我常用的一種數(shù)據(jù)異動分析算法
異動分析經(jīng)常會出現(xiàn)在分析師的工作中，今天給大家介紹一個異動分析方法，這個方法很容易理解，而且適用范圍廣泛，一起來學(xué)習(xí)吧~
以下是原始模型的介紹，不想看的可以直接拉到后面看互聯(lián)網(wǎng)案例的應(yīng)用
1】最初來源：BHB模型
假設(shè)我做了以下板塊的投資，把我的投資和滬深300進行一個對比，從而得到我的超額收益是多少。
上圖中，我的超額收益是：
投資收益R - 滬深300作為benchmark的收益B=14%-8%=6%
其中
, 
根據(jù)日常我們對投資的認識，投資的超額收益來自兩個方面：
倉位的控制，稱之為Allocation
選股的能力，稱之為Selection
如何把我們的超額收益分解到這兩個因素上面來，是模型的重點。
Allocation貢獻的超額收益
假設(shè)每個板塊的收益率不變，只是改版每個板塊的占比，那么這就是Allocation貢獻的收益，用符號可以表示為：
所以貢獻的超額收益可以表示為：
計算結(jié)果如下圖最后一列：
Selection貢獻的超額收益
假設(shè)每個版塊的占比一致，只是改變了個股，則認為是Selection貢獻的收益，公式表示如下：
超額收益表示為：
計算結(jié)果如最后一列：
目前一共解釋了：Allocation + Selection = 7.8%，超過了6%，這里還有個交叉因素Interation的影響。
所以最終的解釋結(jié)果如下：
2】改進的模型：BF模型
改進的主要是allocation的計算方式以及交叉影響的處理。
改進Allocation的計算：
在BHB模型中，如果投資倉位比滬深300的高，并且這個板塊的投資收益>0，在計算超額收益時，就一定>0。但是沒有考慮到，如果投資收益< 滬深300收益的話，其實我們是超配了這個板塊，帶來的超額收益應(yīng)該為負數(shù)才更符合認知。
BF將Allocation改進為以下公式（并不改變總的Allocation的超額收益數(shù)值）：
所以每個板塊的Allocation也就變成了：
改進交叉影響的計算：
在BHB模型中，交叉影響I是最終的殘留項，是通過計算算出來的，很難從業(yè)務(wù)角度去解釋它。所以BF模型，將Selection和交叉影響項進行了合并，從而將Selection的計算方法改進如下：
根據(jù)以上，改進的最終計算結(jié)果如下：
從以上計算結(jié)果，可以看出來，我在倉位控制上做的比較差，但是擇股能力比較強。新能源和白酒板塊給我?guī)砹吮容^高的超額收益。
3】互聯(lián)網(wǎng)案例的應(yīng)用
以下內(nèi)容純屬虛構(gòu)
業(yè)務(wù)背景：假設(shè)抖音現(xiàn)在分發(fā)APP廣告給到用戶，如果用戶下載了這個APP，那么就算分發(fā)了1個單位，分發(fā)效率=用戶下載游戲數(shù)量/用戶數(shù)。
實驗：抖音想要用另一種方法來分發(fā)游戲，做了一個AB實驗，結(jié)果分發(fā)效率變低了，希望分析師幫忙排查原因。
計算結(jié)果（計算公式見改進后的Allocation和Selection公式）：
可以看出來，分發(fā)效率的降低主要是產(chǎn)品設(shè)計改變帶來的用戶組成結(jié)構(gòu)的變化，其中兒童的影響最大。而青年群體的變化是正向的。
在上圖表中，我用組間差異來代替了Allocation，用組內(nèi)差異來代替了Selection，這樣更符合我們分析師的認知。
組間差異：代表不同群結(jié)構(gòu)分布帶來的差異
組內(nèi)差異：代表產(chǎn)品運營改變后，對每個群造成的差異
從上述案例來看，這個方法是很適合可以將維度進行拆解成幾個獨立構(gòu)成的模塊/群體等，然后去分析模塊/群體之間的變化，以及模塊/群體內(nèi)部發(fā)生的本質(zhì)變化的。
不過最終可能還是需要分析師進行其他原因的定位，比如做用戶流失的分析，即使知道是哪類人群流失了，但是還是不知道為什么流失，去哪里了之類的問題，但是它給我們指明了方向。
