【案例】如何用大数据优化技术提高Linkedin内容运营效果数十倍？实战干货分享

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。有前途有钱途。架构，开发，数据，销售，自媒体运营等各种岗位火热招聘中。如有兴趣请联系hrdatatist@datatist.com。

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

Marketing Analytics 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content engagement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。

来源： DATATIST大数据家