人们老爱问，某某和某某掉下水了你会救谁，这个是很复杂的问题，首先假设我偏爱某某，还要假设都不会游泳，憋气时间一样长，而且要假设无论远近都一定要你救他，而且受伤情况一样……问题的背景和个人因素如此复杂。我能够轻易回答？
其实每个人都是复杂的系统，包括时间，地点，家庭等…我真的单凭几个指标，几个公式能了解一个人吗？
因此研究人就应该区别于研究自然科学的方法。比如说，自然环境下，自由落体的定理既适用在中国，也能用在美国。但是，对于人，同样的一套价值观却不能适用中国也适用于美国。因此，不能用模型和一般规律的方法概括人，把人一般化，标准化了。
我们该如何了解人呢？ 引用万维钢老师的文章：
传统上做市场调研，是尽可能地调查更多的人，比如调查一万个豪华车主，用一系列问卷调查的方法，找到统计上的规律。而麦兹伯格的方法不是大规模统计，他从四个国家总共只选了60个人，样本量很小。然后派人去跟踪这60个人的日常生活，去访问他们的亲朋好友，去探索他们的“世界”。他想理解这60个人。
麦兹伯格发现，这些人对“奢侈”的要求，和以前的豪华车主不太一样。这些人是上层中产阶级，地位已经很稳固了，他们不需要金光闪闪的车标那种炫耀性消费 。
研究者的第一个发现是，这些人拥有的豪车，95%的时间，并不在路上，而是停在路边或者车库里。而且这些人生活在大城市里，平时车速很慢。那么豪车在高速状态下开着有多“爽”，对这些人来说意义并不大。
所以福特汽车是一个以工程师为本的企业。它的设计思想，实际上是工程师 —— 也就是这帮住在密歇根州的中产阶级白人男性对汽车的喜好。这些人想要的是驾驶体验、飙车速度、导航系统等等。这些人想要的跟上海市上层中产阶级对豪华汽车的要求非常不一样。
所以这哪里是设计一辆车的问题，这是不同文化的碰撞。这样的洞见，就是硅谷思维（运用大数据等方法预测人）所无法达到的（因为他们并没有考虑预测者所处的背景）。
咱们再想想麦兹伯格这种思维的特点。它强调的是你考虑一个东西，必须同时考虑它的环境，不能把这个东西单独拿出来。更进一步，麦兹伯格说人脑处理信息，一般都不是处理抽象的信息，而是把很多信息全盘考虑。
以上，是万老师文章的一部分。我也想谈谈自己的想法：
毕竟我曾经有段时间打算用数据去做用户画像等等，在网上收集购买者的信息，然后分类再去推送给这类用户进行精准营销。
但是，读完万老师的文章之后我的做数据分析的思路有所变了，我的思路应该，先利用网上的购买特征聚类分群以后。根据特征定位出具体的目标客户进行跟踪，了解他们的背景和环境。
比如说，我们是卖NIKE的，网上数据分析得到了，某部分人爱买NIKE，而且他们爱购买电子产品。那么我们并不应该单纯立刻把这个当作结论，简单认为只要爱买电子产品的人就需要nike，然后就推送广告。而是，走到基层充分与民众接触，到卖电子产品的地方去实地考察来买电子产品而且穿NIKE的人的实际状况，通盘了解他们的年龄，家庭，背景等等。得出结论后再对该类人群投放广告，而且还可以精准制定广告。
研究股票的思路也应该改变，由于参与者是主要是人。因此，不了解主力的背景，风格，和环境。散户的背景，环境。就说明只是对股票一般化的认识。并不是通盘考虑。
因此，我接下来的研究股票的思路将会改为如下：
首先通过编写程序等方法。对股票根据某种指标进行分类。
根据类别不同，挑选几只代表股票，进行长期细致的跟踪，逐步研究不同主力风格，散户情况，机构，环境概念，股权结构。
在以上的基础上对同类的股票定制具有针对性的监控方法和投资策略
由于股票是由人为参与者组成的一个存在。复杂性是必然的，因此不能错误的用固定办法对待所有股票，或一般化所有股票的操作。
感慨，与其做大数据，做一般化的不求甚解的分析。还不如确定目标，从具体几个目标出发，深入理解其环境背景信息，收集深度数据。
