LinkedIn用户平均收入远超Facebook

《福布斯》杂志封面人物Jeff Weiner揭示了LinkedIn如何通过高效团队运作实现收入增长,对比Facebook,LinkedIn在用户黏性和收入转化率上展现巨大优势。

美国职业社交网站LinkedInCEO Jeff Weiner今日登上了《福布斯》杂志的封面,这是一个荣耀的事情,但是LinkedIn的商业模式更值得我们关注。

下面是《福布斯》杂志编辑George Anders 所提供的数据:

LinkedIn用户在该网站每月花费的平均时间为18分钟。而Facebook用户相比较在Facebook上每月花费的时间为6.4小时。

然而结果是用户停留在各自网站1小时两个网站所获得的收入却恰恰相反,LinkedIn平均从每位用户获得1.3美元,而Facebook平均从每位用户所获得的却仅仅6.2美分,整整相差20倍。

LinkedIn Recruiter是LinkedIn目前最贵的产品,他的每个席位平均需要每一个客户每年支付8200美元。

Adobe是LinkedIn最大的客户之一,就拥有70个席位。就这一家公司每年付给LinkedIn的费用就多达50万美元。

LinkedIn的高级销售人员每年就能卖出价值40万美元的Recruiter。

LinkedIn每年都花费33%的收入用于销售和占据市场。这致使LinkedIn今年的收入有可能达到7000万美元,这比去年的收入翻了一倍。

虽然《福布斯》杂志并没有提及LinkedIn的成功之道,但是LinkedIn的员工却认为他们能够赚得这么多的钱是靠团队的作用,他们称之为“团队就是金钱”。

随着LinkedIn越来越强大,他们的员工也越来越多,这不得不迫使LinkedIn扩大其办公场所面积,LinkedIn已经租下了Sunnyvale的一处郊区来容纳他们的员工。

VIA BI

王盼盼雷锋网专稿,转载请注明!)
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值