Hôm trước mình ngồi họp nhìn bà con cãi nhau mình chán quá nên vừa ngáp vừa post đại một cái status là Data Analysis khác Financial Analysis như thế nào lên Facebook, tưởng là chơi thôi mà nhiều bạn quan tâm quá, còn message riêng mình hỏi thêm. Mình lỡ nói 2k like thì mình viết, mà giờ hơn 3.7k like rồi nên mình phải gồng mình viết dù đây là một chủ đề rất tranh cãi.
Đầu tiên, cần phải làm rõ 2 khái niệm này trước rồi mới có thể bình tiếp.
Data Analyis là gì và Financial Analysis là gì? Những hiểu lầm và thần thoại
Data Analysis là làm gì?
Data analysis thì dễ, có thể định nghĩa rộng là miễn có data thì có thể làm phân tích. Kỹ thuật phân tích rất nhiều, từ làm phân tích cơ bản descriptive anaylsis (mà nhiều dashboard của anh em làm data analyst làm), cho đến những cái cao hơn như phân tích chạy mô hình dữ liệu thời gian, xác định quan hệ nhân quả, dự báo (các bạn làm nghiên cứu ở bậc tiến sĩ hay làm), xác định điểm bất thường, mối quan hệ ổn định (không nhất định là nhân quả), điểm “jump” (nhiều trading strategies hiện tại liên quan đến 2 mói này), .v.v
Nói chung cứ có data, áp dụng kỹ thuật là chiến tới, gọi là phân tích dữ liệu (data analysis). Đây là một khái niệm rất lớn, mà sau đó chia ra làm nhiều nhóm. Với cái ngành đang hot lên gần đây thì chia thành các cái vị trí mới như data analyst, data scientist, rồi tùm lum nữa, tùy anh em gọi như thế nào.
Các cái công việc này hiểu nôm na là như cái hình ở dưới, từ một đống data clean nó, xào nấu (ý lộn massage nó), để thành info (giống như bạn đọc báo hay coi infographics, truyện tranh vậy), nhưng đó chưa có ý nghĩa nhiều.
Bạn đút kết từ nhiều info thì ra knowledge, từ knowledge chắt lọc tinh hoa thì ra insights (vì nhiều knowlege là noise, biết lại làm bạn loạn lên). Bạn nắm bắt các insights rời rạc rồi ngộ ra con đường kết nối chúng nó tới chân thiện mỹ hoặc là nhập ma thành đại ma đầu thì đều là thành tựu wisdom. Bạn nào coi Thiếu niên bạch mã túy xuân phong thì Lý Trường Sinh hay Vũ Sinh Ma thì đều là đạt tới đó. Dù là cảnh giới gì thì wisdom cao nhất của coi phim là hiểu được ông nào rồi thì cũng phải nhường võ đài cho vai chính với vai ác chính đánh nhau ở trận cuối thôi.
Ở mỗi một khâu này thì sẽ có một vị trí công việc tương ứng. Ví dụ data analyst nhập môn thì là làm việc thường với 2 khâu đầu tiên và chuyển hóa thành khâu knowledge là cùng. Ông data scientist thường sẽ cố gắng đạt tới insight. Ông head của team data thì cố gắng nắm bắt nhiều insights nhất có thể, còn có đạt tới wisdom hay không thì lại … tùy duyên.
Mà có wisdom để làm gì? Không phải để vô vi như Lão Tử, mà để hành động, đưa ra quyết định.
Vì vậy, trong bài này, mình hiểu phân tích dữ liệu (data analysis) là một trong rất nhiều loại phân tích, dựa trên các kỹ thuật xử lý dữ liệu để đưa ra knowledge, insights và wisdom để HỖ TRỢ ra quyết định. Và nó cần là DỮ LIỆU ĐỊNH LƯỢNG.
Còn Financial Analysis thì làm gì?
Financial analysis theo mình định nghĩa là tập trung vào mảng tài chính, và làm phân tích để hỗ trợ các quyết định liên quan đến tài chính.
Phân tích tài chính giúp bạn hiểu:
Sức khỏe tài chính của công ty/tổ chức
Tình hình tài chính: thanh khoản, an toàn vốn, khả năng vỡ nợ
Xu thế hoạt động kinh doanh (trend doanh thu, lợi nhuận tăng hay giảm)
Những mảng nào đang làm ăn ngon, mảng nào đang thua lỗ
Ông nào đang lãnh nhiều tiền mà ngồi không
Những ông nào đang tốn nhiều tiền nhất công ty (các cost centers)
Các quyết định về tài chính được phân tích tài chính hỗ trợ bao gồm (nhưng không chỉ giới hạn nhiêu đây):
Xài tiền công ty (đầu tư mở rộng, trả cổ tức, thưởng cho nhân viên, trả lương thưởng cho lãnh đạo)
Đầu tư tài chính (chọn ông nào có vẻ ngon lành thêm mấy năm nữa để đầu tư)
Đánh giá hiệu quả nhân viên (ai kiếm nhiều tiền cho công ty)
Ra báo cáo tài chính (viết gì cho cổ đông, và stakeholders khác bao gồm cơ quan thuế)
Present cho nhà đầu tư tiềm năng và công chúng để thu hút vốn (chọn insight nào để nói cho bà con)
Phân tích tài chính là để hỗ trợ ra quyết định liên quan đến tài chính. Những phân tích tài chính này có thể dùng dữ liệu định lượng hoặc dữ liệu định tính
Ví dụ đọc của Fed statements, MD&A của công ty, đọc phân tích định tính của analyst là định tính. Mặc dù hiện tại một số phân tích như computer assisted textual analysis có thể giúp lượng hóa một phần các phân tích này, bạn thử lấy mấy cái “insights” đó như tone, complexity, similarity ra chạy coi có kiếm tiền được hay không thì biết. Và nếu bạn giao những cái metrics đó cho khách U60, U70 để 1 đống tiền trong quỹ của bạn, thì có thể sáng ra sẽ được nhận thông báo rút tiền và bạn cuốn gói theo luôn.
Textual analysis còn xa cái khả năng này lắm.
Một phân tích tài chính khác là hiểu được các tình huống khác nhau của lựa chọn kế toán của công ty. Ví dụ họ chọn nghi nhận chi phí phát triển phần mềm là toàn bộ là chi phí hay là capitalize nó rồi trích khấu hao. Hoặc là nếu làm M&A thì cái phần “Goodwill” ghi nhận những gì, rồi sau này khi nào có thể sẽ được ghi giảm nó (thế nào cũng giảm te tua).
Những cái này không có kỹ thuật phân tích data analysis nào ở trên hỗ trợ được, mà phải dựa vào kiến thức kế toán và những cái như alô model và sự hiểu biết về quyết định và quan điểm của giới lãnh đạo kế toán và doanh nghiệp đương thời.
Vậy hiểu lầm là gì? Financial Analysis không phải Financial Data Analysis
Có rất nhiều comment trong bài viết của mình hiểu financial analysis chỉ có financial data analysis. Những hoạt động phân tích tài chính rất quan trọng thật ra lại cần rất nhiều insights từ 2 loại khác. Một, là phân tích định tính như mình nói ở trên, nghĩa là không dùng data analysis vì không có dữ liệu định lượng. Hai, là dùng non-financial data. Nó có thể là data từ text data (ví dụ dữ liệu tin tức, bình luận từ mạng xã hội, video, sound.v.v.), hoặc data từ vệ tinh (nhiều anh em đang dùng để “đếm” số ra vào, dự đoán doanh thu), data lượt xem (dự đoán churn rate của Netflix).
Ngoài ra, một số kỹ thuật phân tích tài chính như định giá (valuation), phân tích real-option analysis, project appraisal, phân tích rủi ro .v.v không phải là các kỹ thuật mà các bạn học các môn data analysis được học vì nó cần một bộ kiến thức rất khác dạy trong ngành tài chính và kế toán.
Data analysis vẫn có thể hỗ trợ cho các phân tích đó (ví dụ có thể làm dashboard về các search, hot key, hot topics trên Bloomberg terminals mỗi ngày, các theme trên Reddit, tracker kiểu trach Wallstreet bets trên Reddit, Stocktwits themes). Nhưng mà phần kiến thức tài chính trong đó vẫn chiếm phần lớn hơn phần data analysis.
Vì vậy, các nhận định financial analysis là một subset của data analysis là hiểu lầm. Financial data analysis là một phần của data analysis, nhưng financial analysis thì rộng lớn hơn financial data analysis rất nhiều.
Để hiểu một phần câu chuyện, thì đây là một câu trả lời của đứa bạn mình, người đang mướn một đống data analyst và financial analyst làm việc cho nó.
Sếp: Ê, tao cần một cái report đẹp đẹp theo dõi doanh thu. Dữ liệu nó từ nhiều nguồn, nhiều khách hàng khác nhau.
Data Analyst: Dạ, em làm cho. Em sẽ xài ETL tools gom dữ liệu lại, Python để clean up dữ liệu, sau đó xài PowerBI / Tableau làm report quăng lên mạng cho sếp xem. Rồi em làm luôn time series analysis cho sếp đọc luôn.
———————————————
Sếp: Ê, tao không hiểu sao doanh thu tháng này giảm mà lợi nhuận lại tăng.
Financial Analyst: Dạ tại khách hàng mua sản phẩm sinh lợi cao, bên supplier gọi em họ quên gửi hoá đơn tháng này phải qua tháng sau mình mới trả tiền, và tại tháng này sếp không đi đánh golf nên không phải trả tiền thuê xe, thuê sân, tiền nhậu… À, mà em không hiểu sao tiền khách sạn tháng này tăng một ít. Để em hỏi cô thủ quỹ vợ sếp.
Sếp: mày mày đứng lại….
Có rất nhiều insights trong câu chuyện của ông financial analyst không xuất phát từ các bộ data mà là soft info kiểu thông tin của cô thủ quỹ vợ sếp. Và những câu chuyện về bên trên về trend data không phải là nằm ở kỹ thuật phân tích dữ liệu mà về am hiểu về tình hình kinh doanh, về kiến thức tài chính, kế toán, và … chuyện nhà sếp. Các kiến thức và kỹ thuật phân tích dữ liệu có giới hạn trong việc trả lời câu hỏi “tại sao?”. Vì câu trả lời đôi khi đến từ những nơi không có dữ liệu định lượng.
Vậy hàm ý đối với công việc thực tế là gì?
Nếu bạn nào muốn làm financial analysis, thì bạn vẫn phải đi học tài chính và kế toán. Nó là kiến thức nền và là insights căn bản. Bạn phải có cái đó rồi bạn mới biết bạn cần dữ liệu nào, phân tích cái gì thì ông data analyst và data scientist mới hỗ trợ được. Nghĩa là bạn biết cách đặt câu hỏi đúng cho 2 ông kia đi hỗ trợ.
Đặt câu hỏi chính là một kỹ năng căn bản. Ngay cả bạn dùng con AI để hỗ trợ ra bộ câu hỏi, thì các bạn cũng sẽ không biết muốn AI hỏi cái gì. Như một đứa bạn mình đang được trả gần nhiều tỷ đồng lương net/năm về set up team cho tập đoàn đa quốc gia ở Việt Nam thì nó cũng chỉ ra là các em không biết đặt câu hỏi cho AI tools. Cho nên, học chuyên sâu về tài chính kế toán là cho bạn kiến thức nền để đặt câu hỏi và biết mình muốn làm gì. Tất nhiên học lơ mơ thì chỉ hiểu kỹ thuật chứ không biết đặt câu hỏi. Học đàng hoàng mới biết.
Còn về thực tế, thì ngày nay nếu bạn học phân tích tài chính ở đại học và học thêm một lớp online về data analytics thì sẽ hỗ trợ rất nhiều.
Thằng bạn tui nó lại post 1 cái quảng cáo job thế này.
Bạn cần cái kiến thức nền (số 2, Bachelor degree in …)
Bạn PHẢI BIẾT XÀI EXCEL như thần (vâng các thánh trẻ người non dạ ạ, từ funds, IB, cho đến anywhere xài finance, các cụ lãnh lương hơn triệu đô vẫn xài Excel để communicate với các thánh đó).
Bạn có thể xài Python, Tableau, Power BI, SQL làm data analysis tasks chỉ là “lợi thế thêm” (a plus).
Và bạn đừng mơ là bạn dựa hết vào mấy con AI hay bạn đi kiếm tools đâu trên mạng là được. Bạn đi thuyết trình cho khách, cho sếp, sếp và khách không có “đợi em 10 phút để em hỏi AI hay 5000 anh em xã hội”.
Mình mới đi ngồi dự present trong investment day của 1 đứa junior analyst tuần trước chém gió đã, một cụ khách rất to hỏi nó 1 cái chuyện, cái câu trả lời nằm ngay trong cái chart nó show và trong mấy dòng quote nhỏ xíu trong slide, nhưng nó không thể trả lời được, nó chém gió qua loa.
Tất nhiên bạn biết là từ senior trong team tới lãnh đạo mặt tối sầm lại. Và khách quánh giá ngay và luôn sau buổi present online (tất nhiên là với team senior thôi là “thằng nhỏ đó không biết nó đang nói gì”).
Cuối cùng, bạn đừng lo là mấy con AI lấy mất việc. Bạn thấy cái đòi hỏi cuối cùng đó: giao tiếp tốt, làm việc với đồng nghiệp tốt. Hiểu nôm na là sáng ra tự nhiên xảy ra một cái crisis, bạn có thể coordinate với mọi người để xử lý vấn đề, chứ không phải ngồi la làng là “tui không biết, lỗi không ở tui, tui không làm”.
Hi vọng nhiêu đây đã đủ dài để bạn hiểu thêm về câu chuyện Data Analysis vs Financial Analysis và trend công việc.
Nhân đây xin cám ơn các bạn đã để lại những comment rất hữu ích trong post của mình.
Bạn có thể đọc thêm các comment trong post Facebook của mình, một số chi tiết cũng khá hữu ích.
Có thật là Trung Quốc dư cung nhà?
Ngoài chủ đề chính này, thì trong tuần cũng có 2 câu chuyện liên quan tới data. Câu chuyện thứ nhất là về câu chuyện cung nhà ở Trung Quốc.
Tùy vào bạn nói nhà ở thành phố cấp 1, 2 hay 3 (xa tít tắp không hạ tầng hoàn thiện) mà cung nhà dư ra hay không.
Trong tuần mình có một post Facebook về câu chuyện này.
Hôm qua mình nhận ra có một số bạn vẫn lập luận đơn giản rằng Trung Quốc dư cung nhà nên giá nhà phải giảm.
Sự thật là bạn nhìn vào phân bổ cung nhà Trung Quốc trong hình đi đã.
Khoảng 80% nguồn cung nhà để bán ra của Trung Quốc là ở Tier 3 nghĩa là kiểu nông thôn và xã vùng xa, không ai tới, không trường học, bệnh viện, việc làm. Và dưới 10% là nguồn cung ở Tier 1 nơi nhu cầu vô kể.
Ở Tier3, chính phủ hứa là hạ tầng tới thì mấy cái đó có. Một số hạ tầng tới thật, nhưng không có cái gì khác, đặc biệt là việc làm và giáo dục đáp ứng đủ yêu cầu (thứ quan trọng với dân TQ).
Vì vậy bà con đừng nghĩ là Trung Quốc dư cung nhà thật. Tier 1 năm nay bắt đầu thiếu nhà rồi. Và câu chuyện kẹp nhau trong một căn phòng 8m2 được gọi là nhà 1 phòng ngủ đang lên báo.
Cho nên đừng cứ nói Trung Quốc dư nhà quá giá nhà phải xuống. Không có đâu, từ tháng 7 giá nhà ở thành phố Tier 1 tăng lại rồi, Tier 2 dừng giảm và sớm muộn 2 trai này sẽ tăng lại.
Nhà ở thành phố Tier 3 thì ai rảnh ra mua nuôi gấu thì tui không rõ.
Tình trạng tương tự của VN có lẽ là mua đất ở mấy chỗ không biết khi nào thì có cái gì ở đó.
Ngay cả Tier 3, thì mình đi Mỹ đợt này nói chuyện với một bạn làm nghiên cứu mới về Trung Quốc nói chuyện với mấy anh kiểm toán các nhà phát triển ở các thành phố Tier 3 thì nó cũng không hoàn toàn là câu chuyện đầu cơ.
Mấy anh phát triển xây thành building thật rồi, nhưng kiểu có 1 đồng vay xx đồng, và tin vào lời hứa hẹn có job, có trường học, bệnh viện của lãnh đạo mà quất.
Nghĩa là mấy ảnh cũng có bài toán kinh doanh chứ không phải chỉ liều mạng quất đầu cơ với niềm tin trong mơ.
Sau đó rồi kẹt tiền, kinh tế slow down (từ trước Covid kinh tế đã slow rồi), mới biến tướng thành mấy anh shadow bank đi dụ nhà đầu tư mua dạng như trái phiếu BĐS lãi suất cao nhà mình vô fund mấy anh này gồng rồi mới bể tùm lum.
Cho nên chửi chủ đầu tư một, chửi shadow banking lừa nhà đầu tư 2, chửi anh em tham lam làm nhà đầu cơ 3, thì chửi anh em lãnh đạo địa phương nào hứa mấy cái đó 10 cho đều. Không tại mấy anh ở dưới hứa và anh ở trên đạp thắng toàn diện thì Tier 3 đã chắc chết đâu. Mấy anh địa phương hút dự án về tỉnh để tạo thành tích mà.
Chính phủ sau khi thấy loạn quá thì không biết được ông nào cố vấn xuất sắc, thay vì chia 3-5 loại hình công ty bđs và khu vực rồi rào lại xử (cái này báo phương Tây có đồn trước khi áp dụng 3 lằn ranh đỏ), thì đi quất ngay cái 3 lằn ranh đỏ. Cái kết thì ai cũng biết rồi đó.
Câu chuyện nó phải rõ ra như vậy chứ đừng cứ nói đơn giản hóa là Trung Quốc dư cung nhà quá, giá nhà phải giảm. Tính tổng thể như lấy số m2 nhà trong tổng cung thì China dư khá lớn. Nhưng mà thực tế chỉ 20% cung trong đó là ở khu có nhu cầu ở thật thôi, Tier 1 chiếm chưa tới 10% nhưng cầu rất cao (đất đâu mà xây).
Bài toán của China vì vậy thật ra là làm sao để các đô thị loại 3 có người tới ở và làm việc bền vững. Nó tương tự bài toán làm sao dân bớt đổ về thành phố lớn như Hà Nội và HCM ở VN vậy đó. Nhưng China có tiềm năng xử lý được vấn đề này.
Các bạn có thể đọc thêm về bình luận về các chính sách hiện tại của Trung Quốc qua post Facebook này.
Các phù thủy phương Tây có thể bẻ cái chart về khả năng cắt lãi suất của Fed chỉ bằng một cái trade như thế nào?
Câu chuyện thứ hai liên quan tới data là một cái tools đang được cả thị trường theo dõi thì output lại có thể bị manipulate dễ dàng. Cái này là ví dụ cho thấy dựa nhiều vào data thì cũng cẩn thận câu chuyện data bị manipulated. Câu chuyện như bên dưới:
Nếu bạn nào coi thị trường thì tối qua đi ngủ thấy khả năng cắt 0,5% trong tuần sau của Fed chỉ chừng hơn 25% (may sao tự nhiên mình có copy lại hôm qua, nên mình paste ở dưới). Sáng nay ngủ dậy thấy nó tự nhiên vọt lên trên 40% mà không ai hiểu vì sao. Từ chênh lệch lớn giờ còn gần như 5-5 giữa xác suất cắt 0,25% với 0,5%.
Xác suất ngày thứ Sáu
Xác suất tối khuya thứ Năm ở Mỹ (từ tối khuya thứ Năm tới sáng T6 giờ UK không có tin tức gì đáng kể)
Bằng sự trợ giúp của một con bot cào tin Twitter, anh em đã mò ra một lời giải thích.
Thì ra là có một trai xinh gái đẹp nào đó đã lợi dụng khi thị trường không có thanh khoản mấy đã quất một cái lệnh outsize ra thị trường futures (căn cứ để tính mấy cái xác suất này), và specialist đã fill được lệnh (có lẽ là đã phải xẻ nó ra rất nhiều blocks). Kết quả là nó đẩy xác suất từ dưới 15% lên thẳng trên 36% trong nháy mắt.
Nếu bạn là một data analyst mà bạn tin sái cổ vào cái số 40%+ hôm nay và bạn update con số đó vào model, trading strategy của người tin vào output của model của bạn vì vậy sẽ thay đổi rất đáng kể chỉ vì một điểm dữ liệu.
Còn một người làm financial analyst như tui sẽ dừng lại một bước và bắt anh em đi check "what the hell is going on". Bởi vì những soft information không được lượng hóa của tui cho tui biết là something needs to be checked.
Điều có thể tranh cãi ở đây là cái trade move thị trường này là informed trade hay là noise trade?
Tuần sau chúng ta sẽ biết.
Vấn đề lớn hơn là người ta có thể manipulate một cái chart thị trường soi kỹ, thậm chí là số tự động feed vào các model, chỉ bằng 1 cái trade.
Tóm lại, tui ngày càng mất niềm tin vào nhân sinh. Tới cái chart xác suất mà người ta cũng có thể lừa mình.
Và cũng vì vậy không lạ khi bê bối tài chính, lừa đảo khắp nơi. Giờ mấy ông kiểm toán quốc tế thì cũng te tua.
Bạn nào chưa đăng ký Đọc Chậm mà muốn đăng ký có thể bấm ở đây nha. Không tốn tiền :)