证券分析师第四节课:如何收集、解决和分析行业数据？

信息是调查报告的身体，是支持报告结果的重要组成部分（支持报告结果的重要组成部分是：逻辑推理、数据支持和实例）。数据采集、解决和分析的质量直接决定了调查报告的质量。虽然数据相关知识是最基本的工作，但你会发现不同入门年份的分析师在数据收集、解决和分析方面存在很大差距。随着对行业和公司的认知，报告中数据的应用将越来越减少、适当和高效。

此外，我们还分享了我们对“数据方”的看法。

首先，学会思考与“抄袭”并不矛盾。事实上，我们强烈建议新手多读书、多学习、多“复制”。毕竟，对于基础薄弱的新手来说，他们可能缺乏数据认知、文本表达和写作布局的实践，有效的参考是非常必要的。但是在“抄袭”的前提下，你需要思考如何使用“情感”和“创造力”:

为什么作者在这里使用这些数据？

存在更合适的数据吗？

能否在原始数据的前提下重新处理，从而优化解释？

二是先有结果还是先有数据？先有数据，再无偏见得出结果，这种方法得到了广泛的认可。假如预置结果，新手通常会来找可以证明的信息，忽略证伪信息，从而导致结论误差。但事实上，“先有结果后找数据”是最有效的方法。举个简单的例子，我们认为B站游戏和Taptap是直接竞争对手(这个结论实际上可以从与从业者的沟通和规划中感受到)。如果反向推倒，B站游戏和Taptap应具有以下共同特征：

最受欢迎的游戏应该是二维游戏；

二次元游戏应该是两个软件中广告营销最多的。

通过这两组数据，我们可以很好地量化和确认两者的竞争关系。

第三，勤奋思考是最好的练习。报告是由每组数据得到的结果串联起来的，每组数据对应的结果可以在日常练习中列入底稿。如下图所示，“日本外卖行业的市场规模和份额”，我们能得到什么结果？

日本外卖行业的市场规模和份额(1975-2020年，千亿日元)

我们可以得到基本结果(必须进一步验证)：

由于中日在社会、人口密度等方面相似，日本正常外卖市场的份额在22%左右，中国外卖市场可以参考这一比例；

在金融危机下，外卖业务韧性很强，1997年亚洲金融风暴期间，日本外卖份额明显上升；

疫情期间外卖防御属强，2020年日本新冠肺炎疫情导致外卖率下降25%，外卖市场规模长期保持。

为每组数据找到多个基本结论，对提高思维水平和写报告非常有帮助。

下面，我们将正式启动“数据收集、解决和分析”工作：

数据收集阶段包括：

一是公司按时数据:包括招股说明书、按时财务报告中的业务数据和财务报表(国外公司按时Investor) Presentation中可能有更详细的业务数据)，还包含并进一步处理信息，比如“单日活客户日广告奉献”、同行业不同公司的“单日活用户营销费用”等比较非常有意义。而且解决后的按时数据和数据非常可靠。

二是行业数据：包括国家统计局、行业权威机构、海外统计数据等。 一些行业数据可能在Presentation中发布)，例如，Questmobile的移动用户数据、Appannie的在线游戏流量数据、七麦数据的在线游戏排名、爆炸助手的购买量以及伽马数据的游戏市场流量数据等。

在这里，我们应该强调外国统计信息。不可否认，美国、日本和韩国等发达国家在日本餐饮业外卖市场结构、韩国K12教育渗透和支出、美国第三方投资咨询管理规模和收入、转基因种子收入等各行各业的数据分析方面更加严谨和全面，（ussecinchina.com）。

三是领域常识，如网络游戏分为(Android55)：5，苹果3：7）、养殖常识(生猪均重120KGG、玉米猪肉转换比1：2.7上下)等，这些常识都是了解行业的前提。

第四是基层研究信息：许多信息没有高频、权威的第三方统计数据，但非常重要，如一些未上市公司的运营和财务状况（抖音的各种商业数据）、白酒批价信息等。

数据处理阶段包括：

第一，加减乘除：

例如，许多视频网站将内容购买纳入投资活动的现金流。事实上，它与生产经营有关。当我们考虑现金空缺时，我们可以增加它；

例如，腾讯社交媒体收入中包含网络游戏的引流分为：这部分与游戏业务更为紧密；

除了占有率、付费率、电商货币化率、单日活客户广告奉献、单用户营销费用邓等比例和平均外。

“除”是最常用的数据处理方法，但要注意除数的选择和价值。单日活客户广告奉献比单月活客户广告奉献更具现实意义。

“除”是最常用的数据处理方法，但要注意除数的选择和价值。单日活客户广告奉献比单月活客户广告奉献更具现实意义。

第二，相关性和回归性：这是数据处理的升级。高相关系数表明2组数据关系越强。正如我们根据数据验证的那样，“头部水产养殖企业的单猪市值与猪肉价格密切相关”高于0.8甚至0.9，这验证了单猪市值法的合理性，不同水产养殖企业的估值水平可以通过这种估值方法得到。我们只需要跟踪其中一个变量，就可以拟合另一个变量的变化趋势。重归是量化相关性，可用于预测。

例如，我们通过“SaaS公司PS和收入增长”的散点图发现，两者成正比，同时通过最小的二乘法重返公司，如“PS = A*营收增速 B通过已知/预测一家公司的收入增长，我们可以获得合理的PS值。

以下是数据分析阶段：

没有逻辑的信息只是空壳，没有数据的想法是海市蜃楼。处理后的数据将服务于结果，我们应该表达数据的差异和合理性。数据分析是支持报告的观点，主要包括：

一是纵向比较:基于历史数据，找出异常数据，找出原因。比如“2020年第一季度B站MAUS单季度大幅提升，是公司战略的变化，转向以用户增长为导向，加大力度”。；例如，“游戏行业的市场规模与该国的GDP高度相关，年度视角，游戏市场不会有口红效应。

二是横向比较：以不同领域、公司数据比较为载体，找出数据之间的差距，如“不同视频平台单日客户日广告奉献不同，抖音最强，快手第二，B站弱，背后是客户时间、广告输入率、CPM不同”；或者通过其他行业、公司的经验为行业、公司(包括不限于天花板、发展要素等)提供参考，比如“计算Taptap的市场空间，可以通过Steam在端游行业的比例来比较”，自然不要忽视差异。比如“日本外卖花了30年才达到15%以上，而中国只花了不到10年”。