使用哪些“教科书式的方法”，使用哪些工具，以什么样的方式，从哪些方面着手收集数据，去分析一个行业的历史，现状，以及发展前景，才能够更全面的了解这个行业？
来自CBSi中国爱卡汽车数据运营总监 张鑫的回答：
恐怕我给出的不是 “教科书式的方法”。恰恰相反，我认为“外行”（在此行业时间较短）分析一个行业用数据会很成问题。
1. 中国的行业数据太少、太糙，鱼目混杂。涉及到企业形象、行业地位、广告主、客户等数据几乎没真的……
2. 摆脱数据，找行业资深人士资讯，效果会事半功倍。当然，别听一家之言。让行业人士量化打分也是个不错的选择。
3. 这样做下来你已经发现很多这个行业的核心方向了，针对有争议的部分可以再做第二轮访谈。
4. 初期的消费者调研仅在最基础的问题有意义，因为你很难问出到位的问题，并且很容易理解偏差。所以只问最最基础的问题即可。
5. 访谈完成后，找到关键点，可以适当补充消费者调研。
最终，切记：数据只是结果，原因更重要。
来自Marketing Management.张竞的回答：
首先,先要了解一下这个调查的意义是什么,产业分析的目的是了解产业发展的各种宏观和微观的条件和变化,从而推导出产业未来的趋势和变化.
那么针对这2两个分析的方向,
在宏观方面,常用的是PEST分析法(政治Political、经济Economic、社会文化 Socio-cultural、科技Technological),也有扩展为PESTLE法的(加入法律 Legal、环境Environmental).这些都是比较宏观的. 这些研究是有一个具体的学科的,叫做 business environment. 基本上整个产业的所处的一切条件都是分析的基础.
在微观的方面, 往往是在以一个具体的企业为切入点, 将具体的企业作为范例来对照产业中的各种情况,将企业本身的发展与产业的发展结合在一起关注, 则会使用一些SWOT的模型.
还有一个综合的常用模型是Porter’s five forces analysis. 但是我觉得这个模型有几个缺陷, 第一,内外部的元素混杂在一起,思路不太清晰. 第二,这个模型是1979年的模块,划分的非常粗略,很多信息无法归类. 第三,比较缺乏对于经济环境的归类,条件分析不足. 第四,此模型在具体分析产业中的某一企业更为适用.建立的初衷也在于此.
PS:这3个模式,网上已经说得很具体了,我就不累述了.
第二,方法,渠道和资料来源.
宽泛的收集产业资料是一个非常庞大的工作,而且很多信息是重叠的,而另一些信息又是缺失的,所以往往造成调查中常见的’先入为主’的问题,从而形成’导向性’错误. 针对这个问题有2点建议:
a. 按照PEST分析法,分门别类的列出具体的条目,针对具体的细分项目,收集材料. 在收集的过程中, 排除自己主观性,将所能找到所有的数据,按照时间罗列出来. 信息来源以学术论文优先,企业年报次之,专业新闻再次的顺序来印证信息可信度.(survey research)
b,以一个或多个产业内企业年报为基础. 大型企业特别是上市企业,每年都会做产业分析和本企业年报. 可以在企业调查的基础上,提取所需的行业动态,并把企业的举措作为行业内行为分析和做例子. 有很多的company portfolio可供借鉴. (case study)
第三,一点提示
因为,产业分析往往是和市场相结合的,而无论市场还是产业发展,都更关注于未来,趋势是研究的重点,那么在推论未来可能的时候,过去到现在是一个发展的走向,现在则是具体数据发展向未来的基础,所以有几个数据/元素是非常重要的.
– 市场容积 size, increasing/decreasing speed
– 顾客分析 buying behavior,bargaining power
– 社会发展 culture, social, ethic (eg. 公益,环保,认知)
– 科技发展 (产业本身,社会大环境) 非常重要※涉及到产业升级及发展-趋势的最大推进力
– 法律法规 (产业本身涉及的行业法和相关条例,eg. 绿色环保组织的碳排放条例就涉及了很多产业)
– 商业模式 (eg. 互联网模式,facebook模式,微博模式)
– 产业领导者行为
PS: 请在分析模块中加大关注力度,不要脱离模型
PS2: 建议在调查的时候,加上一些限定词,比如说中国的XXX市场中的XXX类型等缩小范围的限定,可以使调查报告更为准确和针对, 避免产业中的很多情况的不通用性.
转载请注明来自36大数据（)： &
除非特别注明，本站所有文章均不代表本站观点。报道中出现的商标属于其合法持有人。请遵守理性，宽容，换位思考的原则。(w3cschool)
(w3cschool)
(w3cschool)
(w3cschool)
(w3cschool)
第三方登录：呈现在我们眼前所有精彩的商业案例分析，如果溯其论点的来源，都是脱离不了底层的数据支撑的。所以，懂点数据分析很有必要。自清今天就给大家分享一下自己日常是如何做数据分析的。Ps:讲的不是数据分析师方向，而是日常的基础数据分析思路通常自清在做数据分析时，会把数据分析拆分为5个步骤来进行（收集、清洗、对比、细分、溯源）。下面一一展开来讲。数据收集当我们在做数据分析时，第一步要解决的问题肯定就是数据源的问题。自清通常把数据分为二大类。第一类是直接能获取的数据，通常都是内部数据。无非就是从网站后台或者是自己家的数据库里面导。第二类就是外部数据，需要经过加工整理后得到的数据。典型的数据来源有：百度指数：/&（分析市场容量）阿里指数：/（分析销量、份额）梅花网：/&&（分析广告投放）CNZZ、微博指数等等。。。。当然还有很多很多有价值的数据源（根据行业、需要找到最合适自己的数据源），自清上面列举的三个典型的数据源只为举例子之用。在这里要着重提一点，第三方数据来源往往需要考虑数据源真实度。数据清洗清洗数据（筛选、清除、补充、纠正）的目的无非是从大量的、杂乱无章、难以理解的数据中抽取并推导出对解决问题有价值、有意义的数据。清洗后、保存下来真正有价值、有条理的数据，为后面做数据分析减少分析障碍。这里不详述数据对比对比，是数据分析的切入点。因为如果没参照物，数据就没有一个定量的评估标准。通常情况下我们从二个点去切入进行数据对比分析：1.横向对比 2.纵向对比横向对比，与行业平均数据，与竞争对手的数据进行比对。举个粟子，比如你家的APP用户留存率是60%，而行业平均留存是70%或竞争对手的用户留存率是70%，那就说明你家的产品在留存率方面有待加强！纵向对比，与自家产品的历史数据进行对比，围绕着时间轴来对比。还是用用户留存率来进行举粟子吧，比如，APP改版前30天，新用户留存率是70%的，而新版APP发布后，新用户留存率降了10%或者升了5%，这就产生了问题，到底是那些因素导致数据产生了异常呢？要知道数据比对是发现问题的第一步，发现了问题才需要我去找出问题，并解决它。如果没有参考的对象，单独的数据放在那里，是没意义的。数据细分数据对比发现了异常，我们当然想知道是什么原因导致的。这里就要用到数据细分了，数据细分通常情况下先分纬度，再分粒度。何谓为纬度？按时间分类就是时间纬度，按地区分类就是地域纬度，按来路分类就是来源纬度，按受访页面分类就是受访纬度。今天APP访问量涨了5%，咋回事不知道，你细分一看，大部分网页都没涨，某个频道某个活动页涨了300%，这就清楚了，这就是细分最简单的范例，其实很多领域都通用。&粒度是什么？你时间纬度，是按照天，还是按照小时？这就是粒度差异，你来路纬度，是来路的网站，还是来路的url，这就是粒度的差异；纬度结合粒度进行细分，就可以将对比的差异值逐级锁定问题区域，就可以更容易地寻找出发生问题的原因了。数据溯源通常情况下，通过数据细分就能分析出大多数问题的原因并推导出结论了。但也有特殊的情况，即使具体到粒度了也得不出有说服力的结论。这时候我们再进一步，通过数据溯源就能找出问题的原因。依据锁定的这个纬度和粒度作为搜索条件，查询所涉及的源日志，源记录，然后基于此分析和反思用户的行为，往往会有惊人的发现。又或者结合用户使用场景去思考，比如：国内的社交产品，在上下班的时间段会特别活跃，而该产品经理对比美国地区却发现在美国地区用户的上班活跃数据恰恰相反，特别低，到底是什么原因呢。看数据怎么也看不出来，怎么办呢？若果该产品经理结合用户上班时的使用场景去思考就能一眼看出问题，因为国内的上班一族通常上是通过公交、地铁等公共交通工具去上班的，所以他们有大把的时间在玩社交，刷朋友圈。而美国地区的上班一族，大多数都是自驾车去上班（车轮上的国家），他们上班时间都在专心地开车，根本没有时间去玩手机，玩社交产品。其实，自清在以往工作的时候就基于这一逻辑发现过一些产品的一些缺陷，而且你不断通过这个方式分析数据，对用户行为的理解也会逐步加深。最后，自清作个简单的总结：马云粑粑说阿里管理有三板斧：揪头发、照镜子、闻味道。而同样，在数据分析这里，则是五板斧：收集、清洗、对比、细分、溯源。这是数据分析里最核心的最实用的“一口箱子”。————-&END&-————文/朱自清哦，对了欢迎大家在评论区给自清留言或提问题噢。干货区商业解剖(shangyejiepou)　
　文章为作者独立观点，不代表大不六文章网立场
shangyejiepou【商业解剖】每天一篇商业文章，培养你的商业思维。热门文章最新文章shangyejiepou【商业解剖】每天一篇商业文章，培养你的商业思维。&&&&违法和不良信息举报电话：183-
举报邮箱：
Copyright(C)2016 大不六文章网
京公网安备78}