什么才是大数据？
大数据不是简单地等于大量的数据。大数据的概念也包括了在实际应用过程中，数据处理的难度和挑战性。
从业务线的角度来讲，大数据的发展史经历了这五步：
第一是金融财务公司，比如很多银行和信用卡公司，他们是最早开始使用数据的。从数据量来讲，他们是最少的。
第二是CRM数据，即你的客户管理的数据。他们的数据量比财务更一大些，因为这些公司成为你真正客户付钱之前已经产生很多数据，他们做的软件会存储下来，帮助这些公司做更好运营，比如SAP，Oracle等等。
第三是互联网时代，它会记录很多用户到你网站上来的数据，通过这个数据可以分析把业务、网站做的更好，比如Google，Yahoo等等。
第四是社交网络，脸书、LinkedIn等新社交网络的产品出现。所以社交网络的出现实际上是跟大数据一词的出现大概是同一时间，也真正把数据处理、分析的难度和挑战性带到一个新的高度，“大数据”这个概念也是在这个时期出现的。
第五就是创业公司。他们的数据量往往是更大的，处理和分析的难度也在增加，而且这些数据都是跟你实实在在生活中相挂钩，比如Uber，滴滴等等。
从技术角度来讲，一般来讲大数据有三个技术维度，我们叫三个“V”。第一个“V”是Volume容量。第二个“V”是Velocity速度。第三个“V”是Variety多样性。
从技术来讲并没有一项技术可以完美处理三个维度，对一个公司来讲更多的时候需要在三维度上面做优化方案。怎么用最好的技术方案为你的业务产生最大的价值，这是我们数据团队需要话时间想的事情。
任何一个企业第一件事情肯定先做好核心业务，随着客户和业务的增长，会不断收集更多的数据。当数据收集到一定量的时候，对于数据的分析会帮你找出对你有用的信息，帮助你能够做出更多符合你需求的增值服务和产品。把这些服务和产品继续做到核心的业务平台当中去，可以帮助你进一步增长你的客户和业务。这样形成一个非常好的正向的闭环，这也是数据在你整个业务当中成长当中起的非常重要的作用。
以LinkedIn为例，我们的CEO经常讲LinkedIn的愿景是做世界经济图谱。我们用数字化的方式把世界上所有经济相关的各种元素数字化的方式呈现出来。 从而从中洞察经济发展的规律，创造更多新的经济机会。
我带的团队名字叫商业分析，目标是要利用大数据为职场人员做出迅捷、高速、高效的决策，也就是创造商业价值数据科学。
关于我们分析团队里面的分析师技能，我们的需求包括三大块。一是需要一些简单编成和数据产品开发技术，二是统计和数学相关的知识和背景，三是业务专项知识和商业心态。这三者是缺一不可的，而这种人才在市场上很难找到。
对企业最重要的事情是什么？
对任何一家企业来讲，长期的成功都依赖于业绩。
我们有一个商业分析的进化论，分为四步，每一步都让我们做的事情和业绩更好地挂钩。
第一步，收集数据，把数据存储下来，数据会告诉你发生了什么。
第二步，通过对以往信息和知识的理解来去做预测。
第三步，利用数据的思维去做最好的商业决策。
第四步，实现商业价值，推动数据思维和数据运营。
与此同时，我们团队运用一个EOI（Empower，Optimize，Innovate）的分析架构来指导我们做的事情，这个是我们不断持续推动商业价值方法论 。
第一叫助力(Empower)。我们的核心任务就是帮助公司里面各个业务部门在他们需要的时候，拿到他们所需要的数据和洞察，能够帮助他们把业务做的更好。
第二是优化(Optimize)。我们希望能够进一步通过对数据的分析和理解，帮助各个部门的业务可以做的更好，为公司带来更多的价值。
第三是创新(Innovate)。这是我们的风险任务，要不断通过自己努力，把新技术、新知识，对数据的理解带到这个业务当中来。
我曾在LinkedIn上发表了一篇详细介绍EOI分析架构的文章，大家可以在我的LinkedIn 档案中找到，中文版在创业家杂志上发表过。下面我们分别对EOI的的每个组成部分各举一个例子。
第一个例子是有关助力的人才流动画板。在LinkedIn上面每一个用户都有自己的档案。有了这些数据以后我们就可以知道，在任何一个时间哪些人为这些公司工作，哪些人从哪些公司跳到另外一个公司。当把这些知识提炼到一个公司的高度，我们就可以知道对任何一家公司来讲，他的竞争对手的人才竞争的情况是怎么样的，这就是我们做的人才流动画板。后来我们在各个公司的人才流动画板的基础上做了两个新的产品，第一个是雇主品牌的排名，第二个是发布了硅谷最具潜力初创公司榜。
第二个例子是有关优化的高级订阅服务产品倾向型模型。LinkedIn在绝大多数情况下是一个免费的产品，但是对于有特殊需求的人群，会有付费的高级订阅服务。
那么怎么找到这一小部分人愿意花买付费服务？
我们从最基本的三种数据开始：
第一种是用户个体数据。
第二种是用户行为数据，即用户在网站上做的事情。第三种是用户网络数据。我们把所有用户开始根据三种数据进行建模，最后找出来非常小的一部分人进行精准的定位，并给他们发相关营销的信息。 这一个模型只用了我们团队几周的时间，而帮助我们营销部门的业绩翻了2倍还多。
第三个例子是有关创新的大客户兴趣指数。其实LinkedIn有超过70%的营收从B端客户来。而在B2B模式当中，决策者起着非常重要的作用。
我们做了两个相关的数学模型。第一个是决策者指数，讲的是这个人在这个公司里面对你要卖的产品，有可能是决策者的概率是多少。另一部分是对每一个人的产品倾向模型。把两个模型的结果整合起来再汇总到公司或者团体的高度，我们就可以给世界上任何一家潜在的大客户打分，暨大客户兴趣指数。根据我们销售团队的业绩，高的大客户兴趣指数比低的订单成功率高2倍。
总结一下我们如何让大数据为公司更好地工作：
第一是从大到小，数据量很大的时候没有办法使用，只有做到了满足客户需要的很小的一部分数据，（冰山一角），才是大家需要的。
第二是从繁到简，我们做的事情有时很繁琐，但是最终的结果需要是很简单的展现，对业务有帮助的数据展现，才能被大家接受。
第三是从慢到快，在这个节奏不断加速的世界，很慢的数据产品是没有人会去用的，所以速度一定要快。
建议国内创业企业
第一，我认为数据不是金钱，而是资本。在一个公司建立初期的时候，还是应该以商业模式和用户体验为中心。
第二，数据很难直接变现，我不鼓励大家卖数据。
第三，每一轮的创新大潮归根结底都是新型数据产生和积累过程，最终胜出公司是数据的拥有者，并且以数据为基础，建立起商业模式。从长远角度来讲，数据的拥有权和使用权是这个企业最核心的竞争力，并且决定了这个企业长期发展的高度。
创业公司在大数据方面可以做哪些事情？
第一，在创业初期，业务上应该以商业目标和这个模式探索为主，数据为辅。
第二，引入从数据底细层次到数据商业应用都有经验的高管加入核心的管理层当中。
第三，公司领导层要对三到五个衡量公司发展核心指标，有着清楚的了解。
第四，当产品用户开始加速增长，数据重要性会迅速增长，而且中长期的数据的战略和短期的商业应用应该有平衡性进行。
第五，当你数据在某一个细分领域成为独裁者的时候，当你发现你在某一个领域没有人和你竞争时，数据在某种核心成为竞争策略，再往其他相关领域拓展布局。
来自：黑马营十一期5课“用户与营销”模块课程
在硅谷创业和中国创业是哪两种不同的体验？
第一，硅谷VC周期一般比较长，在硅谷很常见是八到十年，甚至更长的资金周期，所以资金的收回其实并没有那么快。国内VC很多时候相对来讲短、平、快为主，希望有一个尽快退出的盈利模式。
第二，在硅谷有很多是专注于技术创新的公司，想把一项技术做的非常好。而在国内更多是以商业模式创新为主。因为最终商业模式更新并不是实实在在技术更新，而没有技术更新创新有时候很难做的非常有规模。
第三，硅谷创业非常讲究愿景和使命。国内很多时候已经迅速成长为卖点，哪一个行业可以迅速增长在风口上面，会吸引来更多的关注。
第四，在硅谷里面创业公司工作也是很辛苦的，但是很多是弹性工作制，很多创意企业因为想要效率更高想留在家里工作。而国内我看到经常是“996”标配，甚至比这个强度更大，这个是不同的文化。
第五，在文化方面，硅谷的公司是技术驱动。国内更多是业务驱动为主，业务部门在决定权的时候会更多一些。
第六，关于人才竞争，硅谷人才竞争很激烈的，相对来讲是有序的。而国内的人才竞争很多时候相对来讲更加随机和残酷。
第七，硅谷公司法律很强，这个实际上很多时候一个公司有一个关键技术，有相关法律保护的时候，会让这个公司生存率变的更强，国内公司有时候相对来讲会意识相对比较薄弱。
第八，硅谷风头B端业务的比重很大，国内主要以C端为主，逐渐开始看到的是更多的注重B端创业企业的投资。
本文转自d1net（转载）