站長專訪：如何利用數據分析實現營銷的指數級增長

他將LinkedIn 的Business Analytics由獨自一人做到近90人的部門；他的數據分析部門支撐整個公司的Sales、Marketing、Monetization、Operations，是LinkedIn業務實現黑客增長最強大的後盾。2015年，他放棄國外優越的平臺，毅然回國創業。他就是數據分析大拿張溪夢 Simon Zhang。Simon平時非常忙，九枝蘭從2個月前就開始預約，直到今日才約到此篇專訪，不過乾貨滿滿，等待是值得的。

九枝蘭： B2B企業和B2C企業的在線營銷策略有何不同，如何利用數據分析迅速達成目標？

張溪夢：會分別有不同的策略，配備不同的團隊，匹配不同的執行方法。因爲Linkedln既有B端的企業級用戶，也有C端個人用戶，我們就以它爲例來具體剖析：

Linkedln的C端用戶有4億多，市場策略以新用戶的獲取和提高老用戶的活躍度爲核心。關於如何獲取新客，我會在後面的內容具體展開。這裏主要研究如何提高活躍度，這個目標可以分解爲：

如何讓用戶頻繁使用Linkedln的網站、如何讓他更新自己的簡歷、如何讓他發更多的內容、如何讓他天天讀更多的內容，如何能在上面發更多消息，如何讓他交更多的朋友認識更多的人，如何能在上面和自己的同事進行交流等等。這些就是市場部門的目標。

我們可以通過做各種數據分析模型，來幫助營銷團隊迅速達成這些目標。

舉個簡單的例子，比如數據庫裏4億的個人用戶，我們預測下週有多少人會更新他的簡歷？方法如下：

假設這個人看過一個工作，那他更新簡歷的可能性，就比一個從來沒有看過任何新工作、新職位的人高很多；如果他的公司被IBM收購了，那麼這家公司所有的員工，理論上來說就開始更新自己的簡歷了。就是這些很微弱的信號，加起來以後就能對整個人羣進行各種判斷。我們再把挖出來的更新簡歷機率較大的這一波人，做一些定製化營銷，比如發送一封電子郵件加速他們更新簡歷，這樣的營銷轉化率要比對4億人海量發送郵件增加好幾倍。

Linkedln的B端大概有十幾萬家不同的企業級客戶。做的營銷也非常有意思，首先我們會判斷每家公司對Linkedln來說，顧客生命價值（Customer Lifetime Value）是多少。

怎麼預估顧客生命價值：美國有專門的公司數據庫，數據庫裏面覆蓋了上億家公司，我們從庫裏抽樣出來幾百萬家公司，通過數據來算出這些公司的營收範圍，每家公司在Linkedln會花多少錢。

另外，我們還可以通過社交網絡的算法，算出類似的組織架構的東西，找到企業的決策人。而找到決策人這個環節，也是縮短銷售週期、提升轉化率很重要的關鍵點。

下一步要做的，是把產品包裝成商業故事講給這些人聽，給他一個購買你產品的強大理由。你需要講一個令他信服的故事，讓他在短期內認識到產品的價值。

另外我想強調的是，不同類型的客戶需要聽到不一樣的故事，每個人都有他不同的屬性，如果用同一個故事去說服所有人，效果往往比較差。而這個過程中也需要數據跟蹤，並用結果動態調整策略。

最後，數據驅動的核心，第一要優化，第二要規模化，所以當故事在某些人羣中獲得不錯的效果，我們會把故事複製給更多同類型的客戶。（至於什麼樣的客戶是同類型的客戶，也需要數據分析來挖掘。）這樣做，與競爭對手相比，你的轉化率高好幾倍，效率高好幾倍，獲客成本低好幾倍。

九枝蘭：預測這些人未來動向（比如更新簡歷）因素，也可以稱之爲用戶分羣的標籤一般多少個？

張溪夢：在Linkedln的時候，有十萬個因素，核心因素有八千多到九千多個。所以要求你的技術力量十分雄厚，能從十萬個因素裏面精準抽樣。如果靠人力維護這些因素是非常難的。

九枝蘭：數據分析又如何運用到獲取新增用戶的營銷推廣上？

張溪夢：新增用戶也一樣的，因爲大部分老顧客是從以前的推廣中沉澱下來的，你要做的是對歷史上各種渠道進行分析、拆解，就能變成今天的推廣方案。

咱們舉個例子，Linkedln去年在某網站上打一個廣告，轉化率是3%，另外還進行了電子郵件營銷，轉化率是5%，我們就會對各個渠道數據進行對比，作爲今年選擇渠道的參照物。今年是否還投放那個網站？或者投和那個網站同類型的其他網站？

數據分析有一個最妙的地方，就是你不用去知道所有的數據就能判斷一個新的事物——通過對歷史的數據學習，你就知道未來的趨勢。

九枝蘭：數據分析在營銷領域還有哪些應用？

張溪夢：首先，我想重點介紹的是用戶維度的數據分析。

如果企業的用戶量足夠多，我建議對用戶進行分羣，根據地理位置、收入、性別、購物歷史等方面進行分羣，並對每個標籤下的用戶實施不同的營銷策略：給不同的優惠、不同的價格、不同的產品，然後我們衡量每種策略的效果，在此過程中要進行大量數據測試，用最終的轉化結果再去調整前面的渠道投放。

另一方面，是用戶生命週期管理。

早期的新用戶你怎麼獲取他？

如何把新用戶變成一個首次購買的一個老用戶？

如何讓他迅速復購，再繼續購買產品，而不要流失？

企業應該如何持續保持高價值的用戶，提高品牌忠誠度？

你如何能夠使用戶變成你的推廣者，自願把產品推薦給身邊的朋友？

這些都是營銷人需要思考的。

九枝蘭：企業如果要做一個類似京東6.18這樣的大促，如果是在Linkedln這樣具備成熟的數據分析模式的公司，活動的組織流程以及數據分析部門扮演的角色是怎樣的？

張溪夢：基本上那麼大的活動一般是項目制，設計部門、市場運營部門、產品工程部門等部門都會參與，而我們數據部門在第一天就會參與進來。數據部門的主要幾個職責：

職責一：針對不同的人羣提出不同的促銷方案，每個方案的打動點不一樣。

比如：

有購買力的人不需要折扣，他對價格不敏感、只需要很好的產品；

但有些價格敏感型的用戶，折扣少了他就不會來買。

所以我們策劃帶有折扣的促銷活動，就要算出來哪些用戶需要折扣，哪些用戶不需要折扣，這就需要數據分析部門進行人羣挖掘。

職責二：預估出營銷過程中所需要的資源，做好系統性準備

需要算出來在此次活動中，會有多少人會購買這個產品，而他變成客戶的過程是有成本的，包括庫存、服務器、帶寬、客服人員、物流支持系統等各種資源，否則用戶來了以後買不到東西，或者客服人員緊缺用戶無法獲得及時反饋、投訴率上升，這都是問題。所以營銷前的系統性規劃，也是數據分析部門的職責之一。

職責三：活動過程中的精細化營銷，提升活動的營銷效果

一般做一個大促，會有很多渠道、很多套文案、物料、很多種語言、很多個landingpage，甚至細化到語意、文字、設計、背景、顏色等等，這裏面涉及很多數據測試的知識。這些最後分完了以後，運營部門會分別來執行，在執行前所有的渠道都需要放上我們自己的各種數據標籤，爲衡量它的轉化效果與數據分析做鋪墊。

數據分析還有一個很重要的功能：從每次的營銷實踐，學到最有效率的東西，再利用到下一次營銷活動中。

九枝蘭： 有些企業的用戶轉化週期比較長，對於還沒有轉化的這部分leads我們應該如何處理？

張溪夢：我建議進行銷售線索的培育，而培育leads是一個系統化的循序漸進的過程，是一個從低溫度向高溫度轉化的過程。當一個用戶有購買慾望的時候，他不是上來從零到百分之百這麼切換，而是需要一個過程：

他是從不知道你（評分爲0）

開始知道你（評分10%），

看到你出現一次（評分15%），

看到你一篇文章（評分30%），

下載一個白皮書（評分50%）

他看了產品介紹（評分60%）

他在網站留言說我對你的產品感興趣（評分80%）

他準備要購買了，談合同（評分90%）

最後簽字（評分100%）

這是一個不斷培育的過程，這個過程需要數據分析來追蹤。就像一個桃子，只有等它從很小很青澀成長爲一顆豐碩的果實才能品味到香甜的味道。

用戶也一樣，如果他的意向不強就去直接銷售產品，他不可能轉化。只有等溫度比較高（評分較高）的時候，銷售再跟進，否則銷售在早期只是浪費資源和時間。

比如說，我今天突然打電話給你，想把一個SaaS分析產品賣給你，你說我剛認識你，我都不知道你在說什麼。但可能過了一段時間，你發現這東西有用，並在其他地方又看到了我們的廣告，才決定購買。

運用銷售線索的評分與培育制度，高分用戶銷售去跟，低分用戶自動化系統去跟，最終提升轉化率。

九枝蘭：目前國內企業在數據分析方面的水平如何？應如何提高數據分析的能力？

張溪夢：我回國後的這段時間接觸了不少具有數據分析需求的企業，我覺得大家在數據分析方面存在2個瓶頸:

首先，沒有非常好的數據平臺，繼而也就沒有歷史數據積累；

第二，是受國內粗放式的企業增長的影響，各大行業、企業都是跑馬圈地，沒有把數據分析重視起來。

要想提升國內企業數據分析的能力我認爲分爲三個步驟：

第一， 需要知道數據分析是非常有價值，具備對數據分析正確的價值認知。

第二， 我們中國企業需要了解最基本的數據分析方法論。

但不需要太複雜的，比如說統計模型，預測模型等這些複雜的模型不需要了解，只需要知道簡單的一套數據分析的框架：

首先是採集數據；

採集完了以後通過數據看效果；

看到效果以後再調整下一步實施的方案，就這麼簡單。

企業還需要了解，數據分析不是一次性完成的，是每天、每週、每月的日常工作。

第三， 需要知道數據分析具體怎麼實施。

這一點也不難，整體來說就是一個學習的過程，數據分析的核心就是學習、迭代、促進。

當企業把這三步做完以後，會進入一個正常數據的狀態，這個狀態的下一步，就是價值大爆發。

九枝蘭：你感覺國內外營銷現狀有什麼差異？

張溪夢：我覺得中國和歐美國家相比，處於的發展階段不一樣。咱們中國在過去十年中，是處在一個高速爆發的時代，以圈地獲取流量爲核心的一套營銷方式，比較粗放、大量投入、不計成本，先把用戶圈下來佔上這個地。而這一步的下一個發展階段，就是美國今天的階段，是精耕細作的階段，中國正在往這個階段發展。

1. 上線了很多新功能，比如說企業可以通過2.0版本檢測用戶在哪個環節流失，而且能找到流失的原因。

2. 新版本在移動端的數據分析功能比以前強大很多，去年我們發佈主要以網站爲主，移動爲輔，現階段網站和移動兩個是對等的。

3. 另外,現在用戶的留存度，精細化分析，比以前好了很多。

最後，九枝蘭問起GrowingIO的發展願景，這位名副其實的數據分析大拿說了一句讓我終生難忘的話：”事物本身能產生多大的價值，完全取決於人的想象力。”GrowingIO在數據分析領域一定大有可爲。