作者 | 潘佳鸣，猎上网数据中心负责人

来源 | 2016 GrowingIO 数据驱动增长大会。本文首发于 GrowingIO 官网博客和微信公众平台，授权转载。

大家好，我是猎上网数据中心负责人潘佳鸣。

你们之前可能听过不少关于增长黑客、用户留存的方法分享，已经有一个清晰的增长目标在远方。但很多时候，怎么在通向增长目标的这条路上顺利走下去，也是一个非常大的命题。这就是我今天想跟大家分享的主题：创业公司如何快速搭建高效数据团队。

一个数据分析人员选择加入创业公司，可能基于两个因素的吸引：

在创业公司可以接触到非常蓝海的全新数据领域，比如滴滴的出行数据，链家的房产交易数据，猎上网的人力资源交割数据等。
在创业公司整体的飞速发展中可以体验到企业价值和社会贡献的明显提升。

同时创业公司中的数据团队负责人，也会面临以下五类特殊的挑战：定位、协同、需求、技术和人员。今天我的演讲就围绕这5个方面展开，希望对大家有启发。

一、定位挑战：驱动还是增长？

（一）何时成立增长团队？

作为创业公司的数据负责人，你有非常大机会能跟创始人紧密合作，这是加入创业公司的重要优势。但同时，创始人也会对你有非常多的预期，比如：

快速搭建企业商业智能（Business Intelligence）；
进行整盘风险控制；
商业洞察发现市场机会；
成立增长团队（Growth Team) 等。

创始人对数据团队有这么多的预期，这些事也确实都是数据团队应该要做的。但凡事有先后，以现在非常热门的“增长团队”为例，如何判断你公司现在所在阶段适不适合搭建增长团队呢？我的建议是主要从三个评判因素来看：

第一种，数据环境。

「增长黑客」必须要基于完备的数据基础来做，如果你们公司产品、运营、市场、销售等业务对应的数据还不齐全，很难开展增长业务。

第二种，试错空间。

增长的过程中要经过大量 A/B 测试、灰度发布来不断验证假设、调整方向，需要公司有一定的试错容忍度。

第三种，可触达性。

作为一个数据分析人员，你提出一个想法，用数据充分证明了它，但是最终没有去执行，这就只是一个”建议”，不能真正带来增长。所以你要判断公司现阶段的增长“可触达性”如何，提出一个增长建议后是否能立即调动产品团队快速上线测试。

（二）增长团队如何配置？

根据公司实际情况可以选择两种不同的增长团队配置形式。

第一种，由 CEO 牵头，在全公司范围内成立联合增长团队，并与 CTO 密切合作。这种配置形式的优势是，在发现一个增长假设后，可以快速调动全公司资源进行样本上线，检查是否对目标 KPI 有所增长。

第二种，让目标业务部门自己建立增长团队，从公司层面配置相应资源下去，然后定期开联合会议。

（三）增长加速之前，如何进行前期“保养”？

以猎上网自身为例，我们是一家飞速发展的人力资源相关创业公司，现阶段我们面临的问题主要是功能开发方面，产品迭代非常快速。虽然我们也有设立数据部门，但数据基础并不完善，也不够稳定，需要跟产品一起快速成长。所以我的选择是先不成立增长团队，而是专注驱动整个公司商业智能（Business Intelligence）环境的成长完善。

数据团队如何驱动公司商业智能环境完善

具体而言，我们数据团队会专注做以下几件事：

基础数据驱动和商业智能环境的构建。包括常规的报表研发、数据推送、取数服务等。这部分会花 60 %的精力。
打好数据质量、数据安全的地基。这部分需要中长期持续推进，但在一开始就要考虑到。
提供商业洞察。企业创始人对数据分析人员的预期中，很重要的一项是风险控制和为商业机会决策提供支持。所以数据分析师往往同时要扮演企业内部高级咨询师的角色，成为创始人的“外脑”。

这个阶段数据团队相当于是在为公司做“保养”，让公司先实现基本的数据驱动化，然后在时机合适时再一脚踩下油门，也就是我们所说的 “Growth Hacking 黑客增长 ”。

二、协同挑战：高速迭代的数据源

创业公司环境中，新产品发布周期非常短。从上往下看是是产品的 UI、UE 在不断变化，而从下往上看，数据团队所面临的产品数据源也在一直高速迭代。面对这样的现状，我们首先要明确的态度是，去拥抱变化中的数据环境，而不是吐槽。

数据团队要主动“扑上去”，积极与产品团队沟通，保持信息同步。
元数据（Metadata) 一开始就要做自动化。
警惕数据拉链的缺失，提前做好处理。产品在开发新功能的时候往往对数据状态的变化缺乏记录敏感性，而这些变动数据在统计中是需要用到的，所以必须提前警觉。
做好研发文档管理。产品在高速迭代的时候，通常会采用敏捷开发（Scrum）、精益开发模式，而不是传统的瀑布式开发，很容易造成研发文档缺失。
合理利用外部资源解决埋点问题。快速迭代的产品往往会遇到两类“埋点之痛”：一是产品人员没时间，埋点特别少；二是埋完点产品一更新，就被全面推翻。这中间就需要有一个权衡取舍。

我的建议是在核心节点上进行手动埋点，同时积极利用外部工具资源，这也正是猎上网选择 GrowingIO 的原因。在产品快速迭代的环境下，利用 GrowingIO 的无埋点数据采集技术，我们只需加载一次代码就能采集全量实时用户行为数据，可以大大减少数据团队前期埋点的繁琐工作。

三、需求挑战：顺序和主从

创业公司中，数据团队需要处理来自市场、销售、产品、运营、财务等所有部门的各种数据需求，但资源永远是有限的，所以必须明确优先级，找准重点。

我个人的建议是：优先解决花钱的问题，然后再解决赚钱的问题。

何为花钱的问题？客户留存模型、AARRR 海盗模型的本质都是一个漏斗。漏斗的最上层是引流，引流的特点就是有花销，比如市场部门的 SEM、品牌活动、广告投放，客户开拓部门的大客户销售（KA）、业务拓展经理（BD）等，都属于漏斗上层花钱的部分。

所以数据团队需要做的第一件事情，是帮企业创始人解决花钱的问题，用数据分析让花钱透明，然后不断调优花钱性价比，最终在高性价比的花钱方式基础上进行规模化复制。没有这个“花钱透明”的基础，企业很容易出现“烧钱烧死自己”的情况。

具体而言，数据团队需要配合市场部门对渠道效果进行精细化分析；需要支持客户部门做好团队成员的绩效管理，以及客户的价值管理。

花钱问题 VS 赚钱问题

漏斗的上层引流问题解决完后，接下来才是解决赚钱的问题，因为漏斗下层的交付运营部和财务部这两个模块是不能无限扩容的，必须基于前面市场部和客户开拓部的引流。相当于一个榨汁机，你在漏斗上层扔了三个橙子就是三个橙子，但最后能榨出多少橙汁，要看漏斗下层的处理能力。

在漏斗下层，交付运营部门需要基于数据不断优化类目管理，提高交易撮合效率和人员效能。同时数据团队还要与财务部门配合，对财务风险进行整体评估，想方缩短收账周期，减少坏账率，保证资金健康性。

以这样的顺序推进整个数据部门工作，会有一个非常大的好处：你的数据团队一直在做贡献，而不是一个成本团队。这一点非常重要。

四、技术挑战：自研还是集成

技术选型是不管创业公司还是大型公司的数据团队负责人都需要持续思考的一个问题，这方面我的两个建议是：

第一，重视时间窗口，尽量选择主流和保守技术。你不能把公司当成小白鼠，而是应该尽量少踩坑。另外，在早期选择特别前沿和小众的技术也很难招到相应人才，这也是必须考虑到的时间成本。

第二，整个框架按需使用，不要规划的太大。在创业公司早期引入成功大型公司的后期重型框架，会让你的团队非常不适，沟通成本也会很高。

五、人才挑战

下面这张图显示了猎上网 2016年1月~11月全国均单猎头费的数据，可以看到这个数字一直在大幅上涨。截至11月均单猎头费接近5万元，企业对中高端人才已经进入抢购状态。

2016年猎上网平台全国均单猎头费变化

对创业公司而言，获取人才更是一个艰巨的挑战，你需要面对各种人才问题。

招不到合适的人；
现有资源紧缺；
人才流失；
员工成长；
新申请 Headcount（招人名额）难
……

对于创业公司数据团队的人才管理，我也总结了几个建议。

容人、融人、荣人。第一个“容”是包容，不要指望所有招进来的人都是完美无缺的，适合的就是最好的。第二个“融”是融合，团队有各种个性各种能力的人，要让他们朝着一个共同目标前进。第三个“荣”是荣誉，必须让整个公司的产品、市场、运营各个团队都赢，数据团队才能赢。
按需动态配置团队。早期团队一定是人才不足、变动很大的，建议采用混合制人才模式，让团队成员之间互为补充，互为后备。
SOP 量化效能管理。销售团队、市场团队的绩效都很好做量化，对于数据团队你也需要建立一套标准、量化的管理机制，包括项目交付，进度评估等，给内部团队成员看，也是给合作部门伙伴看。
扁平管理和敏捷迭代。
高效招聘。一方面永远要做人才储备，另一方面，作为部门负责人必须自己冲在第一线，用公司的价值观和成长空间去感染人才招募人才，而不能像在大公司只坐在办公室看简历、做面试。

六、猎上网增长案例

猎上网整个模式非常类似电商，只不过电商解决的是线上商品资源的交易，而猎上网解决的是人力资源的交易。但很多东西是触类旁通的，电商行业通用的商品交易总额公式在猎上网也同样适用：GMV=订单量×订单转化率×客单价。

下面我就跟大家分享一个猎上网自身的增长案例，介绍我们如何通过数据分析发现提升订单转化率的增长机会，并及时优化产品，最终实现业务总体增长。

猎上网的整个业务可以分为很多模块：

订单模块。即人才推荐，HR 发布职位后，猎头就会推荐相应的候选人，这就是订单。
人才管理模块，指猎头对自己上传候选人简历库进行管理。
算法引擎模块。包括智能匹配、搜索引擎等。

猎上网业务模块

猎上网对所有这些模块都会进行监控和数据分析。以“人才管理”模块为例，看看我们针对用户行为数据进行分析能发现什么。

猎上网人才管理模块用户行为数据分析

首先，我们观察猎头的行为发现，猎头 67%的时间都花在“简历创建”上，类似电商平台的“上新”。而在所有这些“上新”的行为中，65%的情况是猎头发现平台上有合适的职位，即图中绿色部分的“推荐时”。也就是说，绝大多数猎头默认的优先行为是在平台上搜索浏览企业 HR 发布的职位，进行“选单”，针对职位看自己手里是否有合适的候选人，再来创建简历。

而另一方面，当猎头的人才简历库越来越完备，信息越来越标准化，猎头又会有很大概率使用“智能匹配”，即平台推荐。智能匹配有两种玩法，一是人才匹配职位，二是职位匹配人才。我们发现猎头更喜欢用人才匹配职位（使用占比62%），而且这种形式下订单转化率也比职位匹配人才模式更高，可以达到 40%。

两种智能匹配模式使用率和转化率

所以结论就是：猎头默认的动作偏好是按照职位去找人，也就是“选单优先”。但是当平台给猎手推荐信息进行“智能匹配”时，他们又更愿意根据简历库中的人才去匹配职位。这是通过 GrowingIO 的用户行为数据分析我们发现的一个非常有趣的洞察。基于这个洞察我们做了两件事：

第一，优化搜索引擎。在精准匹配的算法优化上，我们选择优先做人才匹配职位的算法，而不是职位匹配人才。

第二，建立职位专场，类似淘宝的聚划算和微淘。

增长效果数据

最终的结果就是，猎上网在前三个季度的整体面试成单转化率提高了 80%。同时职位专场刺激了猎头激活，猎头的留存率得到提升，整体成单猎头数增长了 37%。并且，专场化的运营也使得人才职位匹配度提高，佣金客单价提升了 21 % 。后续，我们又进一步做了“滴一猎头”和“人才画像”两个功能，增长效果也很明显。

这是猎上网通过 GrowingIO 进行整体用户行为数据分析，从中发现商业洞察并最终实现增长的一个有趣案例。这其中数据洞察非常重要的一点意义，在于让我们可以更好地知道怎样做资源调配。

产品前期开发中有许多功能要做，但当我们把用户行为偏好的洞察数据给到他们以后，产品就能清晰地知道应该怎样做不同算法调优的时间分配和优先级安排，实现资源的最优化利用，才能最终实现显著的业务增长。