【Meet 創業小聚 X Data Science Meetup 特別場】新創公司裡的資料科學家
如何讓資料科學商業化
John Chao, Co-Founder & CEO @ Tresl Inc.
活動主辦單位：Meet 創業小聚 、 Taiwan Data Science Meetup 台灣資料科學社群
大綱：
一、Introduction 自我介紹
二、Monetization 商業化 at LinkdIn
三、第一次失敗
四、第二次失敗
五、一個道理
一、Introduction 自我介紹
John 是台灣出身，成長過程中搬去加拿大，之後在 Stanford University 念統計，最後在美國灣區做資料科學家。曾在一家做 demand forecasting 和 price optimization 的 DemandTec 公司工作七年，之後該公司被 IBM 收購。在經歷不同公司和一些曲折的故事後，John 最後到 LinkedIn 工作，有興趣了解 John 的曲折故事可以前往此處閱讀。
John 進到 LinkedIn 後是在一個 Sale Solution 團隊下做 Data Science Senior Manager，2018年離開後，自己創業了一家 Data Science 公司。在經歷多年 Data Science 工作後，John 認為如何讓數據更人性化是一個非常重要的課題，想讓更多人、更多企業能接觸到資料科學，原因在於 John 發現到每一家公司都在為了解決資料問題而建立自己的 Data Team，但如果把每家公司的算能畫成平面圖，會發現只有幾家超級尖的塔，如 Facebook、Google、Apple、Tesla，因此決定成立一家公司去幫助企業解決他們的資料科學問題。
二、Monetization 商業化 at LinkedIn
數據分析團隊橫向整合，垂直對焦產品線
大多數 LinkedIn 使用者可能都是用來找工作，但一般使用者的訂閱只佔 LinkedIn 大約 10% 的 revenue，更多的其實是在 B2B 的商業解決方案。
Hire Talents
- Recruiters
Market
- Sponsor Ads
- Job Posting
- B2B 公司的 ads：可以精準瞄準要接觸的公司的人
Sell
- 在 LinkedIn 上也有一群人是專門做銷售業務
Work
當時加入 Sale Solution 下的團隊時，當時的 Data Science 團隊是叫做 Business Analysis 商業分析，屬於財務部門，主要是管理財務和 Monetization。在 re-org 後，變成有 1000 個 Data Team，每個 Business Line 都會有一個主要的資料科學家去支持 online 和 offline 的部分。
三、第一次失敗
Account Propensity Score B2B 購買意願量化分析
加入 LinkedIn 後的前三個月，因為數據量非常龐大的緣故，John 都在持續摸索，逐漸地適應後就開始思考自己能做什麼事。這時，John 就發現一件驚人的事情：B2B 銷售團隊沒有用 Data 去做排序！
快速思考題：
如果你是 John，當你發現銷售團隊沒有使用 Data 去排序時，你想到的是什麼排序？如果是你，會怎麼做排序來幫助銷售團隊？
（請花三分鐘去思考看看！）
問：銷售人員怎麼知道我們產品要(優先)賣給誰？
John 驚訝的是，在 LinkedIn 平台有上百萬間公司，Sales 都知道有這些公司的存在，為什麼我們不嘗試做排序或是分數，去預設哪間公司會買、哪間公司不會買，這樣的想法對 John 來說是理所當然的。於是，John 在跟團隊提案後就開始著手去做，找了一位工程師，花一個月的時間做出 prototype，再花三個去推廣使用，初期 sample 表現不錯，同時間也開始完善使用介面，並且找了一些銷售人員使用來試看看成效，回饋都非常好，最後找了 5–8 個測試組。
當時 John 就很開心，心中已經預期可以將這個產品在銷售年度訓練大會上教導銷售業務如何去使用，還要找哪些人來支持和上線這個產品，到時候只要等放假回來就可以把產品正式上架了，Perfect！
快速思考題：
如果你是 John，當你認為準備已經充足，產品將會如期上線。
如果最後產品胎死腹中，你認為可能在哪個環節發生差錯？
（請花三分鐘去思考看看！）
事情不如預期順利，當 John 放假回到工作，產品上架的計畫卻胎死腹中。
專門負責 Data Analysis 的團隊對 John 說：「我們沒有充分事前溝通，也沒有了解這個模型的成效，今年銷售計劃已經擬定，沒有多餘頻寬。」
問題在於：沒有創造「 共贏 」。
How do you share credits with other people?
在大公司，除了自己做的事情成果好之外，更重要的是，要讓其他人感受這是大家一起完成的，若沒辦法和他人創造共贏，成果再好都沒有價值。
四、第二次失敗
APS 2.0 紅綠燈+銷售配額
儘管第一次並沒有正式上線，但已經讓許多人認識到 John 他們有做出一個好用的產品，也默默支持 John 他們繼續去做這件事。因此 John 持續和 Sales 團隊討論，不斷把產品最佳化，讓產品更簡單、更容易聚焦、更容易讓銷售人員了解使用方式。
新的版本增添了紅綠燈，讓銷售人員很容易就能夠了解現在的好壞，同時也將銷售配額也納入其中，新版本也因此獲得好評回饋。所謂的銷售配額是，每一個銷售團隊每一年都會有銷售配額，可能每一年有 10 million 的銷售配額，再分給團隊中每一個銷售人員各自的銷售配額。
但銷售團隊的主管問了 John 兩個問題：
你對你的模型有信心嗎？
銷售人員是靠業績吃飯的，沒業績就沒飯吃，如果他的家人現在站在你面前，你還有信心嗎？
（如果你是 John，你會怎麼回答這兩個問題？）
John 不知道該如何回答第二個問題，於是又重新花費兩三個月去思考要如何證明這產品是有用的。
對 John (以及各位資料科學家們)來說，在做這件事(資料科學模型/產品)時，不會去想到這會影響到其他人的生計。受影響的人或許已經有一套方法可以運作，為什麼要去改變他們原有的作法？或者說，這樣的 改變會不會對他們原有的方式造成翻天覆地的衝擊 ？
做數據這麼多年，在這之前我沒有這麼深深地體會到這連結是這麼緊密。
John 了解到， 預測的結果不是絕對的 ，應該要有更多彈性跟解釋空間， 讓人作為媒介去做一個更好的決定、決策 ，而不是只有黑白兩個絕對的結果。
五、一個道理
以人為本，讓人用數據去創造價值
最後的版本是，給銷售團隊一個完整的戰術跟指導，讓他們充分了解如何去對落在購買意願+公司規模各個象限上的客戶做出不同的對應，將預測的分數和銷售去做更好的結合，銷售便可以更有彈性和方法的去銷售產品。
成效是一整年的銷售配額都達標，最後全球的銷售團隊都使用這個產品，後續也有很多人和 John 討論要怎麼做。
Recap
數據如何商業化？
- 創造共贏：公司裡面不是只有你，產品沒上線就沒意義
- 容易理解，保持彈性：70分但是容易理解 遠勝於 90分但沒人看得懂
- 以人為本：想要改變行為創造價值，要先貼近使用者場景
Tresl 是一家讓 Data Science 更貼近人們、更人性化的公司，目前在 shopify (電商平台) 上打造了一個 Data Marketing Platform，想進一步了解更多，請前往 Tresl 官網。
筆手：[H](https://abandonblue1015.medium.com/)ungWei Lin
校稿：Wendy Hsu
👉 歡迎加入台灣資料科學社群，有豐富的新知分享以及最新活動資訊喔！
