向麦当劳星巴克学投资！假如美股再大跌，房子买还是卖？

大数据分析在2012年已经是buzzword。2017年，《哈佛商业周刊》对世界500强企业做了一个调查，调查表明：过去六年里，只有接近一半（48.4%）的公司在应用大数据时取得一定成效。

这其中最成功、最重要的应用是��低成本。“进攻式”的大数据应用，例如利用大数据开发新的数据产品和服务还没有广泛实现。到目前为止，数据分析的商业应用还有很长的路要走。

最早运用数据成功的500强，是麦当劳

以空间数据分析为例，最早最成功的应用案例是麦当劳。

上世纪80年代，它就已经开始应用地理信息系统软件选址。它的分析精确到同一地段在不同时间段，不同方向的车流数量，是当时最优秀的商业选址团队。

受益於当年精准的商业选址，麦当劳在经历美国消费升级、快餐业发展阻滞的大环境下，仍然是财富500强之一。

麦当劳目前百分之五十的收入来地产租金。在过去五年里，它的收入总额在下降，但利润在上升，因为麦当劳的商业地产是被动收入类型，不需要很大的运营费用。

再如星巴克的选址原则，它从居民家庭年收入、靠近就业机会、交通流量、街角、上班车流方向、专属停车位等多维度切入。

从星巴克的选址原则可以看到，数据分析要像一根针一样，从宏观一直扎到最微观，才有现实指导意义，不然很难比资深业界人士的直观判断更准确。

如何投资决策，房产收益才能最大化？

如何去分析居住地产呢？传统的方式是：地点、地点、地点。但现在，可以从时间、地点、产品三个维度切入。

▷影响房产投资收益率的第一要素是时间。 

房地产价格波动是有周期的。如果在一个房地产周期的最高点入市的话，挣钱的可能性非常小。比如这张图，讲的是Boston地区，不同买入时机的回报率对比：

假设持有房产六年后卖出，那麽Boston房地产最好的入市时间是1995年，平均年升值回报率是14.5%，再加上3%左右的年租金回报，年均回报率是17.5% 左右。 

这里有意思的是，2005年美国经历了百年不遇的房地产危机，全美房价平均降了20%左右。

2011年落到这轮房地产周期最低点。但即便这麽大的调整之后，如果在2011年最低点买入房产，持有5年后卖出，平均的年房产升值回报率也只有5.5%。

▷影响房产投资收益率的第二要素是地点。

如果是在一个不错的时间点入市，例如2011年，在Boston平均回报率5.5%的大环境下，投资地点不同，回报率也会不同，差别高达7.7%。 

换句话说，选对了地点，平均年均升值高达11.56%。如果选错了，即便在周期最低点入场投资，地产年均升值也只有3.85%，这个数字就是比通货膨胀率高一点儿而已。

需要注意的是，地点是一个随时间和地产周期变化的概念。以Boston为例，在地产周期的第二阶段，二类区域要比核心区域升值速度快。

▷影响房产投资收益率的第三要素是产品。

假设在这轮周期最好的时间点2011年入市，并且买在了正确的地点，比如MIT 旁边的West Cambridge 区域， 买一室户的年升值率要比4室户高出1.5%左右。

这是因为这个区域的主要新住户画像是30岁左右的千年一代，单身，博士毕业，起薪10万以上，work hard and party harder，不喜欢合租，倾向单独租或者买设施方便的小户型。

结合时间、地点、产品，在平均回报率5.5%的情况下，通过对大数据的应用，可以将回报率提升至12%以上。  

以上是时间、地点、产品的应用，这三点并不仅仅适用於房地产。大部分产业都有自己的周期，顺周期而动，从一线到二线扩散，根据每个时间地点的客户画像调整产品或市场策略，可应用到各个产业。

通过数据，预知未来会发生什麽

数据分析可以分为几个阶段。比如说知道过去发生了什麽，为什麽发生，作为商业公司来说，最有价值的是知道未来会发生什麽，还有哪些trigger event会导致价格变化？中间时间大约会有多久？就像一颗石子投到水里之后会发生什麽，通过预判，才能提前做好准备。

关键词：时空顺序

地产价格变化通常都会有稳定的时空顺序，例如一线城市的领涨领跌。在2006年美国地产危机时，三番、纽约、波士顿这些一线城市的价格下降，比全美房产领先了至少一年左右。

同一城市里，不同价位的地产价格变化，也会有时间顺序。 例如波士顿就是高价位地产领涨领跌。需要注意的是，这个规律不是所有城市普遍适用，芝加哥的地产就是低价位地产领涨领跌，长期增幅高於高价位地产。不过从城市发展的角度，这是一个悲剧，说明城市正在整体下行。

关键词：Trigger Event

美股高估，已经是一个普遍共识。那麽如果美股大跌的话，房市会出现什麽局面，应该买还是卖？

✔通常认为，股市和房市基本没有相关或者联动关系。宏观看的确如此。

✘微观看，2000年2月美国DotCom股市泡沫破裂之后，全美房市不受影响继续上行，旧金山的房价却在2001年1月进入拐点，下跌10%左右，然后从2002年1月重新进入上行通道。

我们猜测，出现这个现象原因是DotCom公司的职工配股制度导致旧金山区域居民收入受股票影响很大。考虑到这种职工配股制度现在在Boston的生物制药企业也大量推行，我们非常好奇是否能在Boston也看到类似现象。

根据历史数据，我们的确在这里看到了类似的关联。 

波士顿部分高收入人群聚居区，尤其是没有经历过金融危机的年轻人群聚居区，全区居民70%以上的收入来自於股市，同时还大量使用杠杆进行投资。

这类集体投资风险偏好过高的区域，例如波士顿金融区，在股票熊市后房价会出现短暂深度下跌。事实上，在2008年经济危机中，这些区域已经表现出了跌得更深、涨得更快的特徵。

因此，波士顿这些高收入、高风险、高活力的冒险家居住区也是美股大跌后投资者们的理想标的。目前已经有一批地产投资者在持币待购。

关键词：前置指标

通过分析房地产市场供需逻辑，我们研发了市场热度指标，它比市场价格变化早6个月到1年。

2017年2月我们首次开发出这个指标，发现马萨诸塞州的Weston（全美最贵的10个镇之一，2006年地产危机中也仅仅降价12%）的市场热度指数像悬崖一样掉了下来（参见橘色线）：

到了2017年11月，市场热度指数接近底部的9个月之后，这个镇的地产价格迅速下跌，上市房产折扣比例普遍在15%左右，价格已经跌到了2003年的位置。大家可以去美国的房产中介网站Zillow或者Redfin上参观。

Q ：不同市场的前置指标不同，需要商家根据自己的市场逻辑去找。那麽，如何去找这个前置指标？

A ：  答案是在大规模降价发生之前，首先看到东西突然不好卖了。指标的观测不止来自於自己的市场分析，也可以来自於另外的市场。

例如家具市场的前置指标很可能是市场上新开工住房数。奶粉市场的前置指标也许应该用医院孕检数量来监测。

盲信数据，会被带进哪些坑里？

如果一切决策都只照着数据分析，那被带到坑里的可能性，比你做对的可能性更高。

首先，很多数据分析是现有结论、后有分析的。在美国有句话：统计是最高级别的谎言。相关案例非常多，最近的一个着名案例是2011年，报纸头条说：感谢统计学家，我们走出衰退了——因为统计局把失业率的定义改了。

把偶然现象当必然规律；底层逻辑改变，以前的规律不再适用；出现几十年左右一遇的大周期，而数据分析用的是数据时间较短，看不到这种大周期的变化。

Q ：  数据分析有这麽多坑，如何最大限度避免呢？

A ：做法是数据分析人员要与一线从业人员经常交流。将一线从业人员讲的故事和现象翻译成公式和数据变量，然后用历史数据去证实或者证否。

同时，数据分析人员也把自己的发现讲给一线从业人员，听听一线从业人员觉得是有道理还是“nonsense”。如果是后者，数据分析人员需要检视自己的分析模型。

数据分析能够在市场信号还晦暗不明的时候，帮助决策者对市场预判。但是这样的辅助作用是建立在数据分析团队了解商业逻辑的基础上才有效。如果逻辑错了，所有的分析都是无用功，甚至有害。

数据分析只是更快的刀，商业逻辑才是握刀的手。

（出处：http://www.hometopagent.com/agent/6847657/article/62401，版权归原作者所有。如有侵权请联系我们626-280-8588，我们将及时处理，谢谢。）