编者按：在她加入LinkedIn市场营销部门之前，他们很多市场部经理加大数据专家，做了快1年的内容运营，CTR才2%。她去了以后，做了优化，一下就提高到17%。她说，问题就出在了他们没有应用正确的优化方法。选错了优化目标，定义错了优化的核心Metrics。

　　作为前LinkedIn核心数据成员，Sophia拥有多年数据驱动运营的实践经验。本期《崔牛八点半》，我们有幸邀请到这位曾被LinkedIn CEO誉为最杰出分析师的数据专家，为我们揭开大数据驱动运营的本质与技巧。

　　公司内部数据驱动企业优化，一定要注意不能空头玩数据。找了数据方面的人才，却不懂运营优化的方法，也不一定能帮到企业。

　　大数据是用来解决商业问题的，脱离业务问题看数据是大忌。我们科学的大数据驱动业务优化的做法，可以参考下图里的流程。

　　做大数据驱动运营，首先要明确地定义本次优化要解决的问题。如果有多个问题，可以一个一个解决，不要心急。倘若搅在一起，最后反而说不清楚什么是真正的影响因素。

　　然后定义优化的目标。很多人没有学过企业优化的专业知识，所以解决问题容易失去大方向。

　　就像在LinkedIn的时候，我刚加入市场营销部门，他们很多市场部经理加大数据专家，做了快1年的内容运营，CTR才2%。 我去了以后，做了优化，一下就提高到17%。问题就出在了他们没有应用正确的优化方法。选错了优化目标，定义错了优化的核心Metrics。

　　然后，根据目标，定义与之相关的业务指标，也就是核心Metrics。

　　之后，才到数据的部分。根据业务目标和指标，去决定要采集什么数据。然后再根据业务的实际情况，决定数据的架构。比如， 最后做的是线上的推荐引擎，那我们需要建立实时的架构，比如用Spark Streaming 实现。 如果是做的Add Hoc 分析，那只要做成线下的一个可视化报表即可，用offline离线的架构即可。

　　后面配合的是数据的深度分析，以及分析结果可视化（ 比如用可视化工具 tebleau或者我们的Yonghong BI，BDP等)。因为复杂的数据，老总未必看得懂。作为数据人员，需要掌握一门技术——如何可视化数据结果，让insight简单直观的展现。

　　如何在企业内部搭建一个完整的大数据团队？

　　很多人问我：如何组建大数据团队？以下这张图代表了很多大公司的典型大数据组织架构。

　　大数据不是一个人的工作，团队合作非常重要。先强调一下当前所谓的“大”数据和传统的数据概念的差别：

　　传统的，每家公司几乎都有DBA，都有一个业务数据库，不论是Oracle还是MySQL。 存的是业务数据，比如电商的交易数据。支持的是业务的正常运营。

　　随着互联网时代的普及，“大数据”的概念油然而生。“大”主要是体现在了行为数据上。比如通过捕捉在线用户行为的蛛丝马迹（也就是行为数据采集），我们可以更好地认识我们的客户，将客户更好地画像分群，提供个性化服务。

　　我们可以通过客户看什么内容，喜欢停留在哪些页面，爱收藏什么内容，经常评价什么，等等，来预测这个客户的喜好，以及他未来可能做什么？比如某个客户最近经常活跃，接下来可能购买的概率有多大？是否可以对他进行精准营销，刺激他购买？

　　我们这里说的数据采集，对应的就是采集行为数据，当然也包括业务数据。有了数据，我们可以为各个业务部门做各种分析。比如给客户做行为分析和画像，给产品经理做产品分析和优化， 给市场部门做市场营销分析，给销售或者财务部分提供分析，等等。

　　数据产品一般是要上线的。比如在线的个性化推荐产品等。最著名比如Linkedin 的“People you may know”， 推荐你可能喜欢的客户。

　　最后，research lab 通常是数据科学家研究的各种机器学习模型，优化、预测、进行商业建模。 这可以应用在前面的各个业务场景中，提高和优化效果。

　　完整的团队，包括前端工程师埋点采集数据，架构师架构数据，商业分析师提供各种分析，还有数据科学家进行建模。总监还有一批数据工程师进行数据的清洗和转化。

　　如何运用大数据帮到企业优化运营？

　　大数据优化需要各种技能。做一个好的数据优化师非常的不容易。 还需要软的沟通，可视化，还有领导力技能。

　　完整来讲，大数据优化主要有这几个阶段：

　　1、数据采集、架构、报告

　　2、商业分析

　　3、实验设计 A/Btest

　　4、客户画像

　　5、智能产品

　　6、通过各种模型进行决策优化