距离“大数据（big data）”的首次提出已经将近10年，但是健身行业对于数据的应用，大部分时候仅仅停留在“收集数据”这一步。

当前社会正从IT到DT智能时代，传统行业嫁接互联网，产生的是加法效应；大数据创新驱动，产生的是乘法效应，价值呈指数递增。DT时代拼的是人才和创新价值的能力，拼的是你的数据能够给社会创造多少价值，用数据挣钱才是未来真正所在。

在精细化运营的趋势下，我们越来越需要去“认清”用户本来的样子，而合理有效地使用数据已经成为必须要get和升级的技能。

健身场馆运营者对于顾客行为、购买意愿等信息进行统计整理，这个过程就是“数据收集”;而通过顾客外在的表现行为等信息，整合分析，研究其内在需求和购买动机，则是更为重要的过程——“数据分析”。

“缺少门店数据分析，不去洞察会员内在更深层次的动机和需求，你既无法发挥数据的价值，也难以留住顾客。”Kweenew创始人陈海园曾说过。

探索数据的价值

如果面对数字堆砌出来的数据报表，缺乏有序的数据整合与深度分析，那些获取到的信息将毫无意义。接下来Kweenew将为大家，就我们收集的三张门店样本数据进行分析。

通过上面的【各年龄段男、女会员情况】，我们可以很清楚地看到不同年龄段我们的会员结构及性别分布，将比例算出来后不难得出以下结论：

1. 80和90后为该健身房主要顾客群体。

年龄上来看,19至38岁的健身人群,是当前该健身俱乐部的主要顾客,与健身行业的主要消费群体相同。究其原因，是由于该群体多已有稳定的工作和经济来源,并且较为喜欢追求现代化生活方式,具有时尚的消费观念。

2. 80后之后的会员中，女性占比越来越大。

根据图表来看，一个很显著的特性就是80后之后的人群中，女性占比越来越大，也就是38岁之前的女性会员居多。该部分女性群体，健身的目的多为对外形的塑造，为了拥有更加美丽的外表。

3. 70后男性顾客占比反超女性。

现在80和90后的男性都在拼事业的高峰阶段，男人们对于自己健康的意识还没有达到一个高度，反而70后的男人们更加关注自己的健康，毕竟70后一般在自己的事业中已经达到了一定的高度，会更加注重生活的品质和健康。

而这张【各年龄层VIP、普通会员情况】则主要和每个年龄段所对应的经济水平呈现正态分布，经济水平越高的年龄段人群，购买VIP会员的比例则越高；反之，则相反。

和上一张图表一样，【各年龄层私教会员情况】基本也与经济水平正相关，但是60后和00后的私教比例，却呈现出不同的态势，原因也十分有趣。

1. 00后会员私教比例最高。

00后会员年龄段分布主要为9-18岁，该会员人群办理入籍时，多有家长伴随，父母更为担心孩子的安全问题，在健身中可能会由于对健身器械的不熟悉、健身知识的缺乏，导致受伤情况的发生，所以购买私教，主要是为了避免运动损伤。

2. 60后私教人群占比第二。

60后选择健身的人群多为企业高管或公司负责人等高净值人群，他们更加相信专业的价值，用有限的时间做最正确的锻炼，请私教主要也是为了不浪费时间。

通过仅仅三张报表的数据分析，我们就可以帮助到健身场馆在营销策略上获取更多的有效信息，如：对女性会员的话术多以变得更加美丽为主，门店活动更加年轻化，增添时尚感等。

Kweenew大数据

当健身场馆面对如何做到对数据有效收集及精准分析等难题时，一个专业智能的运动管理系统往往能够使其事半功倍。

Kweenew大数据的支持，搭载云计算机处理分析功能，收集海量数据并进行整合，将健康评估数据标准化，评估数据分析专业化，最终将数据输出至多种场景的应用下，层层权限把控，将安全系数提高至保密级别。

在Kweenew运动管理系统的帮助下，健身场馆运营者可以实时查看门店经营状况，分析运营数据，定制更具针对性的营销策略；场馆会籍、教练等一线工作人员，能够获取更加清晰的客户画像，会员动态实时追踪，在提高成交率的同时，提升会员粘性与服务体验。

本文部分配图来源于网络

国家统计局2015年2月27日发布的数据显示,2014年末,中国大陆人口为136782万人,比上年末增加710万人,其中男性人口70079万人,女性人口66703万人。男性比女性多3376万，男女比例是105:100。2014年我国60周岁及以上占比为15.5%，上网人数6.49亿人，互联网上网人数6.49亿人，其中手机上网人数5.57亿人，增加5672万人。

孩子是爱情的结晶，是美好生活的未来。在封建社会重男轻女，现在的社会这种风气好了一些，但是在偏远的西部和农村地区，这种风气还是存在的。随着科技的进步和时代的发展，中国男女比例已经明显有些差异。据官方统计，目前中国男女比例是105:100。

我们都知道，整个自然社会追求的是和谐，有阴有阳，有白天有黑夜，轮流交替，日夜轮回。可为什么目前的比例慢慢的有所差距呢？有网友分析如下：

中国当下的性别比例失衡的原因主要有三方面：重男轻女的传统观念，计划生育政策，现代医学技术（B超和堕胎等）

1. 单纯重男轻女观念的影响：部分农村仍然存在杀女婴和抛弃女婴的现象。但仅仅这一点无法解释为何最近几十年中国男女比例持续增大。

2. 传统观念中，一般一个家里至少要有一个男孩才能“延续香火”。在以前，家里没男孩怎么办？不停地生呗，三妻四妾多线程地生， 直到生出男孩为止（当然这本身并不会导致男女比变化）。但是自从有了婚姻法和计划生育，不可能无限生，就只能最大化有限名额，不停堕胎直到生出男生为止。

3. 选择胎儿性别必须满足两个条件：在出生前（越早越好）知道胎儿性别 + 有进行选择的能力。 B超等技术的存在满足了第一个条件，而越来越安全和廉价的堕胎技术也提供了选择的机会。部分女婴被堕胎，而男婴被当成宝，性别失衡就出现了。 所以，重男轻女（文化）是根本原因，计划生育（社会/政策）是诱发因素，而医学手段（科学技术）创造了客观条件。

不光是性别比例问题，许多其他社会问题也都是这几个因素协同作用导致的。 解决的方法自然是掐死其中至少一个方面： 最简单的就是禁止用B超之类的技术来测胎儿性别，许多地方的确有相关规定，只是执行情况很不乐观。相对困难一点的就是改变计划生育政策这个牵扯到的方面比较多，所以直到现在才通过。最难的，也是最根本的，就是重男轻女、“传宗接代”、“延续香火”等观念了。这些都扎根在几千年中国文化中，只有通过几十年甚至几代人的教育和性别平等观念的宣传和普及才能慢慢改变。

数据分析

愿社会更加和谐！欢迎关注百家号：程序员技术前沿。欢迎转载分享，留言讨论。

“大数据”全在于发现和理解信息内容及信息与信息之间的关系，在数字化时代，数据处理变得更加容易、更加快速，人们能够在瞬间处理成千上万的数据。大数据带给我们的三个颠覆性观念转变：

1.全体数据：要分析与某事物相关的所有数据，而不是依靠分析少量的数据样本。在大数据时代，我们可以分析更多的数据，有时候甚至可以处理和某个特别现象相关的所有数据，而不再依赖于随机采样(随机采样，以前我们通常把这看成是理所应当的限制，但高性能的数字技术让我们意识到，这其实是一种人为限制);

2.混杂性：我们乐于接受数据的纷繁复杂，而不再追求精确『性』。研究数据如此之多，以至于我们不再热衷于追求精确度;之前需要分析的数据很少，所以我们必须尽可能精确地量化我们的记录，随着规模的扩大，对精确度的痴迷将减弱;拥有了大数据，我们不再需要对一个现象刨根问底，只要掌握了大体的发展方向即可，适当忽略微观层面上的精确度，会让我们在宏观层面拥有更好的洞察力;

3.相关关系：我们的思想发生了转变，不再探求难以捉『摸』的因果关系，转而关注事物的相关关系。我们不再热衷于找因果关系，寻找因果关系是人类长久以来的习惯，在大数据时代，我们无须再紧盯事物之间的因果关系，而应该寻找事物之间的相关关系;相关关系也许不能准确地告诉我们某件事情为何会发生，但是它会提醒我们这件事情正在发生。

摘　要：失业问题已经是全社会的关注焦点，而在众多的理论解决方案中，哪些才是真正的切实可行？本文从两个方面分析了当今社会失业问题的原因和解决方案，第一是高校毕业生失业的原因以及应对措施，第二是针对拉动消费和增加就业的两个方面。其中，提出一种有效解决失业问题的个人想法，即可以限制现有劳动力的工作时间，实行间接下岗制度来解决就业，同时增加社会劳动生产效率、实现贫富差距降低。

关键词：失业 高校毕业生就业 工作时间

失业是宏观经济中的主要问题，也是影响当代社会稳定的重要环节。失业的种类主要包括两种，自愿性失业和非自愿性失业。又细分作永久性失业、暂时性失业、制度性失业、结构性失业、摩擦性失业、掠夺性失业、成本性失业、对抗性和过盛性失业。本篇文章想就非自愿性失业浅谈一下其成因和解决办法。在非自愿性失业中，最值得关注的一个群体就是高校毕业生。其中，这一部分的失业人群还可以分成两个群体，一个是诸如国家211、985等高等院校毕业的所谓“高材生”，另外一类就是一些普通大学、专科、职业技术类院校毕业的，或者是接受低端教育的农村学生。这两类高校毕业生的失业原因是不尽相同的，主要表现在以下几个方面：（1）观念的偏差。在当今社会，很多家长都怀有 “望子成龙望女成凤”的心理，认为自己的儿女既然是大学生，就理所应当有一份好工作，并且从小教育自己的孩子，要成为“人上人”，灌输“一切向钱看”的错误思想，于是这部分学生从小的观念就是错误的，自然而然的当他们走向社会，一些基层工作他们就不愿意做，从而很难适应社会。这种现象在高校毕业生群体中尤为突出。

（2）高校毕业生素质下降。首先是国家高等教育的院校扩张使大学生数量急剧增加，入学门槛降低，学生综合素质下降。另外，学校的教育体制使知识与工作实践相脱节，学生适应社会能力差。再次，大学生眼高手低，不安于枯燥的工作，频繁跳槽是直接原因。（3）产业水平的低端化。说到产业，不难看出我国目前的产业结构处于“苦力紧缺，人才拥挤”的矛盾境地，需要高学历人才的创新、设计部门要远少于基层部门，从而一些高新技术人才就无用武之地，于是造成失业。（4）大学生自主创业环境不佳。在个人创业方面。国家的税制方面以及行政、政策方面都不利于大学生自主创业，或者说，中国的环境根本没有激励大部分青年人自主创业的热情。（5）就业歧视。就业歧视是在我国很严重的社会问题，似乎毕业就等于失业，或专业不对口，或遭受性别歧视，学非所用，造成人才浪费，以及 “读书无用论”泛滥。比如资格性失业、地域歧视、性别歧视、背景歧视都属于这一范畴。基于以上的原因，我认为，解决大学生就业问题，需要特别注意以下这些方面：首先，是教育水平的提高，这需要在对现行的教育体制进行改革和完善的基础上，根据市场需求动态调整专业设置。教育机构应该加强市场调研，跟踪高校所设置专业的就业率、就业方向等情况，根据经济发展的不同时期的劳动力市场需求调整高校部分专业设置，从而使得高校毕业生能更加准确的定位自己的职业方向。

其次，要在政策、资金和技术上大力支持学生自主创业，鼓励学生到农村、基层等地区就业，改善创业环境。并对相对收入较低的大学生进行合理补偿。最后也是最重要的一点，消除就业壁垒。对于地域就业壁垒，应取消各级政府保护本地生源毕业生就业的政策，彻底放弃各种就业歧视政策。依靠市场机制来调节高校毕业生的人才流动。同时还要深化户籍改革，使得高校毕业生可以在区域间和城乡间自由流动，实现就业自由。另外从制度上彻底改革，切实拓宽大学生就业渠道，完善毕业生保障制度，实现创业自由。针对目前我国劳动力市场和岗位供应不平衡的情况，依靠市场机制来调节劳动力供求是一个方面，更重要的方面是加快制度改革以提高劳动力资源配置效率，使得更多的待业者找到合适自己的岗位。然而对于普通失业者来讲，科技进步缩短了生产商品所需的社会必要劳动时间，而人们的工作时间并没有明显缩短，于是变造成了失业。而我们知道，消费可以拉动需求，需求又会带动生产，有了生产的要求才能提供就业岗位。而人类生产活动的最终目标是什么？只是为了生产吗？不是，是提高生活水平生活质量，根本上来说还是要满足消费，满足人民的物质文化生活。而如果社会是这样一种状态：一部分有工作，而因为时间占用太多而无暇休闲，另一部分人则有充裕时间休闲，却没有金钱来支撑。这样的社会是不平衡的，有效的解决方法就是限制每个人的工作时间，简单来说就是一份工作让两个人来做。举例来说，假如在未限制工作时间之前，一个人有一份月收入两千元的工作，月平均消费在一千元，另外一个人待业，由于没有收入来源，月消费为零。那么两人的消费总量就是一千。如果这两个人一同来做这份工作，那么情况便会有所改变。前者由于工作压力减少、闲暇时间增加，消费数额也会相应增加；而后者由于有了收入来源，消费欲望便会变成一定的消费力。那么两个人的消费总数就会大于起初的一千元。假如这个总数变为了一千五百元，那么这伍佰元的净消费增加量进入生产和销售的环节中后，便会在每个环节都有所净增量，并且增加量根据消费领域的不同而有不同的幅度。同时，这里每个环节的消费收入净增量也会带来财政税收的增加。进入到实际操作中，可以实行短期轮岗，也可规定长期休假轮岗。两种方法各有利弊，短期轮岗可以促进人们就近消费，但是不便于实际操作；而长期的办法虽然简单可行，且可以给员工更多外出旅游的时间，却容易导致工作业务和技能的生疏，导致生产率下降。

有的人可能还会问，那么此政策刚刚推行的时候，怎么形成规模影响力又不会造成社会不稳定呢？方法也有很多，比如，刚刚推行的时候，可以不要直接一刀切将原有员工的工资减半，可以先在原有职工中实行“竞争上岗”制度，考核过关的人数应保证占少数，这部分人可以保持原有的工资或者稍减少一部分，而其余的这部分没有考核通过的人就要接受限制工作时间政策，在其工作岗位上增加一人，同时给其减少工资幅度可以放缓，不要一下就减半。这样，将政策的实施变成一个动态的过程，不仅会避免给员工一个心里上的巨大落差，还可以在竞争上岗和工资降低的压力中产生更强烈的忧患意识，可总结大全

以促进企业生产效率。如果这样的政策是政府行为，全国的企业单位全部都实行此政策，那么就不存在员工不满情绪或者是造成更严重的失业，而且其动态效应是全国性的。因此长期实行可以拉动全国的消费水平增加，大幅度的带动就业增长，同时减少贫富差距，使最广大人民群众的收入多起来，使超高收入者比例减少，使超高收入者所占有的社会财富总量减少。总之，造成失业的原因有很多，理论上的解决办法在逐步被采纳。这里重点谈了高校毕业生就业和限制工作时间方法两个方面，而这些方法在实际探索中也还需要进一步的完善和改正。

【参考文献】

《促进高校毕业生就业的对策建议》 谭永生 《宏观经济管理》 总第 334期《失业的根本原因及解决失业问题的根本办法探索》中国经济网《09年中国大学生就业报告——热门专业失业率》

大数据能够给企业带来什么样的价值?我的企业适不适合大数据?我的企业哪里用得上大数据?很多企业的决策者对这些问题并不了解，缺乏“数据意识”，不习惯通过数据进行经营和决策。观念的转变才是企业数据化面临的最大困难。观念的转变需要时间，也需要市场的培养。

大数据来了以后各个企业会去应对，想方设法更新自己的硬件，去买设备做存储。在最开始的时候把数据存储起来主要为了查询。一个人在银行开一个帐户，这个人过段时间还会回来，银行通过查询方式，可以把此人的信息全部查询出来。这个查询有一定的价值。当数量非常大的时候，在集群情况下，有上千万上亿的数据的时候，群体的趋势是什么样的是要通过分析才能得到，这个价值会更大，可以帮助银行做市场决策。比如，在银行里面大家都知道有一个二八定律，20%的人拥有80% 的存款。 这20% 的人是什么样的人，他们身份怎么样，要通过分析得到。如果想通过人员来查，几乎是不可能的。在大数据时代，数据分析的手段是关键，只有通过数据分析才能带来价值。但是传统的数据分析能力无法处理这么大量的数据。

又例如：一家中等规模的百货商场，通过视频监控记录下商场各个区域的客流人数，从而评估每天各个时段客流的在店时长，进而结合销售记录数据估算出客流中带有明确购买目标的“搜索型”顾客和无明确购买目标的“浏览型”顾客的比例，从而为之设计针对性的营销手段和服务措施。这里涉及的数据量，从技术视角上看并不算庞大，但该商场对多源数据的整合和开发，不失为基于大数据管理的一种典型体现。

在大数据时代，数据的意义不亚于第一次工业革命后的煤炭、钢铁，或是现代工业的电力、石油甚至自动化技术。企业只有跟上时代的步伐才能够在血腥的市场搏杀中生存下来。

如果喜欢小编的分享，请转发/收藏/关注我吧，小编会持续与大家分享更多实用的功能，欢迎大家吐槽，交流意见。

如需转载请注明出处：http://zyunt/

关键词 智云通CRM 大数据 数据意识 CRM

本人从事互联网工作很多年，因为工作的原因曾经接触过数据分析。记得当年在谷歌投放广告时要用GA进行数据分析，曾经专门学习大量语句代码进行数据监测；做SEO时要用站长工具进行网站数据分析，但这些分析是从企业角度考虑的。

而如今的互联网世界里，更多讲究的是用户对产品的体验、业务流程、售后服务等内容，因为大家都这样做，所以各企业所有这些都会变得越来越同质化，越来越差异不大。表现为互联网上各种行为都要登录，只要注册就要手机号、要绑定银行卡，相信每个人的账号密码上百个！

互联网本身具有数字化和互动性的特征。如今移动互联网如此谱及，几乎人手一部手机，手机变得如此重要，原因是每个人都在参与其中。数据分析人员更多的要站在用户角度考虑问题了，比如阅读量、转发量、参与人数、活跃用户、新增用户、用户构成、用户留存率、每个用户总活跃天数等指标成了重要参考。

这是一个用数据说话的时代，也是一个依靠数据竞争的时代。目前世界500强企业中，有90%以上都建立了数据分析部门。知名公司都积极投资数据业务，建立数据部门，培养数据分析团队。各国政府和越来越多的企业意识到数据和信息已经成为企业的智力资产和资源，数据的分析和处理能力正在成为日益倚重的技术手段。

与传统的数据分析师相比，互联网时代的数据分析师面临的不是数据匮乏，而是数据过剩。因此，互联网时代的数据分析师必须学会借助技术手段进行高效的数据处理。

数据分析师的定义（来源：百度百科）

数据分析师 是数据师的一种，指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。具体要求如下：

1、懂业务。从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。

2、懂管理。一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。

3、懂分析。指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。

4、懂工具。指掌握数据分析相关的常用工具。数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。

5、懂设计。懂设计是指运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。

现在，每个人不能只会一样技能，要求多面手啊！

本人觉得在移动互联网时代，还要增加一项技能：

6、懂运营。熟悉内容、用户、活动等各个模块的运营，熟悉各类产品形态，有能力通过各种运营手段的组合拉升一个产品大部分的主要数据，同时还可以做到跟产品间的沟通无障碍，甚至可以出一些简单的产品方案。

关于数据分析师的职业发展

1、数据分析师通常分两类，分工不同，但各有优势。

　　一类是在专门的挖掘团队里面从事数据挖掘和分析工作的。如果你能在这类专业团队学习成长，那是幸运的，但进入这类团队的门槛较高，需要扎实的数据挖掘知识、挖掘工具应用经验和编程能力。该类分析师更偏向技术线条，未来的职业通道可能走专家的技术路线。

　　另一类是下沉到各业务团队或者运营部门的数据分析师，成为业务团队的一员。他们工作是支撑业务运营，包括日常业务的异常监控、客户和市场研究、参与产品开发、建立数据模型提升运营效率等。该类型分析师偏向产品和运营，可以转向做运营和产品。

2、数据分析师的理想行业在互联网，但条条大道通罗马，走合适你的路线。

　　从行业的角度来看：

　　1)互联网行业是数据分析应用最广的行业，其中的电商企业，更是目前最火的，而且企业也更重视数据分析的价值，是数据分析师理想的成长平台。

　　2)其次是咨询公司，他们需要数据分析人才，而且相对来说，数据分析师在咨询公司成长的速度更快，专业也会更全面。

　　3)再次是金融行业，比如银行和证券等行业，该行业对数据分析的依赖需求，越来越大。

　　4)最后是电信行业，它们拥有海量的数据，在严峻的竞争下，也越来越重视数据分析，但进入这些公司的门槛比较高。

数据分析人员该如何提升自己？

1、多读书（摘自知乎）

——小白篇——

大数据时代；浪潮之巅；互联网创业密码；从0到1；决战大数据；块数据；大数据预测:告诉你谁会点击、购买、死去或撒谎；信号和噪声；数据之巅；跨界:开启互联网与传统行业融合新趋势；删除:大数据取舍之道；互联网思维:工作、生活、商业的大革新

——菜逼篇——

数据化管理:洞悉零售及电子商务运营；转化:提升网站流量和转化率的技巧；社交网站的数据挖掘与分析；数据分析 :企业的贤内助；淘宝大数据；网站数据分析:数据驱动的网站管理.优化和运营；人人都是网站分析师:从分析师的视角理解网站和解读数据；大数据营销:定位客户；数据挖掘与数据化运营实战 :思路.方法.技巧与应用；大数据分析:决胜互联网金融时代；分析的力量；网站数据挖掘与分析:系统方法与商业实践

——菜鸟篇——

谁说菜鸟不会数据分析（工具篇+入门篇）；EXCEL图表之道/如何制作专业有效的商务图表；决策分析:以Excel为分析工具；Word/Excel/PPT 2013商务办公从新手到高手；实用数据分析；深入浅出数据分析；构建高效数据分析模板:职场必学的Excel函数与动态图表高级；SAS统计分析与应用从入门到精通(第2版) ；IBM SPSS数据分析与挖掘实战案例精粹；从零进阶!数据分析的统计基础；Excel 2010函数与公式；Excel高效办公.数据处理与分析

——高手篇——

集体智慧编程；利用Python进行数据分析；数据挖掘与R语言；R语言与数据挖掘最佳实践和经典案例；R的极客理想工具篇；数据挖掘 :实用案例分析；R与Hadoop大数据分析实战；深入理解大数据:大数据处理与编程实践；数据挖掘:实用机器学习工具与技术；R语言与网站分析；Mahout算法解析与案例实战；算法心得:高效算法的奥秘

——大神篇——

大数据管理:数据集成的技术、方法与最佳实践；HADOOP技术内幕系列；MYSQL技术内幕；Storm 实时数据处理；Spark快速数据处理；Oracle数据库性能优化的艺术；Oracle达人修炼秘籍:Oracle 11g数据库管理与开发指南；Hadoop应用开发技术详解

——产品运营篇——

人人都是产品经理；互联网运营之道；结网；淘宝十年产品事；运营之光

2、培训提升

目前，针对高级人员的数据分析相关课程有：

大数据处理技术-基于Hadoop/Yarn的实战

大数据实时处理–基于Spark的大数据实时处理及应用技术

数据仓库与数据挖掘（结合SPSS和WEKA）

Python和R数据挖掘技术-基于Python和R语言的数据挖掘和统计分析技术

大数据分析挖掘-基于Hadoop/Mahout/MLlib的大数据挖掘

Spark大数据挖掘工具MLlib实战(机器学习)

大数据可视化技术与应用

Python语言基础及数据分析技术

综上所述，在移动互联网时代下，单一的数据分析人才不但要提高技术水平，还要与时俱进，懂得从产品运营中获取数据，分析出更有价值的产品，满足用户日益增长的需求体验！

现代营销观念认为：“营销管理重在过程，控制了过程就控制了结果。”用户行为分析之漏斗分析模型是企业实现精细化运营、进行用户行为分析的重要数据分析模型，其精细化程度影响着营销管理的成败，以及用户行为分析的精准度。粗陋的漏斗分析模型因为过程管理不透明、数据分析不精细、用户行为分析不科学而造成结果失控。因此，我们经常能够听到一些产品经理的抱怨不绝于耳：从启动 APP 到“支付成功”，用户转化率为何仅仅 0.8 %？

一、什么是漏斗分析？

究竟什么是漏斗分析？漏斗分析是一套流程分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。

漏斗分析模型已经广泛应用于流量监控、产品目标转化等日常数据运营与数据分析的工作中。例如在一款产品服务平台中，直播用户从激活APP开始到花费，一般的用户购物路径为激活APP、注册账号、进入直播间、互动行为、礼物花费五大阶段，漏斗能够展现出各个阶段的转化率，通过漏斗各环节相关数据的比较,能够直观地发现和说明问题所在，从而找到优化方向。

二、漏斗分析模型的特点与价值：

对于业务流程相对规范、周期较长、环节较多的流程分析,能够直观地发现和说明问题所在。值得强调的是，漏斗分析模型并非只是简单的转化率的呈现，科学的漏斗分析模型能够实现以下价值：

企业可以监控用户在各个层级的转化情况，聚焦用户选购全流程中最有效转化路径；同时找到可优化的短板，提升用户体验；降低流失是运营人员的重要目标，通过不同层级的转情况，迅速定位流失环节，针对性持续分析找到可优化点，如此提升用户留存率。多维度切分与呈现用户转化情况，成单瓶颈无处遁形。科学的漏斗分析能够展现转化率趋势的曲线，能帮助企业精细地捕捉用户行为变化。提升了转化分析的精度和效率,对选购流程的异常定位和策略调整效果验证有科学指导意义。不同属性的用户群体漏斗比较，从差异角度窥视优化思路。漏斗对比分析是科学漏斗分析的重要一环。运营人员可以通过观察不同属性的用户群体（如新注册用户与老客户、不同渠道来源的客户）各环节转化率，各流程步骤转化率的差异对比，了解转化率最高的用户群体，分析漏斗合理性，并针对转化率异常环节进行调整。

三、在漏斗分析模型中，科学归因、属性关联的重要性

先谈归因。在科学的漏斗分析中，需要科学归因设置。每一次转化节点应根据事件功劳差异（事件对转化的功劳大小）而科学设置。企业一直致力定义最佳用户购买路径，并将资源高效集中于此。而在企业真实的漏斗分析中，业务流程转化并非理想中那么简单。

以市场营销为例，市场活动、线上运营、邮件营销都可能触发用户购买。A 欲选购一款化妆品，通过市场活动了解 M 产品，后来在百度贴吧了解更多信息，但是始终没有下定决心购买。后来收到 M 公司的营销邮件，A 被打折信息及详实的客户评价所吸引，直接邮件内跳转至网站购买了该商品。

那么，在漏斗设置时，转化归因应该“归”哪一个渠道呢？在这个案例中，运营人员愿意以实际转化的事件的属性为准。邮件营销的渠道在用户购买决策的全流程中对用户影响的“功劳”最大、权重较大，直接促进用户转化。在科学的漏斗分析模型中，用户群体筛选和分组时，以实际转化事件——邮件营销来源的用户群体的属性为准，则大大增大了漏斗分析的科学性。

再一起看属性关联。在进行漏斗分析时，尤其电商行业的数据分析场景中，运营人员在定义“转化”时，会要求漏斗转化的前后步骤有相同的属性值。比如同一 ID（包括品类 ID、商品 ID）才能作为转化条件——浏览 iphone6，购买同一款 iphone6 才能被定义为一次转化。因此，“属性关联”的设置功能是科学漏斗分析不可或缺的内容。

四、漏斗分析场景：

场景一：电商行业不同客户群体的转化情况

某电商企业客户根据客户的消费能力，将客户划分为普通会员、黄金会员、钻石会员。为加强对用户的转化引导，F 欲针对不同用户群体采用不同的运营方式。

图1 普通会员与钻石会员的漏斗转化情况对比

通过对比，可明显看出，普通会员从“提交订单”到“支付订单”的转化率明显低于钻石会员。为找到“支付订单”阶段转化率变低的原因，F公司运营人员应深度分析普通会员转化率情况，如对比不同付费渠道（PC 端、手机端等）的转化情况，找到优化的短板。另外，可以尝试支付订单流程的新手引导，帮助新手顺利完成购买。

场景二：零售行业——中商惠民科学评估站内推广位的效果

首页推广位的效果监控是站内运营重要一环，数据的监测与分析是重要工作，它为站内优化、页面体验提升作出指导。运营人员可以通过用户的点击转化率与购买转化率可以判断页面不同推广位置效果。下图是中商惠民首页推广位“一元促销”、“清洁专场”两个Banner转化率情况对比。（注：为涉嫌商业机密，以下场景模拟真实应用场景而设，数据均为虚拟。）

图2 “一元促销”、“清洁专场”两个Banner转化率情况对比

除此之外，漏斗分析模型已经广泛应用于各行业的数据分析工作中，用以评估总体转化率、各个环节的转化率，以科学评估促销专题活动效果等，通过与其他数据分析模型结合进行深度用户行为分析，从而找到用户流失的原因，以提升用户量、活跃度、留存率，并提升数据分析与决策的科学性等。

关于神策数据

神策数据（https://sensorsdata），一家专业的大数据分析服务公司，致力于帮助客户实现数据驱动。公司推出深度用户行为分析产品神策分析（Sensors Analytics），支持私有化部署、基础数据采集与建模，并作为PaaS平台支持二次开发。此外，还提供大数据相关咨询和完整解决方案。目前已赢得中国银联、聚美优品、百联、中邮消费金融、广发证券、参考消息、中商惠民、米其林、趣店、融360、纷享销客、共享单车、秒拍、36氪等众多行业领先企业认可。希望更深入了解神策数据或有数据驱动相关问题咨询，请咨询4006509827，由专业的工作人员为您解答。

作者：乔一鸭，神策数据运营一枚。

今有雉、兔同笼，上有三十五头，下有九十四足。问:雉、兔各几何?答曰:雉二十 三，兔一十二。

——《孙子算经》下卷

今日从数学思考方面简谈小学数学。

第一学段（1~3年级）:1.在运用数及适当的度量单位描述现实生活中的简单现象，以及对运算结果进行估计的过程中，发展数感；在物体中抽象出几何图形、想象图形的运动和位置的过程中，发展空间概念。2.能对调查过程中获得的简单数据进行归类，体验数据中蕴含着信息。3.在观察、操作等活动中，能提出一些简单的猜想。4.会独立思考问题，表达自己的想法。

(图片来源于网络）

第二学段（4~6年级）：1.初步形成数感和空间概念，感受符号和几何直观的作用。2.进一步认识到数据中蕴含着信息，发展数据分析观念；通过实例感受简单的随机现象。3.在观察、实验、猜想、验证等活动中，发展合情推理能力，能进行有条理的思考，能比较清楚地表达自己思考过程与结果。4.会独立思考，体会一些数学的基本思想。

（图片来源于网络）

第三阶段（7~9年级）：1.通过代数式、方程、不等式、函数等表述数量关系的过程，体会模型的思想，建立符号意识；在研究图形的性质和运动、确定物体位置等过程中，进一步发展空间观念；经历借助图形思考问题的过程，初步建立几何直观。2.了解利用数据可以进行统计推断，发展建立数据分析观念；感受随机现象的特点。3.体会通过合情推理探索数学结论，运用演绎推理加以证明的过程，在多种形式的数学活动中，发展合情推理与演绎推理能力。4.能独立思考，体会数学的基本思想和思想模式。

好晚了，今天码字到此，赞同的朋友可以留下你的赞哦。

（图片来源于网络）

作者：苏格兰折耳喵

来源： 运营喵是怎样炼成的 （yymzylc）

（温馨提示：图片显示毛糙和不清楚，是分辨率过高的缘故，点击图片，即可看到高清大图。 ）

本文将对一个案例进行从数据采集、数据清洗、数据分析再到数据可视化的全流程分析，力求条理清晰的展现外部数据分析的强大威力。以下是本文的写作框架：

1 分析背景

1.1 分析原理---为什么选择分析虎嗅网

在现今数据爆炸、信息质量良莠不齐的互联网时代，我们无时无刻不身处在互联网社会化媒体的“信息洪流”之中，因而无可避免的被它上面泛滥的信息所“裹挟”，也就是说，社会化媒体上的信息对现实世界中的每个人都有重大影响，社会化媒体是我们间接了解现实客观世界和主观世界的一面窗户，我们每时每刻都在受到它的影响。

综合上述两类情形，可以得出这样的结论，透过社会化媒体，我们可以观察现实世界：

由此， 社会化媒体是现实主客观世界的一面镜子，而它也会进一步影响人们的行为，如果我们对该领域中的优质媒体所发布的信息进行分析，除了可以了解该领域的发展进程和现状，还可以对该领域的人群行为进行一定程度的预判。

鉴于此种情况，作为互联网从业者的笔者想分析一下互联网行业的一些现状，于是想到了虎嗅网。

虎嗅网创办于2012年5月，是一个聚合优质创新信息与人群的新媒体平台。该平台专注于贡献原创、深度、犀利优质的商业资讯，围绕创新创业的观点进行剖析与交流。虎嗅网 的核心，是关注互联网及传统产业的融合、一系列明星公司（包括公众公司与创业型企业）的起落轨迹、产业潮汐的动力与趋势。

因此，对该平台上的发布内容进行分析，对于研究互联网的发展进程和现状有一定的实际价值。

1.2 本文的分析目的

笔者在本项目中的分析目的主要有4个：

（1）对虎嗅网内容运营方面的若干分析，主要是对发文量、收藏量、评论量等方面的描述性分析；

（2）通过文本分析，对互联网行业的一些人、企业和细分领域进行趣味性的分析；

（3）展现文本挖掘在数据分析领域的实用价值；

（4）将杂芜无序的结构化数据和非结构化数据进行可视化，展现数据之美。

1.3 分析方法---分析工具和分析类型

本文中，笔者使用的数据分析工具如下：

Python3.5.2（编程语言）

Gensim（词向量、主题模型）

Scikit-Learn（聚类和分类）

Keras（深度学习框架）

Tensorflow（深度学习框架）

Jieba(分词和关键词提取)

Excel（可视化）

Seaborn（可视化）

新浪微舆情（情绪语义分析）

Bokeh（可视化）

Gephi（网络可视化）

Plotly（可视化）

使用上述数据分析工具，笔者将进行2类数据分析：第一类是较为传统的、针对数值型数据的描述下统计分析，如阅读量、收藏量等在时间维度上的分布；另一类是本文的重头戏---深层次的文本挖掘，包括关键词提取、文章内容LDA主题模型分析、词向量/关联词分析、DTM模型、ATM模型、词汇分散图和词聚类分析。

2 数据采集和文本预处理

2.1 数据采集

笔者使用爬虫采集了来自虎嗅网主页的文章（并不是全部的文章，但展示在主页的信息是主编精挑细选的，很具代表性），数据采集的时间区间为2012.05~2017.11，共计41,121篇。采集的字段为文章标题、发布时间、收藏量、评论量、正文内容、作者名称、作者自我简介、作者发文量，然后笔者人工提取4个特征，主要是 时间特征 （时点和周几）和 内容长度特征 （标题字数和文章字数），最终得到的数据如下图所示:

2.2 数据预处理

数据分析/挖掘领域有一条金科玉律：“Garbage in, Garbage out”，做好数据预处理，对于取得理想的分析结果来说是至关重要的。本文的数据规整主要是对文本数据进行清洗，处理的条目如下：

（1） 文本分词

要进行文本挖掘，分词是最为关键的一步，它直接影响后续的分析结果。笔者使用jieba来对文本进行分词处理，它有3类分词模式，即全模式、精确模式、搜索引擎模式：

· 精确模式：试图将句子最精确地切开，适合文本分析；

· 全模式：把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；

· 搜索引擎模式：在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

现以“新浪微舆情专注于社会化大数据的场景化应用”为例，3种分词模式的结果如下：

【全模式】: 新浪/ 微舆情/ 新浪微舆情/ 专注/于/ 社会化/ 大数据/ 社会化大数据/ 的/ 场景化/ 应用

【精确模式】: 新浪微舆情/ 专注/于/ 社会化大数据/ 的/ 场景化/ 应用

【搜索引擎模式】：新浪，微舆情，新浪微舆情，专注，于，社会化，大数据，社会化大数据，的，场景化，应用

为了避免歧义和切出符合预期效果的词汇，笔者采取的是精确（分词）模式。

（2） 去停用词

这里的去停用词包括以下三类：

标点符号：， 。！ /、*+-

特殊符号：▲等

无意义的虚词： “the”、“a”、“an”、“that”、“你”、“我”、“他们”、“想要”、“打开”、“可以”等

（3） 去掉高频词、稀有词和计算Bigrams

去掉高频词、稀有词是针对后续的主题模型（LDA、ATM）时使用的，主要是为了排除对区隔主题意义不大的词汇，最终得到类似于停用词的效果。

Bigrams是为了自动探测出文本中的新词，基于词汇之间的共现关系---如果两个词经常一起毗邻出现，那么这两个词可以结合成一个新词，比如“数据”、“产品经理”经常一起出现在不同的段落里，那么，“数据_产品经理”则是二者合成出来的新词，只不过二者之间包含着下划线。

3 描述性分析

该部分中，笔者主要对数值型数据进行描述性的统计分析，它属于较为常规的数据分析，能揭示出一些问题，做到知其然。

3.1 发文数量、评论量和收藏量的变化走势

从下图可以看出，在2012.05~2017.11期间，以季度为单位，主页的发文数量起伏波动不大，在均值1800上下波动，进入2016年后，发文数量有明显提升。

此外，一头（2012年第二季）一尾（2017年第四季）因为没有统计完全，所以发文数量较小。

下图则是该时间段内收藏量和评论量的变化情况，评论量的变化不愠不火，起伏不大，但收藏量一直在攀升中，尤其是在2017年的第二季达到峰值。收藏量在一定程度上反映了文章的干货程度和价值性，读者认为有价值的文章才会去保留和收藏，反复阅读，含英咀华，这说明虎嗅的文章质量在不断提高，或读者的数量在增长。

3.2 发文时间规律分析

笔者从时间维度里提取出“周”和“时段”的信息，也就是开题提到的“人工特征”的提取，现在做文章分布数量的在“周”和“时”上的交叉分析，得到下图：

上图是一个热力图，色块颜色上的由暖到冷表征数值的由大变小。很明显的可以看到，中间有一个颜色很明显的区域，即由“6时~19时”和“周一~周五”围成的矩形，也就是说，发文时间主要集中在工作日的白天。另外，周一到周五期间，6时~7时这个时间段是发文的高峰，说明虎嗅的内容运营人员倾向于在工作日的清晨发布文章，这也符合它的人群定位---TMT领域从业、创业者、投资人，他们中的许多人有晨读的习惯，喜欢在赶地铁、坐公交的过程中阅读虎嗅讯息。发文高峰还有9时-11时这个高峰，是为了提前应对读者午休时间的阅读，还有17时~18时，提前应对读者下班时间的阅读。

3.3 相关性分析

笔者一直很好奇，文章的评论量、收藏量和标题字数、文章字数是否存在统计学意义上的相关性关系。基于此，笔者绘制出能反映上述变量关系的两张图。

首先，笔者做出了标题字数、文章字数和评论量之间的 气泡图 （圆形的气泡被六角星替代，但本质上还是气泡图）。

上图中，横轴是文章字数，纵轴是标题字数，评论数大小由六角星的大小和颜色所反映，颜色越暖，数值越大，五角星越大，数值越大。从这张图可以看出，文章评论量较大的文章，绝大部分分布于由文章字数6000字、标题字数20字所构成的区域内。虎嗅网上的商业资讯文章大都具有原创、深度的特点，文章篇幅中长，意味着能把事情背后的来龙去脉论述清楚，而且标题要能够吸引人，引发读者的大量阅读，合适长度标题和正文篇幅才能做到这一点。

接下来，笔者将收藏量、评论量和标题字数、文章字数绘制成一张3D立体图，X轴和Y轴分别为标题字数和正文字数，Z轴为收藏量和评论量所构成的 平面 ，通过旋转这个3维的Surface图，我们可以发现收藏量、评论量和标题字数、文章字数之间的相关关系。

注意，上图的数值表示和前面几张图一样，颜色上的由暖到冷表示数值的由大到小，通过旋转各维度的截面，可以看到在正文字数5000字以内、标题字数15字左右的收藏量和评论量形成的截面出现“华山式”陡峰，因而这里的收藏量和评论量最大。

3.4 城市提及分析

在这里，笔者通过构建一个包含全国1~5线城市的词表，提取出经过预处理后的文本中的城市名称，根据提及频次的大小，绘制出 一张反映城市提及频次的地理分布地图 ， 进而间接地了解各个城市互联网的发展状况（一般城市的提及跟互联网产业、产品和职位信息挂钩，能在一定程度上反映该城市互联网行业的发展态势）。

上图反映的结果比较符合常识，北上深广杭这些一线城市的提及次数最多，它们是互联网行业发展的重镇。值得注意的是，长三角地区的大块区域（长江三角洲城市群，它包含 上海 ， 江苏省 的 南京 、 无锡 、 常州 、 苏州 、 南通 、 盐城 、 扬州 、 镇江 、 泰州 ， 浙江省 的 杭州 、 宁波 、 嘉兴 、 湖州 、 绍兴 、 金华 、 舟山 、 台州 ， 安徽省 的 合肥 、 芜湖 、 马鞍山 、 铜陵 、 安庆 、 滁州 、 池州 、 宣城 ）呈现出较高的热度值，直接说明这些城市在虎嗅网各类资讯文章中的提及次数较多，结合国家政策和地区因素，可以这样理解地图中反映的这个事实：

长三角城市群是“一带一路”与长江经济带的重要交汇地带，在中国国家现代化建设大局和全方位开放格局中具有举足轻重的战略地位。中国参与国际竞争的重要平台、经济社会发展的重要引擎，是长江经济带的引领发展区，是中国城镇化基础最好的地区之一。

长三角城市群是“一带一路”与长江经济带的重要交汇地带，在中国国家现代化建设大局和全方位开放格局中具有举足轻重的战略地位。中国参与国际竞争的重要平台、经济社会发展的重要引擎，是长江经济带的引领发展区，是中国城镇化基础最好的地区之一。

接下来，笔者将抽取文本中城市之间的 共现关系 ，也就是城市之间两两同时出现的频率，在一定程度上反映出城市间经济、文化、政策等方面的相关关系，共现频次越高，说明二者之间的联系紧密程度越高，抽取出的结果如下表所示：

将上述结果绘制成如下动态的流向图：

由于虎嗅网上的文章大多涉及创业、政策、商业方面的内容，因而这种城市之间的共现关系反映出城际间在资源、人员或者行业方面的关联关系，本动态图中，主要反映的是北上广深杭（网络中的枢纽节点）之间的相互流动关系和这几个一线城市向中西部城市的单向流动情形。流动量大、交错密集的区域无疑是中国最发达的3个城市群和其他几个新兴的城市群：

京津冀城市群

长江三角洲城市群

珠江三角洲城市群

中原城市群

成渝城市群

长江中游城市群

上面的数据分析是基于数值型数据的描述性分析，接下来，笔者将进行更为深入的文本挖掘。

4 文本挖掘

数据挖掘是从有结构的数据库中鉴别出有效的、新颖的、可能有用的并最终可理解的模式；而文本挖掘（在文本数据库也称为文本数据挖掘或者知识发现）是从大量非结构的数据中提炼出模式，也就是有用的信息或知识的半自动化过程。

本文的文本挖掘部分主要涉及高频词统计/关键词提取/关键词云、文章标题聚类、文章内容聚类、文章内容LDA主题模型分析、词向量/关联词分析、ATM模型、词汇分散图和词聚类分析。

4.1 关键词提取

对于关键词提取，笔者没有采取词频统计的方法，因为词频统计的逻辑是：一个词在文章中出现的次数越多，则它就越重要。因而，笔者采用的是 TF-IDF （termfrequency–inverse document frequency）的关键词提取方法：

它用以评估一字/词对于一个文件集或一个语料库中的其中一份文件的重要程度，字/词的重要性会随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。

由此可见，在提取某段文本的关键信息时，关键词提取较词频统计更为可取，能提取出对某段文本具有重要意义的关键词。

下面是笔者利用jieba在经预处理�...

时至今日，任何不愿为时代落下的企业，都已逐渐达成共识：无论是企业内部的综合运营，亦或与外部的竞争与合作，“信息战”都将成为商业竞赛的核心维度，在不同的商业分战场，数据决策都将承担某种“灯塔”角色。

的确，商业愈往未来发展，管理层驾驭数据的能力就愈加重要，甚至有人预言，懂得用人工智能处理大数据，优化全部决策流程，或许是所有企业的最终归宿。

而依我之见，这场“信息战”最关键的战役，即来自如今商业最为稀缺的资源：人力资本的竞争。幸运的是，拜数字技术所赐，自从泰勒在工业时代初期“发明”人力资源部至今，这个昔日的辅助性部门，有可能第一次完成蜕变，成为引领企业数字化转型的关键角色。

最近恰逢“领英大数据洞察”登陆中国，其实透过这个将实时数据转化为人才库和趋势洞察的产品不难意识到，技术变革之快，总是超乎保守（至少是对新技术不敏感）企业的想象，此时此刻，正在不同领域迅速落地的人工智能和大数据，早已作为商业武器本身，成为市场经济的一部分。从现在到未来，人工智能和大数据之于企业的重要意涵，就是降低决策成本，优化经济效率。

所谓“未来已经来临，只是分布不均”，在商业范畴，就是这个意思。

以数据为灯塔

在人工智能的基础概念上，去年领英叠加出“人才智能”（Talent Intelligence）概念，希望将企业对于人才数据的观念认知，提升至一个全新的高度：不再停留在“履历式”的静态和表层数据，而是以某种全局视野，俯瞰行业，地区和企业的人才特征和变化趋势，从繁杂的数据中摒弃“噪音”，提取“信号”，收获前瞻性洞察，最终转向决策。

而“领英大数据洞察”即是人才智能概念的重要落地——考虑到有些HR还将领英单纯地视为一个“招聘工具”，需要特别指出的是，领英大数据洞察并非一个简单的招聘渠道，而是将数据智能渗透进人才招聘策略，员工队伍规划，市场竞争情报，雇主品牌策略以及公司选址决策等人才战略的全部流程，为企业提供实时且定制化的数据洞察。相比领英之前的数据服务，它以更产品化的形式，让企业可以用更主动，迅捷，高效的方式，将盘踞在领英上的海量数据物尽其用。

其中领英将最重要的洞察归为三类：人才库洞察，劳动力洞察和雇主品牌洞察。

首先，人才库洞察自不必多言，它能根据不同定制需求，帮助企业精准定位人才，如同《指环王》中白衣巫师萨鲁曼用的水晶球一般，以某种所谓“上帝视角”，让企业拥有一张动态的人才数据库，实时掌握所需人才的分布和流向，包括他们在哪，谁在雇佣他们，他们拥有什么技能等等。

值得一提的是，考虑到在激烈的市场竞争中，中国企业对效率至上的刚性需求，领英也特别做了诸多优化，将人才数据洪流以一种界面友好，更易于决策的形式呈现，“过去我们用关键词做搜索，而针对中国客户我们更多是用勾选的方式来做搜索，大大提升了效率，比如搜索海外人才的时候，我们有一个勾选就是海外背景”，在领英ConnectIn 2019大会结束之后，领英中国解决方案及服务负责人王欢向媒体表示：“此外我们还有一些特殊产品，比如说热门人才库，只要点这个库，里面全是你想要的人才，你只需要选择他是否合适，如果你认为不合适，借助AI我们以后就不会再推给你这一类，推荐会更为精准。”

我当然没有对“人”的丝毫不敬，更没有“机器决定论”的意思，但必须承认，当不同维度的丰富数据，足以让HR初步筛选人才的方式，变得与筛选一条新闻，一顿外卖，一家酒店相似，站在效率角度，对于HR无疑是一种福音。

回到“领英大数据洞察”，如果说“人才库洞察”是微观视角下的“定向追逐”，那么“劳动力洞察”则是一张宏观视角的全景图，它可以帮助企业提前布局未来。

你知道，人才竞争更多是一场零和博弈，你所在行业的劳动力宏观趋势，会深刻影响到每个企业，了解类似岗位人才的技能情况和分布流向，随时掌握友商的人才情况，无疑会帮助企业更好地预判和调整人力资源规划，有针对性地吸引目标人才——知己知彼的战略常识，搁在任何时代都有效，从这个意义上，数据智能其实就是这个时代最值得仰仗的“情报工具”。

而谈及“情报”，不妨顺便一提，这个世界上的优秀大脑并非均匀分布，领英大数据洞察还可以指引企业抢滩登陆时的具体落脚点，选择一个目标人才存量最高的地方开展业务，最大程度发挥人才集聚效应。“有一个客户来自电信行业，它在爱尔兰设立办公室的时候，大家都觉得应该在都柏林，这里最有名，人最多，但通过调研发现，其实他想要的人才并不在都柏林，大数据建议他应该在库克这样的地方，于是他就把地址选在了库克，而不是都柏林”，王欢向媒体举例道，“包括在中国本土，我们有一个客户要在深圳建一个研发中心，但最终通过我们的数据洞察，把研发中心放在了杭州，这让他通过领英找到了国内研发中心的大牛，通过这个大牛再去吸引更多人，很快那个团队就组建起来，非常高效。”

当然，一旦你通过数据分析，知道了“人才在哪儿”，那下一个问题接踵而来：“他愿不愿意来？”。而“领英大数据洞察”中的“雇主品牌洞察”即针对于此，它总在以数据为凭证说服决策者：优秀的雇主品牌可以让招聘事半功倍，在细微之处影响潜在人才。

举个正在频繁发生的场景，企业出海。

你知道，不少出海寻人的中国企业，在当地的雇主品牌形象非常薄弱，一个重要原因是在经济发达的地方，无论出于理性还是感性，人才选择公司的理由非常多元——薪酬当然最重要，但“财大气粗”并不代表一劳永逸，企业必须知道每个地方每个人真实的职场价值取向（在意雇主品牌酷不酷，是否弹性办公，是否有挑战性等等），而借助领英掌握的海量全球人才数据，企业可以了解自身的相对优势，及目标人才最珍视的需求偏好，在提升品牌知名度和美誉度同时，更好地与潜在人才互动，让企业扬帆出海的征途中，以数据为灯塔，少走一些弯路。

一张动态的“清明上河图”

有学者曾将市场经济和资本主义简化为如下定义：用计算的方式决定一切市场行为。这个定义在数据智能时代，似乎显得尤为精准。事实上，领英“人才智能”的核心观念，就是让客户以最低成本，最高效率，将一目了然的数据直接导向决策。

那么问题来了，客户凭什么“相信”领英？

很好理解，最近数年人工智能领域的疯狂跃进，大可归为相似的逻辑：输入数据，生成回应——而领英实时更新的庞大数据库，正是实现上述一切洞察的基础，也是他们最夯实的商业护城河。

根据官方透露，领英在全球超过200个国家拥有5.9亿注册用户，3000万公司，2000万工作机会，5万种技能，8.4万所学校。盘踞在此的所有人，每天数百万次完成建立人脉，更新资料，添加技能，表达求职意愿等操作。更重要的是，这些操作并非单摆浮搁，不同数据节点间的每一次链接，都在以网络效应实时呈现全球劳动力市场的发展态势。不断深耕和呵护这些数据的领英，也自然有能力勾勒出不同行业的现状与未来。

更进一步讲，无论从数据数量还是质量上，相较于一些同类产品所谓的大数据，其实更多是“统计学”底色，领英可以描绘出一张完整清晰的“全球经济图谱”，一张动态的全球人才的“清明上河图”，谁都最大程度地解锁这张图，谁就能率先受益——从这个意义上也就不难理解，为什么在许多人眼中，未来好的HR一定是好的数据分析师。

更值得一提的是，玩转这张“全球经济图谱”的方式不止一种，它的另一种用途，来自于营销领域——易被忽视的是，领英是全球规模最大的商业决策者，意见领袖，以及职场影响力人士聚集平台，这意味着，它天然是做营销的好地方。

首先在用户广度上，领英是目前唯一一家既能帮助国内企业针对本地用户做精准营销，又能将中国品牌与全球商业决策者精准链接的社交媒体平台。其次在投放精度上，广告主可根据用户职位，行业，从业年限，所在地域，兴趣爱好等诸多维度精确定位受众群，并对营销效果进行精准评估，最大化广告投放效果。

譬如在ConnectIn2019大会上，领英中国总裁陆坚就举例道：“有了决策者还要知道他们在平台什么时间段、什么内容下更活跃，才可能在投放时更精准地找到目标人群。比如在云计算话题下还有很多子话题，如果我们进行大数据分析，发现有些话题讨论频率非常高，但有些话题因为讨论多、参加的人多，发内容会淹没，所以品牌露出未必是好事。在领英这样的平台，不仅能勾勒出人群画像，而且这些客户画像在什么样的社区参与什么样的活动，是否非常活跃，也是我们能够提供的洞察。”

嗯，在领英上做营销有一个显而易见的优势，意如其名，作为“引领全球精英”的平台领英用户以职场商务人士为主，能精准覆盖商业决策者：目前领英全球用户中，有4000多万商业决策者，6100多万有影响力的商务精英人士，300多万MBA毕业生；领英中国用户中，42%拥有经理及以上职位，36%拥有硕士及以上学历。更重要的是，根据官方透露，领英用户40%个人资本净值在65万以上，50%以上家庭收入超百万，对高价值产品和服务拥有强大购买力。

而也正是由于上述几种优势，让自2016年初落地中国市场以来，领英营销业务迅猛发展，华为，阿里巴巴，IBM中国等各领域领跑者，均已在此受益颇多。

结语

追溯人类历史，每一次革命性的技术飞跃，无疑都会带来经济效率的大幅提升，人工智能和大数据亦是如此。从领英的案例不难发现，就像许多学者共同指出的那样，人类正阔步走向一个与机器共舞的时代，有大量协同工作需要与机器为伴，尤其是在裹挟着更多利益的商业领域，不管你所在的行业多么“传统”，都必须尽快学会用数据智能，完成对自我价值的重新定义。

嗯，但愿在未来“均分分布”之前，你我都别被时代落下。