正文
2）用户的续单率（对应的流失率）与ARPU值（或ASP），这是对口碑与体验最好的数据验证；
3）获得新客户的边际成本与边际利润：一个企业通过品牌、传播、广告获取新客户的能力非常重要，获取新客户是否有边际利润；比如客户推荐率指标就是非常好的数据（NPS值，Net Promoter Score，净推荐值(NPS)=(推荐者数/总样本数)×100%-(贬损者数/总样本数)×100%，消费品也适合这个思路），好的产品或服务，老客户是最好的传播者。
4）客户的学习成本是否够低、转换成本是否较高，即客户更容易进来而不容易离开。
当然，服务业是一个非常宽泛的概念，既包含传统的服务业，也包含基于互联网基础实施的各种信息服务业，但背后的核心逻辑原理是相似的，理解与研究的框架完全可以打通。但传统服务业与有互联网属性的新兴服务业在用户、流量或销售额、现金流、净利润等业务与财务数据的发展路径有显著差别，传统服务业更接近于时间与空间上的线性增长，而有互联网属性的新兴服务业更表现出某种指数级增长的特征，以及由此导致的赢者通吃(极少数公司占据大部分市场份额)的行业格局。
3、制造业
从宏观逻辑看，制造业（包括广义的硬件）有以下几个要点：
1）中国制造业的总体能力仍较难被其他经济体所替代，经过过去20多年的积累，中国制造业全产业综合配套能力在全球仍有较强的竞争力、甚至这个竞争力还会进一步提高；
2）尽管中国的整体的人口红利消失，但工程师、高素质劳动者的人力资源红利仍可能维持较长时间；
3）更为特殊的因素是中国有着非常庞大的本土市场作为很好的试验场，对于很多企业来说，其试错的成本就远比其他经济体低得多；
4）由于发达国家总体经济较为低迷，一些制造业企业的财务状况较差，这给中国的领导型企业带来了难得的全球化机会。
这几个因素给我国的制造业升级提供了较为有利的条件，但可能只有少数非常优秀的企业在这些方面把握住机会。
从产业逻辑看，传统制造业的核心逻辑是产品与流程的标准化与规模化，从而达成在时间与空间上的自我复制能力，上个世纪后期以日本企业为代表的精益生产充分体现了这个逻辑，这个逻辑在现在的中国还会适用一段时间，我国的白电行业也充分地说明了这个逻辑。
另一方面，在计算技术、大数据与云计算飞速发展的现在与未来，过去难以规模化的非标准产品也可以在相当程度上实现全流程的数字化改造，并可能实现个性化量产，这在一些细分行业（如定制家具、制衣等原先非常难以实现行业集中度提高的行业）已经开始出现，以突破非标品“规模是敌人”的可能，当然这个过程的摸索过程会较长、研发的前期沉没成本会较高，其难度也远远高于标准品的产能复制规模化，但做成功以后的壁垒也会更高，这方面的研究在长期战略上要重视、在投资时间上要严谨与有耐心。
从业务与财务逻辑看，无论是产能复制式还是个性化量产的模式，制造业有两个因素非常重要：一是广义产能规模（财务上包含固定资产、无形资产、商誉等因素，业务理解上也包含制造、研发、营销等一线人员的数量）的扩张是否带来正的边际利润，好的扩张还会带来边际利润率不断上升，从而有能力提升公司总体的ROE水平。
二是这个规模的扩张是否带来显著的长期竞争力的提升，如对有壁垒的核心技术的掌握、终端的规模在品牌上的持续积累并因为这个品牌导致的产品溢价与份额提升。总结起来就是，在空间上形成规模与成本优势，在时间上积累品牌溢价。
4、TMT行业
从宏观逻辑看，技术进步是经济长期增长潜力最为重要的因素之一，过去几十年TMT行业集中了人类历史上最大规模的技术进步与商业模式创新，也是全球过去几十年最为重要的增长动力。科技革命，尤其是过去二十多年的互联网革命完全重构了全球经济格局、产业演进与人类生活方式的全新面貌。
但从另外角度看，也许技术进步的速度已经超过了宏观总需求的增速，再加上创造性破坏的特征，在过去十年显示出经济总量低增长与低就业的效应。科技革命加上现代金融技术与资本的力量，又使得初次分配更容易集中到技术精英与资本（股东）身上，普通劳动者的报酬并没有显著提高，在全球包括发达国家的贫富分化继续加剧，也许这是08年以来的金融危机的深层原因之一。就像《人类简史》中论及的，普通民众，无论作为劳动者（更大程度的被机器与数据替代，机器的生产率提升空间可能大于人）还是作为消费者（报酬提升很少，消费弹性降低）来说，其经济价值可能仍将持续贬损。
从产业逻辑看，TMT的技术演进路径、技术成果的商用普及以及由此带来商业模式的创新路径尤为重要。技术与商业模式的领导者将由于“报酬递增原理”，其领先优势与市场份额在相当长的时间里持续扩大，行业集中度迅速提高。无论是硬件，还是软件、服务，都显示出这个特征，比如芯片、显示、存储、各种应用软件、流量平台、社交网络等各个细分行业都是如此。所以，在同一个细分行业，不同公司的命运是天壤地别的，产业中观的研究尤为关键。
站在现在时点看，智能手机的普及与流量红利基本上结束，新的技术进步需要跨越到下一个S行曲线，大级别的技术创新可能需要较长时间的探索，大数据、云计算、下一代智能终端的形态（AI、AR/VR，难以形成几亿量级的标准化大单品，更可能的是硬件、软件、内容、服务的融合）都和前二十年的发展逻辑又将有新的变化。
从企业的业务逻辑看，TMT行业的技术路径选择的错误成本非常高，错误的选择会是灭顶之灾，经典商业读物《追求卓越》案例中的一些“伟大企业”，现在不是惨淡经营就是已经不在了；主流技术的领先性所主导形成的全产业链研究尤为重要。
从财务逻辑看，技术导向型的企业，其收入，利润，现金流的变化，不像传统制造业那样线性变化。对于技术研发型的企业来说，最先增加的可能是技术人员与研发费用，然后才是收入，净利润与现金流更为滞后；对于商业模式创新的服务型企业来说，最新体现的可能是流量与用户，再有收入的增长，最后是净利润与正的现金流。
上面说到的几个大类行业，并不是一个严格的区分，这些粗线条的大逻辑只是简单说明了一些重要的共性与规律性的东西。很多产业本身可能具备多个特征的综合，当然这些特征会有显著的主次关系，对于具体的细分行业还要做更为深入的分析，并形成严谨的逻辑框架。另外，在现在的经济与产业背景下，跨学科的、融会贯通的研究越来越重要。
六、研究的三个环节：归纳、演绎、实证
研究一个问题，或认识一个问题包含三个过程，即归纳、演绎/推理、实证。三者之间是互相促进、相互验证的过程。
归纳：我们要把碎片化的信息进行格式化，先解构再重构。按照矛盾的主次关系，我们要知道哪个是最重要的，排第一和第五的是哪个，把次要的先放一边。归纳的过程中，我们不仅是信息的传递者，更是信息的整合者，要搞清楚问题的逻辑关系与主要矛盾。
演绎：在归纳的基础上提出最有可能的几种假设，研究科学史的时候知道，整个科学史就是一个假设演绎法的推演过程。我们对过去的信息、理论进行归纳后，提出几个最有可能的假设，再通过实证研究进行验证。演绎需要一种有逻辑的、突破线性框架的创造性思维，假设的过程中可以需要一定的理性的想象力。没有想象力的话，过去的互联网公司都没法投资了。
实证：科学家在研究自然科学需要做实验去验证假设与推理。100年前爱因斯坦提出的引力波，他自己也怀疑，然后全球最牛的一批科学家花了100年最终证明了引力波的存在。实证研究的结果，有时候可能会彻底否定之前的几个假设，却获得了新的答案。在实证的过程中还可以启发更多新的思维，这是实证研究意外的收获。在找桃子的过程中可能找到了苹果，这也很好。在研究A问题的时候，有时候会获得研究B问题的思路。
当然对做博弈的投资人来说，他们可能只做了归纳与推理，或者在逻辑和推理上可能比别人稍早一步、更强一些，他也能赚到了智力优势的钱，但却很难持续获得成功、过程也会比较忐忑。但对基本面研究来说，我们要努力把这三个步骤都做好。我们要做的是把通常60%确定性的理解提升到90%以上，事实上60%确定性的判断几乎是没有决策价值的。
这个原理可能是这样的：通过更有效的实证研究，也许掌握的只是比市场多出10%的有效信息，却可能让你对问题的理解力、基础信息的处理能力提升了一个档次；从而把研究的确定性提升到显著高于大部分人的水平。这个可能就是创造阿尔法价值的过程。
七、优秀研究员的个体特质
要做好研究与投资，我个人认为从业者需要一些显著不同于其他行业的特质。某个公司在校园招聘上提到三个词：求知欲、诚实，独立。我认为这是非常牛的总结。
第一个，求知欲/好奇心。这个才是一个人内心最深的自我驱动力，是一个人内心的底层代码。我把这个称为“无压力与无任务情况下的自我驱动力”，没有考试压力、没有考核压力、没有人给你布置任务的时候，你都会痴迷于研究某一个有意义的问题，那么在天性上，你就非常适合做研究工作。
第二个，诚实。实际上大部分人、包括我自己，在这方面都做的远远不够。诚实这个东西看起来是很简单的要求，但实际上是非常不容易做到的。人总是更容易接受、甚至强化对自己有利的事情，有利于证明自己观点的论据，更容易接受获得被认同的东西。如果有个人和你PK，大部分人就会逃避或抵触，这个对投资或研究问题是不利的。
我们要有非常强的自省和纠错的能力。最重要的是要知道自己错在什么地方，让自己每次错的成本越来越小，并且不断减少错误的次数。 投资不应该有什么悲观的或乐观的看法，只有客观的看法，对研究对象要客观，对自己的认识更要客观与诚实。对自己能力边界的认识要非常清醒，要知道你一直不敢面对与自我逃避的重要问题，总会在某一天找上门来的。“如果你不够真诚，你终将成为自己的牺牲品”。
第三个，独立。如果我们讲的东西都是别人的二手资料和二手观点，是没有多少价值的。独立的思考与判断，其最重要的好处就是能够进行清晰的归因分析，并会逐步积累属于自己的可以持续优化的思维体系。另外，无论是多么权威的意见，也要经过自己严谨的独立判断，不宜直接引用，否则创新思维就不可能发生。
八、正确的心态：必要训练时间与放下经验
《异类》一书中说，人们眼中的天才之所以卓越非凡，并非天资超人一等，而是付出了持续不断的努力。1万小时的锤炼是一个人从平凡变成专业的必要条件。对于年轻一点的研究员或者刚毕业的来说，不管做什么工作，要经过1万个小时的职业训练，才会有一个从量变到质变的过程，得有5年左右的时间才能成为专业的选手。如果天资悟性好的，你每天的有效工作时间又比别人多出20%，那么你成长的时间就会缩短。对于过去学习很好的学霸们来说，入行不久的人经常会有一点迷茫，会比较着急，需要树立正确的态度。
对资深的人，我们又反而需要强调先放下一切经验。在这个互联网与技术进步对全社会进行深入改造的时代，很多过去传统的思维方式反而会成为研究很多问题的绊脚石。我们需要放下过去的成见，以清零的心态去面对这个世界。从业时间越长，有的时候在某些方面更容易犯错误。从这点来说，对于自己某些非常笃定的观点，反而要更为刻意的重视反方观点。要感谢那些和自己反复PK的人。
另外，如果一个研究员要做的好，必须要有属于自己独立判断的成功案例和错误案例，是那些刻骨铭心的成功案例和刻骨铭心的错误案例，才能帮助自己成长。
九、日常工作的建议：
1、建立属于自己的智慧圈
不管是资深的还是刚从业的，都要学习逐步建立属于自己的智慧圈。在一个重要课题上，要有3个以上的行家里手成为你的朋友。这样对研究那个课题，是站在那3个牛人的肩膀上。为什么是3个？因为即使是一个很牛的人，即使是企业家自身，也可能因为自我立场（利益立场、情感立场等）的偏见导致错误的判断。芒格说，“立场导致偏见”。假设每个人的脑子里有5个重要课题，每个课题有3个朋友，那就有15个人；每个人背后又有几个朋友，这样的智慧圈就非常厉害，这有点类似互联网思维，这也是一种认知盈余。我们每个人的大脑是无边界的，智慧圈也是无边界的。我们每个人不可能成为很多领域的专家，但可以通过不断向很多专家与牛人学习、经常进行深度的思想分享，互相启迪思维。
2、广泛的学习与阅读
我们这个研究工作本质上就是学习。向同行学习，向同事学习，也向书本学习。除了眼前的当下的任务之外，要进行广泛的阅读，对长期重要课题的深度阅读与前瞻思考非常重要。广泛的阅读、独立的思考、深度的讨论与互动。
