搜索
查看: 2132|: 0

如何着手分析一个行业?

[复制链接]

152

主题

47

回帖

2991

积分

管理员

积分
2991
发表于 2013-10-18 20:44:01 | 显示全部楼层 |阅读模式
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?
261.jpg

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


大数据中国(http://www.bigdatas.cn),以数据的力量改变生活!
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

大数据中国微信

QQ   

版权所有: Discuz! © 2001-2013 大数据.

GMT+8, 2024-11-15 15:31 , Processed in 0.123348 second(s), 30 queries .

快速回复 返回顶部 返回列表