Neo Talks

很久没有更新这里了，真的是因为没有什么好更新。尽量不无病呻吟吧，还是有一说一。

上周六参加了公司给在校学生举办的Workshop，作为筹备团队的一员，我负责准备案例讨论的材料。前后大概花了一个月的时间，把case从无到有的build起来，最后加起来有10页。搜了不少行业网站，做了不少financial model，还在marketing前辈的指引下编上一些market research。到了当天，心里还是有些不安，担心会出现什么问题。

其实问题该发生的总会发生，只是可能是从未曾预料的地方发生罢了。我所观察的小组有4位男生4位女生，都是上海著名高校的高才，大部分都是商学院或者经济学院的学生。他们很快就给案例定性，说是一个market entry的case，并且列出了好几个model来套。我当时心里想，是不是consulting firm把学生的心都俘虏了，以至于丧失了基本的逻辑，对于这样一个并不单纯的问题还是要用某种特定的模式生搬硬套，怎么可能不犯错误呢？

一群人在讨论问题的时候，角色感是很重要的。不是每个人的话都对团队有贡献，有的人确实是一直在废话，但是你却不好驳了他的面子。只好耐心听完，并且委婉的让他接受自己的看法。在一个大方向完全失控的团队里，试图力挽狂澜，这个难度太大了。我大概能看到有些人认为方向错了，但是没有办法。掌握话语权的人头脑不清，只是不断在纠缠model。没有人看data，没有人考虑action plan，甚至没有人关心pitch做成什么样子，也没有人掌控时间。

case study是一种对现实的浓缩。学生们还都没有任何的现实经验，做成什么样都是好的。不过，down-to-earth真的很关键。这一年来我不断对自己说build up fundamentals，我希望从工作和学习中掌握到扎实的基础，从而能走得更远。

今天早上花了两个小时修改这个blog的主题, 都是些很细节的小修订, 很花时间, 改完之后其实还是有很多问题. 这样的事情就是要花费人力来做, 到什么地方都是这样. 然后出去疯玩. 9点钟才走在回家的路上. 每当这时, 我都会重复的想一个问题, 就是这些时间和精力的花费是否有monetization的可能. 这是不着边际的想象, 但是我相信这个思考的方向是正确的.

生意永远是生意, 必须要有能让它生存下去的意义. 这个意义首先是做好事, 让过客变成顾客, 其次是赚钱, 让小店变成大店, 并且能够持续经营, 不断改进.

每天都有很多新的东西出来, 真的应接不暇. Google Reader上的未读项目已经不想再看了, 估计我会放上一段时间然后Mark All as Read. 这些新鲜事物大多数没有做到第一步, 剩下的基本上都没有做到第二步. 我这个看法是从一个entrepreneur的角度在看, 而不是从一个投资者的角度在看. 我仍然很喜欢37Signals的模式, 不依赖于风险投资, 靠正确的产品和完善的管理控制把生意做起来. 给自己的产品定价, 并且提供完善的服务, 反馈和沟通机制. 这些工作, 不一定由内部的人员来做, 中国尚缺乏与之配套的外包服务公司. 由专业的管理人员来处理这些更为妥当.

看news.yc觉得start-up花费了太多心思在搞钱上. 应该有更适合的人来负责这个沟通, 用双方都熟悉的语言来打通任督二脉, 使得交易能够在合适的时间和地点进行. 如果这个中间人是投资银行, 那么这个投资银行需要相当靠谱. 他们大多数是做传统的生意的, 对太新的东西接受缓慢, 往往会耽误价值发现.

这里面有很多生意可以做, 比如外包服务, 投资银行的角色, 不知道五年之后十年之后, 这个市场有多大, 还没有脑子去估算这个价值.

完全忘记这个词从什么地方看到，反正是一看到就晕死过去，因为太喜欢了。

刚刚参加工作的孩子们，如我的同学某某某，非常喜欢用工作狂（Workaholic）来形容自己，认为这是一种值得骄傲的资本。我自己也曾经说过，I like being busy. It makes me feel respected. 现在想想，那是在特定条件下的特定想法。在工作的新鲜感褪去之后，还是工作生活有平衡比较好。

但是真是很喜欢数字。用各种手段把数据搬弄来去并用以证明自己的判断的感觉很不错。Excel是一个很强大的工具，它能快速的处理数据并visualize，这就让你有机会可以尝试各种分析的手段。在工作的半年多，的确没有完整的分析过一张典型的完整的财务报告，但是细致的对某些数据的处理的确学习了不少。

分类

分类很简单，但是这是让混乱变得有序的重要因素。分类之前，应该对每个分类都有明确的、MESE的定义，并用不产生歧义的名字标识这些分类。错误的名称有的时候比错误定义还令人恼火，特别是在一个需要合作的环境之下。好的分类应该能让基本的统计量具有明确的描述意义，与数据所依赖的商业背景相符。

了解数据的行为

数据的产生不是偶然的。其实很多时候分析者能看到一些定性的迹象但是很难把这些因素分离出来。如果已经知道某些数据是线性增长的，那么就运用回归模型，这样其实不叫分析。实际情况是你不知道数据的趋势或相互关系如何。需要很多努力在寻找趋势或关系上。在某种程度上，分类决定了数据的行为。

解释差异

现实不是完美的。模型化之后的偏离或差异是需要注意观察的。其中可能会发现对模型的重要补充。从时间趋势来看，不同时点的变化是由什么因素触发的？在商业背景中造成什么影响？能否加强或减弱这样的影响？这是数据分析到Action Plan的重要过渡。

模型化

通过Excel等软件的功能，把分析过程模型化，简化未来的数据处理需要。好的模型可以轻松的适应不同的数据量，并且让团队都容易理解。