【猎云网北京】10月28日报道（文/李不空）
从2010年4月加入LinkedIn到2014年11月份，张溪梦从数据科学家开始做起，4年内从数据科学家一直到升职高级总监，他主导的 商业分析部门从开始自己的一个人，后来扩张成80+人的大部门，可谓是华人在美国科技公司的奇迹。
彼时，对于年薪150万的张溪梦来说，钱不能带来更多成就感。看到这个方向可能会给企业带来巨大价值，张向公司提出辞职。创立大数据企业服务公司GROWING IO。
2015年2月18日，linkedin公司CEO Jeff Weiner 告诉创始人雷德·霍夫曼(Reid Hoffman)，张溪梦要出来创业了。霍夫曼会见张溪梦，30分钟后，张从雷德办公室出来时，他已经得到了后者的投资。
随后，张溪梦与邵亦波见了一面，因为此前，张在ebay有工作的经历，而邵创办的易趣又被ebay收购。二人相谈甚欢。邵亦波投资是投人的，还建议张回中国看看，可能中国会更有市场。后来，张决定在中国创业，邵在公司招聘、办公地点等方面给予很多支持。
很快，NEA的投资人Scott Sandell 找到了张，希望投资。
NEA 是企业服务领域的专业投资基金。2013年Tableau公司上市时，是张溪梦对Tableau公司的核心架构进行了改造。把数据收集的响应时间从几分钟改进到了两秒钟。Tableau当时路演用的就是张溪梦改造架构的这个案例。
数据本身给企业经营带来的价值是无法想象的
linkedin的工作经历给使张溪梦对大数据的理解更加深入，使他积累了系统的方法论。
五年前，张加入Linkedln的时候，每天基本上工作到每天一点到晚上一两点甚至四点钟，在第一年大约完成了500个左右不同的大的小的项目包括建模、报表，用数据回答问题，但是他发现这个过程是非常缓慢和冗长的。
当时他作为一个内部员工支持大约200个内部员工的数据报表需求，一年做500个项目，200个员工需要数据，平均每年每个人只会被回答两次。
大部分时间都在做基础重复的数据清洗，数据整理，生成各种报表。在工程师的世界，被别人“表叔”、“表哥”、“表姐”，是很悲催的事情。
他做了一个内部的调研，问了所有的做数据的Linkedln分析师和数据科学家。问你大部分的时间花在哪里，所有的人的回答是非常非常的一致，大约是85%和95%的时间花在金字塔的最下面的四层也就是说产品理解、数据标记、数据存储加上一些分析。
“这个不是数据驱动，甚至可以说完全非数据驱动，所以说我们建立了一个新的数据发展战略，这套战略的在三年半之前建设好，然后一步步实施。”
张溪梦称，在他加入LinkedIn的9个月后，就确定了进行内部数据分析的三大原则：第一个是简单，任何人都能够看明白看懂；第二个是迅速，越慢接受度越低，越快接受度越高；第三是规模化，希望Linkedin内部所有的员工都能够用数据分析帮他们做决策。
后来，在Linkedln商业分析部有的一个不成文的规定，或者说是一个死的规定，生产出来的分析结果必须要确认分析的结果具有可执行性和可决策性。当然最后的目的不是为了做决策而做决策，而决策是要为了产生价值而服务。
Linkedln从2009年 到今天营收大约增长了不到20倍，从2010年开始的是成倍的增长而且速度慢慢在加快，其中一个原因就是因为其大量运用Linkedln内部基于职业的社交关系数据驱动营收。
而他的部门支持整个了公司的 Sales，Marketing，Monetization，Operations等部门，给LinkedIn的业务和营收提供了坚实的后盾。
让数据像水一样在企业内流动
在张溪梦看来，促进产品迭代的一个有效循环应该是：数据采集—>商业报表—>数据分析—>洞察沟通—>产品改进—>数据采集。
目前，其公司的产品正在内测阶段，已经有国内一些企业使用。通过把过去的数据采集、传输、存储、转化、可视化、高级分析模型等所有的这些步骤变成一个产品，展现给客户。
产品的收费模式可以按流量计费，或者按年交费。不同企业根据采集数据不同收费也不一样。中型企业年费价格大概在10万左右。
GrowingIO采集数据的方法很“神奇”，只需要植入SDK，然后在他们的控制台用鼠标点点，来表明哪些控件（e.g. 按钮，网页，移动页面等）你最为关心（这个操作可以交给业务部门做），GrowingIO便会记录和最后呈现那些控件的相关信息。同时他们还会针对业务类型给出专业的商业分析数据页。
公司解决的痛点是，不需要工程师像以前一样手工在后台“埋点”，像京东这样的第一个页面都有几千个不同的标签，工程师的手工“埋点”会浪费大量的时间。
其产品解放了工程师的大量前期重复的低效工作，（前期需要大量的工程代码加入产品后台中，）也不再需要大量的大数据运维人员负责传输数据，不需要建立大量的数据仓库、hadoop集群。
另外，以往的数据分析往往有时间上的滞后。比如京东网站，如果销售部门想拿到某个产品的消费者数据（比如年龄、性别、收入等）往往需要几个星期的数据采访、分析、整理，而GROWING IO的产品可以让这些数据在一秒钟内显示，并且把数据做成普通人都可以看明白的不同图表（如柱状图、漏斗图、波形图等）。这是其产品的重要功能。
“我们的产品和Flurry有很大的分别，他们更是一种粗线条的数字计数工具，和针对企业的商业数据分析还是有很大不同的。而且Flury是广告平台，有数据交易的部分。我们的产品专注第一方的数据，不会把数据分享用做广告平台，或者参与数据交易。”
数据分析会不断的为不同的部门输送数据，包括销售、市场推广、产品、运营、客户服务、风控，各个不同的部门通过数据从而产生创造出巨大的价值。
当今互联网大战，互相竞争烧钱吸引用户，而如何提高用户留存率，成为一个致命问题，这个问题同样发生在Linkedin。
5年以前，张刚去linkedin，每年假设一百个用户注册，转年只有一个用户还继续付费，99%的人都离开。当张离开的时候，100%的流失率变成50%变成20%的流失率，这种流失率的减低，正是大数据分析高效自动化产生的商业力量。
张想像出来一个新的模型，就是把金字塔不断变成一个菱形结构的一个模式，这个模式并不表示不做以下的那些脏活累活。
最重要的一点就是要通过大量科技的技术不断的把金字塔底部收缩和做小，做小的同时让人有更多的时间做更重要的工作。把数据决策权给公司里大量的员工。
在过去五年在Linkedin做得最有价值的事情，数据决策的权利给了很多很多的Linkedin内部员工。用技术引导很多人，能用数据做迅速决策，做大量决策，这点是张溪梦看到的趋势。
数据分析中最重要的一点，张觉得不是技术力，而是想象力。正如一个很老的美国电影《星球大战》，当中提到的“You would fail if you think it is impossible.”
张的想像是，不久的将来，让数据像水一样在企业流动。每一个员工都可以使用可视化数据分析、决定自己的工作方向。但接着而来的问题可能就是，如何根据众多数据，做出正确分析，这个问题可能还需要解决。
