将行业指数构建相关的50多项指标，除去经济指标之外还将各行业招聘信息，运用机器学习算法进行重要指标筛选，最终得出6个一级指标和29个二级指标，用于支持行业指标的实时计算及预测。

目前，行业指数分析存在着下面几个问题：
（1） 数据单一：
依据大量的经济数据作为形成指数依据，如生产价格，销售生产总量，利润率，资产规模等等，“以数为据”的统计数据进行历史累积。
（2） 动态时效性弱：
传统行业数据主要依靠结构化数据，这些数据通常是“发生后得到”，从而造成了明显的时滞性及数据缺失。
（3） 算法模型基础：
传统的经济计量模型建立在抽样的统计学基础上，以假设检验为基本模式，经典计量模型以因果检验为核心，而在当前复杂的经济环境变化当中，因果关系往往难以准确检验、因果结论备受质疑。
（4） 新兴产业无太多体现：
当前新兴产业如各类服务业，并未有足够长度的统计数据和年鉴进行参考，数据缺失的情况使得新兴产业并未形成权威的行业景气指数，从而于当前市场的投资热度相背离。

通过不断的验证和参数调整，行业指数加入了大数据舆情类指标可以有效对行业发展现状及未来进行有效的预测，避免了传统经济数据统计方式的滞后性，从而为精准预测提供了有方式。在分析方法上，通过将传统时间序列模型与机器学习算法相结合，构建出更准确的指标预测模型，对宏观流动性分析起到了很好的提升作用。