不只是全球最大的职场社交平台，LinkedIn 也是全球第二大 SaaS（企业级服务）企业，面向B端客户提供人才解决方案、精准广告等服务。区别于B2C业务，B2B业务的一个显著点就是决策权集中在管理层，如何找到大客户的核心决策者一直是B2B企业销售的重点。

　　我认为LinkedIn在这方面具有先发优势，因为LinkedIn上聚集了海量的职场人员信息，我们创新的“大客户兴趣指数”就是一个很好的例子。

图7：大客户兴趣指数模型

　　大客户兴趣指数，用来衡量企业级大客户对于LinkedIn产品和服务的兴趣程度。我将它拆解成两个子模型：决策者模型和产品偏好模型。决策者模型用来评估用户是企业决策者的可能系数，产品偏好模型用来分析用户在LinkedIn上产品的使用程度，两者结合起来就是“大客户兴趣指数”。

　　以往销售人员要同时跟进很多客户，而且销售并不清晰哪些用户是决策者，哪些用户对我们产品感兴趣。有了这个“大客户兴趣指数”以后，销售人员就可以进行优先级排序。哪些客户成单的可能性高？那些客户值得我们多花些时间？销售都心中有数。

图8：大客户兴趣指数的效果

　　我将大客户兴趣指数分为低、中、高三种；大客户兴趣指数为“高”的用户订单成功率高达42%，是指数为“低”的客户订单成功率的两倍。对于一家B2B企业，或者To B业务很大比重的企业，精准找到核心用户、提升订单成功率至关重要。

　　数据驱动并不是一步到位的，从数据到洞察，它是一个不断进化的过程。对于所有的分析团队来讲，数据驱动都绕不过这四步：数据获取、数据挖掘分析、商业预测以及商业决策。其中，数据获取是基础，商业决策的价值量最高。

　　数据驱动不能没有数据分析工具，我结合自己多年分析经历谈了自己的看法。一个好的数据分析产品一定要简单易用，让数据工作从大到小，实现从冰山到冰棍的变化。同时，几秒钟就能拿到数据、大幅提升数据工作效率也是一款优秀数据产品的所必须具备的。