的内容分享. 早期更新的类似于朋友圈的工作状态变化等。Linkedin的“朋友圈”概念历史相当悠久。
Linkedin在2012年－2013年持续拓展内容渠道，动作频频。
2012年5月$119 million收购了Slide share, 允许大家制作并分享slides.
2012年10月上线了Influencer 产品, 也就是现在大家说的网红， 邀请了超过300名各个领域的世界顶级领袖，给当时2.5亿的用户分享他们的职业洞察和成功经验等。而且开通了不同的频道（channel）。每个月我们 Content Marketing Manager都在绞尽脑汁的想下个月该请Influencer写哪个Topic。记得一个主题是夏日的工作环境，Richard Branson，当时的头牌网红，以穿着沙滩服，在游泳池里和美女帅哥员工开会又一次赢得诸多眼球。直到2013年底左右大家开始讨论，把invite only的网红模式，放开人数限制，允许更多的人撰写文章，分享想法。以前只有比尔盖茨这种大牛才能发表，才能被Follow, 现在小白也可以写文章，拥有粉丝。
后来有了News. Moment里面也可以分享News。
2013年4月，$90 million收购了Pulse,一个专门提供内容的App。
大数据优化内容营销的契机
尽管内容渠道诸多，2012-2013年，整年的内容运营效果却不理想。CTR非常低。也许是新生事物，大伙儿还没有找到诀窍。
当时我正好从eBay来到Linkedin, 负责 Marketing Analytics, 主攻Growth and Engagement. eBay的Marketing Analytics是非常著名的。有10年以上的经验积累。光全球Marketing方向的分析师鼎盛时期都有小百人规模。各种丰富的模型。我当时正好有机会引导了基于客户行为提供个性化的Marketing Strategy的改革，优化了各个渠道的策略和模型，为eBay挖掘了巨大的市场机会。
来到Linkedin, 发现当时的市场营销部门还很年轻。其实这种Marketing起初不受重视的现象在产品为主导的公司不新鲜，Facebook内部的Marketing部门据说才2年左右的历史。一旦启动，Marketing所起到的作用是一发不可收拾。
当时大数据对Marketing的支持也刚刚起步，还在报告阶段。于是向公司多次申请将优化技术应用到Marketing渠道以提高效果。公司由此设立了提升效果百分之几十的年度目标。在一系列的优化模型和改革方案实施之后，最终带来了数十倍的持续稳定的增长。优化方案和流程，在整个Marketing 部门做了浅显易懂的人人都可以优化的分享会后一举成名，成为各个Marketing部门争相学习的榜样，也成为了来年公司的几大重点战略之一。在Marketing渠道优化成功的同时，其它方面包括Sales和各种盈利渠道也在开展优化。产品为主的大数据驱动模式自此向Marketing和sales等其它大数据驱动模式发展。
大数据优化内容营销业绩的方法
MarketingAnalytics 有好多方向。这里以最难handle的内容运营为例，来分享一下优化的思路和方法。其实这些思路都是优化的理论在实际中的应用。和具体哪个公司并没有太大关系。可以应用到很多类似的场合。下面的分享也以思路为主，数据是模拟的。
原来的做法
刚开始做了一年的内容运营是怎么做的呢？每周给所有的活跃用户发N封email。当时Linkedin会员对email Spam的complain达到空前的程度。这还不是厉害的。有些公司不会发email，最后被gmail等归为黑名单被block的大有人在。
内容呢接近甚至重复。
如何测量效果的呢？只关注了CTR。常年垫底的CTR让content marketing manager几乎见人要矮半个头。报告简单粗暴。不管内容是apple还是organge，这个月和上个月比一下，看看增长了还是下降了。如有什么风吹草动，讲不清做好了还是坏了，也不知道如何提高。content marketing manager 感觉浑水一滩，压力特大。很多其它公司的内容运营团队其实都存在类似问题。
内容运营和普通的Marketing不一样。内容是必须考虑的一个重大影响因素。每个月的内容主题都不同。就算是同一个用户，喜欢这个月的主题，也未必就喜欢下一个月的主题。不能简单的将上个月的效果和这个月比较。后面进行机器学习选择学习对象的时候，同样有这个问题。很多人做内容效果分析都容易忽略了这个问题。
优化后的做法
1. 明确要解决的问题
一个典型的优化项目首先需要很好的设计要解决的商业问题。这个是至关重要的第一步。直接影响了优化目标和优化因素的选择。
比如首先问清楚商业合作伙伴content marketing campaign要处理的场景是什么。答：如何通过内部市场营销渠道让用户更好的进行content engagement.
问题分解：
哪个内部市场营销渠道？email。
发email的对象？已经注册的用户。
目的：提高content engagement。
根据场景对问题进行合理解读：
已经注册的用户在收到公司的内容email之后点击，而后产生了更多的content engagement。
2. 选择正确的优化目标
作为商业分析师，还必须明确这次campaign的真正目的，终极目的。营销经理被反复提问之后，终于觉悟到，最大化contentengagement才是终极目的。而不仅是最大化点击email的CTR。
由此我们有了更明确的优化目标：
No1. 优化目标：Max（content engagement），继续分解，最大化内容对应的pageview, 最大化内容对应的action, 比如follows, likes
No2. 优化目标：Max（CTR）
3. 目标用户优化Preditive Targeting
给谁发email是优化的关键之一。
Email server很贵的。每封email都有成本。一股脑的给所有活跃用户发，成本很高，效果又很差。而且并不是每个人都需要marketing的刺激。有些人已经是内容活跃用户。
我们通过propensity model 提供机器学习，然后准确的预测出谁才是该发email的最合适人选。大大提高了准确度，也节约了成本。
由于优化目标变了，机器学习训练模型的因素features的选择也发生了重大的改变。
现在我们关心的不仅是否用户看到内容email之后是否会打开（open)，会点击(click through), 更关心的是他接下来做什么内容交互，是否会浏览我们期望的内容页面，喜欢的文章会点赞，会follow，甚至转发，评论，更甚至成为内容活跃者，重度内容消费者。
4. 试验设计优化A/B test
合理的设计A/Btest才能将不同因素的影响剥离出来，把各自的贡献划分清楚。
设计如何正确反映出内容的影响
设计如何正确反映出目标用户优化算法的影响
设计如何正确反映出季节性影响，比如Black Friday
设计如何正确反映出外部环境的影响，比如Gmail出了一个新政策等
5. 内容推荐策略优化
根据用户的状态，个性化推送内容才能起到引导内容消费的作用。
新用户不知道有哪些内容频道，有哪些热门话题，有了初步接触之后，又想要了解更多，需要逐步引导。沉寂用户不了解最新动态，需要适当提醒。
所以需要考虑用户不同的生命周期，对内容进行优化，适时地推送个性化的服务和内容。
6. 推送周期策略优化
有节奏的推送内容才是用户容易接受的形式。不然很容易引起反感。
我们需要对推送的频率进行优化。避免推送重复内容。避免一周推送多次。配合用户的生命周期的进化速度和阶段，安排合理的节奏，比如每周一篇个性化精选，逐步推进，推送以一个周期为准，循环进行。
总结
优化是一个完整的Solution（方案），而且是循环迭代的过程。不是一个模型或者一个分析那么简单。需要综合用到很多的技术，比如优化方程，预测算法，客户画像，A/Btest，个性化推荐，效果测量，结果可视化和工程化等等。对优化的执行者的综合素质要求很高。不仅要能整体设计和技术实现，而且要有强大的改革精神和沟通能力，能教育和说服商业合作伙伴进行配合，接受优化，哪怕推倒他们长期固有的方案，并且需要领导力和执行力，因为很多事情，有时包括营销策划，都需要优化师来设计和推进。
一旦优化成功，效果会是巨大的。数十倍甚至几十倍的增长，都是可以期待的。就像我们之前做到的那样。
预祝大家优化成功！
本文郑重声明
本文目的仅限于讨论如何解决互联网的共性问题的逻辑。引用资料均为公开或者模拟数据和信息。不涉及公司内部机密。仅供参考。
参考资料
https://en.wikipedia.org/wiki/LinkedIn
http://baike.baidu.com/subview/1291207/13862216.htm
如有具体专业问题或项目咨询请关注Datatist大数据家，或者email： [email protected]。我们提供大数据优化专业产品和服务！
Datatist旨在用机器学习，智能预测，助力企业决策和业绩优化
【邀请你参加产品经理千人峰会】仅需一顿饭钱，参加16个顶级产品专家一天的分享，做个大变革时代的明白人，学会在变革时代的产品设计和运营方法，让自己能力快速提升，公司收入快速提升。
巴菲特有一句金玉良言：“Invest in yourself”。对于年轻人才说，提高自己，专注于自己的事业，让其蒸蒸日上才是最好的投资！
建议您不要错过本次投资。
点击http://event.3188.la/315019104或扫描图中的二维码进入报名页。
