经济分析师/行业研究 · 数据到研报实战深水

1.1 行业研究岗在做什么

行业研究岗（经济分析师/行业研究员/投研分析师）的核心工作，是把零散的行业数据、公司信息、宏观信号，整理成「有观点、有逻辑、可决策」的研究报告——回答三个问题：行业现在怎么样（现状）、未来往哪走（趋势）、机会和风险在哪（判断）。报告的服务对象是投资决策、业务战略、政策参考，所以「结论要经得起追问」是这个岗位的第一生存法则。

岗位迁移的方向是「从资料整理员走向判断型分析师」：数据收集与初稿生成被 AI 自动化后，行业研究岗的增量价值集中在「判断」——数据真不真、口径对不对、趋势怎么定、结论敢不敢担责。入门时你被要求「会看 AI 的产出、能指出 AI 哪里数据错了、能解释为什么这样下结论」。分析判断与报告担责永远在你身上——这是全课贯穿的第一条红线。

我是经济学专业学生，求职方向为经济分析师/行业研究岗，请帮我梳理岗位认知与能力要求：
1. 按行业研究核心能力（行业基本面/宏观分析/公司分析/估值/报告撰写）说明岗位中的核心运用。
2. 说明 AI 在研究中能做什么（数据收集/报告草拟）与必须由人完成的判断（研究结论/担责）。
3. 结合我的情况，给出进入行业研究岗的 3 步路线。
4. 只依据公开岗位 JD 与教材通识，不得编造，不确定处标「待核」；最终职业判断归我。
[粘贴你的求职方向与经历]

2.1 行业研究的经典分析框架

行业研究的起点是框架，不是数据。经典框架有四个：产业链分析（上游-中游-下游，看利润分布与议价力）、波特五力（现有竞争/新进入者/替代品/供应商议价/客户议价）、行业生命周期（导入-成长-成熟-衰退，决定增速与估值逻辑）、竞争格局分析（集中度 CRn 与头部份额）。框架的作用是告诉你「该看什么」，AI 的作用是帮你「把该看的快速整理出来」——但「看什么、结论是什么」永远是你定。

行业研究不是「把数据堆在一起」，而是「框架选得对不对、数据填得准不准、结论推得稳不稳」。课堂行业案例均为教学模拟数据，非行业官方统计。

2.2 AI 研究框架看板工作流

用 AI 把行业研究拆成「框架→分析点→数据需求」分级看板。正确的姿势是：你把选定的行业与研究目标喂给 AI，要求它输出分析看板——每个框架下该看什么、需要哪些数据、建议优先级，你负责核验框架有没有被 AI 遗漏或虚构。框架选择与结论由你定，AI 只做看板梳理与执行提醒。

我要研究「XX 行业」（教学模拟，勿引入真实市场敏感信息），请帮我生成研究框架看板：
1. 按「产业链/五力/生命周期/宏观传导/财务/估值」分级列出分析点。
2. 每个分析点标注需要的数据类型与建议来源（公开可核类型）。
3. 标出各分析点对结论的重要性（高/中/低）。
4. 输出为 Markdown 表格，只依据通用分析框架，不确定处标「待核」，不得编造具体市场数据。

3.1 行业基本面的三大看板

行业基本面分析围绕三块：市场规模与增速（行业有多大、还在不在涨）、产业链拆解（上中下游怎么分工、利润在哪一环）、竞争格局（集中度与头部份额）。规模看趋势、产业链看议价力、格局看护城河——这三块构成行业报告的「基本面底座」。

3.2 数据来源与可信度分级

行业研究的数据来源分四级：权威官方（政府统计/监管披露，A 级）、公开报告（行业白皮书/公司年报，B 级需核读）、媒体与转载（C 级谨慎）、AI 生成（只能当整理产物，不可当数据源）。引用 B 级数据必须「核读真实报告后回填 + 标注报告名+发布时间」；未核读不引数字。这是数据红线，也是行业研究岗的信用底线。

3.3 AI 数据收集与交叉验证工作流

用 AI 做行业数据收集的正确姿势：AI 聚合候选数据→你核对数据源与定义→跨源交叉验证→标注来源入库。AI 帮你把「找数据」从 6 小时压到 1 小时，但「数据可不可信、口径对不对、样本偏不偏」的核验判断归你。凡是 AI 给出而无出处的数据，一律标「待核」，不得直接进报告。

请帮我收集「XX 指标」的候选数据（教学模拟场景）：
1. 列出可能的官方/公开数据来源及对应 URL 类型（政府统计/行业报告/公司披露）。
2. 对每个来源标注可信度（A/B/C）与你判断的理由。
3. 提醒我哪些指标需要人工核读原报告，不得直接引用。
4. 输出为 Markdown 表格；没有把握的项标「待核」，不得编造数值。

4.1 宏观指标怎么看

宏观经济是行业研究的「大环境」，核心指标四组：增长（GDP 增速，看总量景气）、价格（CPI 通胀，看需求与成本传导）、就业（失业率，看消费与政策空间）、货币与财政（利率/信贷/财政支出，看流动性环境）。宏观不是背数字，而是看「变化的方向和传导路径」——GDP 增速放缓怎么传到你研究的行业，政策转向怎么影响需求，这才是行业研究要用宏观的地方。

已核读可引用（标注出处）：教育部《2025年全国教育事业发展统计公报》（2026-07-06 发布）显示高等教育毛入学率 61.30%，全国普通、职业本专科在校生 3953.96 万人，毕业生 1105.10 万人，普通本科学校 1278 所——作为教育/消费相关行业研究的宏观背景锚点。其他未核读指标一律不引数字。

4.2 宏观传导分析：从总量到行业

宏观传导的核心方法是「传导链」：宏观变量 → 中观行业变量 → 公司经营变量。比如利率下行 → 融资成本下降 → 资本密集型行业受益；就业改善 → 消费回暖 → 可选消费行业受益。传导链要用逻辑推，不是 AI 帮你结论——AI 可以帮你把传导路径列全，但「这条传导在你研究的行业成不成立」要你用行业常识判断。

4.3 AI 宏观指标解读工作流

用 AI 做宏观解读的姿势：AI 列指标清单与口径说明→你核对指标定义与发布源→AI 给传导路径候选→你判断哪些路径对目标行业成立。AI 帮你把「查指标、查定义」从 3 小时压到 30 分钟，但「哪个指标影响你行业、传导成不成立」的判断归你。

请帮我做宏观指标解读（教学模拟场景）：
1. 列出与「XX 行业」最相关的 3-5 个宏观指标及官方定义来源。
2. 对每个指标给出到该行业的可能传导路径，标注逻辑强度。
3. 提示我哪些路径需要行业数据验证、哪些是常识性推断。
4. 输出为 Markdown 表格；不得编造具体宏微观数值，未核读标「待核」。

5.1 三大报表与核心财务指标

行业研究落到公司层面，财务分析是硬功夫。三大报表：资产负债表（家底，看资产质量与杠杆）、利润表（赚钱能力，看收入与利润质量）、现金流量表（血液，看造血与经营质量）。核心指标三组：盈利能力（毛利率/净利率/ROE）、成长性（营收/利润增速）、财务健康（资产负债率/经营现金流）。行业研究用财务看的是「公司在行业格局里的相对位置」，不是孤立算数。

财务数据的来源以公开披露为准（A 级），公司财报为教学模拟或公开披露口径；引用外部财务数据须标注出处，未核读不引数字。

5.2 盈利质量：利润好看的背后

盈利质量分析是行业研究判断的关键：利润是主业赚的还是靠一次性的？收入增长有没有现金流支撑？应收账款涨得比收入快，收入质量就要打问号。判断盈利质量的核心是「利润与现金流、收入与回款的勾稽」，这个判断必须由人做——AI 能算出指标，但「这利润质量好不好」要看业务逻辑。

5.3 AI 财务分析工作流

用 AI 做财务分析的姿势：AI 算财务比率与趋势→你核口径与数据源→AI 列异常信号→你判断异常背后的业务原因。AI 帮你把「算指标、拉趋势」从 4 小时压到 40 分钟，但「这个指标说明公司好不好、异常是不是风险」的判断归你。

请帮我做公司财务分析（教学模拟/公开披露数据）：
1. 基于我提供的财务数据计算核心指标（盈利能力/成长性/财务健康）。
2. 标注每个指标的口径假设，指出数据缺失项。
3. 列出异常信号（如应收账款增速>收入增速）供我判断。
4. 输出为 Markdown 表格；不得编造数据，缺失项标「待核」。

6.1 两类估值逻辑

行业研究常涉及两类估值：相对估值（看倍数：PE/PB/PS，比较公司之间或历史区间）与绝对估值（看现金流：DCF 折现未来现金流）。相对估值看「市场怎么给这个行业定价」，绝对估值看「公司未来现金流值多少」。估值不是精确计算，而是「关键假设下的合理区间」——假设变了，估值就变了。

6.2 关键假设：估值模型的灵魂

估值的核心是「关键假设」：增长率、折现率、利润率、永续增长——每个假设背后都是对行业与公司的判断。AI 能帮你搭模型、算数字，但「增长率给 10% 还是 15%、折现率取多少」背后的业务判断归你。假设要有依据（行业增速/公司历史/可比公司），不能拍脑袋，更不能让 AI 替你拍。

6.3 AI 估值模型工作流

用 AI 做估值的姿势：AI 搭测算框架与公式→你定关键假设→AI 计算并出敏感性表→你判断假设合理性与结论区间。AI 帮你把「搭表、算数、做敏感性」从 5 小时压到 1 小时，但「假设怎么定、结论怎么读」的判断归你。

请帮我搭估值测算框架（教学模拟场景）：
1. 基于我提供的关键假设（增长率/折现率/利润率）建立测算表结构。
2. 输出公式逻辑与输入输出清单，标注哪些是人工判断项。
3. 生成敏感性表框架（假设变动对估值的影响）。
4. 输出为 Markdown 表格；公式逻辑可核，数值以我输入为准，不得编造。

7.1 研究报告的标准结构

一份能放进作品集的行业研究报告，结构是「摘要（结论先行）→ 行业基本面 → 宏观环境 → 财务与公司分析 → 估值与关键假设 → 风险提示 → 结论与建议」。核心逻辑是「论据链」：每个观点都要有数据/事实支撑，每条数据都要能溯源，每个结论都要经得起追问。报告是你判断的载体，不是资料的堆砌。

7.2 论据链：观点-证据-校验

行业报告的信用来自论据链：观点必须有证据，证据必须有出处，出处必须被校验。三步走：先立观点 → 再找支撑（数据/事实/逻辑）→ 最后反证（有没有反例，结论是否站得住）。AI 可以帮你把证据列全、把反证提出来，但「观点成不成立、要不要修正」的判断归你。

7.3 AI 报告起草工作流

用 AI 写报告的姿势：AI 按你的框架草拟初稿→你逐段改出你的判断→AI 帮你查漏（风险/反证/遗漏）→你定稿并担责。AI 帮你把「从空白页开始」的启动成本压到最低，但报告的「判断、观点、结论」必须是你写的——AI 代写研究是红线，报告署名与责任归人。

请基于我提供的研究要点草拟行业研究报告初稿（教学模拟场景）：
1. 按标准报告结构组织（摘要/基本面/宏观/财务估值/风险/结论）。
2. 每个部分基于我提供的事实与数据，不得自行编造数值。
3. 生成后列出一份「待你人工确认」清单：哪些是判断项、哪些数据需溯源。
4. 主动列出可能的遗漏风险与反证点供我校验。

8.1 五条工作流组装成岗位生产力

回看全课，你手中已经有了五条 AI 行业研究工作流：①数据收集与交叉验证（ch3）→ ②宏观指标解读（ch4）→ ③财务分析（ch5）→ ④估值测算（ch6）→ ⑤报告起草与查漏（ch7）。这五件套组合起来，就是「AI 提效资料环节、人掌握判断与担责」的完整岗位生产力。

8.2 红线清单与职业底线

经济分析师/行业研究岗的红线，零容忍：AI 代写研究（让 AI 直接出结论/写报告并照抄署名）、编造数据（用 AI 伪造/虚构行业数据进报告）、误导性解读（用不实数据或断章取义误导政策/投资判断）、越线代判断（让 AI 替你做分析判断并担责）。判断与担责归人，是全课最后的落点。

结业指引：完成 ch1~ch8 学习后，进入「AI 辅助行业研究报告实战」大作业（5 维评分，≥85 分结业）。大作业交付物=深度研究报告（行业分析+宏观传导+财务估值+结论建议）、AI 工作流清单（≥3 条）、数据来源与核验记录、岗位 AI 能力自评。结业测验 10 题（单选 6 + 多选 4）通过 ≥85 发放结业证书，结业认证会记录到你的学习档案。

我是行业研究岗备考学员，已完成深度研究报告，请帮我做交付前自检：
1. 按研究报告构成（行业分析/宏观传导/财务估值/结论建议）逐条对照我的产物给出达标自检表。
2. 对每条红线（AI 代写研究/编造数据/误导政策解读）逐项排查并给出自检结论。
3. 输出「待补强」清单与修改建议。
4. 输出为 Markdown 表格，只依据教材通识，不确定处标「待核」；最终交付判断归我。
[粘贴你的研究报告]