-
linkedin
职场社交兴起，Weave想到了把 Tinder 和 LinkedIn 结合在一起
社交产品一直是互联网产品的一个重要的类别，虽然已经有了腾讯、Facebook 等巨头，但是社交领域的创新仍然层出不穷。基于 Facebook 的约会应用 Tinder，让“约会”变得特别简单。而当 Brian Ma 看到 Tinder 的时候，他知道自己下一个项目有着落了。
Brian 是比价搜索工具 Decide.com 的创始人，2013年他将公司卖给了 eBay。卖完公司，Brian 成了“有钱人”，所以他就想做一些天使投资。
很快，他发现了一个问题：作为天使投资人，需要参加各种活动，认识各种人，但是他比较内向，在参加活动的时候往往不知道如何跟陌生人聊天。“而且这种随机找人聊天，很多时候碰不到自己想要找的人。”Brian 告诉记者。
其实互联网上帮助职场人士社交的应用也不少，最大的是 LinkedIn。但 Brian 表示，在 LinkedIn 上找人的体验并不好，比如先要加好友，然后才能发站内信什么的，过于正式和复杂。“我认为 LinkedIn 做的最好的是在职场人士认识之后保持联系这方面。”他说。
但是，LinkedIn 上有用户的职业资料，这是非常有价值的内容。在看到 Tinder 之后，Brian 想到了把 Tinder 和 LinkedIn 结合在一起。这就诞生了 Weave，一款职场人士的“约会”应用。
从应用的功能来说，Weave 和 Tinder 很像，用户登录后可以看到一叠由其他用户资料组成的卡片，可以左右滑动来决定是“稍后再约”还是“立即约见”。如果两名用户都希望约见对方，那么这两位用户就可以私信交流。如果只有一方“倾心”，对方并不会收到任何信息。
不过 Weave 里的“约”并不是约会，而是“约咖啡”。因为 Weave 需要用户以 LinkedIn 帐号登录，所以约的人也都和自己的职业相关（包括但不限于自己 LinkedIn 上的好友），比如找工作的人可以约 HR，投资人可以约创业者，创业者可以约程序员等等。
Brian 表示，Weave 有两大特点，一是移动应用的位置优势：Weave 在做用户匹配的时候会根据距离来做判断，距离越近，就越有可能见面；第二是双向匹配：只有两个人都希望约见对方才会促发连接，这也让约见面更加自然，因为双方必然会有共同的话题或者需求匹配。
但随着 Weave 积累到越来越多的用户数据，在匹配用户的时候又多了一层相关性要素。通过用户的滑动操作以及个人资料，Weave 能够判断这位用户想要见什么人，并像他展示更多这样的人。
比如一位程序员在看到投资人的时候都表示“稍后再约”，而在看到HR的时候则表示“立即约见”，这很有可能表明他没有创业的打算，但想换工作。于是 Weave 就会像他推荐更多的HR。而当一位 HR 频繁想要约见营销人士而不是程序员的时候，Weave 也会像他推荐更多他想要见的人。
“我们的目的就是让职场人士见面、讨论职业机会变得更加简单。”Brian 说。目前 Weave 在用户完成连接之后，只支持私信交流，但未来 Weave 还会在应用中加入日程管理、推荐见面地点等功能，让两个都想见面的人更轻松的安排一次见面的时间地点。
不过他并不认为 Weave 会和 LinkedIn 发生直接竞争，相反，Weave 在促进职场人士见面交流的同时，也为 LinkedIn 带去了用户。“很多人在 Weave 上约了咖啡，见面之后又在 LinkedIn 上加了好友。”
现在每天能促成100次职业人生的见面，而在过去一年里，用户已经在 Weave 上划动了400万次。和大多数移动互联网产品一样，Weave 的初期用户集中在旧金山湾区一带，但 Brian 表示，世界上大多数职业人士都有交流职业机会的需求。而走出科技圈，也是接下来 Weave 会努力的方向。
来源：pingwest
-
linkedin
村长：LinkedIn inMail在2015的新变化
来源：微信公众号“村长”
// // //
LinkedIn在2015年公布的信息中，对招聘者最大影响莫过于inMail使用政策的修正。
在2015年1月之前，inMail的游戏规则是：如果发出了inMail，但没有收到回复，LinkedIn将把扣掉的inMail点数返还给你。
在2015年1月之后，inMail的新游戏规则：如果发出了inMail，只有收到回复，LinkedIn才会把扣掉的inMail点数返回（奖励）给你。
两者的区别从文字上看正好相反，前者看似保证了企业招聘者（其它使用者）的权力，但副作用是无效（无反馈）的inMail会得到鼓励。后者鼓励招聘者（使用者）更有效的发送inMail，提高inMail的回复率。
这里简单列2个公式，大家更容易看出差别：
假设你账户中有50个inMail，而且inMail反馈率（response rate）大约在20%左右，那么旧的政策下你可以获得inMail的使用机会大概是244次。
总数
反馈率
50
20%
40
20%
32
20%
26
20%
20
20%
….
20%
244
Total
但在2015年新的政策后，你实际获得的inMail使用次数就只有62次了。
总数
反馈率
50
20%
10
20%
2
20%
62
Total
inMail回复率是可以通过使用者努力不断改进的。如果你能达到100%的回复率，理论上你的inMail在新政下面是用不完的。 :) 一个inMail的价格是10美元，你可以想象提升有效回复率对于企业和个人是多么重要。
我是支持LinkedIn政策的改变的。这样减少了滥用inMail的可能，保护了LinkedIn会员不被垃圾信息打扰的权利。但对使用者提出了更高的要求，这是目前许多LinkedIn使用者和企业不重视的细节。
-
linkedin
带你领略LINKEDIN上的6大最佳公司页面，这回有启发了哇？
你的公司在领英(LinkedIn)的页面是否展现了企业文化和价值观?它对优秀人才有吸引力吗?它能吸引和鼓励消费者吗?你们在领英上有这样的公司页面吗?（HRTechChina注：当然咱们可以扩展思维，除了可以在linkedin上花心思放上能体现公司魅力的公司页面，在社交媒体上，比如，微信公众平台、微博、公司网站上都需要花点心思去体现呢。这不仅能让更多人了解公司，对于HR来说，一定程度上能够左右自己的招聘工作，让更多应聘人了解公司价值及文化。）
不管你的公司页面需要微调还是彻底改变，“2014领英10佳公司页面”将为你带来非凡的灵感。
为了选出最佳页面，领英请用户推荐在他们心目中最具创新性和启发性的公司页面。下面是其中6个优胜作品，你可以从中学到一些东西，让你的页面变得更闪亮。
1. 戴尔(Dell )：利用赞助帖的更新
赞助的帖子已经成了大多数社交网站的主流，领英也不例外。戴尔公司利用这一特征使自己的页面送达领英的主要目标群体，而不仅仅是自己的粉丝，你也可以这样做。
2. 印象笔记(EverNote)：锁定更新，突显最有价值的内容
当印象笔记发布新功能时，它会在公司页面上发布更新帖并锁位置，使该贴始终处在“最新更新”的第一位，确保大多数粉丝能看到这条新闻。
3.Luxottica 集团：用求职页面来吸引顶尖人才
眼镜品牌Luxottica 集团不仅在求职页面发布职位列表，同时还展现企业文化的内容。这有助于求职者更好地了解公司，以确定自己是否适合为其工作。
4. 宝洁公
司(Procter & GAmble)：用展示页面强调公司的特殊方面
展示页面是公司页面的延伸，你可以用它展现品牌特征，介绍公司的业务部门，或者其他方面的情况。宝洁为秘密除臭剂(Secret deodorant)这款产品设计了展示页面，直接吸引了消费者的注意。
5.特斯拉汽车(Tesla Motors)：分享重大性新闻和企业公告
特斯拉汽车在公司页面发布了公告和新车型的资料，让关注的用户先睹为快。你也应该提供独家的内容，以回馈粉丝。
6. 富国银行(Wells Fargo)：依据地理位置有针对性地更新内容
如果你的公司的粉丝类型各异，有针对性的内容更新可能会更好一些。领英使你可以根据公司的规模、行业、资历、地理位置、语言等等来进行有针对性的推送。富国银行经常以这种方式更新内容，发布某个具体地点的事件信息，或分享分支机构的成功事迹。
（via entrepreneur，快鲤鱼编译）
-
linkedin
为什么日本人不用 LinkedIn 来 link？
LinkedIn 2009 年在印度孟买设立办公室，正式进军亚洲市场。得益于印度对职场社交网络接纳程度比较高和英语教育传统，LinkedIn 在印度发展比较迅速。而 LinkedIn 2011 年上线日文版页面并在东京设立办公室后，其在日本发展却颇为不顺。
上图是 2014 年 7 月的统计数据，可以看到日本用户数最多的社交网络是 Line，Twitter 和 Facebook 紧随其后，而 LinkedIn 的用户数居然还不足以独立开来统计，被列进了“其他”一项中。
上图显示日本内 Facebook、Twitter 和 LinkedIn 在 Google 上的搜索热度趋势，LinkedIn 是黄色那条线，低得几乎看不到。虽然 Google 在日本搜索引擎市场的份额只有 40% 左右，但从三个社交网络的对比中还是可以一窥 LinkedIn 在日本的不振。
一位在日本互联网巨头 DeNA 工作的风险投资人 James Riney 在日常工作中也同样发现，日本职场人士普遍不使用 LinkedIn 进行工作上的交流，反而使用 Facebook 来增进对商业伙伴的了解。他非常好奇：难道日本人喜欢把工作和生活融合在一起？
Riney 总结了和日本职场人士打交道的经验，认为他们不使用 LinkedIn 而喜欢 Facebook 主要受文化因素的影响：
在日本的文化中，职场人士倾向于在一家公司工作很长时间，甚至很多人整个职业生涯都在同一家公司度过。而 LinkedIn 在他们看来是一个寻找其他工作的网站，要是自己在上面完善了各种信息并且不幸被老板看到，那无异于自毁前程。
日本人崇尚谦逊，“我第一年就帮助公司利润从 500 万提升至 2000 万”这种描述在他们看来是在过分自夸，他们更加喜欢“谦逊地自夸”。LinkedIn 要求用户准确描述自己在一个项目中贡献了多少力量，而在 Facebook 上，日本职场人士可以“谦逊地自夸”认识某个人或者参与到哪些项目中。
日本职场人士倾向于和私交更加亲密的朋友进行商业合作，而 Facebook 让他们可以更加深入地了解不相熟的商业伙伴。
最后，Riney 给了那些想要打造“日本的 LinkedIn”的创业者一个建议：你们都很好奇日本职场人士为什么不需要职场社交网络，但却没有意识到，Facebook 在某种程度上已经是“日本的 LinkedIn”了。
职场社交网络领域发展不顺的 LinkedIn 在日本也上线了更多的项目，譬如LinkedIn Influencers，在这上面用户可以学习到像 Hiroshi Mikitani 和 Shinzo Abe 这样日本国内一些领袖级人物的专有的见解。
2014 年 LinkedIn 正式进入中国市场，中国和日本同属高语境文化，在某些方面有着相似的价值判断。LinkedIn 在中国的发展是会重蹈覆辙，还是吸取经验打开一片天地？
来源：爱范儿 题图来自 Medium、插图来自 intead.com, Google Trends
-
linkedin
LinkedIn将推出新应用 让你和同事分享信息
[摘要]LinkedIn正在测试私信服务和开发文件共享应用。
职业社交网站LinkedIn计划推出同事交流服务。
LinkedIn发言人透露，LinkedIn正在面向雇主和员工开发数款工具（包括一款应用），以便他们共同使用LinkedIn，包括员工联系方式分享工具和员工群组内容分享工具。
LinkedIn将在未来数周测试第一款产品。该产品可以让用户向同事发送 InMail信息（LinkedIn私信服务），即使双方从未联系过。该产品还鼓励用户向所在公司资料库上传自己的联系方式，使用LinkedIn的同事便可以查看这些信息。
LinkedIn希望同在一家公司的用户可以更好地交流。但是，此次更新并没有增加类似Yammer和Jive内置的聊天服务。
LinkedIn发言人表示，LinkedIn计划推出更多的内部办公服务，这只是该计划的一部分。
如今，如果你要找工作，或者与其他公司的员工交流，你不得不使用LinkedIn。对于现有工作，LinkedIn的新服务无疑更具实用价值。LinkedIn一直希望增加用户内容分享量，新服务也将起到推动作用。为了增加内容，去年12月LinkedIn重新设计了主页。
此外，LinkedIn计划于本季度末测试另一款产品。该产品可以让公司直接向特定员工群组分享内容。LinkedIn希望，这种直接、定向分享方式可以增加再分享量。例如，如果一家公司计划招募新的移动工程师，它可以直接向现有员工分享招聘信息，然后让员工传播信息。
LinkedIn正在开发一款独立应用，该应用可以让员工加入公司内部群组。公司管理者可以向这些群组发布定制内容。LinkedIn已经拥有群组功能，但这些群组更加开放。新的群组服务专门用于公司内部信息分享。
为了让新功能服务于现有平台，LinkedIn还在探索其他方式。作为服务的一部分，雇主还可以跟踪员工的内容分享频率和分享量。（熠辉）
Re/code中文站 1月14日报道
-
linkedin
沈博阳：LinkedIn如何走出跨国公司失败阴影？
[摘要]沈博阳认为，互联网跨国公司要把中国业务做成其实并没有这么复杂，无外乎做好三件事：人、架构和产品。
沈博阳和LinkedIn背后的美国创始人团队对中国市场野心十足，但他们首先要面对一个尴尬的事实，在过去的十多年时间，欧美的跨国互联网公司在中国鲜有成功。
本土化是所有跨国互联网公司需要探讨的永恒话题，众所周知的那些诟病，包括总部习惯直接干预管理中国区业务的战略和管理，产品开发、适应环境的速度和执行力等方面存在诸多不足。
LinkedIn中国（领英）又如何能避免陷入跨国公司走过的老路？在接受腾讯科技专访时，LinkedIn中国CEO沈博阳表示，要把中国业务做成其实并没有这么复杂，无外乎做好三件事：人、架构和产品。
“美国互联网公司纷纷折戟中国市场，往往归咎于中国的特殊环境，其实根本原因是在于这些美国互联网公司是不是找对了合适的团队，是不是真正地把产品本土化，是不是像中国创业公司一样勤奋地去工作。” 沈博阳说。
跨国公司的“错误路径”
在人人公司工作期间，沈博阳内部创办了糯米网，市场份额一度做到团购行业第三名，但最终因为人人难以承担亏损成本在2014年被百度全资收购。
进入百度后，沈博阳对糯米网的发展预期和百度很快出现了分歧。“百度本身有一些现实面临的问题，人事变动非常多，而且百度自己要做团购平台，和我要独立把糯米做成上市公司的方向不一致。” 沈博阳告诉记者。
2013年10月份，沈博阳收到LinkedIn CEO 杰夫·韦勒的邀请函，参加LinkedIn组织的关于创业的内部沟通会，过去两三年，沈博阳和杰夫已相识并有过数次交流。而就在这次见面前一天，沈博阳跟百度沟通再次产生不愉快的结果，萌生去意，于是跟杰夫进行了一对一的深入沟通。
紧接着，LinkedIn董事长里德·霍夫曼也来到中国，沈博阳跟与其进一步商议后初步确定加盟意向，并飞到美国跟LinkedIn十几个副总裁也进行了两天的沟通，到了11月底，沈博阳最终做出离开百度加盟LinkedIn负责中国区业务的决定。
其实，里德早在2004年第一次来中国深圳时，便萌生了把创办不久的LinkedIn带到中国发展的想法，不过当时并不具备足够的实力。在LinkedIn 2013年正式决定进入中国之前，里德和他的团队已对中国市场进行了四年研究。
“未来几年中国会变成世界第一大经济体，中国有1亿多职场人士，如果不进中国，那是一个巨大的错误。决心有了，我们再看为什么原来的跨国公司会失败。”
谈到国外互联网公司折戟中国市场的原因，沈博阳首先引用了马云的观点，他表示，跨国公司在中国负责中国业务的人往往是职业经理人而不是创业者，工作动力是让总部高兴而不是考虑如何满足本地用户需求，而红杉资本正是在国内基于沈南鹏打造了一个纯本地化的投资团队，成为少数能在中国落地的美国投资公司。
其次，从架构上看也体现不出跨国公司的重视程度，中国区负责人做不到直接向公司CEO汇报，职能偏向销售或者产品技术，对中国市场的耐心和决心不足。
第三，跨国公司包括LinkedIn最早在中国都犯了同样一个错误：“路径依赖”，即迷信于复制这些公司原来在美国的成功模式。
“任何一个成功的跨国互联网公司都有这样的心态，自己的全球化平台和产品经验既然在韩国、印度、澳大利亚、英国都可以成功，在中国也必须能成功。” 沈博阳说，但是，无数的例子已经证明中国互联网独特的环境，导致其他地方可以成功的模式在中国真的难以成功。
2014年1月1号加入LinkedIn后，沈博阳成为公司在中国的第一个正式员工，虽然用户和收入规模小，沈博阳却获得直接向CEO汇报的权利，中国区也成为独立于亚太区在全球独立的一个市场区域。
“我不是传统意义上跨国互联网公司的职业经理人，而是注重产品、技术和中国互联网游戏规则的创业者，并围绕我搭建了有创业基因的团队。这有助于我们能在中国做出更快、更大胆的决定。”
沈博阳说，从产品层面来看，简单的汉化、深度的本地化都不行，必须要单独给中国开发自己的本土化产品，而且通过中国团队完整运用创业思路去运作，这才是有可能成功的唯一方向。
慢模式寻找爆发点
据沈博阳透露，去年年初 LinkedIn正式进入中国的时候用户不到400万，目前已将近800万规模，用户主要是北、上、广、深等十几个大城市有海外背景的中高端人群，下一步则计划渗透更多的本土化用户。企业用户也有两百多家。
“当用户达到一定临界点会增长更快，但在达到一定规模之前，职业社交将是一个突破非常慢的模式，缺乏杀手级功能和爆发力。至少在美国，LinkedIn更像建立维护网上人脉的工具，并要靠线下的联系去维系。” 沈博阳表示。
从LinkedIn的成长轨迹来看，从2003年到2011年上市才积累了一个多亿用户，但上市之后开始了更快的增长速度，市值也从30亿美金迅速上涨了十倍到300亿美金。
当然，中国市场还有自身的独特性，比如用户对无线的依赖更高，对隐私更敏感顾忌，无处不在的微信等工具则代替了部分职场场景。
“大而全的平台不一定能满足多种多样的需求。我们平时能维系的人脉关系是非常有限的，生活中存在着大量比较松散的人脉关系，在大而全的平台难以建立。随着时间推移，用户出于对个人隐私的维护，也需要建立纯工作上的线上关系网，并以此彰显自己的职业身份。”
沈博阳认为，职业社交和微信等社交工具不一样，资讯，新鲜事都是跟职场相关的。不强调DAU、在线时长和登录次数，而是看重个人职业资料的完整度，在换工作时保持更新，这跟招聘网站正好相反。
“LinkedIn在中国的发展依然在探索中，需要很长时间积累，但好在盈利模式足够清晰，去年的公司收入已达到非常可观的数量级，如果控制投入能支撑公司盈利。” 沈博阳坦言。
LinkedIn 给用户提供免费的社交服务，依靠给企业提供服务来获取收入，包括招聘解决方案、营销解决方案和销售解决方案。
其中，招聘解决方案是帮助企业寻找那些被动求职的人才，占到总收入55%到60%比例；营销解决方案是根据用户数据进行的精准广告投放，占到总收入的25%；销售解决方案则是帮助有B2B业务的企业销售人员去寻找相关销售线索。沈博阳说，未来不排除在中国建立更大的直销团队。
腾讯科技 范晓东 1月14日报道
-
linkedin
Hootsuite CEO：2015年五大社交媒体趋势
作者：瑞恩·霍尔姆斯（Ryan Holmes），社交媒体管理工具Hootsuite的首席执行官。（本文最初发表在LinkedIn）
2014年伊始，世界上最大的社交网站Facebook就诸事不顺。1月份有研究显示，Facebook的美国青少年用户比前一年锐减了三分之一。许多媒体以醒目标题“宣判”Facebook将被埋葬。可是到2014年10月份，Facebook重又获得了新生。这家公司于2014年第三季度仅广告营收就达29.6亿美元，比1年前暴涨了64%。更值得注意的是，Facebook的月活跃用户突破1亿人。
所有这一切都显示，预测未来是多么困难！特别是对社交媒体的未来趋势进行预测时。怀中揣着这种警惕，我对2015年的社交媒体趋势做出了五个大胆预测：
1、主要社交媒体为争夺用户钱包爆发更惨烈大战
黑客10月份曝光文件显示，Facebook的热门消息应用Messenger内藏隐秘支付功能。如果Facebook激活这种功能，它将允许Messenger应用的2亿用户只需要信用卡信息即可相互转账，无需支付其他费用。与此同时，Facebook也准备推出新的Autofill功能，允许那些在Facebook上存储了信用卡信息的用户在全网45万家电商中购物付账。
那么为何Facebook想在2015年操控你的钱？现在，许多科技巨头正在移动支付领域展开激烈竞争，包括推出了Apple Pay的苹果公司、初创企业Square与Stripe，甚至网络支付的老牌巨头PayPal等。在当前局势中，这种竞争似乎还远未结束。Facebook最终可能对其汇钱服务收费，并利用用户的采购数据吸引更多广告商，甚至与传统信用卡巨头Visa和Mastercard展开直接竞争。有一点已经可以确定：在2015年，你可以看到主要社交网络更积极地处理你的交易。
2、社交网络会继续发展……它们能笑到最后吗？
2014年，大量社交网站乘机崛起，许多专门针对缺乏敏感意识的“大男孩”，他们缺少隐私保护意识等。新近崛起的社交网站包括Ello（成立于2014年3月份，承诺永远不会出售用户数据）、Yik Yak（允许用户与附近用户完全匿名交流）、tsu（承诺根据广告受欢迎程度，与用户共享广告收入）等。
这些社交网络会继续增长，并坚持到底吗？新的社交平台试图复制Facebook的成功经验，同时承诺更少广告或赋予用户更多隐私权，但他们同时面临严峻考验，其中包括Google+在内面临的最大挑战是难以吸引到足够的用户群体。为此这些网络让人感觉犹如“鬼镇”，根本无法与拥有13亿用户的Facebook的繁荣相提并论。
另一方面，新的社交网络以更好的方式映射出现有社区或利益群体。事实上，数以千计的社交网络已经在未受关注的情况下发展起来，从专门的厨师网站Foodie到健身网站Fitocracy等。
3、社交网站上实现购物
2014年年初，Twitter与Facebook开始测试“购买”按钮。这个按钮位于特定的推文和帖子旁边，用户只需要点击一两下就可以实现购买，无需离开网络。在2015年，电商与社交媒体有望更深入融合。实际上，两者花费如此长的时间融合已经令人感到有点儿惊讶。
首先，这种方式消除了所有商家面临的关键挑战，即如何吸引客户上门或浏览其网站。在Twitter与Facebook上，你已经有了知音，可以高兴地与朋友进行聊天，浏览最新趋势，共享照片与视频等。一旦他们的支付信息归档，购买自然而然即成形。
此外，由于Facebook与Twitter都是实时媒体，对于那些短暂流行趋势的短暂交易来说，它们都很完美。一旦遇到时间敏感的邀约，消费者可能倾向于立即行动起来，并完成交易，最终放弃网络交易中常见的强迫性比较购物。最终，广告商将从中获取巨大好处。将个人推文和Facebook帖子与实际购买行为联系起来，从目前来看存在着巨大的分析挑战。但是随着“购买”按钮的出现，具体收入数据可与具体社交媒体信息联合起来，这不该到现在还无法实现。
4、智能设备更智能化
廉价传感器已经促使智能设备大爆发，从恒温器、浴室秤、冰箱等家居应用到健身手镯、智能手表等可穿戴设备，它们现在都在收集数据，并迅速实现联网。许多类似设备还向Facebook、Twitter以及其他社交网站推送通知，这种趋势在2015年还将继续持续。问题是：这是好事吗？日益增加的洗衣机、烟雾报警器以及耐克Fuelband腕带等发出的Facebook帖子，似乎并非都是令人感到兴奋的事情。
2015年的挑战将变成如何将快速增长的物联网与社交媒体进行智能化融合。总的来说，智能设备需要改善它们的社交智慧。这可能需要从挖掘用户的社交关系图开始，包括用户的朋友与追随者。举个非常简单的例子：智能冰箱可以追踪你的Facebook活动，看到你正策划一场派对和响应参加的人数，提醒你去采购啤酒。通过以更复杂的方式倾听社交媒体，追踪用户活动，与用户的朋友和追随者互动，并做出相应回应，智能设备将在未来一年内变得更加智能化。
5、私人社交媒体需求越来越多
2014年出现许多匿名和新的社交网络，包括Snapchat、Secret、Whispe、Yik Yak以及Telegram等，它们都变得十分热门，毕竟并非每个人都希望其在社交媒体上的对话向全世界广播。与此同时，敏感的用户越来越意识到，个人数据正被收集，并在随后被出售给广告商、进行操纵性测试或被政府机构使用。
问题是，隐私网络很少能兑现承诺。Snapchat已经被黑，成千上万敏感用户照片被曝光在网上。2014年10月份，匿名社交网站Whisper被曝储存用户帖子、位置，并将这些信息汇编到可搜索到的数据库中。正如科技博客网站VentureBeat报道的那样，在网络上实现真正的匿名和隐私非常困难。对于那些轻易许下承诺的网站，它们几乎不可能兑现承诺。
但是在2015年，人们对匿名社交网站的需求将更多。实际上，已经有迹象显示，即使社交网络巨头都开始承认这个问题。10月份，Facebook推出新的聊天应用Rooms，允许用户围绕共同的兴趣创建聊天室，无需透露姓名或位置。与此同时，Facebook于11月份成为硅谷首家对Tor提供官方支持的科技公司，Tor是一种功能强大的开源匿名服务，在记者、政治反对派以及执法机构中非常受欢迎，它允许用户隐藏身份、位置以及浏览历史。
via：腾讯科技
-
linkedin
化繁为简，Linkedin如何用大数据来变现
对Linkedin商业数据分析部门而言，大数据分析不是什么高高在上、复杂枯燥的工作，而是一门化繁为简、高效实用的艺术。
在大数据时代，商业数据分析部门对一个公司的重要意义不言而喻。目前，很多公司的数据分析部门采用的都是“分析放在报表之上”的分析方法，即每天产出非常繁琐、复杂、海量、事无巨细的分析报告，但这些分析报告的可理解性和可执行性并不强。而Linkedin作为一个典型的数据驱动的公司，在进行数据分析时却反其道而行之，采用了“报表放在分析之上”的方法，化繁为简，以最快的速度在大数据金矿中发掘出最多的商业价值。
据悉，自2011年商业数据分析部成立以来，Linkedin的销售收入已经增长了20倍，不仅如此，整个公司的各个环节都实现了数据驱动的自动快速的商业决策。近日，钛媒体驻美记者也独家专访了Linkedin商业数据分析部门第一位员工及部门总监Simon Zhang,对Simon而言，商业数据分析不是什么高高在上、复杂枯燥的工作，而是一门化繁为简、高效实用的艺术。
数据分析结构：从金字塔到菱形到球形
Linkedin无疑是一个建立在数据基础之上的公司，截至记者发稿时，其用户即将超过3.4亿人，庞大的用户规模也产生了海量的数据，这其中包括行为数据、身份数据、社交数据以及内容数据等，如何从这些海量的数据中挖掘出用户痛点从而推出适销对路的产品和服务是Linkedin商业模式的关键。
成立于2011年3月21日的Linkedin商业数据分析部门的主要功能正是通过数据分析支撑公司其他关键部门进行各种决策。目前，商业数据分析部门的70名员工可以支撑服务于全公司4500名以上的员工。
“自成立以来，每天，销售、运营、客户服务、工程、市场、产品等各个部门的员工都会向我们部门提出各种各样的问题，比如，用户对我们的主页面是否满意？我想推销某款人力资源产品，我该推销给哪个公司？等等。最初我们都是通过人工手动进行数据分析，但这样效率实在是太慢了，于是我们开始思考改革以往的数据分析的方法。”Simon表示。
和大部分公司一样，Linkedin最初采用的是金字塔形的数据分析架构，从下到上依次是：了解相关业务与产品；有目的地采集有用的数据；深度了解数据分析工具原理以及如何使用；数据分析；得出结论、作出决策。
而这几个步骤中，区分出不同水准的数据分析的关键点在于中间两个步骤。“了解你所使用的数据分析工具方面，目前很多分析人员不是太重视，因为他们认为编写数据分析工具是传统IT部门的事情，但实际上，能否深度地了解分析工具的运作原理对于你能不能充分正确地使用这个工具很关键，也是区别好坏分析人员的关键。
另一个关键点在于数据分析这一过程本身，在我多年的工作经验中，业界一致认为，好的数据分析都是善于化繁为简的，好的数据分析人员善于用最简单明了的方式呈现最核心的价值。”Simon告诉钛媒体。
正因如此，在人人都在讨论大数据的时代，Linkedin对数据分析的最重要的两个要求就是“速度要快并且产生价值”。
只有速度够快才能形成规模化，才能产生规模的价值，而传统的金字塔型的数据分析架构使得分析人员在金字塔的中下段部分花费了过长的时间（85%－95%的时间），因此，2010年底至2011年初，Linkedin开始考虑将金字塔结构变为菱形结构。
“变成菱形结构的主要方法就是，不断创造自动化的工具代替传统金字塔底层的工作，将金字塔所有可能的环节尤其是中下部分的工作让机器自动完成，” Simon表示，“特别需要注意的是，金字塔变成菱形是一个不断迭代的过程，每一个变成菱形的数据分析结构，我们会将其再次变成金字塔形，然后再次优化变为菱形，如果说每一个菱形面积仅有原来的金字塔面积的一半的话，经过多次转化和迭代之后，整个数据分析的效率将被大大提升。”
据悉，在将金字塔形的数据分析结构变为菱形后，Linkedin商业数据分析部门再次对其进行了优化，将菱形结构变成球形结构，形成闭环，“目前我们商业分析部门已经开发出了几百个面向内部员工的闭环的球形产品，每一个产品都可以实现从产品到数据收集到分析到决策的一个闭环流程，这也就意味着每一个球形产品不仅可以实现高效的分析和决策，还能形成闭环、自动升级和迭代”。
（分析决策：从三个月到一分钟）
对于大数据分析，Linkedin认为效率是第一准则，用最短的时间产生真正的价值比面面俱到的分析更加重要。而通过商业数据部门近几年开发出的几百个面向内部使用的产品，Linkedin所有部门的员工都可以真真切切地感受到工作效率的飞速提升。
案例一：市场和销售团队支撑产品——Merlin
对于Linkedin的每一个产品销售人员，当他接到销售某一款产品的任务时，他至少会产生以下几个主要疑问：
1.我该把这款产品卖给哪家公司？
2.我应该联系谁？谁有采购的决定权？
3.我应该怎样去联系这个人？
4.我该派谁去联系这个人？是我自己去合适还是我的某位同事去更适合？
5.到这家公司后我该讲一个怎样的故事打动客户？
在传统的人工手动的数据分析模式下，对于某一款特定的产品，其销售人员想搞清楚以上几个问题并作出一个见客户时使用的销售PPT至少需要2周到2个月的时间，而今天，通过Linkedin市场和销售团队支撑产品Merlin，销售人员仅需要登陆系统，输入自己的名字以及需要销售的产品名称等基本信息，Merlin可以自动收集销售人员的背景数据和人脉网络数据，从而快速生成较为精准的销售方案，从输入基本信息到销售方案的生成仅需要一分钟的时间，销售人员甚至可以得到系统为他量身定制的销售PPT。
“传统进行2个月的调研也未必可以得到精准的方案，而目前仅需要一分钟的时间，我们最近还把Merlin安装到了销售人员的手机上，实时对销售人员进行支撑，目前Linkedin一共有3000多人在使用Merlin系统，”Simon表示，“销售方案的自动化生成也使得我们在招聘销售人员时变得简单，不需要过多的培训便可迅速上岗。”
案例二：产品测试团队支撑产品——A/B Testing System
对于Linkedin测试部门而言，在传统环境下，其想要完成一项测试工作起码需要3个月时间，而目前，通过A/B Testing System，仅需要一分钟的时间便可以从每一项测试的650个指针中抓取出几个关键指标，提出改进意见，从而以最高的效率对测试产品进行改进。
“传统环境下，十几个人3个月才能完成的测试工作，目前仅需要一分钟，目前A/B Testing System每天可以支撑2000个内部测试，每一个测试追踪650个以上的指针，通过抽取最关键指标的方式对产品提出改进意见，”Simon表示，“我们不追求尽善尽美，我们只追求每天进步一点点，事实上，只要每天可以在原有基础上进步1%，一年之后的进步成果将是惊人的。”
案例三：客户服务团队支撑产品——Voices
对Linkedin客服部门而言，如何衡量用户满意度一直以来都是一个难题，因为通常客服人员们只能从用户留言等非结构化的数据中收集到一些信息，但如何将松散凌乱的非结构化数据变为可衡量改进的结构化数据一直没有得以解决。
直到Linkedin商业数据分析部门推出客户服务团队支撑产品——Voices，传统无法结构化的数据仅需要一分钟便可生成分析报告，比如，如果客服团队想知道目前Linkedin的客户对于主页是否满意，其仅需要在Voices中输入“Homepage”，便可以瞬间得到结构化的可视的用户满意度数据。当然，瞬间获得结果的背后一定是严谨而先进的算法。
（从写模型到写机器人）
事实上，如上的例子还有很多很多，Linkedin商业数据分析部门自成立以来一共推出了几百款这样的产品，每天都在为每一个Linkedin员工提高工作效率和效果而努力。不仅如此，每款上述产品还可以自动地学习员工的使用习惯，以保证员工在下次再次使用相同的软件时响应速度会更快。“对Linkedin员工而言，我们的每一款产品都是为他们个性化打造的。”
规模自动化的结果当然是效率和效果的大幅提升，据悉，自2011年商业数据分析部成立以来，Linkedin的销售收入已经增长了20倍；其他所有环节的工作效率也大幅得以提升。
“我们不会满足于此，以前我们部门的主要任务是写模型，从2013年，我们部门开始设计写模型的机器人，这又进一步加快了公司在数据分析时的自动化和高效率。”Simon表示。
（作者为钛媒体驻硅谷记者陈琛，本文首发钛媒体）
-
linkedin
Jeff Weiner领导下的LinkedIn将走向何方？
提到 LinkedIn，你肯定会想到这是一个找工作的平台。但 LinkedIn 的 CEO Jeff Weiner 可不这么认为，他想让你知道，LinkedIn 还有更多的用途。在过去几年中，LinkedIn 已经从一个上传简历的地方转变成一家职场社交网站。Weiner 不想让你上 LinkedIn 只为了找工作，而是希望你通过 LinkedIn 进一步提升工作能力。
上个月，Weiner 在接受 Re/code 的采访时曾表示：
我们的使命是连接全世界的职场人士，让他们的工作更加高效、更加成功。
现在在 LinkedIn 上，只有很少一部分人，是在积极找工作的。
LinkedIn 前产品负责人 Deep Nishar 今年八月离职，Weiner 毫不含糊地接管了产品团队。现在看来，Weiner 将长期执掌这个部门，因为并没有迹象表明 LinkedIn 在寻找别人接替。而且，Weiner 说他希望当一个注重产品的 CEO。他对于公司发展有长远的打算，还常常挂在嘴边，那就是把全世界所有工作的人聚拢到 LinkedIn 上。这可有足足有 30 亿人呢。
这个愿景的意图十分明显，LinkedIn 想要尽可能多的用户，但 Weiner 没有这么表述，因为可能会招致负面的评论。他的措辞都像是简历上写的一样考究，比如他最喜欢说的“价值主张”(value propositions)。
招聘现在仍是 LinkedIn 的一大业务，到今年年底，网站上的招聘信息达到 200 万条，招聘产品所带来的收入占到公司总收入的60%。但是，招聘绝不会是 LinkedIn 明年唯一关注的事情。
明年，Weiner 将着力发展以下三个方面:
为你量身定制的LinkedIn
LinkedIn 正在推进一项名为“预测计算”（anticipatory computing）的技术。顾名思义，这项技术试图在你提出要求之前满足你的需求。
LinkedIn 负责工程方面的高级副总裁 Kevin Scott 在接受 Re/code 采访时表示，预测计算在产品中将越来越重要，因为帮助人们快速到达想看的页面或找到需要的信息是极其重要的。
LinkedIn 现在已经推出了类似的功能，包括职位或群组的推荐，预测你可能感兴趣的职位。但是 LinkedIn 在预测计算领域第一次真正的尝试还是在于LinkedIn Connected这款应用，它从你的日历中获取数据，让你在与其他人会面之前查看他的资料，并在会面后继续跟进相关动态。这项功能看起来非常基础，获取预约安排就能给你提醒，在这方面，LinkedIn 还有更多计划。
Kevin Scott 表示，LinkedIn 将在接下来 6 到 12 个月推出一款非常棒的新产品。他没有透露到底要出什么样的产品。不过，将来某一天，LinkedIn 也许可以预测你什么时候想换工作，甚至能预测你未来几年的职业生涯。这可不是痴人说梦，LinkedIn 已经开始预测未来5年我的职业生涯了，只不过这项功能还没有面向所有用户开放。
听着很渗人？确实有点，Scott 说，LinkedIn 正在预测计算产品方面稳步推进，但是，进度不能太慢了，因为 Facebook 和 Google 也在做同类的产品。
LinkedIn想要成为你的新博客
今年 2 月，LinkedIn 向 3.3 亿注册用户开放了博客功能。内容发布将会是 LinkedIn 一项重要业务，此前，博客功能只开放给少部分“有影响力的人”。全面开放后，每个人都可以发布内容。 根据 LinkedIn 内容方面负责人 Ryan Roslansky 介绍，现在 LinkedIn 上每周有超过 4 万篇不同的文章被分享。
公司 CEO Weiner 认为，内容发布工具可以帮助用户树立个人品牌，并及时获取新消息。LinkedIn 的内容团队现在有 100 名员工，用户产生的内容通过多种方式为公司带来了收入。你在看别人的博客时，很可能就看到招聘广告了 (LinkedIn 能收取广告费)；有了博客后，你可能也会提高资料更新的频率，增加注册用户对于招聘者的价值（这方面也可以收费）；而企业付费优先展示博文已经成为 LinkedIn 增长最快的业务。
LinkedIn 还将改进算法，让呈现的文章与更符合你的口味；他们重新设计了主页，鼓励用户更多分享；此外，LinkedIn 中的视频内容也将有所增加，这一点在 LinkedIn 旗下幻灯片分享服务 Slideshare 中已经体现出来了。
销售，销售，销售！
LinkedIn 今年早些时候发布了针对销售人员的订阅服务Sales Navigator，帮助用户找到新的销售方向，并管理现有销售。Weiner 认为，这个产品将是 LinkedIn 业务发展的一个重要部分，他说：“招聘、市场、销售三个方面是顾客价值主张的三个核心。” Sales Navigator 与招聘、广告等已有的收入渠道形成了良好的互补，进一步提升了 LinkedIn 对用户的价值。
目前，Sales Navigator 上线才几个月，很难说它表现得怎么样。在 LinkedIn 的季度收入报告中，这个产品的收入归入“高级订阅”的部分，但是它与别的用户订阅产品并不一样，而应该和带来大量收入的招聘服务放在一起。因为这款销售产品，将来有潜力为公司带来更多的收入。
[本文编译自：recode.net]
-
linkedin
硅谷观察之大数据篇（完整版）
【上篇：挖掘机和“改变世界的”大数据公司们】
硅谷的这一个月，我在 startups demo days 和各种大公司一日游中度日，以为会逃脱国内各种会上各种“大数据”和挖掘机的梗，但万万没想到这里更甚。Hi~ 本文发自仅次于五道口的宇宙中心硅谷，与你分享大数据在这片土地上的真实生长状况。
什么是“改变世界”的大数据公司
近两周硅谷两场规模比较大的 demo 大会上，就有十多家自称做大数据的 startups，有做消费者行为的，有做体育分析的，有做 NGO 融资的，有做环保的，有做 UX 的，有做信贷评级的，当然还少不了做移动端广告的。乍看都是高大上的产品，但仔细琢磨一下会发现一些没那么高大上的细节。
比如，有一家介绍时候说 "Brings big data to teams, media and fans"，用的是Moneyball作引子。展示结束后询问他们是如何分析视频以得到各种数据的，demo 的哥们表示他们请了一些人看视频的。没错，是人工。自然地，下一个问题就是：未来如何扩张以应对来自不同体育项目大量的全长录像？他的回答也很简单，雇佣更多人。听完我懵了一下，问，那打算如何利用收集的数据呢？答曰：开放 API，自己不做分析。
那么，说好的大数据呢？难道有数据就叫大数据公司了？如果庆丰包子留存有这半个多世纪以来的购买者和交易记录它就得叫大数据公司了？
是，但也不是。
先归纳了一下硅谷“大数据公司”的类型，有补充或修正的请拍砖：
数据的拥有者、数据源：特点是业务优势能收集到大量数据，就像煤老板垄断一个地区的矿一样。其实大多数有能力产生或收集数据的公司都属于这类型，比如Vantage Sports和收集了PB级数据的包子铺。
大数据咨询：特点是非常技术，提供从基础设施规划建设维护到软件开发和数据分析等的服务，但不拥有数据，比如Cloudera这家不到500人的startup是最著名的Hadoop架构咨询公司。
做大数据工具的：比如AMPLab出来的Databricks和Yahoo人主导的Hortonworks。
整合应用型：特点是收集拥有或购买一些数据，然后结合AI来解决更多实际的痛点。
所以回答之前的问题：是，因为包子铺只要收集的消费者数据量够大就能成为数据拥有者，有那么大的数据就有得到洞见的可能；不是，因为可能从真正意义上来说，大数据公司应该只属于第四种类型：AI。
对，我相信未来是 AI 的，而 AI 的食物是数据。就像很多产业链一样，最困难且最有价值的创新往往发生在接近最终用户的那端，比如 iPhone。大数据行业最有价值的部分在于如何利用机器去处理数据得到洞见，影响组织和个人的行为，从而改变世界。收集和整理数据在未来会变得标准化和自动化，而利用 AI 进行分析的能力会变得更为关键。
再看硅谷主打 AI 的公司，现在大致可以分成以下三类了：
分析用户行为，改进产品和营销的，比如 LinkedIn 的推荐系统和用 iBeacon 实现店内营销；
统筹大量分散个体，利用大数据实现精确有效的预测和规划的，比如 Uber 和前段时间出现的 Amazon Fresh 及 Grub Market
分析识别各种类型的数据，开发更智能的设备和程序，比如 Google 大脑及无人车和以 Nest 为代表的智能设备等。
这些产品都有一个很明显的共性，就是在努力尝试把机器变得更智能以减轻人类的工作量。这个目的与科技发展的动力相符合，因此认为之前所说的第四种类型的公司是最有希望改变世界的。
这样的大数据公司需要什么样的人
那么大数据公司，或者说到真正可以改变世界的大数据公司需要什么样的人才呢？这里要介绍一个在硅谷被炒得很热的高频词汇：数据科学家。
这个职位出现的原因并不是因为数据量变大了需要更好的方式去存取，那是数据工程师的活。那产生的原因是什么呢？正是为了匹配上面第四种公司的需要。数据是 AI 当中不可分割的一部分，而且量越大越好，从数学上来说，数据越多则我们越能够有信心把从样本分析出来的结果推论到未知的数据当中，也就是说机器学习的效果越来越好，AI 越来越智能。
由此诞生的数据科学家是一个非常综合型的职业。它所要求的知识范围包括分析数据的统计学，到算法的选择优化，再到对行业知识的深刻理解。这群人是开发数据产品的核心。硅谷大部分 startup 已经把它当成是必需品了，以至于刚入行的新人也能领到差不多 $100K 的薪水。而模糊的定义和误解也让有的人戏称，data scientist is a data analyst living in the bay area。
值得一提的是，数据本身的飞速发展从另一个侧面其实也给数据工程师们的大数据处理带来了许多挑战。主要来源于以下的两个方面：
数据量的急速增长。如今，数据的产生变得异常容易。社交网络，移动应用，几乎所有的互联网相关产品每时每刻都在产生众多数据。传统的集中储存计算方式显然无法处理如此庞大的数据量。这时，我们就需要新的储存方式，如云储存，以及新的处理方案，如Hadoop这样的分布计算平台。
数据本身的非结构化。在传统的数据处理领域，我们处理的主要是结构化数据，例如，Excel表格可以显示量化数据等。而如今我们面对着越来越多的非结构化数据，如社交网络的评论，用户上传的音频视频等。这些数据存在于包括文本、图片、视频、音频等众多的数据格式中，这些数据中隐含着众多有价值的信息，但这些信息却需要深度的计算才可以分析出来。这就需要我们利用智能化分析、图像识别等等一系列新的算法来进行数据挖掘，这也就是“大数据”的挑战所在。
目前硅谷的创业公司正在探索新的应用领域和方法，比如说物联网这块。现在智能设备们才刚刚起步，Nest、被 Nest 收购的Dropcam、Iotera、emberlight等等都属于少部分人的玩具。待到家家户户都安装了智能冰箱、智能灯泡、智能桌子、智能沙发等等的时候，大数据的威力才会伴随着巨大的使用规模而发挥出来。
另外一个角度就是人。如果把之前谈的设备全部置换成个人的时候，他们的相互关系在各种维度上的交错会产生一张巨大的网络，其中的每个组成部分都由大量的数据组成。分析理解预测这些社会关系将会是大数据另一个有趣的应用方向，即Social Physics。不过按照从硅谷到全国的速度，感觉不管哪一方面的普及起码得等上五年以上的时间。
展望一下未来的话，如果参照以前的技术革命和行业发展来看大数据，那么大数据的底层设施将会逐渐被隔离，被模块化和标准化，甚至是自动化，而在其上的中间层和应用层将成为各大公司的数据工程师们激烈攻克的主战场。
硅谷公司的大数据运行现状
目前硅谷各个公司的数据处理水平和模式差别还是蛮大的。除 Facebook 等几个很领先的公司外，大部分公司要么还没有能力自行处理数据，要么就是正在建立单独的数据处理部门，主要负责从数据基本处理到后期分析的各个环节，然后再送到公司内部的其他部门。
对于这些公司来说，建立一个单独的数据处理部门可能还有还路漫漫其修远兮。举个例子来说，Facebook 有一个超过 30 人的团队花了近 4 年的时间才建立了 Facebook 的数据处理平台。如今，Facebook 仍需要超过 100 名工程师来支持这个平台的日常运行。可想而知，光是大数据分析的基础设施就已经是一个耗时耗力的项目了。LinkedIn 大数据部门的建设也已花了整整六年。
普遍来说，各公司自主建立数据处理平台存在着几个难点：
没有足够优秀的数据工程师来组建团队
没有足够能力整合数据
没有易于操作的基础软硬件来支持数据分析
这几个主要难点使得大数据分析越来越专业化、服务化，以至于我们渐渐看到一条“硅谷数据处理产业链”的出现。从数据的储存，数据分析平台建立，到数据分析，数据可视化等等各个环节的成本越来越高，这使得本身技术能力很强的公司都还是使用专业数据处理公司提供的服务，而将更多的人才和资源放到核心业务的开发上。
另外，就是各个公司对于数据处理的要求也越来越高。不仅仅需要有效的处理结果，也需要数据处理可以 self-service、self-managing、保证数据安全性、完善实时分析。这些诸多需求也使得专业化团队的优势更加突出。而这样一条整合服务链的行程，也给众多的大数据公司提供了机会。
硅谷是非常神奇的地方。科技概念在这里也不能免俗会被追捧，被炒得很热。但这种激情和关注某个程度上讲正是硅谷创新的动力。即使存在很多投机贴标签的人，即使一片片的大数据 startups 被拍死在沙滩上，即使 Gartner 预测大数据概念将被回归现实，但相信会有更多的人投入到大数据这个行业，开发出更智能，更有影响力的产品。毕竟，大数据本身，不像一个单纯的 pitch 那样，它能够保证的是一定可以中看并且中用。
【下篇：硅谷巨头们的大数据玩法】
本篇将一共呈现硅谷四大不同类型的公司如何玩转大数据，其中包括了著名 FLAG 中的三家（Apple 在大数据这块来说表现并不突出）。
本篇内容来自对 Evernote AI 负责人 Zeesha Currimbhoy、LinkedIn 大数据部门资深总监 Simon Zhang、前 Facebook 基础架构工程师 Ashish Thusoo 和 Google 大数据部门一线工程师及 Google Maps 相关负责人的专访。Enjoy~~
Evernote：今年新建AI部门剑指深度学习
Evernote 的全球大会上，CEO Phil Libin 提到，Evernote 的一个重要方向就是“让 Evernote 变成一个强大的大脑”。要实现这个目标，就不得不提他们刚刚整合改组的 Augmented Intelligence 团队（以下简称 AI team）。我在斯坦福约到 AI team 的 manager Zeesha Currimbhoy，在此分析一下从她那里得到的一手资料。
是什么
今年早些时候，这个 2 岁的数据处理团队改组为由 Zeesha 带领的 Augmented Intelligence team，总共十人不到，很低调，平日几乎听不到声响。他们究竟在做什么？
与我们常说的 AI（artificial Intelligence）不同，Evernote 的团队名叫做 Augmented Intelligence，通常情况下简称为 IA。Zeesha 显然是这个团队里元老级的人物：“我是在 2012 年加入 Evernote 的，直接加入到了当时刚刚建立的数据处理团队，这也就是现在 AI team 的雏形。我们最开始的项目都是简单易行的小项目，比如按照你的个人打字方式来优化用户的输入体验。”
传统意义上的 AI 指的是通过大量数据和算法让机器学会分析并作出决定。而这里讲到 IA 则是让电脑进行一定量的运算，而终极目的是以之武装人脑，让人来更好的做决定。这两个概念在具体实施中自然有不少相通之处，但是其出发点却是完全不同的。
这个区别也是 Evernote AI team 的亮点所在。作为一个笔记记录工具，Evernote 与 Google 之类的搜索引擎相比，最大的区别就是它非常的个人化。用户所储存的笔记、网站链接、照片、视频等都是他思维方式和关注点的体现。
从哪来
Zeesha 小组的初衷便是，通过分析用户储存的笔记来学习其思维方式，然后以相同的模式从第三方数据库（也就是互联网上的各种开源信息）抽取信息推送给用户，从而达到帮助用户思考的过程。从这个意义上讲，Zeesha 版的未来 Evernote 更像是一个大脑的超级外挂，为人脑提供各种强大的可理解的数据支持。
目前整个团队的切入点是很小而专注的。“我们不仅仅是帮助用户做搜索，更重要的是在正确的时间给用户推送正确的信息。”
实现这个目标的第一步就是给用户自己的笔记分类，找到关联点。今年早些时候，Evernote 已经在 Mac 的英文版上实行了一项叫做“Descriptive Search”的功能。用户可以直接描述想要搜索的条目，Evernote 就会自动返回所有相关信息。
例如，用户可以直接搜索“2012 后在布拉格的所有图片”，或者“所有素食菜单”。不管用户的笔记是怎样分类的，Decriptive Search 都可以搜索到相关的信息并且避免返回过大范围的数据。而这还仅仅是 AI team 长期目标的开始，这个团队将在此基础上开发一系列智能化的产品。
到哪去
不用说，这样一个新创团队自然也面临这诸多方面的挑战。当下一个比较重要的技术难点就是 Evernote 用户的数据量。虽然 Evernote 的用户量已经达到了一亿，但是由于整个团队的关注点在个人化分析，外加隐私保护等诸多原因，AI team 并没有做跨用户的数据分析。
这样做的结果就是团队需要分析一亿组各不相同的小数据组。比如，假设我只在 Evernote 上面存了 10 个笔记，那 Evernote 也应该能够通过这些少量的数据来分析出有效结果。当然，这些技术的直接结果是用户用 Evernote 越多，得到的个性化用户体验就越好。长期来讲，也是一个可以增加用户黏性的特点。
不过 Zeesha 也坦言：“的确，我们都知道没有大数据就没有所谓的智能分析。但是我们现在所做的正是在这样的前提下来找到新的合适的算法。”她并没有深入去讲目前团队所用的是什么思路，但是考虑到这个领域一时还没有很成功的先例，我们有理由期待在 Zeesha 带领下的 Evernote AI team 在近期做出一些有意思的成果。
Facebook：大数据主要用于外部广告精准投放和内部交流
Facebook 有一个超过 30 人的团队花了近 4 年的时间才建立了 Facebook 的数据处理平台。如今，Facebook 仍需要超过 100 名工程师来支持这个平台的日常运行。可想而知，光是大数据分析的基础设施就已经是一个耗时耗力的项目了。
Facebook 的一大价值就在于其超过 13.5 亿活跃用户每天发布的数据。而其大数据部门经过七八年的摸索，才在 2013 年把部门的 key foundation 定位成广告的精准投放，开始建了一整套自己的数据处理系统和团队。并进行了一系列配套的收购活动，比如买下世界第二大广告平台 Atlas。
据前 Facebook Data Infrastructure Manager Ashish Thusoo 介绍，Facebook 的数据处理平台是一个 self-service, self-managing 的平台，管理着超过 1 Exabyte 的数据。公司内部的各个部门可以直接看到处理过的实时数据，并根据需求进一步分析。
目前公司超过 30% 的团队，包括工程师、Product Managers、Business Analysts 等多个职位人群每个月都一定会使用这项服务。这个数据处理平台的建立让各个不同部门之间可以通过数据容易地交流，明显改变了公司的运行方式。
追溯历史，Facebook 最早有大数据的雏形是在 2005 年，当时是小扎克亲自做的。方法很简单：用 Memcache 和 MySQL 进行数据存储和管理。很快 bug 就显现了，用户量带来数据的急速增大，使用 Memcache 和 MySQL 对 Facebook 的快速开发生命周期（改变 - 修复 - 发布）带来了阻碍，系统同步不一致的情况经常发生。基于这个问题的解决方案是每秒 100 万读操作和几百万写操作的 TAO(“The Associations and Objects”) 分布式数据库，主要解决特定资源过量访问时服务器挂掉的 bug。
小扎克在 2013 年第一季度战略时提到的最重点就是公司的大数据方向，还特别提出不对盈利做过多需求，而是要求基于大数据来做好以下三个功能：
发布新的广告产品。比如类似好友，管理特定好友和可以提升广告商精确投放的功能。
除与Datalogix, Epsilon,Acxiom和BlueKai合作外，以加强广告商定向投放广告的能力。
通过收购Atlas Advertising Suite，加强广告商判断数字媒体广告投资回报率（ROI）。
LinkedIn：大数据如何直接支持销售和变现赚钱
LinkedIn 大数据部门的一个重要功用是分析挖掘网站上巨大的用户和雇主信息，并直接用来支持销售并变现。其最核心团队商业分析团队的总监 Simon Zhang 说，现在国内大家都在讨论云，讨论云计算，讨论大数据，讨论大数据平台，但很少有人讲：我如何用数据产生更多价值，通俗点讲，直接赚到钱。
但这个问题很重要，因为关系到直接收入。四年半前 LinkedIn 内所有用户的简历里抽取出来大概有 300 万公司信息，作为销售人员不可能给每个公司都打电话，所以问题来了：哪家公司应该打？打了后会是个有用的 call？
销售们去问 Simon，他说只有通过数据分析。而这个问题的答案在没有大数据部门之前这些决策都是拍脑袋想象的。
Simon 和当时部门仅有的另外三个同事写出了一个模型后发现：真正买 LinkedIn 服务的人，在决定的那个环节上，其实是一线的产品经理，和用 LinkedIn 在上面猎聘的那些人。但他们做决策后是上面的老板签字，这是一个迷惑项。数据分析结果出来后，他们销售人员改变投放策略，把目标群体放在这些中层的管理人身上，销售转化率瞬间增加了三倍。
那时 LinkedIn 才 500 个人，Simon 一个人支持 200 名销售人员。他当时预测谷歌要花 10 个 Million 美金在猎聘这一块上，销售人员说，Simon，这是不可能的事。
“但是数据就是这么显示的，只有可能多不会少。我意识到，一定要流程化这个步骤。”
今天 LinkedIn 的“猎头”这块业务占据了总收入的 60%。是怎么在四年里发展起来的，他透露当时建造这个模型有以下这么几个步骤：
分析每个公司它有多少员工。
分析这个公司它招了多少人。
分析人的位置功能职位级别一切参数，这些都是我们模型里面的各种功能。然后去分析，他们内部有多少HR 员工，有多少负责猎头的人，他们猎头的流失率，他们每天在Linkedin的活动时间是多少。
这是 LinkedIn 大数据部门最早做的事情。
Simon 说，公司内部从大数据分析这一个基本项上，可以不断迭代出新产品线 LinkedIn 的三大商业模型是人才解决方案、市场营销解决方案和付费订阅，也是我们传统的三大收入支柱。事实上我们还有一个，也就是第四个商业模型，叫“销售解决方案”，已经在今年 7 月底上线。
这是卖给企业级用户的。回到刚才销售例子，LinkedIn 大数据系统是一个牛逼的模型，只需要改动里面一下关键字，或者一个参数，就可以变成另一个产品。“我们希望能帮到企业级用户，让他们在最快的速度里知道谁会想买你的东西。”
虽然这第四个商业模式目前看来对收入的贡献还不多，只占 1%，但 anyway 有着无限的想象空间，公司内部对这个产品期待很高。“我还不能告诉你它的增长率，但这方向代表的是趋势，Linkedin 的 B2B 是一个不用怀疑的大的趋势。”Simon 说。
Google：一个闭环的大数据生态圈
作为世界上最大的搜索引擎，Google 和大数据的关系又是怎样的呢？感谢微博上留言的朋友，这可确实是一个很有意思的议题。
Google 在大数据方面的基础产品最早是 2003 年发布的第一个大规模商用分布式文件系统 GFS（Google File System），主要由 MapReduce 和 Big Table 这两部分组成。前者是用于大数据并行计算的软件架构，后者则被认为是现代 NOSQL 数据库的鼻祖。
GFS 为大数据的计算实现提供了可能，现在涌现出的各种文件系统和 NOSQL 数据库不可否认的都受到 Google 这些早期项目的影响。
随后 2004 和 2006 年分别发布的 Map Reduce 和 BigTable，奠定了 Google 三大大数据产品基石。这三个产品的发布都是创始人谢尔盖 - 布林和拉里 - 佩奇主导的，这两人都是斯坦福大学的博士，科研的力量渗透到工业界，总是一件很美妙的事。
2011 年，Google 推出了基于 Google 基础架构为客户提供大数据的查询服务和存储服务的 BigQuery，有点类似于 Amazon 的 AWS，虽然目前从市场占有率上看与 AWS 还不在一个数量级，但价格体系更有优势。Google 通过这个迎上了互联网公司拼服务的风潮，让多家第三方服务中集成了 BigQuery 可视化查询工具。抢占了大数据存储和分析的市场。
BigQuery 和 GAE（Google App Engine）等 Google 自有业务服务器构建了一个大数据生态圈，程序创建，数据收集，数据处理和数据分析等形成了闭环。
再来看 Google 的产品线，搜索，广告，地图，图像，音乐，视频这些，都是要靠大数据来支撑，根据不同种类数据建立模型进行优化来提升用户体验提升市场占有率的。
单独说一下 Google maps，这个全球在移动地图市场拥有超过 40% 的市场占有率的产品，也是美国这边的出行神器。它几乎标示了全球有互联网覆盖的每个角落，对建筑物的 3D 视觉处理也早在去年就完成，这个数据处理的工作量可能是目前最大的了，但这也仅限于数据集中的层面。真正的数据分析和挖掘体现在：输入一个地点时，最近被最多用户采用的路径会被最先推荐给用户。
Google 还把 Google+，Panoramio 和其他 Google 云平台的图片进行了标记和处理，将图片内容和地理位置信息地结合在一起，图像识别和社交系统评分处理后，Google 能够把质量比较高的的图片推送给用户，优化了用户看地图时的视觉感受。
大数据为 Google 带来了丰厚的利润，比如在美国你一旦上网就能感觉到时无处不在的 Google 广告（AdSense）。当然，它是一把双刃剑，给站长们带来收入的同时，但如何平衡用户隐私的问题，是大数据处理需要克服的又一个技术难关，或许还需要互联网秩序的进一步完善去支持。
像在【上篇】中所说，除 Facebook 等几个很领先的公司外，大部分公司要么还没有自行处理数据的能力。最后附上两个例子，想说这边的大公司没有独立大数据部门也是正常的，采取外包合作是普遍现象：
Pinterest：
Pinterest 曾尝试自行通过 Amazon EMR 建立数据处理平台，但是因为其稳定性无法控制和数据量增长过快的原因，最终决定改为使用 Qubole 提供的服务。在 Qubole 这个第三方平台上，Pinterest 有能力处理其 0.7 亿用户每天所产生的海量数据，并且能够完成包括 ETL、搜索、ad hoc query 等不同种类的数据处理方式。尽管 Pinterest 也是一个技术性公司，也有足够优秀的工程师来建立数据处理团队，他们依然选择了 Qubole 这样的专业团队来完成数据处理服务。
Nike:
不仅仅硅谷的互联网公司，众多传统企业也逐渐开始使用大数据相关技术。一个典型的例子就是 Nike。Nike 从 2012 年起与 API 服务公司 Apigee 合作，一方面，他们通过 Apigee 的 API 完善公司内部的数据管理系统，让各个部门的数据进行整合，使得公司内部运行更加顺畅、有效率。另一方面，他们也通过 API 开发 Nike Fuel Band 相关的移动产品。更是在 2014 年开启了 Nike+ FuelLab 项目，开放了相关 API，使得众多的开放者可以利用 Nike 所收集的大量数据开发数据分析产品，成功地连接了 Nike 传统的零售业务，新的科技开发，和大数据价值。
作者: 曾小苏 Clara
摘自：36氪
扫一扫 加微信
hrtechchina
