-
观点
传统企业如何实施“数据化”转型？听听数之联周涛怎么说
作者：周涛
八个步骤让你的企业“数据化”
什么样的企业可以称得上是大数据企业呢？恐怕没有人能够给出一个完美的答案。但是，直观地，我们可能觉得Google更像是一个大数据的企业，阿里巴巴也像是一个大数据的企业，而中国银行似乎不太像一个大数据的企业，尽管它每天也一样浸泡在海量的数据中。除了具有处理大量数据的能力外，之所以Google和阿里巴巴更像大数据的企业，是因为他们有深入的数据分析工具，利用数据分析的结果直接指导决策，而且经常推出基于数据分析的创新型应用，这还不包括类似于AlphaGo这样的奇葩。
这是我第三次以文字的形式谈论如何成为一个大数据企业。一是很早以前在“科学网”上写的一篇博客，二是为一本名为Code Halos的书写的序言。这个版本可以看作是上两个版本的补充和扩充，同时也是本书一些重点内容的重述（为了保证本文的独立性，可以不依赖本书直接阅读，少量书中给出过的文献和注释在本文中重复出现了）。然而遗憾的是，并没有一条放之四海皆准的通往大数据企业的康庄大道，更没有点石成金之术可以让一个企业快速Google化。这篇结束语只是提出一些看得见摸得着的建议，藏在这些建议背后的大数据理念，或许更加重要。
尽管我是用Step1、Step2这样的说法来列举成为大数据企业的措施，但是这些步骤之间并没有严格的逻辑上谁决定谁或者时间上谁先谁后的关系。举个例子来说，最好的办法当然是先有了数据标准再整理采集数据，这样可以不走任何弯路，但实际上完全没有数据，企业不会有动力做标准建设，做出来的标准也可能是纸上谈兵，完全不实用。又比如，数据管理平台的建设能够帮助更好地进行全面数据化，但实际上它多半是全面数据化战略进行了一定程度之后才开始启动建设的。总体来说，写在更前面位置的，是更基础的，但是没有绝对的依赖关系。
Step1 .全面数据化
“数据化”浪潮是整个大数据时代的起点，它强调数据就是资产，记录一切可以记录的数据，一定会在某一天产生巨大的价值。显然，数据化是一个企业能够通过深入数据分析，实现自身优化的基础。
我去长虹集团调研的时候，他们告诉我，长虹电器在自己的生产线上，通过大量传感器，记录生产环境的温度、湿度、粉尘度、振动强度和噪音强度，等等，通过这些量化指标与产品质量的关联分析，得到影响产品优品率和良品率的关键因素，再进一步通过控制环境因素，明显提高了产品的优品率。企业在日常的经营管理过程中，通过办公自动化系统（OA系统），很多内部即时通讯、邮件往来、工作分配和业务文件上传下载等日志数据都被记录下来了。这些数据就是宝贵的财富！正如我在书中第三部分提到的，我们通过对这些数据的分析，能够更精确地预测员工的离职率和升职率，更精确地预测员工和部门的绩效水平，帮助企业员工通过基于关联用户和文本智能匹配快速找到对自己现有业务和客户有参考价值的案例和文件，等等。但是这些提升，都是建立在企业拥有相应数据的基础上。
总的来说，全面数据化要求企业采集并存储企业生产经营中的一切数据，形成企业数据资产的概念。
Step2.整理数据资源，建立数据标准形成管理
很多企业已经有了一些数据储备，或者通过第一步，开始快速积累了一些数据。但是企业管理层，尤其是跨业态拥有多家子公司的集团运营的企业，一般而言，对于自己到底有哪些数据资源是没有清晰认识的，更拿不出一张较完备的数据目录。
企业要做的第一步，就是通过自顶向下的方式，成立数据委员会，在有必要的时候借助外部合作方的帮助，进行全面的数据调研，了解数据资源的整体情况并建立数据资源情况更新的流程和规范。
数据资源最基本的呈现方式是一个数据目录，我认为，企业管理团队至少要掌握整个企业数据的3级目录，而企业的主要技术团队应该掌握到4级目录。但数据资源又不仅仅是数据目录，因为还涉及到每一个数据项的完备性、更新程度、有效性和噪音源等描述。掌握了数据资源后，企业要根据自己业务发展的需求，建立数据标准，使现有数据和未来所有的新增数据都能够在同一个标准下统一管理，避免“信息系统建设越多，未来数据整合越难”的困境。业务中涉及大量数据的企业，尤其是涉及到用户隐私数据、国家安全数据和具有重要商业价值数据的企业，要形成数据全流程管理的规范，因为绝大部分数据隐私和数据安全的事件，都不是从外部由黑客或者敌方特定人员通过技术手段获得的，而是本单位人员蓄意或无意泄露的。数据全流程管理的规范就是要做到企业能够对数据进行分级分权限的管理，随时了解敏感数据存储在哪些服务器和终端设备上，对于敏感数据的任何处理，都能够留下数据日志并打上唯一的数据水印，使任何可能的数据泄露之后，都能够追根溯源知道是哪一位员工在什么时间点在哪一台设备上运用何种权限下载的。对于一些操作过程中出现的风险点，良好的管理规范也能够实时发现，防患于未然。
Step3.建设数据管理平台
有的读者一听到数据管理平台，就认为是要花一大笔钱建设数据中心，把数据存起来。数据管理平台肯定要有数据中心的存储灾备功能，但是它的作用远不止此。
首先，数据管理平台要为企业量身定做一套数据组织和管理的解决方案，特别是企业各部门之间数据的共融共通，以及企业数据怎么样进行索引和关联。很多大企业，各部门之间数据的格式、形态和ID系统都不一致，部门之间无法交换数据，甚至大部分的数据表连主键和外键都没有，数据之间不可能形成有效的组织。这些都是数据管理平台要做的事情。
其次，数据管理平台是由业务所引导的，先进的流数据智能处理系统，要为业务提供直接的支撑。很多时候，数据管理平台怎么搭建，需要深度了解企业最重要的核心业务，通过有重大价值的示范性应用来牵引数据管理平台的建设。例如针对零售类的企业，就应该形成以消费者为中心的索引和画像系统，主要支持精准广告、智能客服等核心业务，其次才是以商品为中心的索引系统，主要支持物流和仓储优化等业务。
最后，数据管理平台的建设要量体裁衣，强调鲁棒性和可扩展性，没有必要一开始就投入大量经费。因为硬件成本的下降也很快，不用想太多半年甚至一年以后的事情，只要架构设计合理，到需要的时候扩充硬件是容易的。
Step4.建立海量数据的深入分析能力
要想建立针对多元异构、跨域关联的海量数据，通过深度分析挖掘获取价值的能力，主要要培养两个方面的能力。
第一，是非结构化数据的分析处理能力。包括文本、音频、图像、视频、网络和轨迹等数据。受过传统商务智能和统计学训练的人，对于处理结构化数据非常在行，但是处理非结构化数据往往比较头痛——比如分布好做抽样，网络怎么进行抽样？所以，对于常见的，特别是和企业自身业务有密切关系的非结构化数据，一定要有一支队伍能够挖掘其间价值，甚至将其转化为结构化的数据。
第二，是大数据下的机器学习的能力。绝大部分我们可以想象到的应用问题，其本质都是分类或者预测问题，包括个性化推荐、精分营销、员工绩效管理、银行信用卡征信、小微企业贷款、生产线控制、精准广告和网点选择，等等。解决这些问题最有力的武器就是机器学习！特别是在大数据环境下，很多高阶的核函数慢得不行，大量的学习都必须采用线性学习器；而且数据非常多，很多时候都是在强噪音环境下寻找弱信号，单一分类器往往效果一般，必须要做集成学习。举个例子，在Netflix举办的百万美元电影个性化推荐大赛中，我们做过一些很优美的单模型，但是比起在比赛中最后获胜的集成学习模型，至少从精度上来说是弱爆了！有的读者要问了，高性能存储计算难道不重要吗？不得有一些懂Hadoop，懂Spark的技术高手吗？要不要在CPU阵列里面加几块GPU甚至可编程逻辑阵列呢？这个也重要，但是企业如果实力足够，可以采用成熟的解决方案，国际上顶尖的大数据服务商，例如IBM、HP和Intel都有不错的方案。但是我说的上述两点，是给企业培养人才和能力，而且至今也没有特别好的成熟的解决方案，所以更重要。
最后，企业怎么建立这样的能力呢？首要办法是能够招聘到一流的大数据人才——多花点钱和股票。第二选择是以显示度项目为牵引，通过外部合作，培养自己的数据分析团队，既解决问题，又学习能力。企业做这类的合作，不要老想着一次性把所有东西都外包出去，要探索新方式，看看能不能成立联合小组共同进行研发，多投入一些人去学习。有一些供应商，特别是在某些方面有专长，但是还不属于国际一流的供应商，在发展过程中是能够接受企业这种要求的。
Step5.建立外部数据的战略储备
企业走到这一步，就有点现代大数据企业的理念了，因为它不再仅仅局限于自己业务的数据了，开始看外面的世界了——很多大数据的重大创新，都是来源于把数据放在产生数据的业务体系之外去应用。举个例子，一个服装企业要解决设计生产的规划问题，仅仅看自己的销售记录还不够，要不要看看淘包、天猫和京东上服装的整体销售，了解什么款式、什么颜色、什么价位的服装在哪个地区最受欢迎呢？这就需要外部数据了！
事实上，外部数据对于市场拓展、趋势分析、竞品分析、人才招聘、用户画像和产品推荐等意义重大，而网站、论坛、社交媒体和电商平台上聚集了很多有重要价值的公开数据，这些数据中的大部分可以通过分布式深网爬虫技术直接高效采集。所以，企业要有意识地开始建立自己的外部数据战略储备，不要“数到用时方恨少”。一方面，企业可以自建具备采集、清洗、存储和索引等功能的自动化系统，自动积累外部数据；另一方面，企业可以通过和数据供应商合作，得到一些亟需的数据。
Step6.建立数据的外部创新能力
企业很容易局限在自己的业务中不能自拔。所以，让企业理解外面的数据能够帮助解决自己业务遇到的问题比较容易，因为企业主和员工们每天都在想怎么解决这些问题，反过来，让他们去思考自己业务的数据能不能在其他地方产生重大价值，帮到其他企业，他们就没有那么敏感了。其实，这些创新性的想法往往能够带来新的巨大价值。比如，Google利用自身搜索业务产生的数据，进行电价和传染病流行情况的预测，取得了巨大成功。
事实上，企业通过智能终端、传感网络、物流记录、网点记录和电子商务平台，等等，获得的第一手数据，很多都可以用于支持在跨领域交叉销售、环境保护、健康管理、智慧城市、精准广告和房地价预测等方面的创新型应用。把握住这些机会，就能够放大企业当前业务的价值，带来持久可观的收益。
Step7.推动自身数据的开放与共享
伟大的企业懂得如何把最聪明的人集合起来，为自己服务。
企业有了大量数据和一定的分析能力后，不能故步自封，而要充分借助社会的力量，尽最大可能发挥数据潜藏的价值。Netflix曾经公开了包含50多万用户和17 770部电影的在线评分数据，并悬赏100万美元奖励能够将Netflix现有评分预测准确度提高10%的团队。现在的Netflix已经不再是一家电影在线租赁公司，而是国际一流的大数据企业了。除了法律上因为安全和隐私不能开放共享的数据，相当一部分都能够以各种方式开放出来——这种开放会带来更大价值！国际化的如Kaggle（英文平台，www.kaggle.com），国内如DataCastle（中文平台，www.pkbigdata.com），都是很有影响力的大数据创新竞赛平台。举个例子，电子科技大学大数据研究中心曾经在DataCastle上举办过学生成绩预测的比赛，总奖金才50 000元，却吸引了915支队伍2 000余名参赛者参加比赛，其中200多只队伍来自于“985”和“211”知名高校。这里面最佳解决方案的思路和方法已经被应用于教育大数据定量化管理的产品模块中了。最近现金巴士推出的“微额借贷用户人品预测大赛”更是吸引了1 531支参赛队伍。还有一种最近新出的比赛方式，就是企业给出数据集的描述和样本数据，参赛选手设计创新型商业应用，提交产品说明或者商业计划书。
企业通过这些数据开放计划，可以学习最先进的算法和最具创新性的数据应用思路，实现自身数据的价值最大化。
Step8.数据产业的战略投资布局
企业有了一定的规模，光靠自己的能力还不够或者还太慢，就可以考虑通过投资的方式迅速形成自己的大数据能力甚至大数据产业布局。这类战略型的投资，有三个可能的出发点：
（1）产业集成。从投资方原有优势产业或大数据前景广阔的重点产业入手，进行全产业链布局，集中力量。
（2）技术集成。以数据采集、存储、计算、分析和可视化的创新型工具为主要投资对象，提供具有普适性的解决方案。
（3）数据集成。以数据流动共享，发挥外部价值为理念，投资一批能够紧密合作、数据互补和可控性强的企业。
对于原来没有从事过数据密集型和信息技术密集型行业的企业来说，第二类投资方向的风险特别大，建议主要从（1）（3）两类考虑。这种投资有别于财物投资，主要是考量被投资企业与投资方的整合能力，以及所能提供俄数据的稀缺性、独立性、多源性、流动性和互补性。
最后，我的结束语是希望读者能够从中领悟到企业的大数据之道！如果说有那么几家企业，受到这本书的启发，在商业模式、产品和业务方面产生了可观的价值，这就是作者最大的成功了。
节选自周涛最新大数据著作《为数据而生——大数据创新实践》一书。
End.
-
观点
与其挖谷歌墙角不如看看人家是怎么招聘优秀人才
（原标题：与其挖Google的墙角，不如看看人家是怎么招聘优秀人才的）
本文作者Laszlo Bock是Google的人力资源部高级副总裁，他在本文中向我们透露了Google式的优秀人才招聘策略。
“塑造第一印象，你只有一次机会”。这原本只是上世纪80年代的流行广告语，不过现在倒是恰到好处地道出了多数求职面试的事实。不用我说，大量的面试宝典早就把“如何把握面试最开始5分钟”给说烂了。什么如果他们喜欢你，他们会找更多理由喜欢你，如果他们不喜欢你的握手方式或者自我介绍，那么接下来的时间都是在让他们进一步讨厌你。细节决定成败啊！
另外还有研究表明，在面试一开始的10秒钟内做出的判断往往代表了面试结果。
然而问题是，短短10秒钟内的判断根本说明不了任何事实。
换句话说，大多数面试只是在浪费时间，因为余下99.4%的面试时间都用在了验证第一印象上面。“说说你自己”、“你的最大缺点是什么？”、“优点是什么？”都是废话。同样浪费时间的还有很多公司经常爱用的案例面试和脑筋急转弯，比如“估算一下曼哈顿的加油站数量，”或者更恶心的“一架波音747能塞下多少个高尔夫球？”等等。
对于上述这些问题的回答水准，可以通过日后的实践改进，因而用来评估求职候选人毫无意义。更糟糕的是，这些问题除了让面试官自我感觉良好之外，对分析候选人是否适合所求职位也丝毫没有帮助。
那怎么办？看Google是怎么招聘的呗！
被忽视的结构化面试
1998年，Frank Schmidt和John Hunter发布了一份整合了85年研究的分析，关于评估与预测绩效之间的关系。他们分析了19种不同的评估手段，最后发现，在所有预测员工入职后绩效表现的评估手段中，典型的非结构化面试排在倒数第三，与员工绩效的关联性只有14%，另外剩下的两项是推荐人（7%）和工作经验（3%）。
而最佳的预测评估手段则是示例工作测试（29%），这需要给求职候选人一份示例工作任务，与平日的工作内容相似，然后根据示例工作的表现来评估候选人能力。即便如此，这样的方式也不能完全预测未来绩效，因为实际工作绩效还与多项因素有关，比如合作能力，对不确定性的适应能力以及学习能力。而且很多职位也没有能够提供给候选人的示例工作。
接下来的最佳评估手段是一般认知测试（26%），跟案例面试与脑经急转弯不同，一般认知测试更像智商测试，不过这项测试的最大问题在于多数标准化测试对非白人及非男性测试者存在歧视（至少在美国是如此）。
和一般认知测试并列的是结构化面试（26%）。在结构化面试中，候选人被问及一组问题，对这些问题的回答也有清晰的评估标准。结构化面试一般有两种，行为面试和情境面试。结构化面试的好处在于，即便是非结构化的工作，它也能预测绩效。并且，我们还在实践中发现，结构化面试中的面试双方体验更好，面试也更公平。
那么为什么结构化面试不被重用呢？只因为结构化面试太难开发：你要设计，测试，然后还得保证面试官会照着剧本来，接着还要不断地更新，这样候选人才不会作弊。
当然还有更好的办法，研究表明，多个评估手段结合要比单个效果更佳。因此，为了让面试过程更能准确地评估求职候选人加入团队后的表现，我们听取了科学的建议：将行为与情境的结构化面试与认知测试、责任心以及领导力等评估方法相结合。我们甚至还为面试官专门开发了一个内部工具——qDroid——来完善面试内容，并且面试官还能与其他人在面试委员会中共享内容，以便所有人都能从各个角度共同评估候选人。
虽然面试官可以，也有权利在面试中问他们想问的问题，但是当提问预设问题可以让面试更加轻松简单时，人们下意识地会选择后者，从而我们得以创造一个更加有说服力的面试。
一般问题，寻找优秀回答
有个早期读者朋友看了我的草稿后，跟我说，“这些问题太普通了，好没劲啊！”他说对一半：问题的确是简单，带劲的是答案。正是这些回答，可以把超级优秀的候选人从比较优秀的候选人中筛选出来，因为前者总能给出许多更好的例子和理由来解释他们的选择，你会立马发现出色和平庸之间的差距。问这些问题是一个方面，更重要的是从答案中分析出职位的最佳人选。因此，我们的面试都有一个统一的说明。
听完我的解释后，这位朋友又说，“切，还不是老生常谈嘛！”但是想想看你最近的面试工作，提问每个候选人的问题是否一致，还是都不相同？面试有没有涉及方方面面？还是时间不够了？面试标准是否一致？等等。
一个简单的面试说明就是用来解决上述这些问题的，它可以把混乱、模糊、复杂的工作简化成可评估、比较的结果。
还有一点要记住，面试时你不仅要评估候选人，还要让他们喜欢上你。一点也没开玩笑，你要给他们一个超级棒的面试体验，倾听他们的问题，让他们觉得今天是一生中最美好的一天。面试总是令人心惊胆颤，因为你要跟一个刚见面的陌生人聊一些私人问题，而且求职候选人更是处于其中的劣势。多花些时间让他们感到舒适永远都是值得的，因为他们不仅会告诉别人你公司的好，也因为这是待人的基本道德。
过去，几乎每个硅谷人都能讲述一段在Google的悲惨遭遇。如今，80%参加过Google面试却被拒绝的人都反馈说，他们会推荐自己的朋友来应聘。想想看，自己被拒绝仍愿意推荐别人，这是多么令人感动！
别让老板参与到面试中！
在我自己参加过的其他公司面试中，我经常会见到未来可能的上司和其他同事，但是很少会见到未来可能的下属。而在Google的面试中，情况正好相反。你可能会见到未来的上司（因为有些部门并没有招聘经理）以及一两个未来的下属。某种程度上，这些人的评估比其他所有人都来得更有价值，毕竟未来和候选人朝夕相处的是他们。
除此之外，我们还增加了一个“跨部门面试官”，就是让另外一个跟正在招聘的部门毫无联系的人加入到面试中，担当面试官。这么做主要是为了提供一个比较客观的评估：其他部门的人员对这个部门的招聘一般不怎么有兴趣，但是对于保持招聘的高标准却是十分感兴趣，而且他们也不易受到细节偏见的影响。
那么这时候你要怎么设计自己的招聘机制呢？可以这么来：
设定高要求。
找到你自己的候选人。
客观评估。
说服候选人加入。
这一点写起来容易做起来就难了。以我的经验，我可以拍胸脯告诉你，管理者通常很抗拒这一做法，自己不能做主招聘自己部门的人，开什么玩笑呢！面试官难以忍受别人对面试一直指指点点，当数据违背直觉时，人们又总不愿承认，争辩说没必要对每个职位设定那么高的标准。
然而对此，我的建议是，顶住压力不要放弃，宁缺毋滥。
来源：猎云网 责任编辑：王糈_NT2741
-
观点
一位硅谷创业者来中国考察了三周，这是他对中国创业环境的观察
2014年，我将自己创办的 LBS 购物平台出售给了 SK Planet，一年之后，我卸任了公司的 CEO 一职，之后便带着妻儿来到北京、深圳和香港度过了三周的时间，希望能更深入地了解中国的创业圈、创业者和风险投资机构。
我已经很多年没有去过中国了。然而在大概 12年 前，我差点就搬到中国定居了。我非常好奇自己会在中国发现什么。这次在中国度过的 3 周时间里，我拜访了 20 多家创业公司，这些创业公司里既有处于创业初期的种子轮融资阶段的公司，也有估值 200 亿美元的后期公司。此外我还拜访了十几家风险投资机构、20 多位创业者和比较成功的天使投资人。
我首先拜访了一些创业后期的公司和投资人，其中包括和美团的王兴的一个长时间的早餐会，美团的估值大概有 200 亿美元。紧接着拜访了一些 A 轮和 B 轮阶段的创业公司，其中包括在线少儿英语培训项目 VIPKid 和自行车创业项目 700bike，我同时还拜访了经纬创投（Matrix） 和蓝驰创投（BlueRun Ventures）等风险投资机构。
之后我拜访了一些种子轮阶段的创业公司，拜访了一位空气动力学方向的博士，他正在开发一种拥有更高能源密度的全新电动汽车引擎，并在北京的一处地下停车场向我演示了自己的发明。此外，我还参观了深圳的硬件孵化器 HAX，并拜访了风险投资机构真格基金。
在前期的拜访过程中我深受感染，我觉得我需要探究更早期的创业阶段。于是我拜访了创业想法和概念的孕育集中地：车库咖啡。我还拜访了清华大学的创意创新创业教育平台 x-lab 和清华的经济管理学员。我恰好碰到 Peter Thiel 正在做主题为 “从 0 到 1”（Zero to One）的讲座。
随着我的中国之旅慢慢接近尾声，我开始思考我自己所在的硅谷能从中国学到哪些东西。下面就是我在中国考察期间的发现：
1. 在接下来的 10年 里，北京将是硅谷唯一真正的竞争对手
北京不仅仅是一个创业胜地，它本身已经成为了一个大联盟。创业公司在这里能实现快速地规模化扩张，因为中国国内市场有 13 亿人口，这是美国和欧洲人口规模的 4 倍左右。随着智能手机的普及，在中国的 13 亿人里，越来越多的人已经成为创业公司可以触及的用户。在美国，拥有智能手机的人数为 1.9 亿。在中国，拥有智能手机的人数已经超过 5.3 亿。在接下来的 3年 内，这个数字将超过 7 亿。
然而光有一个庞大的市场并不意味着这个地方就能成为创业中心。要想成为创业中心，不仅需要有市场规模，同时还需要消费者对新服务的快速接受速度、创业精神以及创业者对规模化扩张的渴求。而北京恰好拥有成为创业中心的所有这些条件。在北京，大量的创业者、来自清华大学和北京大学这两所中国最顶尖的学府的科技人才和风险投资机构有机地融合到了一起。看了这里得天独厚的市场规模、发展速度、创业雄心、风投资金和人才资源后，我认为，在接下来的 10年 里，北京将成为硅谷唯一真正的竞争对手。
当然了，世界上也有其它的创业中心，比如柏林，但规模差距还是很大的。有一个真正的竞争对手对硅谷来说是好事，因为它能驱动硅谷更快地发展到下一个新高度。
接下来让我们分别看看北京和硅谷在速度、山寨 VS 创新、创业精神方面的 PK。
2. 硅谷为自己的发展速度倍感自豪，中国创业公司的发展速度更快。
在北京，经常会听到一些创业公司之前为了在相互的竞争中胜出，有时会采用一些不那么有风度、甚至不道德的竞争手段。
和创业伴随而来的是极端激烈的竞争，其中主要的竞争驱动力是用户采用率。在中国市场，很多新移动应用的普及速度比美国要快很多，有的应用甚至在一夜之间就火爆大江南北。对于大部分用户而言，很多新服务给他们生活带来的改变是巨大的，因为很多中国人直到近几年使用智能手机后才第一次接入并使用互联网的。
中国的创业公司要想发展壮大通常需要 3-5年，而在美国则一般需要 5-8年。因此一旦有什么好的创业想法，中国的创业者便会快速行动、尽快将竞争对手干掉。在中国的创业公司里并不存在工作与生活的平衡。
（Cyriac Roeding 和 Hugo Barra 在一起）
在中国的创业公司里，会议可能会被安排在一天里的任何时间。我在北京和负责小米国际业务的 Hugo Barra 的会议就被安排在晚上 11 点。小米公司估值 450 亿美元，是中国估值最高的创业公司之一。即使会议安排到这么晚，最后还是被推迟了，因为 Barra 被其它的会议耽误了一点时间。最后我和 Barra 的会面从凌晨 12 点才开始。在我们的会面结束后，Barra 还要去赶当天早上 6 点 30 分的飞机。
在中国，创业公司的工作文化大都是 “9/9/6”，意思是大部分员工的工作时间从上午 9 点至晚上 9 点，每个星期工作 6 天。如果你认为硅谷的创业公司的工作时间很长，来北京之后你就会知道什么才叫真正的长时间工作了。而对于创业公司的创始人和高管而言，工作时间更长，通常是 9/11/6.5，工作时间从上午 9 点至晚上 11 点，每个星期工作 6.5 天。每天这么长时间的工作，工作效率可能并不是非常高，不过在中国大家都这么做。
在一款产品正式推出前的几周时间里，很多公司会选择让整个团队在酒店里封闭办公。在酒店了，他们就做三件事情：工作、睡觉和锻炼，排除外界一切干扰，全身心投入到产品开发中，确保产品能够按照预期的时间推出。虽然我个人并不认为每天长时间的工作会提高生产力，但我还是被他们的动力和创业激情所感动。
3. 中国的创业者主要是靠山寨西方的创业公司？这个想法现在已经过时了
当然，在可能的时候，中国创业者依然会选择山寨。但山寨潮目前已经触顶了，现在已经没有足够多的好的创业想法去山寨了。山寨的产品在本地市场经常会失败，毕竟不同市场上的用户需求和行为是不同的。在中国，山寨仅仅是起点，而不是终点。
（Cyriac Roeding 和美团的王兴在一起）
就以美团为例。我和美团的王兴进行了一次持续了两小时的周六早餐会。王兴在 2010年 创立了美团，在过去 6年 里，他将美团打造成了中国最大的商务公司之一。美团目前的估值大概在 200 亿美元左右。美团是目前中国最大的移动团购公司，最大的在线票务销售公司和最大的外卖公司。
当团购网站 Groupon 在美国如日中天的时候，中国有上百个创业者都尝试在中国山寨一家 Groupon，而王兴就是其中之一。最后王兴在所有这些想山寨 Groupon 的竞争对手里脱颖而出，他的取胜之道并不是比其他竞争对手投入更多的营销费用，而是快速将美团迅速转型为一家与 Groupon 非常不同的公司。今天的美团专注于驱动消费者到店里重复消费，而不是仅仅依靠很大的优惠折扣吸引消费者一次性消费，后面这种方式是很难持续发展的。目前的美团有 2 亿的月活用户。
4. 一股创新浪潮正从中国袭来
中国的创业者一般都是务实主义者。他们只想找到获得成功的最快方法。当山寨已经触顶之后，取得成功的最快方法就是创新。
以消费型无人机为例，无人机是硬件、软件和设计的结合体。通常看来，这是硅谷创业公司的强项，取胜的可能性也更大。然而就在无人机领域，中国深圳的大疆无人机是当今全球消费型无人机市场的领导者，它占据了全球市场份额的 70%。在中国，像大疆这样的创新型公司正在变得越来越多。
创新通常要比山寨花更多的时间。例如，我在北京拜访了一位空气动力学方向的博士。他在过去三年时间里带领了一支 6 人的小团队在几乎没有任何投资的情况下设计用于汽车和机器人上面的动力 60 千瓦的电动机，电动机重 13 千克，传统的 60 千瓦的电动机的重量高达 58 千克甚至更重。他在自己汽车地下车停车场里向我展示了他的这个创新发明。
我在被称为中国电子制造之都的深圳拜访了 Benjamin Joffe 创办的的硬件创业加速器 HAX。来到深圳后，你会发现你就像是进入了一个全新世界。在深圳，元部件供应商可以在不到一天的时间内就能完成发货，那里的电子工厂随时都准备好为你生产新的硬件产品。在 HAX，我体验了一款 9 美元的计算机。你只需花 9 美元，就能够将带有 Wifi 和蓝牙功能的 Linux 计算机集成到其它任何设备中。
5. 中国的创业公司所欠缺的东西
最近一代的中国创业者过于关注金钱和财务上的成功（快速变富）。当一项工作需要花很长时间才能取得成效的时候，这种金钱的驱动力通常难以持续。而一家创业公司要想创新，这又是需要花很长时间的。
然而下一代创业者的创业态度正在发生转变，因为这些创业者大部分生活在中产阶级的环境里，快速致富已经不是他们的主要创业驱动力。
除了 “金钱思维” 之外，中国的创业公司最欠缺的东西是不知道如何才能既开发高质量的产品，同时又能快速推动公司业务的增长。
深度技术正在进化中，比如在北京，一些有趣的人工智能项目正在开展中。和北京相比，硅谷的优势在于它的核心技术，以及将市场需求、技术和产品设计的融合。
中国的创业公司的另一个缺陷是缺乏快速有效地进军国际市场的能力。除了文化和语言障碍外，中国市场规模过于强大的事实导致很多中国创业者从来没想过去拓展国际市场，因为其它公司在国外市场可能会很快山寨他们，这正是过去很长一段时间以来美国创业公司在中国所遭遇的困境。
6. 相比中国的创业环境，硅谷太过奢华
从整体上来说，中国的创业者的创业精神、速度、勤恳专注给我留下了非常深刻的印象。他们在中国市场迅速扩张的规模让他们将雄心变成了现实。我们将很快就能看到一波创新浪潮将从中国袭来。那种认为中国创业主要靠山寨的想法已经过时了。
我很喜欢中国的创业者的不自吹自擂和他们真实纯粹的创业精神。很多时候，硅谷的创业环境太过奢华，被滋养地太好，优越感也太强，你从他们的创业办公环境和各种俱乐部就能知道。将所有这些表面的东西都抽去，里面的核心才是真正重要的东西，包括真正的创业激情，对产品和公司的痴迷。当然了，中国也存在一些问题，但中国依然有很多东西值得学习。
我热爱硅谷吗？当然。正是因为如此，多到外面看一看，将一些新的想法引到硅谷才变得更为重要。毕竟，不管是在美国、欧洲还是中国，结合科学的创业才是我们未来真正的发展引擎。
本文编译自：recode.net
-
观点
怎样让公司团队更好协作？Airbnb是这么做的
“产品团队在一个山谷上，市场营销则是在另一个山谷上，连接他们的却是一座又长又狭窄的吊桥。每天，一些勇敢的‘思想’会尝试走过这座桥。而我们需要的，是构建一座和金门大桥一样坚固的桥梁结构，不管有多少流量两边都能畅通无阻地交流。”——布莱恩·切斯科，Airbnb联合创始人兼CEO
笔者之前曾主张不管你是什么性格，都应该尝试多接触些人，从不同人身上学习有价值的东西。事实上，本文要阐述的是Airbnb分享了自己品牌重塑的过程中一些非常有价值的理念，他们如何跨营销，产品，工程和设计团队实现协同工作，以及他们是如何配置团队以确保成功和工作效率。
我有机会与Airbnb体验设计主管Katie M.Dill和Airbnb体验设计师Alvin Hsia进行了交流。我们探讨了许多不同的主题，比如之前的创业体验，对于亚洲和新加坡社会经济的看法，以及每个不同团队之间是如何协同工作的。不过之后仅仅过了几周，我在硅谷参加Greylock设计社区大会时又遇到了Alvin Hsia，于是决定好好聊聊关于Airbnb一些“鲜为人知”的秘诀。
团队架构
Airbnb的设计团队主要有四大支柱组成，分别是体验，产品，洞察力（理念）和内容策略。根据四个英文单词的首字母，也被成为EPIC。Katie负责体验设计团队，由行业内的产品和用户体验设计师组成。体验设计师和产品设计师的人数比例大约是10:1，关于他们之间的关系，我们会在后文详述。
品牌重塑
Airbnb抛弃旧时代Logo，Airbnb进行了品牌重塑，提出“Belong Any where（家在四方）”概念。不过，品牌重塑是由市场营销发起并推动的。Katie为大企业品牌重塑提供的一个建议是，最好你的品牌重塑战略能得到（至少一位）公司高管的支持，这样才能更好地推动这项工作前进。这点非常有帮助，特别是你需要和好多跨功能性团队合作，得到高管的支持会帮助省去不少麻烦，起到事半功倍的作用。
沟通交流
当Airbnb第一次启动品牌重塑工作时，Logo打印出来的效果很棒，但是在数字屏幕上，包括在网页和移动产品上显示的效果却不尽如人意。如果在你的公司里，产品设计和品牌是分开的两个团队，那么一定要学会沟通交流，在工作的每个不同阶段都要彼此参与，确保流程无误。
“翻转开关”
Airbnb决定一次性改变旗下所有设计——全新的主页，全新的网站，全新的移动App。他们花了五个月时间完成所有的重新设计和改变，在那段时间里，设计师和工程师在两个独立的设计和代码库上工作、维护。
在营销和产品之间搭桥
当一家公司发展超越了某个特定阶段，旗下团队不仅有各自的规划路径，也会在不同的时间轴上完成工作，此时沟通交流就会成为一大挑战，特别是在高速发展的初创公司身上尤为明显。通过做好规划，明确职责，确保每个人都朝着同样的目标在努力，否则步调不一致很难让企业有较好发展。
与Airbnb体验设计师Alvin Hsia的Q&A
Q1. 如今Airbnb体验设计团队规模有多大？
体验设计团队刚刚超过50人，但相比于去年这个时候，我们的人数已经翻了一番。
Q2. Katie提到了OKRs（目标与关键成果），这对你意味着什么？你能分享一个例子，Airbnb如何使用和评估OKR考核的吗？
每个产品团队和他们的子团队都有年度目标与关键成果（OKR）目标，之后OKR会被拆分成每个季度的目标。如果举个例子的话，就拿Airbnb的“Guest Love”团队来说吧，他们的OKR考核值班包括2016年的住宿预定量，而对于“Host and Homes”团队来说，则是旅途预订百分比和住宿五星评级量。
Q3: 设计师如何评估成功和提高？
一般来说，我觉得设计师有两种方式去评估成功和提高。第一个是从团队的指标和目标的角度去看他们所负责的项目是否获得了成功。第二个是他们有没有学到新东西，技能是否有提升，以及个人是否有得到提高。最好的团队不仅让设计师觉得舒服，而且也能给他们提供很多机会。
Q4. 你能谈谈体验设计师和项目经理/工程师之间的关系吗？通常一周时间里，设计师和其他团队会有几次沟通？
在Airbnb，我会说设计师70%的时间都在和团队成员进行沟通，包括项目经理，工程师，研究人员和数据分析师。我与他们会晤的频率也很高，通常一天两次，根据不同的项目阶段，也会不定期开会讨论。
整个设计团队没有会有一次会晤，让大家彼此了解下不同团队之间的工作情况。我们使用了Google Slides，这款工具很有用，大家回去之后会明白自己所做的东西是否会和别人有重叠。对于那些更详细的反馈和批评，你需要回去和自己团队的设计师好好讨论一下（在Airbnb，涉及的包括Guest Love, Hosts and Homes以及产品增长团队，必要时，也会加入其他相关团队）。最终，会形成一份定期的设计报告发送给体验设计主管Katie Dill和设计副总裁Alex Shleifer，如果遇到较为重要的工作，还会提请首席执行官Brain Chesky知悉。
Q5. 你能分享下Airbnb的产品设计师和体验设计师是如何协同工作和交流的吗？你们遇到过那些困难，又是如何解决的呢？
产品设计师开发工具包和工作流，帮助体验设计师和工程师更高效地、更出色地协同工作。他们是设计运营部门的一部分，当然，这个部门里也包括项目经理。他们会做大量工作，包括让我们测试新设备，设定标准红线，削减生产资产。我们不断实验新插件，内部工具和流程优化。他们则削减“日常管理费用”，帮助体验设计师更容易专注于解决真正的用户体验问题。
Q6. 在这个过程中，产品设计师如何能够了解到用户需要或用户问题呢？在用户测试阶段，产品设计师也会参与其中吗？
这是一个好问题，产品设计师需要了解用户的问题，比如他们会让我们了解到有很多用户可能使用的不是最新款的iPhone手机，因此需要多考虑兼容性问题。此外，我们的App也会在不同类型的设备上使用，比如在不同的安卓系统上如何确保设计灵活性。最近，我们Airbnb的产品设计师想出了一款工具，能将真实数据导入原型产品里，这对测试有非常大的帮助。（翻译：Tino，编辑：picar）
来源：创业邦
链接：http://www.cyzone.cn/a/20160516/296308.html
-
观点
不当“工位土豆”，五件“神器”让你上班更自由
每天在电脑前被牢牢钉住八小时的你，是否想过追求更自由的工作方式？
No no no，局里不是鼓励大家为了追求自由，都跑去当自由职业者。其实，在办公室里上班的你，也可以更自由地控制自己的办公地点，还附带更高效、更健康的红利。
还有这么好的事儿？只要你使用局里教你的「灵活办公」大法：
要灵活，不当工位土豆
个人工作区，无疑是和每个人接触最亲密、最重要的工作地点。别再当一只肥硕安详的工位土豆，试着采用尽量多的姿势去办公吧。毕竟，「没有最合理的工作姿势，一直变化的姿势才是最健康的。」
可移动的纸板桌 Oristand，神似两层楼梯，上层用来放电脑、下层放键盘和鼠标，简单的外形却可以有效缓解颈椎病。桌子内部可放置电源线等杂物，保证桌面的绝对整洁，完美满足强迫症的需求。拥有支撑 MacBook Pro 的支撑力，还因为轻便可以随意移动。不用它时就折叠起来，它将安静地待在角落里，等候下一次召唤。
产品：Oristand，设计：HootSuite
Stir Kinetic Desk 专注提醒总不记得要站起来的你。放在科幻电影里也不违和的酷炫外表，让你在每天办公时就站成了一个大写的Geek。
桌子的左下角嵌了一面 iPhone 大小的触控屏，通过它你可以设置很多参数：调节高度、站坐时间比例等。到达该站立的时间时，你如果还坐着，桌子会小幅度升高作为提醒：「赶快站起来！你不站我站了！」
产品：Stir Kinetic Desk，设计：Stir 工作室
要灵活，不要状态低靡
不知道你有没有过这样的体会，下午三四点钟，大脑糊住无法运转，好像整个人的循环系统都凝固了。
你需要的可能只是带着简单的办公用品，找到一张阳光下的高桌、色彩活泼的休闲区、通透开敞的讨论区，或者干脆让自己倒在一张懒人沙发里。
要灵活，不要无趣
有时候，一成不变的工位会让工作十分无趣。有时候，我们也会幻想能在沙滩、花房、草地、原野工作。幻想总是难以实现，但也许可以让工位发生一些小变化，或者暂时从工位逃离。
Brackets-lite是一套像变形金刚的办公桌椅。它包括七张小创意桌子，每张都是统一的100cm高，并配有140cm高的靠背，桌子两侧带有直角形状的围角，让你有一个相对独立安静的工作空间，也保护了隐私。
当它变形时，不同的小组件能够灵活组合出不同形状的组合，适用于各种不同的需求，包括站立办公、独立工位、洽谈，甚至小型会议。
产品：Brackets-lite，设计：Nendo
小时候，每个同学都有一个十分笨重的书桌。每次调位置，大家都会搬着自己的笨重桌子去新位置，教室里很是混乱。
Workinmotion Tables就完全没有这个困扰，它用木材制成，体积不大。椅子腿像是英文字母Z的形状，安装有两个滚轮，只需轻轻抬起它的前部，就可以卷起工位进行一次小型潜逃！虽然还是到达不了远方的沙滩和原野，但你至少可以灵活地移动到阳光下、零食架，或者是办公室最好看的姑娘/汉子旁边呀。（另外，临时成立了新项目组和公司要搬家的时候，轻便可移动的Workinmotion Tables 也会意外发挥优势呢。）
产品：Workinmotion Tables，设计：Fedor Katcuba
要灵活，也要隐私
Facebook 创始人 Mark Zuckerberg 对于办公室有个理念，「每个人都没有固定的座位，会议室也采用全透明的玻璃，希望员工能在自由的状态下办公」。
有间树屋办公室大概能完全满足他的设想，打开，它是开敞透明的办公区域；闭合，它又成了安静隐私的个人空间。树屋底部装有滚轮，也许不止为了在办公室里挪动，而是可以直接拖回家，暂时隔离正在看韩剧而呼天抢地的女友吧。
产品名：TREEHOUSE，设计师：Dymitr Malcew
「未来，固定在办公桌前工作的人将成为少数派。」赶快灵活起来，不当工位土豆，不再无趣办公！
朝九晚五一起爽，来了就是局里人。九五调查局，探寻有趣有腔调的一万种办公可能性。转载请联系公众号：九五调查局（jiuwudcj）获得授权
-
观点
SaaS模式云客服系统在各类企业的应用实践
作者：王钰公
据移动信息化研究中心（MIRC）最新公布的《2016云客服市场调研报告》显示，2015年云客服的热度开始上升，2016年是云客服厂商快速成长、百家争鸣的一年：各厂商利用移动、通讯、协同、智能化分析等新兴技术和应用模式，从不同角度切入并占据目标市场，但殊途同归，最终都将趋向于覆盖全渠道、全生命周期的的一体化客户服务系统。
其实在2016年以前，就有很多企业率先采用了SaaS模式云客服系统，包括国内知名的知名证券公司华泰证券、乐视网等，他们都通过SaaS模式云客服系统完成了企业内部与外部客户的统一协作管理，并实现了传统客服系统到SaaS模式云客服系统的成功转型。
从MIRC最新公布的一组统计数据来看，有23%的电商企业、17%的金融类企业和15%的教育行业企业，目前采用了SaaS模式云客服系统。
在大型企业采用SaaS模式云客服系统的同时我们不难发现，由于中国企业用户提高成单率降低成本等需求痛点，其倾向于更易带来销售效果的售前客服。但随着客户服务意识的不断提高，各企业所面对的客户所提出的需求越来越趋于个性化和营销化，很多企业对于SaaS模式云客服系统的功能要求越来越高，都希望客服系统不仅仅只局限于客户服务这一领域，而是能够将移动营销、客户管理、大数据分析等功能都集成于统一的管理后台。其实，这也是云计算时代到来后，对每一个云客服厂商提出的新标准和新要求。
企业对云客服的应用集中在售前和售后：一方面企业需扩大销售机会，发掘潜增量市场，另一方面企业需要通过云客服提升客户的满意度和客户粘性从而做到留存和保持现有的客户。对售中应用较低：售中阶段主要对应了客户购买后的体验过程，此过程中单纯的依赖客服部门很难令客户满意，需要跨部门、跨系统的协同作战，但目前多数云客服系统欠缺这方面能力，需加强协同能力。企业对云客服的应用主要集中在售前阶段，占比57%（包括售前客户考虑阶段、售前客户评估阶段），售后也是云客服系统得到充分应用的阶段。相比较而言，售中阶段目前对云客服的应用较少——18%。
华泰证券为国内知名券商，是中国证监会首批批准的综合类券商，也是全国最早获得创新试点资格的券商之一。在移动互联网时代，为了更好的服务于其自身的各类用户，华泰证券选择了在云软IMCC系统上建立了自己的SaaS模式云客服系统，实现了证券行业的大多数专业功能：
1、呼叫中心组织架构支持；
2、CRM系统对接；
3、客户信息和服务记录联动展示；
4、客户身份验证；
5、用户自选投资顾问；
6、定时定向的个性化消息推送。
通过一系列功能的上线，使华泰证券完成了传统券商到移动券商的转型，华泰证券微客服系统上线后，好友数量和会话数量都稳步提升，同时华泰证券微信平台高效、良好的服务提升了企业品牌和用户的使用体验。
而从这个案例我们发现，其实客户服务体系的功能已经悄然发生了改变，首先，客户服务体系从早期主要针对售后阶段，发展到当前对销售的全生命周期覆盖；其次，传统的客服体系主要依靠人工解决问题，但随着国内市场从产品型消费逐步过渡到服务、体验性消费阶段，仅仅依靠人工很难带来高收益、高效率的服务，未来云客服的发展空间很大。
比如乐视TV，乐视TV是在乐视网发展壮大的基础之上在移动互联网时代智能硬件发展的代表。在去年10月份，乐视网选择了与智齿合作，而智齿正式承接了乐视网呼叫中心智能客服部分工作。“智齿机器人客服是乐视网上的第一个人工智能项目” 乐视网CTO张湘蕾说： “智齿客服预计帮助乐视接管80%的客服问题，每年将节省的客服成本超过千万。”从乐视网CTO张湘蕾的表述我们不难发现，未来随着智能硬件的广泛普及，包括物联网、车联网等概念的逐步实现，SaaS模式云客服系统的市场将更加广泛。
MIRC调研数据显示，预计2016年云客服的增长速度加快，年增长率为126.8%，市场规模为5.33亿元。预计到2017年云客服市场增速会出现表面放缓的趋势，但整个市场的规模将进一步扩张，达到8.48亿元。从这一组数据我们可以看到，中国的SaaS模式云客服系统市场将是未来一到两年移动互联网发展的又一个新的增长点。
国内的中小企业将与SaaS模式云客服系统的成长而共同发展，除上述两家公司外，包括滴滴出行、招商银行、天音通信、可得眼镜、尚德教育机构等各行业领军企业都纷纷采用了SaaS模式云客服系统，以达到服务客户、拓展业务的目的。相信在未来的一到两年内，SaaS模式云客服系统将会在各行各业内遍地开花，而国内的中小企业将在SaaS模式云客服系统中获得更多的收益。
-
观点
LinkedIn 模仿 Facebook 这步棋走得对吗？
编者按：做过理财顾问，当过证券经纪人，本文作者 Jamal Carnette 对 “企业竞争优势” 这一话题有自己深入的看法。对于 LinkedIn 产品的一系列模仿性改革，他并不认为是件难以启齿的事儿。
我们都知道，LinkedIn 的目标市场较为狭窄，这对它而言既是一种福气，又是一种诅咒。从一方面来看，公司的特殊性质（LinkedIn 是一家以工作为导向的社交媒体网站）将其定位与传统社交媒体区分开来，避免了与社交巨头 Facebook 和 Twitter 的正面对决，而是作为一种补充体存在。
但其所处环境的缺陷也十分明显：对于投资者来说，投资社交媒体网站除了要看一些传统的股票价值指标（譬如年收入与公司利润）外，也会关注网站用户的增减量与活跃度。但对于 LinkedIn 来说，广告商一般只对目标用户感兴趣，其市场定位也决定了潜在的用户群十分有限。举个例子，任何一个年龄达到 13 岁的人都可以在 Facebook 及 Twitter 上开设账户、在产品中寻找价值，但 LinkedIn 呢？只是为上班族们量身定做的。
为了提升用户的活跃度与参与度，LinkedIn 正在持续增加对 “社交互动” 类功能产品的开发与关注。其实这能够证明，LinkedIn 早就看到了自己与传统社交媒体之间的差异。
近几年来你会发现，在界面布局及用户体验上，LinkedIn 已经开始在模仿 Facebook。举个例子，LinkedIn 添加的一个动态新闻列表，增加的点赞（like）及评论（更新的消息）等功能，以及 “内部消息传递（站内信）” 服务……都有 Facebook 的影子。按照新媒体网站 BuzzFeed 的说法就是：LinkedIn 一直在思考怎样学习 Facebook 的下一个 Idea。
LinkedIn 建立 Instant Articles 是件好事儿？
BuzzFeed 曾这样报道：“在 Facebook 推出 Instant Articles（该服务能够加速加载文章，大大增加了 Facebook 的访问量）一年后，LinkedIn 也开始考虑与内容发行商进行合作，创建一个类似于 Facebook Instant Articles 的服务。” 的确， Facebook 这项新业务的一个亮点就在于，用户不用点开链接进入文章来源地，而是直接为 Facebook 自己的页面贡献访问量。从增加用户粘度的角度来讲，建立这个系统对 LinkedIn 是件好事儿。
从另一方面来考虑，内容发行商其实面临着 “权衡取舍” 的问题。大多数媒体网站都依赖于广告收入，而网站访问量是设置广告费率的重要指标。将内容授权给社交媒体网站登载，某种程度上意味着与 “提高访问量” 这个目的背道而驰。
然而，Facebook 这个案例也有一定的特殊性：面对着 Facebook 近 17 亿活跃用户和 200 多万个广告商，内容发行商们其实很难说 no，毕竟这将大大提高自己的品牌曝光度。从根本上来讲，这对他们自己的网站流量是有好处的。此外，Instant Articles 有更快的加载速度，这也意味着用户不会因为一篇文章缓慢的加载速度而直接选择关闭，减少文章的转载及曝光机会。
在广告方面，Facebook 很明智地建立了一套 “广告收入共享模式”：如果内容发行商在自己文章的页面上投放广告，广告收入全部归内容发行商所有；如果交由 Facebook 来出售广告位，那么 Facebook 只分得收入的 30%，其余 70%归内容发行商所有。但作为等价交换，内容发行商需要遵守 Facebook 制定的广告限制条例。在 Instant Articles 推出早期，很多内容发行商都曾抱怨过，Facebook 的广告限制过于严格，以至于根本就没有什么实际收入。在经过若干轮谈判及条例修改之后，内容商们似乎对 Facebook 的规定变得顺从起来。
流量 VS内容之争
逐渐地，很多注重流量的网站开始寻找能够掌控用户体验的方法。除了 Facebook，Twitter 也推出一项新产品——Moments，其主要内容主要由经过编辑整理的重要 “推文” 组成。
当然，这种事儿肯定也少不了 Google。早在去年，Google 就发布了移动网页加载项目——AMP（Accelerated Mobile Pages）。由于广告通常是阻碍网页加载的重要部分，AMP 允许用户屏蔽某些内容的广告，并限制内容发行商文章中的广告数量，从而使内容能够以更友好的方式、更短的时间到达用户。当然，AMP 也不会亏待内容发行商，将会回馈给他们更多的搜索流量。
这些尝试的结果就是，拥有庞大流量的网站以 “用户” 为 “要挟点”，最终获得内容发行商们的让步。所以，LinkedIn 没有理由不照葫芦画瓢。总的来说，LinkedIn 模仿 Facebook 做一个可以为自己增加流量的 Instant Articles 是明智的。特别是在广告分享协议这一方面，将是一个获得未来收益的强大推动力。
本文编译自：fool.com
-
观点
干货|企业数据分析的架构和方法
企业在正常运营中会产生数据，而对这些数据的深层次挖掘所产生的数据分析报告，对企业的运营及策略调整至关重要。对企业数据做好分析，对于促进企业的发展、为企业领导者提供决策依据有着重大作用。那么怎么做企业数据分析呢？小编带大家一起学习企业数据分析的架构和方法，希望能给大家一些启发。
一、数据分析很普及
以往的数据分析在今天的各类型企业中，数据分析非常的普及，并且得到认可，数据分析的核心任务往往是支撑运营和营销，将企业内部的数据，客户的数据进行分析和总结，形成以往工作情况的量化表现，以及客户的行为趋势或特征等。
如果从更宏观的角度来认识数据要达到的目标就是希望通过数据来发现潜在的规律，进而帮助预测未来，这一点同数据挖掘的目标一致。今天我们还是在反复提到数据挖掘这个概念，我们就需要来看看数据分析都有哪些是没有做到的内容。
1) 数据分散
多数数据分析岗位在公司中的岗位设置是隶属在单一业务部门中作为一个支撑岗，只有少数的公司是将数据分析作为一个独立的部门。其差异性在于，前者的数据分析所能分析的内容仅限于自身部门所输出的指标，比如投诉部门只看投诉处理过程中的数据，销售部门只看销售过程中的数据，一旦涉及到需要将各类指标汇总分析的情况，这种组织架构就会带来极大的负面影响，由于不同部门具备自己部门指标导出的权限，且与其他部门的配合并不影响绩效任务，所以这种跨部门采集数据的过程往往效率奇低。而数据分析最关键的就在于汇集更多的数据和更多的维度来发现规律，所以以往的数据分析多是做最基础的对比分析以及帕累托分析，少有使用算法来对数据进行挖掘的动作，因为越少的指标以及越少的维度将会使得算法发挥的效果越差。
2) 指标维度少
在以往的企业中，数字化管理更多的体现在日常运维工作中，对于客户端的数据采集虽然从很早以前就已经开展，CRM系统的诞生已经有很久的时间了，但是一直以来客户端的数据维度却十分缺失，其原因在于上述这些途径所获得的数据多为客户与企业产生交互之后到交互结束之间的数据，但是这段时间只是这个客户日常生活中很少的一部分内容，客户在微博，微信上的行为特点，关注的领域或是品牌，自身的性格特点等，可以说一个客户真正的特点、习惯，仅通过与企业的交互是无从知晓的，因此难以挖掘出有效的结论。
3) 少使用算法
在上述制约条件下，可想而知数据分析人员对于算法的使用必然是较少的，因为数据分析依赖于大量的指标、维度以及数据量，没有这三个条件是难以发挥算法的价值的，而在排除掉算法后，数据分析人员更多的只能是针对有限的数据做最为简单的分析方法，得出浅显易懂的分析结论，为企业带来的价值则可以想象。
4) 数据分析系统较弱
目前的数据分析多采用excel，部分数据分析人员能够使用到R或SPSS等软件，但当数据量达到TB或PB单位级别时，这些软件在运算时将会消耗大量时间，同时原始的数据库系统在导出数据时所花费的时间也是相当长的，因此对大数据量的分析工作，常规的系统支撑难以到达要求。（目前市面上较好的有纽带线CRM系统的数据分析工具）
二、技术革命与数据挖掘
得益于互联网对于人们生活的影响逐渐增大，我们发现数据正在疯狂的增长。今天一个人一天的时间中有将近一半是在互联网中度过的，一方面这些使用互联网的交互都是能够被捕捉记录的，一方面由于碎片化时间的使用，客户与企业交互的机会也变的越来越频繁，进一步保障了客户数据的丰富。同时在大数据技术的支撑下，今天的系统能够允许对这些大规模的数据量进行高效的分析。
因此数据分析人员也能够开始使用一些较为抽象的算法来对数据做更为丰富的分析。所以数据分析正式进入到了数据分析2.0的时代，也就是数据挖掘的时代了。
三、数据处理流程
数据分析也即是数据处理的过程，这个过程是由三个关键环节所组成：数据采集，数据分析方法选取，数据分析主题选择。这三个关键环节呈现金字塔形，其中数据采集是最底层，而数据分析主题选择是最上层。
四、数据采集
数据采集即是如何将数据记录下来的环节。在这个环节中需要着重说明的是两个原则，即全量而非抽样，以及多维而非单维。今天的技术革命和数据分析2.0主要就是体现在这个两个层面上。
1. 全量而非抽样
由于系统分析速度以及数据导出速度的制约，在非大数据系统支撑的公司中，做数据分析的人员也是很少能够做到完全全量的对数据进行收集和分析。在未来这将不再成为问题。
2. 多维而非单维
另一方面则在于数据的维度上，这在前边同样提及。总之针对客户行为实现5W1H的全面细化，将交互过程的什么时间、什么地点、什么人、因为什么原因、做了什么事情全面记录下来，并将每一个板块进行细化，时间可以从起始时间、结束时间、中断时间、周期间隔时间等细分；地点可以从地市、小区、气候等地理特征、渠道等细分；人可以从多渠道注册账号、家庭成员、薪资、个人成长阶段等细分；原因可以从爱好、人生大事、需求层级等细分；事情可以从主题、步骤、质量、效率等细分。通过这些细分维度，增加分析的多样性，从而挖掘规律。
五、数据分析方法选取
数据分析方法是通过什么方法去组合数据从而展现规律的环节。从根本目的上来说，数据分析的任务在于抽象数据形成有业务意义的结论。因为单纯的数据是毫无意义的，直接看数据是没有办法发现其中的规律的，只有通过使用分析方法将数据抽象处理后，人们才能看出隐藏在数据背后的规律。
数据分析方法选取是整个数据处理过程的核心，一般从分析的方法复杂度上来讲，我将其分为三个层级，即常规分析方法，统计学分析方法跟自建模型。我之所以这样区分有两个层面上的考虑，分别是抽象程度以及定制程度。
其中抽象程度是说，有些数据不需要加工，直接转成图形的方式呈现出来，就能够表现出业务人员所需要的业务意义，但有些业务需求，直接把数据转化成图形是难以看出来的，需要建立数据模型，将多个指标或一个指标的多个维度进行重组，最终产生出新的数据来，那么形成的这个抽象的结果就是业务人员所需要的业务结论了。基于这个原则，可以划分出常规分析方法和非常规分析方法。
那么另一个层面是定制程度，到今天数学的发展已经有很长的时间了，其中一些经典的分析方法已经沉淀，他们可以通用在多用分析目的中，适用于多种业务结论中，这些分析方法就属于通用分析方法，但有些业务需求确实少见，它所需要的分析方法就不可能完全基于通用方法，因此就会形成独立的分析方法，也就是专门的数学建模，这种情况下所形成的数学模型都是专门为这个业务主题定制的，因此无法适用于多个主题，这类分析方法就属于高度定制的，因此基于这一原则，将非常规分析方法细分为统计学分析方法和自建模型类。
1) 常规分析方法
常规分析方法不对数据做抽象的处理，主要是直接呈现原始数据，多用于针对固定的指标、且周期性的分析主题。直接通过原始数据来呈现业务意义，主要是通过趋势分析和占比分析来呈现，其分析方法对应同环比及帕累托分析这两类。同环比分析，其核心目的在于呈现本期与往期之间的差异，如销售量增长趋势；而帕累托分析则是呈现单一维度中的各个要素占比的排名，比如各个地市中本期的销售量增长趋势的排名，以及前百分之八十的增长量都由哪几个地市贡献这样的结论。常规分析方法已经成为最为基础的分析方法，在此也不详细介绍了。
2) 统计学分析方法
统计学分析方法能够基于以往数据的规律来推导未来的趋势，其中可以分为多种规律总结的方式。根据原理多分为以下几大类，包括有目标结论的有指导学习算法，和没有目标结论的无指导学习算法，以及回归分析。
其中有指导的学习算法简单说就是有历史数据里边已经给出一个目标结论，然后分析当各个变量达到什么情况时，就会产生目标结论。比如我们想判断各项指标需要达到什么水平时我们才认定这个人患有心脏病的话，就可以把大量的心脏病人的各项指标数据和没有心脏病的正常人的各项指标数据都输入到系统中，目标结论就是是否有心脏病，变量就是各项指标数据，系统根据这些数据算出一个函数，这个函数能够恰当的描述各个指标的数据与最终这个是否是心脏病人之间的关系，也就是当各个指标达到什么临界值时，这个人就有心脏病的判断，这样以后再来病人，我们就可以根据各项指标的临界值。这个案例中的函数就是算法本身了， 这其中的算法逻辑有很多种，包括常见的贝叶斯分类、决策树、随机森林树以及支持向量机等，有兴趣的朋友可以在网上看看各种算法的逻辑是怎么样的。
另外无指导的学习算法因为没有一个给定的目标结论，因此是将指标之中所有有类似属性的数据分别合并在一起，形成聚类的结果。比如最经典的啤酒与尿布分析，业务人员希望了解啤酒跟什么搭配在一起卖会更容易让大家接受，因此需要把所有的购买数据都放进来，然后计算后，得出其他各个商品与啤酒的关联程度或者是距离远近，也就是同时购买了啤酒的人群中，都有购买哪些其他的商品，然后会输出多种结果，比如尿布或者牛肉或者酸奶或者花生米等等，这每个商品都可以成为一个聚类结果，由于没有目标结论，因此这些聚类结果都可以参考，之后就是货品摆放人员尝试各种聚类结果来看效果提升程度。在这个案例中各个商品与 啤酒的关联程度或者是距离远近就是算法本身了，这其中的逻辑也有很多中，包括Apriori等关联规则、聚类算法等。
另外还有一大类是回归分析，简单说就是几个自变量加减乘除后就能得出因变量来，这样就可以推算未来因变量会是多少了。比如我们想知道活动覆盖率、产品价格、客户薪资水平、客户活跃度等指标与购买量是否有关系，以及如果有关系，那么能不能给出一个等式来，把这几个指标的数据输入进去后，就能够得到购买量，这个时候就需要回归分析了，通过把这些指标以及购买量输入系统，运算后即可分别得出，这些指标对购买量有没有作用，以及如果有作用，那么各个指标应该如何计算才能得出购买量来。回归分析包括线性及非线性回归分析等算法。
统计学分析方法还有很多，不过在今天多用上述几大类分析方法，另外在各个分析方法中，又有很多的不同算法，这部分也是需要分析人员去多多掌握的。
3) 自建模型
自建模型是在分析方法中最为高阶也是最具有挖掘价值的，在今天多用于金融领域，甚至业界专门为这个人群起了一个名字叫做宽客，这群人就是靠数学模型来分析金融市场。由于统计学分析方法所使用的算法也是具有局限性的，虽然统计学分析方法能够通用在各种场景中，但是它存在不精准的问题，在有指导和没有指导的学习算法中，得出的结论多为含有多体现在结论不精准上，而在金融这种锱铢必较的领域中，这种算法显然不能达到需求的精准度，因此数学家在这个领域中专门自建模型，来输入可以获得数据，得出投资建议来。在统计学分析方法中，回归分析最接近于数学模型的，但公式的复杂程度有限，而数学模型是 完全自由的，能够将指标进行任意的组合，确保最终结论的有效性。
六、数据分析主题选取
在数据分析方法的基础上，进一步是将分析方法应用在业务需求中，基于业务主题的分析可以涉及太多的领域，从客户的参与活动的转化率，到客户的留 存时长分析，再到内部的各环节衔接的及时率和准确度等等，每一种都有独特的指标和维度的要求，以及分析方法的要求，以我个人的经验来看，主要分析主题都是围绕着营销、运营、客户这三大角度来开展的。
1. 营销/运营分析
营销运营分析多从过程及最终的成效上来进行分析，包括营销活动从发布到客户产生购买的过程的分析，运营从客户开始使用到停止使用为止的过程中的分析，前者更倾向于分析客户行为的变动趋势，以及不同类型的客户之间的行为差异，后者更倾向于分析在过程中服务的及时率和有效率，以及不同类型的客户之间对于服务需求的差异。
在针对这部分分析主题时，多采用常规分析方法，通过同环比以及帕累托来呈现简单的变动规律以及主要类型的客户，但通过统计学分析方法，营销分析可以根据有指导的学习算法，得出营销成功与营销失败之间的客户特征的差异，而运营分析则可以根据无指导的学习算法，得出哪些特征的客户对哪些服务是有突出的需求的，另外营销和运营分析都可以通过回归分析来判断，各项绩效指标中，哪些指标是对购买以及满意度有直接影响的。通过这些深入的挖掘，可以帮助指导营 销及运营人员更好的完成任务。
2. 客户分析
客户分析除了与营销和运营数据关联分析时候使用，另外单独对于客户特征的分析也是有很大价值的。这一部分分析更多需要通过统计学分析方法中的有指导和无指导的学习算法，一方面针对高价值客户，通过有指导的学习算法，能够看到哪些特征能够影响到客户的价值高低，从而为企业锁定目标客户提供指导；另一方面针对全体客户，通过无指导的学习算法，能够看到客户可以大概分为哪几种群落，针对每个群落的客户展开焦点讨论和情景观察，从而挖掘不同群落客户之间的需求差异，进而为各个群落的客户提供精准营销服务。通过以上这些的操作，一个企业的数据分析或者说数据挖掘工作的完整流程就呈现了出来。可以看到，无论是数据采集，还是分析方法，亦或是分析主题，在大数据和互联网的支撑基础上，在未来都将有大幅度的增加，数据分析人员将成为下一个阶段的关键企业支撑人员，也即是在未来，在各个领域中，都将产生大量的宽客，或者增长黑客这样的数据分析人员，来带动企业的发展。
今天的企业数据分析的架构和方法就到这里了，我们只有不断的理论联系实际，在实践中掌握方法和技巧，在不断的实践中得到启发，做好企业数据分析，推动企业高速发展，顺应市场和时代发展。
作者：0307wgj
链接：http://www.pintu360.com/article/68218.html
来源：品途商业评论
-
观点
干货：做好一款SaaS产品，最需要关注这6个指标！
随着近年来SaaS产品的持续升温，产品种类不断增加，针对客户和业务的精细数据分析能力成为了最重要的核心竞争力之一，矗立在行业顶端的团队都有着深厚的数据决策文化，这篇文章里我总结了 SaaS 类产品中最关键的 6 个指标，以供大家参考。
一、SaaS产品最需要关注的6个指标
1. 月度订阅营业额 Monthly Recurring Revenue (MRR)
计算公式：每个付费客户平均到月的营业额的总和
SaaS类产品与传统产品的核心区别，就是订阅式的服务：根据需求，客户需要按月，按季度或者按年支付使用产品的费用。这个金额与合同金额不一样，MRR实际是合同金额摊销到每个月的收入，这样能够将不同付款周期的客户统一到月度维度进行统计，MRR能够展现持续的销售额增长，并且能够反映客户流失的情况。
根据具体发生的原因，MRR也可以更详细的分为：
a. 新增MRR - 特制新增加的客户支付的MRR
b. 扩张MRR - 现有付费客户购买了新功能或者升级到更贵的产品
c. 收缩MRR - 现有付费客户降级
d. 流失MRR - 客户停止订阅或者支付费用
MRR = 新增MRR+扩张MRR-收缩MRR-流失MRR
2. 客户流失率 CUSTOMER CHURN
除了MRR之外，另外一个极其重要的业务指标就是客户流失率，在这里是指客户取消产品订阅的频率。客户流失率和留存率直接代表着一款产品的持续盈利能力，也应该是各SaaS团队最需要关注并持续优化的关键指标。
根据不同产品业务的特性，流失率的定义也都不同，普遍使用的流失率公式是这样的：
客户流失率 = （在指定时间段内取消的客户数量）/（在同一时间段开始时的付费客户的数量）
因为国内客户大多数签署的是年度合同，并且 2B 类的业务有着明显的季节性，利用用户流失集群分析可以将这两种情况都展现出来进行直观的监测。
在上面的留存图中，我们可以清晰看到每一个功能每一天来访的客户在今后的留存率，留存高的功能就可能是我们的增长点。
3. 客户身价 LTV
SaaS不是一锤子买卖，每个客户在使用一段时间后都有可能离开，客户身价反映了整个客户活跃的订阅周期里的营业额。客户身价能够给市场部门策划活动，销售策略执行提供快速衡量投入产出比的标准。
客户身价的计算可以用下面这个比较实用的计算方法：
LTV = ARPA / 客户流失率（*ARPA 平均客月价）
平均每个客户的月度营业额计算公式：当月MRR/当月活跃客户数
在产品刚刚发布数据还不完善的时候，可以先暂时用平均客单价来代替LTV，等到有足够的数据后，再转为更精准的计算方式。
4. 客户复订率
复订率，也就是付费客户留存率，在前期数据并不充足的情况下，比流失率能够更准确的反映出产品被客户的接受程度的高低。
客户复订率 = 完成复订的客户数量/当期到期的客户合同数量
5. 获客成本 CAC
客户获取成本是大家都比较熟悉的指标，获客成本需要包括市场和销售的费用，然而在实际执行中市场和销售费用进行实时统计会有难度，一个折中的办法是将市场和销售费用分开，围绕单个市场活动独立计算销售线索获取成本，再跟踪CRM系统中各活动的线索转化率，计算出一个复合获客成本。
获客成本和客户身价一样，持续的跟踪能够为市场和销售计划的实施提供指导性的标杆，美国SaaS产业衡量一款产品是否有未来主要看客户身价是否超过了 3 倍的获客成本，然而这个数字目前尚未在国内得到广泛的验证。
6. 客户健康度指标
上面提到的几个指标都是事后指标，也就是发生以后才会反映出来，对这些指标的关注和分析尽管可以提升未来的整体情况，但是在单个客户层面缺乏实际执行意义。而对客户健康度指标（下图）的监控是实时的，一般来说会是几个关键事件（比如平均登录次数，帮助页面的PV，联系客服的次数，使用核心功能的次数）整合后得出的数字。
通过对一段时间内流失的客户进行详细的行为分析，圈定几个在流失前发生频率有明显下降的事件，持续监测新的流失客户在圈定事件上的表现，如果一致，那么就可以加到健康度指标内。建议一开始跟踪的事件不要超过5个，并每隔一段时间就对比一次流失客户和健康度的指标。
健康度指标模型不可能一劳永逸，随着产品的进步，健康度指标也会不断的变化，要准备好随时更新。
二、如何把这些指标用起来？
很多团队跟踪核心指标的方式不同，最常见方法是每隔一段时间将整体的指标计算后再通过邮件发出去。这种方式尽管方便，却无法提供实时的反馈，核心指标的趋势和变化也不便观察。
最好的办法，是将这些重点的指标都放在一个能够实时更新的仪表板（如上图）上，并放在一个能够让团队所有的人都能访问的地方。有条件的话，最好是大家都能看到的实体屏幕上，如果没条件，也应该是一个每天早晨到公司第一件事就打开的链接。
本文作者GrowingIO殷旻哲，原文发于微信公众号GrowingIO。本文由作者授权创业邦（微信公众号：ichuangyebang）发布，转载请注明作者信息及来源，违者必究
-
观点
云计算爆发性增长下的行业研究报告
编者按：本文作者云启创投投资团队，云启创投是一家专注于云计算以及大数据、智能硬件、金融科技和企业间交易服务（B2B）的早、中期投资的创投基金。文章首发于微信号：云启创投（ID：yunqipartners ）。
云计算作为打破传统 IT 技术格局的新产业机会，是千亿级的市场。
然后其中增速最快的，也是最令人瞩目的是公有云，年增速近 35%。与此同时，互联网产业的快速发展和全球信息化的速度不断加快，未来全世界对于计算资源的需求将会越来越大。云启创投将分四期推送云计算行业研究报告，以下是第一期内容：
云计算行业市场分析
云计算市场版图
全球云计算市场-市场规模大且快速增长
2010-2017年 全球云计算市场规模 1
2012-2017年 全球 IT 市场技术架构类别占比 2
观点
•云计算是个千亿级的市场，然后其中增速最快的，也是最令人瞩目的是公有云，年增速近 35%
•传统的 IT 架构将逐渐被云计算的架构替代，其中私有云未来市场体量相对有限，而公有云将会在未来快速增长。
•面向中小企业用户的公有云所具有的弹性拓展、按需付费等优势，是未来全球云计算市场主要机会点。
中美对比
中国云计算市场大幅滞后于美国市场
2012-2016年 中国与美国云计算市场规模对比 (公有云 + 私有云）3
2012-2017年 中国云计算与其他 IT 支出规模对比 4
观点
•中国整体云计算市场仅有美国市场的 1/10，但考虑到中国巨大的人口规模以及信息化程度和互联网化的快速发展，中国云计算市场未来有巨大的潜力。
•云计算在中国整体 IT 投入规模中的占比正在不断增大，云计算的应用将会越来越普及。
•作为云计算的先行者，美国云计算市场和公司的发展将会是中国云计算市场很好的参照对象。
中国云计算玩家版图
中美云计算项目投资概况
大规模的投资与布局
美国云计算行业风险投资机构累计投资项目数量
中国云计算行业项目融资数量 5
中美资本市场对于云计算行业投资热度高。美国知名风投机构都已经在云计算行业投资大量项目进行布局，而中国近两年来的云计算融资项目也快速增长。
注：投资项目数量是按照单个项目进行统计，而非轮次。
传统巨头在云计算的布局
2016年1 季度财报 Quick Review
观点
•互联网和传统 IT 巨头的云计算业务持续增长，而且云计算业务的增长大量的弥补了传统业务的下滑。
•云计算已成为 IT 公认的未来发展方向，三家公司都设定了以云计算为目标的公司战略，并且都持续在资本和人力上持续投入。
•每家云计算发展方向和业务特点差异化大，原因是各家自身业务特点不同和云计算业务的目标群体不同。
因为信息化不足的历史背景，中国云计算市场目前远小于美国。但是考虑到中国的人口基数和快速发展的互联网业，中国未来对于计算资源的需求将越来越接近美国。
资料来源
1 资料来源:Gartner,2015/IDC 2014 State of the Market - IT Spending Outlook；
2 资料来源：IDC WorldwideQuarterly Cloud IT Infrastructure Tracker Q2 2015
3 资料来源:Gartner&中信证券,云计算行业深度报告—掘金云服务；
4 资料来源中信证券,云计算行业深度报告—掘金云服务
5 资料来源:以太，企业服务报告
本文来自读者投稿，不代表36氪立场，如若转载，请注明出处：http://36kr.com/p/5046825.html
扫一扫 加微信
hrtechchina
