伴随着竞争加剧与整个社会受教育水平的提高,定量分析越来越多的被认为是分析中不可或缺的部分,尤其是现在大家越来越希望用数据来说话,我能够进入这个小行业中的小分支(做网点规划与评估)也是因为大学读得是统计学专业,老板非常希望在生意的逻辑上引入数理分析.
在我工作的5年中,对于分析模型的体会是不断改变的,这里大体上分为3个阶段,
第一个阶段, 刚刚参加工作的前两年.因为前面提到的,老板当时之所招我这个应届生是因为希望我在数据分析上对于团队有支持,前两年我一边体会商业理念,一边做数据分析,分析软件主要是EXCEL+VBA 和 SPSS 当时VBA里面也引用了一些T分布这样的函数,也的确做出了一些不错的东西,然而这个时候对于商业理念还是没有特别成体系的,总是觉得就是在做纯粹的数据分析工作.
这里顺便提一下对于两个软件的使用感受: 当时是越来越喜欢EXCEL+VBA,因为发现EXCEL真的是个集合所有功能的分析平台,只要数据量不是太大(一般公司内部数据分析都不算太大吧),速度方面也还是可以接受的.另外EXCEL最吸引人的地方就是它不给人现成的结论,想要构建什么都是完全懂得为什么,其提供的函数功能基本上能够满足所有的要求了,而数据分析功能也对于一般的数据分析够用了,如果这些都不行的话,在VBA中还有接口可以引用其它分析程序的例如SPSS也可以使用SQL语言.而SPSS其实还是比较灵活的,例如聚类分析只会告诉你如果分成2类那么怎么分,3类怎么分,当然一直会给出N-1的分类结果,同时会给出一些显著性检验等等的参数,后来体会到,事实上如果没有对于行业的积累以及目的的清晰了解,其实纯从数据来分类意义不大.原来写过一篇 excel+vba spss sas http://blog.soufun.com/20458500/2000077/articledetail.htm 大家可以参考.
第二个阶段,跳槽到另外一家公司,那家公司的研究部门有专门的数据分析组,因此我完全不用做数据分析工作了,就是安心做选址分析. 那个时候开始对商业有了很多的感触,越来越觉得很多东西不用数据分析,只要按照商业逻辑一样能够得到结果,并且这样更快.这样的感受持续了大概1年.然后就进入了第3个阶段.
第三个阶段,由于这个阶段有了职位上的提升,能够更多的从老板和管理的视角来看,因此对于模型有了新的认识,认为模型还是重要的,只是这种重要性已经不是第一阶段那种死板的理解.
下面就分享一下我现在体会到的一些人对分析模型认识的误区和它的价值.
一些人对于分析模型认识的误区,认为分析模型就是要非常的精准,而且完全是数据说话,甚至提出了只要输入几个变量就要得出一个是/否的很确切的结果. 也许在其它行业这种要求是可行的吧, 在选址上我至今未见过哪个分析模型能达到这样的功能,就算是我们利用大量内部数据构建的模型也不行.
那么选址模型既然达不到通常认为的功能,那么它的价值在哪里呢?
我觉得还是从管理的角度来看模型的价值.
首先我认为模型一定是符合行业逻辑的,方法是不是很有技术含量没有关系,而且往往越复杂的方法需要的前提就越多，在选址这样一个太多不确定性的背景下,很多高级方法事实上是不存在使用的前提假设的.在这样的情况下我认为它的价值主要体现在如下的几个方面:
1,效率问题
其实一些有着多年零售运营经验的老板在其熟悉的地方对于选址的直觉是非常好的,尤其对于一些有特色的商业更是如此,然而想要大规模扩张,那么需要腾出大量的时间看点,可是老板的时间是非常珍贵的.他们有更重要的事情做,因此需要一批专门做选址的人,而选址分析模型就是管理这些员工的工具.
2,战术目标的实现
这点也解释了为何选址分析模型是管理选址人员的工具,老板对于开店有着节奏的整体掌控,例如在需要大规模圈地的时期,就把模型的参数调得乐观,于是很多项目通过,开发奖金也多,顺利完成目标.
3,找到选址中公共的主要影响因素并提出评价因素程度标准的参考值
在第一点提到有经验的老板在其熟悉的地方选址的直觉是很好的,然而大规模扩张必然要进入其不熟悉的市场同时一些新来的高层可能就完全不懂他目前服务的零售形式了,这个时候找到真正对选址有影响的因素是非常必要的,而且不同的市场其参数确定也不同.因为不同的城市对于不同的距离感受是不同的,例如一个小县城做车20分钟的就可能已经出县城了,而在一线城市可能堵车就不止这个时间了,这市场差异化的情况下,针对不同的市场情况设置相应的标准参考值是很有意义的.这点似乎更加靠近很多人认为的模型价值.
4,风险控制
在评价项目的时候,数据当然是非常重要的,然而我现在的体会是,数据不是不可变的,尤其对于特殊项目例如在盈亏边缘线的项目,输入变量甚至模型假设数据都可以调来调去,老板只是想知道在非常乐观或者非常悲观的情况下的后果是否可以接受.
5,后续预算与人力储备支持
对于项目的营业额预估,直接关系到人力储备和各类费用预算,这个时候数据的意义在于给运营部门准备的一个指导,这个时候数据准确当然最好了,然而人力配备等都是按照销售区间做的,只要估计的销售区间OK就好了.没有苛刻到销售准确度到多少!
通过以上5点大家可能发现,模型通常用在比较宏观的方面,事实上我的体会就是模型用来描述的事物越宏观越好.另外模型也更加适合成熟的已经认识到其规律的情况,因为只有通过大样本来"总结"的模型才具有代表性.
最后要说的是,建立一个真正有效的模型代价是比较高的,首先是建模的成本就高,在建好模型之后如果影响店址的因素发生变化,那么模型很可能就作废了,虽然理论上可以通过虚拟变量这样的技术来尽量延长模型的使用时间,实际上实现起来有很大的困难.因而在只有几家门店的时候商业的理解和分析逻辑往往是更优的选择。
于6/19日添加：
一些顶级的机构常常会对十年甚至几十年做出预测，预测一个方向已经不容易了，通常还会给出一个数字，但如果对比会发现不同的机构做出的预测往往是不一样的，相同的机构不同的时间点做出的预测结论也是不一样的，而一些分析模型里的宏观数据就是采用的那些权威机构发布的数据，并且会随着机构对数据的调整而更新。
这个时候也许一些人会失望，因为就连那些最权威的机构发布的数据也不能保证一致。
除了这些数据代表的市场预期能够对资本市场产生价值外，我觉得要从理解预测的作用来看：预测的目的在于改变，在于一个更好的结果！举例来说，如果预测到实体经济会产生危机，那么这个预测的作用不是等着这个杯具的发生，而是现在做改变以避免这样的结果出现，因此往往预测的前提例如宏观经济政策等发生了变化，从而过一段时间再次做预测往往结论会变化，而不同的机构会对相同的问题有不同的角度，这些角度能够帮助决策者找到相对优的解决方式。
