• Pinterest
    【产品】自由职业者市场Fiverr正在推出一种类似Pinterest的个性化发现功能 自由职业者市场Fiverr正在推出一种类似Pinterest的互动式移动体验,旨在使用户能够参与专门为他们策划的不断更新的视觉内容的反馈。该公司表示,这项名为 "Inspire灵感 "的新功能是专门为帮助激发新项目和帮助用户在市场上发掘自由职业者而设计的。用户可以通过 "喜欢 "这些内容来与之互动,并将其添加到应用中的情绪板或列表中,以便日后参考。 Fiverr说,这项新功能还旨在帮助用户发现可能有利于其业务或项目需求的各种服务和能力。馈送中的内容是根据用户最近的搜索和购买来策划的。该公司指出,通过使用原生的无尽探索,用户不仅能接触到与他们高度相关的个性化内容,而且还能接触到与他们之前看过的内容相辅相成的内容。 "Fiverr的产品副总裁Liron Markus在一份声明中说:"我们很高兴看到这种新体验带来什么样的灵感和想法,并继续纪念和认可各地有才华的自由职业者的辛勤工作。 图片来源Fiverr 这一最新消息是由于Fiverr最近以9500万美元收购了Stoke Talent,该公司可以让企业管理他们的自由职业者团队。Stoke的工具集包括录用新的自由职业者的功能;雇主还可以通过该平台向他们支付报酬,并相应地跟踪他们的整体自由职业者预算。10月,Fiverr收购了位于西雅图的在线学习公司CreativeLive,收购金额未披露。CreativeLive是一个创业学习平台,用户可以参加视频、摄影、设计、商业、营销等方面的课程。 今年早些时候,Fiverr推出了为期三个月或六个月的订阅服务,扩大了基于项目的支付范围。通过这一功能,Fiverr上的卖家可以提出每月提供一套确定的工作。买家或卖家可以在任何时候取消,而不必为订阅的剩余月份支付费用。 Fiverr现在的总部在纽约,但在2010年成立于特拉维夫。它在纽约证券交易所公开交易. Fiverr称,在最近一个财政年度,有400多万客户在其平台上向160多个国家的自由职业者购买服务。它的市场涵盖了500多个类别和九个垂直领域的专业,如平面设计、数字营销、编程、视频和动画。 Fiverr截至12月29日收盘市值40.65亿 ,每股111.22美元。
    Pinterest
    2021年12月30日
  • Pinterest
    硅谷独角兽首席营销师告诉你:为什么创业公司需要增长团队? 编者按:本文是Greylock增长顾问,Pinterest前增长主管和Grubhub首席营销师Casey Winters有关增长团队的PPT演讲,现整理如下: 一直以来,我收到很多有关增长团队的问题。显然,大家对增长团队拥有诸多疑问。这个营销是重新打造品牌吗?这个团队向谁汇报?它的目标是什么?他们究竟做什么?我什么时候为自己的企业建立一个增长团队? 增长的目的是扩大具有产品市场适应性产品的使用范围。你可以通过构建一个剧本来扩大产品的使用。剧本也可以被称为增长模型或循环。 在询问增长之前,你应该问的第一个问题是,是否具有产品市场适应性? 对上述问题的传统定义是定性的,如果你和我一样,那你会喜欢使用数据来回答这一问题。对大多数企业来说,获得数据的最佳方法是测量保留率。 确定关键操作的最佳方法是找到一个度量标准,意味着用户必须从你的产品中获得价值。了解衡量指标频率的最佳方法是,在你的产品出现之前人们解决这一问题的频率。让我们来看看一些例子。 对于Pinterest而言,如果我们向Pinner展示了一些与他们兴趣相关的炫酷事物,那么他们就获得了价值。判断Pinner是否认可这些事物的最佳方法是看看他们是否选择了保存。 对Grubhub来说,这更容易确定。人们只有订购食物才能获得价值,而当我们进行调查时,发现人们一般会每月订购1-2次(纽约除外)。 一旦你有了关键指标和制定频率,你就可以绘制出保留曲线或队列曲线。如果曲线变平,那意味着一些人在产品中发现了持续价值。但这还不够。 Brian Balfour对此写了一篇很重要的文章,在文章中,他将这一问题称之为产品渠道适应性。 如果你一直在关注创业新闻,那你估计会记得来自Paul Graham的这篇推文。它谈到了Y Combinator曾资助过的增长最快的创企。这是在短短12个月内月收入增长率从0增长至35万美元的曲线图。 这是一家从事按需清洁服务的创企Homejoy。投资者喜欢这个图表,所以他们向该公司投资了3800万美元用于扩张。 20个月后,Homejoy倒闭了。 如果你是依靠折扣获得产品市场适应性的,那你是没有真正获得产品市场适应性的。产品市场适应性不是收入增长,不是用户增长,也不是成为应用商城里的第一名。产品市场适应性是保持持续增长的保留。 所以我认为,产品团队负责创造人们喜欢的产品,而营销团队负责让人们尝试产品。那是什么改变了? 改变的是对真正推动创企增长的认识。主要有三个杠杆。第一阶段既是最重要的也是最不了解的。在第一阶段,你通过改变产品来提高增长率。这些改变包括完善入职培训,通过诸如病毒式传播或SEO等活动帮助产品获得更多用户,提高转化率等等。 这些改变是“免费”的,因为他们并不需要广告预算。所谓的成本也只是产品团队时间的机会成本。它们是可衡量的,因为你可以创建一个实验,并了解改变的确切影响。它们也是可扩展的,因为如果你做了一个改变,比如说提高了你的转化率,那么它会产生一定的影响效果,很可能这一影响效果会持续到明天,几周,甚至几年。 另外两个阶段就是我们传统上所认为的营销。绩效营销措施,比如在Facebook或谷歌上购买广告,也是可衡量和可扩展的,但是却具有广告预算。品牌营销通常需要更大的广告预算,而且难以衡量或扩展。品牌营销作用的时间框架需要数年,也难以确定。如果你所进行的公关活动或电视广告看起来很快就起作用了,那就表明它是难以扩展的。这是因为品牌营销总是需要新的故事来吸引人们的注意力。 这就是为什么营销不能负责所有的增长措施。他们没有权力,也没有能力。他们可能知道需要提高网站的转化率或从下线获得更多的流量,但是他们无法获得产品的路线图,来适当的调整自己的优先级。如果他们得到了工程和设计上的帮助,那就意味着他们没有合作打造最佳解决方案的专业知识。 也许更重要的是要了解营销与增长之间的差异,即传统营销渠道是如何随创企改变的。以上是传统营销。这种模式是基于老式的产品开发模式,而不是像如今互联网企业的砸重金模式。 创企应该生产人们已经想要的产品。当你创业时,你可以颠倒渠道,把重心放在人们已经想要的产品或已经使用产品的用户身上。这是以小型预算(甚至没有)获得更多的效率。 当你将其转化为战术时,你会看到产品驱动的增长举措是如何主导优先事项的。这并不意味着你不会从事绩效营销或品牌营销工作,但是它们通常会在产品生命周期的后期变得重要,因为它们对一个已经持续增长的公司来说是一种催化剂。 所以我花了很多时间解释为什么增长与市场营销不同。那与产品有什么不同呢? 增长团队不会创造价值。他们确保人们体验到已经创造的价值。 一个增长团队需要解决的常见例子有: 改善注销体验(转换或搜索引擎优化) 发送更好的电子邮件或通知 增加推介或病毒式传播 完善新手培训 搜索引擎优化(SEO)和新手培训是比较困难的,因为它们的迭代周期要比其他几项更长。 增长团队创立之初,并不是找到一个增长副总来介入和解决所有问题。它们通常是由真正了解公司情况和现状的现有员工或创始人组成。他们向专职人员汇报工作情况,并聚集在一起专注于解决问题。 在创立团队之后,要找出应该专注的领域,你需要分析数据。例如,在Pinterest,他们原本希望我和我的团队专注于SEO。而我们所看到的是,虽然有很多机会可以通过SEO获得更多的流量,但是更大的问题是这些流量的转化率。所以我们决定专注于转化。 然后我们必须弄清楚要做什么。我们团队中的一个工程师Jean,最近做了一个实验,来帮助我们获得清晰的见解。所以,我们说,当人们点击Pins时,我们可以使用同样的模式。点击一个Pin可以表示出你对Pinterest拥有足够的兴趣。 当人们喜欢看到的东西时,另一个会做的动作是滑动页面。所以,我们决定试着像阻止谷歌抓取器一样,阻止他们滑动页面,并让他们进行注册。 Jean花费了两天的时间来开展这个实验,结果得到了比预期更大的影响。 所以这就是一个你在数据中寻找转化问题的例子。增长团队还能做些什么?以下是我在Pinterest工作时的例子,和一些我们学会的最佳举措。 通常,增长团队所关注的最大领域是保留。是的,增长团队不仅仅是为了收购。保留来自于对提高核心产品的专注。增长则来自于减少体验核心产品的摩擦。简化当前产品的工作方式通常比添加新功能更具影响力。新功能会使产品复杂化,也会让新用户难以理解。 那么如何简化核心产品呢?你必须要有数据来了解人们做什么,并通过定性研究来了解其中的原因。我们花费了很长时间,来让非Pinterest用户在笔记本上注册网站,找出他们不激活帐号的原因。 在Grubhub,数据指出它在转化和保留时呈现出S曲线。此图是波士顿地区的转化率,主要基于你在搜索地址时Grubhub会显示出多少餐厅。在进行55次操作后,针对新用户和回头用户的转化率增加了一倍。 定性研究可以给我们提供不同的见解。当我们询问用户为什么不多次使用Grubhub时,他们会说“太贵了”。我们觉得很奇怪,因为Grubhub是免费使用的。而他们的意思是,由于存在最低限制和递送费用,整个快递服务太贵了。于是,我们说服一些餐厅降低他们的最低限制和费用,来看看增加的订单量是否能够弥补较低的利润。一旦有成功案例,我们就可以来说服其他餐厅。 在Pinterest,我们简化了注册和新手培训流程。以前需要5个步骤的流程,现在只需要三个步骤,其中一个是预先填充,另外两个是可选项。我们所做的就是引入摩擦,让Pinner更有可能找到他们关心的内容。这是在向他们展示内容前询问哪些话题是他们所感兴趣的。 我们也意识到,人们看到的内容越多,他们就越有可能找到自己喜欢的东西,这也会提高保留率。所以,我们删除了不重要的Pins内容。所有这些都提高了激活率。 我们还根据情况对新用户进行培训,告诉他们下一步做什么。有一个常见的说法,如果你需要在设计中添加教程,那一定是糟糕的设计。听上去很明智,但它却是很危险的。而我认为,有教程的设计总比没有教程的设计好。 搜索引擎优化对于一个公司的有机增长是起到真正的杠杆作用的。当然,不是对每一家企业都有用。人们需要已经在寻找你所做的事情。这还远远不够。你需要成为这一话题的权威人士,比如谷歌主导了连接到你的域名和内容的相关外部链接。你还需要与刚刚搜索的内容有关。 我们对Grubhub也进行了这些方面的改善。当Grubhub推出新的市场时,我们很显然与当地没有关系。所以我们会去联系当地的博客和新闻媒体,告诉他们我们正在开发这一市场,我们想要给他们的读者提供第一单减免10美元的优惠。他们所要做的就是链接到折扣会自动覆盖的页面。一段时间之后,该页面将具有足够的本地链接。所以即使优惠折扣已经结束,但它仍然会在当地的快递搜索上排名第一。 对于相关性,Grubhub知道哪些餐馆可以将外卖送到哪里,知道他们的菜单数据和真实客户的评价。所以,我们将这些数据集中到当地外卖的登录页面上。 我们在Pinterest也采用了相同的登录页战略。虽然Pinners已经在他们最喜欢的主题上创建了讨论组,但是那仅仅只是一个人的观点而已。Pinterest已经在全球范围内为每个主题回传数据,所以我们知道整个Pinterest社区中最好的Pins是什么。所以,我们创建了最佳Pins的主题页面,而且它们的表现要优于搜索引擎上的个人讨论组。 我们也在Pinterest增长团队的电子邮件和通知上做了很多工作。电子邮件是保留的关键驱动力。它们不会解决你的保留问题,但是如果你走对了方向,它们可以起到帮助作用。在我经历过的每家公司,人们都很讨厌电子邮件,并不想发送邮件给他们的客户。而当他们终于这样做时,他们看到了保留率的提高。你不是你的客户。你得到的电子邮件比他们多。如果电子邮件与他们使用产品的原因的核心价值有联系,那会起到帮助作用。如果他们推送的是营销信息,那电子邮件是没有帮助的。 在Pinterest,我犯了这个错误。我用电子邮件开展了一个广告活动,解释Pinterest可以做到的所有事情。人们不关心Pinterest可以做什么。他们关心的是是否能看到与自身兴趣有关的炫酷内容。我们需要停止像营销人员那样发送电子邮件,而是像一个个人助手一样。所以我们针对每个Pinner发送了和兴趣相关主题的流行内容,接着,我们就看到了保留率的提高。 然后,我们围绕它建立了一个系统。每个Pinner在不同的时间,喜欢不同的内容,对量的需求也不同。所以我们通过电子邮件,了解了每个Pinner喜欢的内容,喜欢何时收到电子邮件和通知,以及收到电子邮件的数量。 如果你正在测试电子邮件和通知,你可以先手动测试,然后进行自动化和个性化。我在Pinterest和Grubhub所学到的是看看什么值得测试。在Pinterest,一名工程师测试了4500个不同的主题,产生了数十万的额外周活跃用户。大约在同一时间,我们花了三个月的时间重新设计了所有电子邮件,它没有对使用产生影响。 我在增长和营销团队看到的一个常见问题是,他们认为电子邮件和通知只会产生积极影响。这不是真的。它们也会导致取消订阅和应用删除。 增长团队有一个明确的目标,只有你首次找到产品市场适应性,这一目标才有意义。一旦你有了目标,你会发现传统产品和营销缺乏帮助你扩大产品使用范围的能力。这就是增长团队需要介入的地方。增长团队使用数据和定性研究来帮助理解阻止更多的人在产品中发现价值的摩擦。这可能意味着收购,但也可能意味着减少核心产品的摩擦,专注于转化或入职,或者找到提醒现有用户的方法。 【猎云网(微信号:ilieyun)】12月11日报道(编译:福尔摩望)
    Pinterest
    2017年12月12日
  • Pinterest
    硅谷科技公司的学徒模式:先招聘再培训 These Top Tech Companies Are Hiring First, Training Later 编者按: 据计算机编程公益推广组织 Code.org 预测,基于劳工统计局现在的就业数据以及国家科学基金会的大学生毕业率来看,到 2020 年,将有 100 万个计算机工作岗位处于空缺状态,科技领域的人才短缺问题将日益严重。而与此同时,一些大型的科技公司都倾向于从自己的人才储备库中挑选合适的候选人,现在包括 Pinterest、LinkedIn 和 Airbnb 等在内的企业也纷纷推出了不同的学徒计划,来填充自己的人才储备库,面向那些没有传统科技学术背景的人群,为他们提供学徒机会及科技工作岗位。先招聘,再培训已经成为了就业招聘的新流程。   本文作者 LYDIA DISHMAN,原文“These Top Tech Companies Are Hiring First, Training Later”发表于 Fast Company。 Madelyn Tavarez 并没有计算机科学学位,她在大学的主修专业是经济学,之后在金融相关岗位实习了一段时间,然后通过非盈利项目 Coalition for Queens 参加了为期十个月的编码课程培训,名为“Access Code”。现在,Tavarez 在 Pinterest 工作,岗位是安卓工程师。 起初,Tavarez 是从一名安卓工程师学徒做起。尽管大型企业对技术人才的需求很大,但他们往往会从自己公司的人才储备库中挑选新员工。据在线职业教育平台 Paysa 最近的一项分析表明,像 Snap 和苹果这类的公司会从聘用大量的斯坦福大学毕业生,而微软和亚马逊则更倾向自己总部所属区域内的华盛顿大学。 按当前的就业形势来看,Tavarez 成为一名拿着学士学位的千禧年一代咖啡师资质持有者的可能性更高,而不应该是成为数百名申请 Pinterest 新学徒计划(一种用于培训非传统技术人才的方法,包括 Airbnb、LinkedIn 和 Visa 在内的其他企业目前也正在试验这一方法)中成功当选的三名候选人之一。 潜力无限 Pinterest 于 2016 年初推出了学徒计划,以扩大 1200 人的公司团队,招募更多可以自学的编程人员、编程集训班毕业生以及其他可能没有顶级学府研修优势或者是品牌公司工作经验的人员。据 Pinterest 多样性总监 Candice Morgan 透露,Tavarez 和另外两名候选人是因为“有潜力、有激情以及流露出的强烈兴趣”而被选中。 Tavarez 及另外两人经过了层层面试才走到最后,首先是远程面试,然后还有现场面试。在现场面试中,会有一名 Pinterest 员工以导师角色来进行技术筛选,这样候选人就可以在一种低压环境中来展示他们所掌握的基础知识。但与此同时,他们也必须要展示自己在软件架构、编码和算法方面的知识,这点同其他技术人员一样。 LinkedIn 的“REACH”学徒计划与此类似。据该计划的执行发起人——工程部门高级副总裁 Mohak Shroff 表示,申请人必须提交一个组合软件项目,然后再接受一个带回家做的技术任务,之后再安排现场面试。“REACH”学徒计划共收到 700 多人的申请材料,Shroff 坦承从 700 人筛减到最后的 31 名学员这一过程“让人感觉很痛苦”。最终,第一批接受邀约的 29 名学员已经于今年 4 月份在 LinkedIn 开始了他们为期六个月的试用期。 去年六月份,Airbnb 为其工程和数据科学团队开设了“Airbnb Connect”学徒项目,其中的学徒都是来自在非技术领域有两到五年工作经验,而技术背景并不充足的人群。工程团队的三名学徒像 Tavarez一样,也是 Coalition for Queens 课程培训的学员。另一家技术培训公司 Galvanize 也帮助 Airbnb 物色了 8 位数据科学部门的学徒候选人。 一家名为 Andela 的公司,创立于 2014 年,从供应方角度来将学徒理念付诸实践。公司帮助非洲一些有才华的工程师与像 Viacom 和 Gusto 等类似的 100 家合作伙伴公司取得联系,这样这些公司就可以创建起分布式团队。Andela 就像一个公司内部的学徒计划一样,会用六个月的时间从多方面来培训开发人员,然后将其交给雇主。 投入力度高 学徒被安排到新岗位之后,真正的工作也就开始了。Shroff 表示,在 LinkedIn,学徒一般每周至少与团队成员一对一的进行一次会议。与此同时,他们也会安排导师每周花几个小时的时间坐到他们身边或者是附近位置。除了专门的辅导时间之外,Shroff 提出,学徒还可以通过团队会议和讨论随时的来学习。 据 Pinterest 多样性总监 Morgan 表示,Pinterest 在指导学徒方面也投入了大量的时间。他指出,每名学徒在长达一年的学徒期间,都会配备有一名经理,也就是他们的导师。这些导师投入在学徒身上的时间会占到自己时间的 50%,对于这些导师来说是一笔“很大的投资”。导师也要分别接受培训,来帮助他们的学徒获得一种公司内部的归属感。 尽管公司对于学徒方面的安排如此细致而贴心,Tavarez 回忆,自己一开始还是会有“冒牌者症候”(也称自我能力否定倾向)。她解释道:“标准的毕业生候选人都是有着四年的计算机科学学习背景以及相关的实习经验,一开始我感觉自己处于远远落后的位置,每个人都很厉害。”但到后来,Tavarez 有了一位有十二年工作经验的导师,这让她感到十分安心,她自己也慢慢克服了最初的焦虑情绪。正如她所说的,“我只是需要给自己一点时间,我只是不习惯成为那种一问三不知的人。” 据 Visa 全球雇主品牌传播总监 Stephanie Matthews 表示,Visa 的学徒计划操作方式与上述几家略有不同,但所需劳动力投入力度一点都不小。Visa 的学徒计划开始的更早一些,从高中和大学低年级就开始培养候选人,这些候选人本来可能根本就没有接触到技术工作的机会。在 Visa 与技术培训机构 Springboard Initiative 合作推出的试点计划中,有 14 名学生学徒在 Visa University Learning Labs 及其影子项目中投入时间学习。每名学徒都会获得经理、团队及其一名“好友”的帮助。除此之外,Visa 的人力资源团队每个月会约见这些学徒、经理和一名 Springboard 的工作人员来探讨这一个月来的成绩。 这笔投资很值得 那公司全职工作人员对于这种学徒计划有任何抵触心理或者是对于学徒所受到的区别待遇有所怨言吗?至少这些学徒计划的主管并没有感觉到员工有这类情绪。事实上,据 Shroff 表示,LinkedIn 员工对于学徒计划的反应态度是积极的。他解释道:“这不是过度投资,尤其是早期的职位雇佣人员通常会花费较长的时间才会融入到公司中来。” 据 Shroff 估计,新招人员通常需要六个月的时间才能达到最高的生产力。事实上,Shroff 表示,他很高兴看到 LinkedIn REACH 计划的学徒由于其“强大的潜力、旺盛的精力和坚定的决心”,在这一过程中发展步调特别快,并且很快就取得了成绩。在这种条件下,其中的一些学徒的表现甚至优于一些具有传统技术背景的同期候选人,他们的表现也促使几个团队领导人提出了“再多招几个这样的人”的要求。 Zebra(Andela 的合作伙伴)的首席技术官 Meetesh Karia 表示,在过去一年的合作时间里,来自非洲的工程师以其高质量的工作、充沛的精力和热情,帮助 Zebra 取得了竞争性优势。Karia 表示:“Andela 为我们配置的团队所表现出来的工作激情也让我们提升了对奥斯汀团队的期望值。” Shroff 还指出,学徒计划有助于 LinkedIn 重新思考“标准”候选人应该是什么样子以及怎样做才能帮助他们成功这一问题。Morgan 则认为 Pinterest 学徒所具有的非传统科技学习背景能够帮助他们以一种完全不同的方式来处理设计和用户体验。Morgan 非常欣赏 Tavarez 的经济学学位,她认为这一学术背景能够让她以有限的资源做出最优化的决策。 Pinterest 首批的三名学徒现在都已经开始全职工作,现在又有六名候选人开始了新的学徒计划。Shroff 表示,在 LinkedIn 的 31 名学徒中,有 29 名接受了公司发出的全职工作邀请。Visa 也是从其学徒队伍中选择全职工作岗位候选人。 虽然这样的学徒计划对于公司实现员工多样化来说是一项很实用的工具,但需要小心操作,并面向包容性方向发展。Tavarez 表示她和另外两名学徒人选都是从东海岸地区来到旧金山,他们在湾区都没有什么人脉资源。对于这一问题,Shroff 表示 LinkedIn 一直大力鼓励学徒拓展自己的人脉网络,不仅仅是为了学习便利,也是为了推进自己的职业生涯。 Andela 的联合创始人兼总裁 Christina Sass 认为学徒模式是促进经济增长的一个关键举措。她说道:“美国科技人才的缺乏将是未来十年科技行业面临的一个最大的挑战。” 事实确实也如她所说,据计算机编程公益推广组织 Code.org 预测,基于劳工统计局现在的就业数据以及国家科学基金会的大学生毕业率来看,到 2020 年,将有 100 万个计算机工作岗位处于空缺状态。她继续说道:“如果没有足够的工程技术人员,美国企业就无法继续增长,无法创造更多的就业机会。” 原文链接:https://www.fastcompany.com/40482650/these-top-tech-companies-are-hiring-first-training-later 编译组出品。编辑:郝鹏程
    Pinterest
    2017年10月26日
  • Pinterest
    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  
    Pinterest
    2014年12月09日