LinkedIn 元代表の張希孟氏: すべてのビジネス モデルは、最終的にはより効率的でなければなりません。

ユーザー エクスペリエンスに重点を置いています。このリンクは大量のデータを生成します。

運用データに注意を払い、運用データの分析を通じてパフォーマンスと収益の成長ポイントを見つけます。

収益化に重点を置き、収益化の要件に基づいてユーザー エクスペリエンスの反復と更新をさらに促進します。 LinkedIn の背後には、LinkedIn の発展を推進する非常に大規模で洗練されたデータ操作プラットフォームがあります。

さらに読む: リード・ホフマンの名著『The Alliance: Talent Transformation in the Internet Age』の最初のページでは、「企業に対する生涯にわたる忠誠心は過去のものとなった」と述べられています。現実があまりにも残酷である以上、雇用主として私たちはどうすれば従業員をより効果的に採用し、維持できるのでしょうか? LinkedIn の創設者 Reid Hoffman 氏は、シリコンバレーのテクノロジー企業における「アライアンス」において、2 つの効果的な方法を推奨しています。

➀3つの期間（ローテーション期間、移行期間、基本期間）

会社と従業員は、期間ごとに異なる目標を設定します。目標の期限が切れる前に、目標の達成度を評価し、更新するかどうかを検討します。更新する場合は、次の期間の目標を設定します。これは道徳的な制約であり、法的効力はありません。両者の目標設定は完全な信頼と公平性に基づいています。したがって、理論上は、リーダーが信頼できない KPI 指標を示し、従業員が勤務中に不満を言い、期限までに目標を達成できなかったために解雇されたり、自主退職したりするような状況は発生しません。

もちろん、この方法はリーダーに特に高い総合的な要求を課します。任期中の目標を設定する際には、従業員の要求を満たすだけでなく、会社の目標が達成できることも保証する必要があります。このことから、現在のペースの速いインターネット企業では、会社の KPI を下方に配布するという従来の単純で粗雑なモデルや、リーダーが XX 日以内に機能のリリースを要求するという単純で粗雑なモデルが、徐々に機能しなくなってきていることがわかります。

➁社内従業員連絡ネットワーク

終身雇用は不可能なので、遅かれ早かれ辞めざるを得なくなります。良いことは必ず終わりが来ますが、人が去ってお茶が冷めてしまうのはよくありません。企業は同僚のネットワーク（大学の同窓会のようなもの）に積極的に投資し、運営すべきです。この本では、PayPal、Procter & Gamble、LinkedIn などの元従業員同盟（またはネットワーク）の例を挙げています。

LinkedIn、 Tesla 、YouTube、Yelp、Yammer の創設者は、すべて PayPal という 1 つの会社で働いていました。LinkedIn には現在 118,000 を超える会社の同僚グループがあり、Fortune 500 企業の 98% をカバーしています。一方、P&G の従業員グループは P&G から完全に独立しており、現在 25,000 人を超えるメンバーがおり、慈善財団や講演者グループもあります。中国で有名なテンセントやアリババは、社員の勤務先電話番号や企業メールアドレスなどを社内に永久保存します。

➂従業員がつながりを築き、提携を結ぶことによるメリット:

• 元従業員が戻ってくる可能性や、優秀な人材を会社に推薦してくれる可能性もあり、採用コストを大幅に削減できます。
• 現在の従業員が問題に遭遇した場合、信頼できる元従業員をすぐに見つけて助けを求めることができます。
• 口コミ効果を生み出し、みんながこの会社が良いと言うようになれば、採用時にさらに魅力的になります！

エプソンは製造会社、あるいはインターネット会社です。おそらく、ビジネスモデルに「インターネットモデル」を採用した最初の会社でしょう。プリンターを販売する場合、基本的に利益は出ず、損益分岐点に達することしかできません。利益が出る事業はインクで、利益率は90％以上です。マーケティング活動を行う際には、この活動の収入を予測する必要があります。各活動は、統計モデルと大量の手動データ入力を通じて計算する必要があります。最終的な結果は、実際の事業と予測の偏差が5％以内であることです。これはすでに洗練された運営の良い例です。

データ分析の基本原則: データ収集中にノイズや歪みが発生することは避けられず、最終結果がビジネス プロセスを 100% 反映するわけではありません。そのため、ビジネス経験とビジネス直感を持つ人が判断を下す必要があります。データは正確ではないかもしれませんが、持続可能である必要があり、時々正確で時々不正確であってはなりません。そうでないと、分析できなくなります。

モバイル インターネットの世界では、マシュー効果は非常に明白です。つまり、20 個のアプリがユーザーの使用時間の 71% を占め、他の数百万のアプリと Web サイトは、ユーザーの時間の 29% をめぐって激しい競争を繰り広げています。そのため、スタートアップ企業はより迅速かつ効率的に運営し、より優れたビジネス モデルを採用する必要があります。米国では、全体的なユーザー数の増加率は現在 1 桁台です。トラフィックこそが王様である世界では、成長が重要ですが、現在、すべての競争は既存市場での競争、つまりスピードと効率の競争に基づいています。

ユーザーが王 VS トラフィックが王: 既存のリソースをめぐる競争の過程で、すべてのビジネス モデルは「ユーザーが王」に戻り、ユーザーを中核とし、製品をパフォーマンスとし、データ操作を羅針盤として、既存の世界で「タオルをひねり」、最終的により高い効率を達成する必要があります。

成長こそが王様です！会社内の全員が一つのことに注意を払う必要があるとしたら、それは何でしょうか?成長だ！なぜ成長に注目する必要があるのでしょうか? 主な要因は 3 つあります。

• 評価: 急速な成長のみが市場のパフォーマンスを保証できます。
• 成長することによってのみ、より多くの顧客に高品質のサービスを提供し続けることができます。
• 社会は企業が成長し続け、社会的価値を創造することを必要としています。

『4ステップ起業メソッド』という本をお勧めします。また、「Tong Jilong's Notes」の過去のコンテンツ「製品マーケティングマネージャー必読の顧客開発方法論 - 4ステップ起業メソッドに関するメモ」もご覧ください。 》

ユーザー増加の「海賊法則」A AR RR:

その後、私はサイモンのスピーチのいくつかをオンラインで検索し、データ分析に関する貴重な洞察をいくつか見つけたので、それを以下に皆さんと共有したいと思います。

データは接続です。これは、時間、場所、タスク、イベントという 4 つの最も基本的な象限を結び付けます。なぜデータが次の技術革命の波の最も重要な指標になると言われるのでしょうか?見てみましょう。米国のいくつかのトップ研究機関（ガートナー、IDCなど）のレポートによると、今後5年間で、40億人がインターネットを通じてさまざまなデータを生成するようになり、4兆ドルの市場が生まれると予想されています。接続されるソフトウェアは2,500万種類、接続されるデバイスは250億個に上り、生成されるデータは500兆GBに上ります。

アメリカのデータ分析フレームワークと方法論: 米国では、非常に体系的なデータ分析方法論が形成されています。この方法論は第二次世界大戦中に使用され始め、軍事、科学技術、人々の生活などさ​​まざまな側面に応用されてきました。データ分析はいくつかのステップに分解することができ、最初から最後までの各リンクが継続的に値が増加するという条件に基づいていることがわかります。

まず第一に、正しいデータ収集とデータラベリング方法の実装により、将来のデータ分析から得られる結果の迅速な生成が飛躍的に促進されます。これは、一部の企業では欠落していたり​​、深刻に無視されている部分でもあります。

2 番目は、ビッグデータ、データ ウェアハウス、分散コンピューティング レベルのエンジニアリング アーキテクチャです。今日の分散コンピューティング システムは、以前のデータ ウェアハウスの全体的なアーキテクチャとは大きく異なります。そのため、IT 部門は、比較的成熟した Hadoop などの新しいオープン ソース ベースの分散データ テクノロジーを実装して展開するペースに遅れずについていく必要があります。このテクノロジーは米国で 10 年近く使用されており、徐々にインターネット企業で主流になりつつあります。

3番目は、応答性分析です。これはおそらくほとんどの企業が最も多く行っていることであり、ビジネス側から提起されるさまざまな質問に答えるためにデータを常に使用し、簡単なレポート、ビジネス インテリジェンス、BI などを作成します。

4番目は診断分析です。たとえば、多次元のアトリビューション、スコア カードの実装などです。

5番目は戦略分析です。競争動向、価格弾力性、企業財務収益の判断等これまで、企業の高度な戦略分析は、BCGやマッキンゼーなどの企業が主導してきました。しかし、なぜ現在、これらの企業がピラミッドの頂点にいないのでしょうか。それは、ビッグデータの出現によるものです。

6番目に、予測分析は、統計モデル、機械学習、さまざまな大規模シミュレーションと最適化に基づいて将来のビジネスを分析することです。

7 番目に、先ほど説明した完全なデータの自動分析と意思決定に戻ることができます。

現実世界の状況におけるエンタープライズ データ分析の現状。ほとんどの企業がこれをどのように達成しているかを見てみましょう。ここにいる業界リーダーの皆さん、特にテクノロジーに重点を置く CTO の皆さんは、この図をご存知でしょうか?

これは企業内のデータフロー図ではないでしょうか?この図が米国のハミルトン川の下水処理のフローチャートだと言ったらどう思いますか?この写真は、米国の汚染された川をきれいな水に変えるプロセスを示しており、これは今日のデータ分析プロセスと非常によく似ています。

多くの企業におけるデータ分析の基本的なプロセスは、大量の汚水が流入し、それをさまざまな方法で監視し、沈殿池に入れるための人手が必要になるというものです。その後、さまざまなクリーニング、集約、再クリーニング、再消毒、そして送信を段階的に行います。米国では、データ収集から最終的にデータの有用な商業価値を生み出すまでのプロセスには 3 週間から 5 週間かかることを実際に示す調査を実施しました。考えてみてください。簡単な決断をするのに 3 ～ 5 週間かかります。なんとも苦痛なプロセスでしょう。将来、企業がデータ戦略で成功したいのであれば、下水をすぐにきれいな水に変えることができなければなりません。

もう一度見てみましょう。本当の価値はこのピラミッドの頂点で生み出されます。ホワイトハウスの主任データサイエンティストである DJ パティル氏の調査レポートによると、データエンジニアとアナリストの時間の 90% はデータの収集とクリーニングに費やされており、多くのビジネス価値を生み出すことができる作業に費やされるリソースは約 10% にすぎません。

従来、データ分析全体は複数の部門によって順番に処理されるため、パフォーマンスが非常に遅くなります。ビッグデータについて言えば、データはデータラベルの収集から始まり、通常はフロントエンドエンジニアリング担当者によって実装され、その後、データ転送はITによって管理されます。ETLは通常、企業内のデータウェアハウスまたはデータプラットフォームチームによって処理されます。BI（ビジネスインテリジェンス）部門は分析部門にあるか、ビジネス部門に存在し、さまざまなビジネスアナリストや統計学者が関与しています。この運用フレームワークシステムには、さまざまな部門の多くの人が関与しており、プロセスが非常に長く、効率が大幅に低下します。

特に、テクノロジーの最先端を行くインターネット企業は、さまざまな試みを行ってきました。例えば、行き詰まりを打破したい場合、さまざまな機能部門を統合する必要があります。しかし、機能部門には異なる能力と経験を持つ従業員が必要であるため、ビジネスを理解している部門がテクノロジーを真に理解することは難しく、テクノロジーを理解している部門には、ビジネス部門の多様なニーズを十分に理解するだけのエネルギーがありません。その結果、いくつかの意思決定リンクで速度が遅くなり、非効率になります。企業は、増え続ける需要に応えるために、さまざまな IT システムを構築し、カスタマイズする必要があります。このカスタマイズにより、企業内のさまざまな部門に複数のデータ マイクロ アイランドが形成されました。複数の企業データ アイランドにより、IT 部門の作業負荷がさらに増加し​​、さまざまな内部カスタマイズ システムのデータを統合して、さまざまな統一されたデータ決定を行う必要が生じています。

短期的には、このカスタマイズされたデータ統合により、企業の情報意思決定の問題が解決されるように見えますが、長期的には、企業の意思決定のスピードがさらに遅くなることになります。このデータ分析ピラミッド図をご覧ください。過去数年間で、ビッグデータ分析によって生み出される真の価値は、投資時間の 10% 以上であり、それが 90% 以上、あるいはそれ以上の価値を生み出すことが分かりました。しかし、残りの 90% の作業を行う時間とリソースがなければ、価値を生み出すことはできません。販売管理も含めデジタル主導の業務となります。

中国が急速に発展している現在、企業分析サービスを提供するために、各企業が「下水処理場」を建設したり、多くの種類のソフトウェアを繰り返し開発・導入したりする必要があるのか​​、自問する必要があります。今日、私たちの前に立ちはだかるチャンスは、さまざまな技術と管理のギャップを克服し、企業をより効率的にするために、いかにして先進的な方法を効果的に導入するかということです。さらに、人口ボーナスが減少する中で、企業が行うべき最も重要なことは、効率性を高めることです。

データ駆動型のクローズドループの構築: データ分析と運用上の意思決定の規模と効率をどのように向上させるか?

主なアプローチは、既存のビジネスのデータ分析プロセスを大規模に簡素化し、エンドツーエンドの統合を実現し、意思決定分析システムを閉ループにすることです。このデータ分析のクローズドループの速度は、基本的に企業の意思決定の速度に相当します。企業のビッグデータ分析のクローズドループには、少なくとも 2 つのコンポーネントが必要です。最初の部分はビジネス側の参加、2 番目の部分は技術側の実装です。

この意思決定ループのビジネス側への外部の参加が増え、技術側での内部実装が少なく速くなるほど、効率が高まります。どのように理解すればよいでしょうか? 米国の権威ある機関の最新の研究資料では、次世代データ革命におけるシャドー CTO の概念について言及されています。つまり、IT 部門は社内の実行者ではなく、エンタープライズ ソフトウェアの外部管理者になる必要があるということです。さらに、米国のクラウドベースの SaaS ソフトウェアは、情報意思決定機能をクラウドに配置することで、長い IT プロセスと技術的なギャップの一部を克服します。

これは、シリコンバレーのトレンドをリードする企業でよく実証されています。たとえば、Salesforce、LinkedIn、Facebook、 Uber 、Airbnb などの一流企業のさまざまな部門では、すべてを独自に構築するのではなく、さまざまな SaaS ベースのソリューションを採用するケースが増えています。