运营数据分析包括哪些数据分析(大数据分析头头是道，投资决策处处存疑)

大数据分析头头是道，投资决策处处存疑

　　近几年数字化建设日益蓬勃，对企业业务的数字化改造，并结合云计算、大数据、人工智能、移动互联网、物联网、区块链等技术，从而实现智能化管理，由此带来了数字经济新产业的发展。　　我们日常生活也日益数字化，消费依托互联网平台、扫码及电子化支付，整个流程全部是数字化方式，可见数字经济对实际生活的渗透程度。　　从数字经济场景来看，简单的大致有三方面：　　1、 用户行为分析。传统客户行为分析都是问卷调查等方式，但随着消费场景逐步互联网化，客户的整个行为都被一一记录下来，因此构建的大数据具备很好的客户分析的基础。这两年非常成功的头条就是依靠客户精准推送实现了资讯内容的突破。　　2、 企业运营管理。随着企业生产、运营、推广等的数字化转型，ERP、BI等在各行各业被充分使用，并引导企业进行决策和管理。通过数据分析，产品更贴合客户需求，生产更高效，质量更有保证，生产力得到了极大的提升。　　3、 金融投资领域。一方面行业公司研究越来越依靠数据跟踪分析来决策，包括行业空间、竞争格局、企业增速、毛利率、业绩预测及估值等，无不通过数据及模型来构建。另一方面，量化策略及程序化交易也日益盛行，量化基金不断扩张，一些基金产品业绩也不错。　　大数据结合人工智能，Alpha Go已经成为围棋界的独孤求败，那未来世界是否真的是数字至上呢？　　1、 数据分析不具有前瞻性。近期接触基金公司项目，帮助基金经理梳理几个行业的数据从而进行决策，想想真是笑话，如果就凭跟踪一些行业数据就能判断股价涨跌，那量化策略不比你高效迅速？数据反应的往往都是结果，而投资决策都需要提前预判，通过数据判断趋势往往是颠倒了因果。因此数据分析更适合复盘总结、案例分析这种事后诸葛亮的行为，而企业经营和投资用纯数据分析绝对是瞎子指挥。　　2、 数据分析的核心是因子。前期写过文章，就是通过数据做了一些基金仓位的模型预测，总体来看效果不是很好，关键是因子问题。一个事情的结果已经数据化了，但是哪些因素导致的其实非常复杂，如果不能准确找到，那你往往会得到南辕北辙的结论，甚至选择错误的决策方向。就如近期港股，通过数据模型怎么计算都会得出被低估的判断，但其目前的核心因子是资金在抽水，这个时候其他因子都不是关键，由此沿着老路做操作必定死得很惨。　　3、 因子之间的相关性问题。做量化模型时，我们寻找的因子希望没有相关性，否则很难判断哪个因子有效，另外也加大了同类因子的权重，会产生误差。例如我们判断市场活跃度，可以使用成交量、成交金额、量比等，这些因子虽然各自有差异，但具有明显的线性关系，如果采用两个因子，则模型必定在计算中放大了同一个事件的权重效果。　　4、 偶发事件的干扰因素。数据分析都是基于因子进行的逻辑判断，但出现因子外的偶发事件，再通过既有因子解析的时候往往会有误差，特别在高频数据下产生误判，而在低频数据下又会被忽略，所以虽然现在很多量化模型加上了止损机制，但实际只是在无法解析的情况下一种粗暴的措施，有可能丧失了投资机会。　　5、 数据分析往往会限制你的思维和创新。记得上哲学课时，老师说哲学思维的高度往往是由物理学决定的，当时听得一头雾水，两门毫不相关的学科怎么相互影响呢？其实你对自然世界的认知就决定了你的意识形态。数据分析相同，你在进行因子筛选和验证的过程往往都是你对该业务或投资的解析，你的认知高度决定了模型的策略。如果你的模型跑的不错，并不是你的策略有多准确，而只是目前市场也许还在延续原来的逻辑，甚至只是碰巧。如果你不继续深度了解业务和市场，被该模型和数据所束缚，当市场发生变化时你已然脱轨。因此数据分析只是一种工具，甚至会限制你更多的创新思维。　　6、 数据慢慢变成一种营销手段。数据分析应该是独立的探究过程，如果数据模型变成大家都认可的标准，往往会变成一种营销甚至作假欺骗的手段。就如以前写过的估值模型，算法大家都会，即使细节上稍有差异，但趋势基本相同，但如果将估值作为投资决策的标准，那很容易被有些人所误导，甚至美化些业绩数据就使得估值一下子改观很多。金融投资是话语权之争，而数据分析看起来客观，其实是最容易被利用和影响的。前几年互联网那一套流量转化率模型忽悠了多少投资者，你抛开那一堆PPT逻辑，只要你产品砸钱做营销，低价薅羊毛，哪个APP转化率不高，看数据的话那几个已经倒闭的网贷APP最好啊。数据和所谓的一套分析方法已经给太多人洗了脑，就犹如现在的教育，一道题只有一种算法，悲哀。　　数据是客观和无辜的，但数据的加工、清洗、使用、建模、决策都是有人为目的性的，在你依靠数据分析和决策的时候，请先好好了解这些业务和人为目的，否则这些数据绝对将成为你决策的绊脚石。