您所在位置: 华讯首页理财频道炒股>  正文

在数据中找出“黑马”消费品牌,你也能秒变投资达人

http://money.591hx.com 2017年12月27日 13:50:49 DT财经

  品牌的出现并非无迹可寻,除了广告的投放外,供应链、品质与服务、信任成本、资源优势等参数,都能够成为品牌出现的决定条件。来自华盖资本的数据侠水瓜,就尝试通过数据分析为“独立大品牌”的出现机会构建一个通用的量化决策模型,并通过研究具体品类的特征,总结出更加细分的“投资策略”,希望对大家有所启发。

  用大数据挖掘的方法,我们尝试通过111个品类23个维度的数据为“独立大品牌”的出现机会构建一个通用的量化决策模型(不同于以往的研究,我们不进行Case Study分析),去帮助我们在充分考虑当前产业特点和竞争环境的情况下,如何去判断一个品类的独立品牌机会,以及如何去发现背后的关键因素。我们通过逻辑回归和随机森林方法得到了不少有意思的结论,比如:

  1. 广告推广是影响最大、显著性最高的参数,没有恰当广告策略、没有大量有效广告覆盖,几乎很难成为品牌。

  2. 在广告的基础之上,信任难度大、产品化程度高、供应链成熟的品类,出现品牌的机会更多。

  3. 需求变化或者技术进步导致某些因素的改变将非线性的改变一个品类的品牌机会,比如需求的产品化或者供应链的成熟

  数据准备

  为了尽量避免特征选取过程中的主观偏见和逆向选择,我从产业结构、产业特点、产品和需求属性、核心能力和竞争策略这5个角度选择了23个最基础的特征维度,具体名字和解释如下表所示。其中“是否有独立大品牌”是我们本次研究的目标特征。

  (图片说明:特征维度选择)

   基于上图,我们就可以对111个细分品类进行标注,最终形成如下图的111*24的大表。

  (图片说明:品类及特征数据,后台回复“大品牌特征”,获取清晰大图)

  分析方法

  下图是两个模型对数据进行5次交叉验证的结果(80%的数据训练模型,20%的数据进行验证,共5次)。

  相对于随机方法50%的正确率,线性回归平均正确率87%,随机森林平均正确率75%,可见本文的特征选择确实有助于我们提高判断能力,品牌的出现也并非无迹可寻。

  (图片说明:算法分类准确度,5次交叉验证)

  算法结果及特征分析

  1 线性回归

  我们使用Stata对数据进行了线性回归分析,得到结果如图2所示。


与 文章关键字:投资策略 黑马 供应链 训练模型 线性回归分析 相关的新闻