Blogbejegyzések

Az adatvezérelt döntéshozásról ma már minden cég beszél, de jóval kevesebben csinálják jól. Hárombetűs rövidítések (KPI, OKR, ERP, CRM) lepik el a prezentációkat, miközben a valódi kérdés az lenne: tényleg azt mérjük, ami a tulajdonosok számára értéket teremt? Vagy csak kipipáljuk az „adatvezéreltség” és a „digitalizáció” buzzwordjeit, miközben csendben égetjük a tőkét.

Az adatvezérelt döntéstámogatás folyamatának egyik kritikus lépése a megfelelő metrikák megválasztása.
Tudtad, hogy a rosszul meghatározott KPI ok és ösztönzők alapján simán el lehet vezetni egy vállalatot hatalmas bónuszokért úgy, hogy valójában a menedzsment nem tesz le valódi hozzáadott értéket az asztalra?
Tudtad, hogy még ha a vezetés jóhiszemű és hozzáértő is, akkor is tud tulajdonosi értéket rombolni egyszerűen a rosszul megválasztott metrikák eredményeként?
Tudtad, hogy külön irodalma van annak, hogyan lehet a klasszikus számviteli mutatókat törvényes keretek között – akár akaratlanul, akár szándékosan – manipulálni a vezetés érdekében, a tulajdonosok rovására? Olvass tovább a részletekért!

A tőzsdei cégek fele valójában értéket rombol – mégis ünnepeljük a növekedési számaikat.
Csupán egy kis csoport tekinthető valóban elitnek, a többség pedig – jobb esetben – középszerű.
Ennek egyik oka, hogy a vállalatok nem értik megfelelően a vezetők kiválasztását és fejlesztését.

A rövid távú részvénykereskedéssel foglalkozó kisbefektetők 70–80%-a elveszíti a pénzét – állítják tudományos igényű tanulmányok és felügyeleti szervek vizsgálatai.
A legújabb bejegyzésemben egy olyan data science eszközt (web scraping) mutatok be, amelynek segítségével rendszeresen, tetszés szerint és (továbbfejlesztve) automatizáltan is ellenőrizheted ezeket az állításokat. Egyben magad is kialakíthatod az álláspontodat azzal kapcsolatban, hogy vajon a rövid/közép távú tőzsdei kereskedés kevésbé működik-e, mint a hosszú távú buy-and-hold befektetés.

Ebben a bejegyzésben egy egyszerű, de tanulságos adatvizualizációs gyakorlatot mutatok be. A cél az, hogy a gyakorlatban is lásd, hogyan működnek az AI val támogatott data science alapok (Google Colab os Python kódolás, Google Looker Studio). A gyakorlat tárgya az USA iparági átlagos ROC–WACC mutató alakulása 2013–2025 között. Bár elsősorban data science gyakorlatról, nem „éles” fundamentális elemzésről van szó, néhány érdekes következtetést így is le tudunk vonni.

Ebben a bejegyzésben a részvénykiválasztás egyik első lépését vizsgáljuk meg: a minőség egy lehetséges metrikáját. A fókusz a vállalatok befektetett tőkéjén elért hozam (ROC) és a tőkeköltség (WACC) különbségén van, mint a fenntartható tulajdonosi értékteremtés egyik kulcsmutatóján. Megnézzük, miért nem elég pusztán profitábilisnak lenni, és hogyan értelmezhető a ROC–WACC iparági és regionális szinten. Az első rész az elméleti kereteket tisztázza, amelyre a következő részben egy vizualizációs, data science-alapú gyakorlati megközelítést építünk.

Milyen ésszerűen elérhető tanulási utak állnak rendelkezésre a Tudatos KisBefektető számára, ha a részvényelemzés gyakorlati adatelemzési lépéseinek független végrehajtásáról van szó? Mi az az abszolút minimum, amellyel már el is lehet indulni? Hogyan tudjuk ehhez felelősen használni az AI-t? A minisorozat utolsó részében erre igyekszem választ adni.

A bizonytalanság nem mindig információhiány.
A nyugati gondolkodás és oktatás a mai napig a newtoni mechanika világképére épül: ha elég adatunk van, a világ kiszámítható, a bizonytalanság megszüntethető, a döntés „megoldható”.
Csakhogy a kvantummechanika már több mint 100 éve mást mond.
Egy elterjedt értelmezés szerint a bizonytalanság nem hiba a rendszerben, hanem az univerzum fundamentális tulajdonsága – és mint ilyen, teljes mértékben nem eliminálható.
Mit jelent ez az adatelemzés, az üzleti döntéshozatal, a tőzsdepszichológia és a részvénybefektetés szempontjából? Hol húzódik az elemzés haszna – és hol kezdődik a túlzás?