课程大纲设计指南

课程名称：数据科学导论（16周）/ Course Title: Introduction to Data Science (16 Weeks)

1) 课程概览 / Course Overview
- 课程定位：面向初学者的基础课程，覆盖数据科学全流程：获取与清洗、探索与可视化、统计推断、机器学习入门、结果沟通与复现。/ Scope: Foundational course covering the end-to-end data science lifecycle: data acquisition/cleaning, EDA/visualization, statistical inference, introductory machine learning, communication and reproducibility.
- 教学形式：讲授 + 实操实验课 + 项目。/ Modality: Lectures + hands-on labs + project.
- 接触时数：每周3小时（2小时讲授 + 1小时实验/讨论），16周。/ Contact hours: 3 per week (2h lecture + 1h lab/discussion), 16 weeks.
- 适用对象与先修：具备基础编程（任一语言）与高中层次代数/函数知识；不要求先修统计学。/ Audience & prerequisites: Basic programming (any language) and high-school algebra/functions; no prior statistics required.
- 教学语言与提交：代码与报告可用中文或英文；建议英文代码注释以便通用复现。/ Language & submissions: Chinese or English; recommend English code comments for portability.

2) 课程学习成果（CLOs）/ Course Learning Outcomes
完成课程后，学生能够 / Upon completion, students will be able to:
- 描述数据科学工作流与常见角色、任务与伦理边界 / Describe DS workflow, roles, tasks, and ethical boundaries.
- 使用Python、NumPy、pandas进行数据摄取、清洗、变换与合并 / Use Python, NumPy, pandas for ingestion, cleaning, transformation, merging.
- 进行探索性数据分析并构建有效可视化 / Perform EDA and create effective visualizations.
- 以SQL查询关系型数据并进行分组聚合与连接 / Query relational data with SQL including grouping and joins.
- 应用概率与统计推断（估计、区间、假设检验、A/B测试） / Apply probability and inference (estimation, CIs, hypothesis tests, A/B testing).
- 训练与评估基础监督学习模型（回归与分类），并执行交叉验证与调参 / Train and evaluate baseline supervised models (regression/classification) with CV and tuning.
- 应用聚类与PCA等无监督方法进行模式发现与降维 / Use clustering and PCA for pattern discovery and dimensionality reduction.
- 构建可复现的分析工作流（Git、环境管理、流水线）并清晰沟通结果 / Build reproducible workflows (Git, environments, pipelines) and communicate findings.

3) 教学材料与工具 / Materials and Tools
- 编程环境 / Programming: Python 3.10+; JupyterLab; Conda或venv。/ JupyterLab; Conda or venv.
- 主要库 / Core libraries: NumPy, pandas, matplotlib, seaborn, scikit-learn; statsmodels（可选）。/ Optional: statsmodels.
- 数据库 / Database: SQLite（必备）; PostgreSQL（可选）。/ SQLite required; PostgreSQL optional.
- 版本控制 / Version control: Git/GitHub或等效平台。/ Git/GitHub or equivalent.
- 文档与报告 / Documentation: Jupyter Notebook/Quarto；Streamlit（可选）用于展示。/ Streamlit optional for demos.
- 推荐教材与参考 / Recommended references:
  - Wes McKinney, Python for Data Analysis, 3rd ed., 2022.
  - Gareth James et al., An Introduction to Statistical Learning with Applications in Python, 2023.
  - Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow, 3rd ed., 2022.
  - Peter Bruce, Andrew Bruce, Peter Gedeck, Practical Statistics for Data Scientists, 3rd ed., 2023.
  - 官方文档：pandas、scikit-learn、seaborn、SQLite。/ Official docs for pandas, scikit-learn, seaborn, SQLite.

4) 评估组成与权重 / Assessment and Weights
- 课堂与实验参与 Participation/Labs: 10%
- 小测（4次） Quizzes (4): 10%
- 编程作业（6次） Programming Assignments (6): 20%
- 期中考试 Midterm Exam: 20%
- 课程项目 Capstone Project（含提案、里程碑、报告与展示）: 30%
- 同行评审 Peer Review: 10%
说明：强调学术诚信与可追溯性；代码需可运行、结果可复现。/ Note: Emphasis on academic integrity and reproducibility; code must run and results be reproducible.

5) 每周进度与任务 / Weekly Schedule and Tasks

第1周：课程导入与环境搭建 / Week 1: Orientation and Environment Setup
- 主题/Topic：数据科学生态、工作流、工具栈；Jupyter、Git、环境。/ DS landscape, workflow, stack; Jupyter, Git, environments.
- 目标/Objectives：完成环境安装；能运行Notebook；理解课程期望与项目要求。/ Install environment; run notebooks; understand course and project.
- 实验/Lab：环境检查、Git基础、数据读写。/ Env check, Git basics, I/O.
- 作业/HW：工具链再现报告（含环境说明与样例分析）。/ Reproducible setup report with sample analysis.

第2周：Python与NumPy基础 / Week 2: Python and NumPy Essentials
- 主题：数据结构、控制流、函数、向量化与广播。/ Data structures, control flow, functions, vectorization.
- 目标：编写可读、可测试函数；使用NumPy进行高效计算。/ Write testable functions; use NumPy efficiently.
- 实验：数值计算与基准比较。/ Numeric computing and benchmarking.
- 作业：实现数据清洗实用函数库。/ Implement utility functions for cleaning.

第3周：pandas数据整理 / Week 3: Data Wrangling with pandas
- 主题：索引/选择、缺失值、连接/合并、重塑（melt/pivot）。/ Indexing, missing values, joins/merge, reshape.
- 目标：构建整洁数据；记录数据字典。/ Produce tidy data; document a data dictionary.
- 实验：清洗“脏数据”案例。/ Clean a messy dataset.
- 作业：完成数据清洗与整合报告。/ Deliver a cleaning/integration report.

第4周：探索性数据分析与可视化 / Week 4: EDA and Visualization
- 主题：分布、关系、异常点、图形原则。/ Distributions, relationships, outliers, viz principles.
- 目标：形成可复现EDA；选择恰当图表。/ Reproducible EDA; appropriate chart selection.
- 实验：用seaborn制作EDA图谱。/ EDA gallery with seaborn.
- 作业：EDA Notebook与洞见摘要。/ EDA notebook and insight brief.

第5周：数据伦理与复现 / Week 5: Data Ethics and Reproducibility
- 主题：隐私、偏见、公平、同意；随机种子、日志、依赖锁定。/ Privacy, bias, fairness, consent; seeds, logging, dependency locking.
- 目标：完成伦理清单；建立可复现项目模板。/ Ethics checklist; reproducible project template.
- 实验：偏见风险初筛；requirements.txt生成。/ Bias pre-mortem; requirements.txt.
- 项目里程碑/Milestone：选题与数据源确认 + 伦理清单草案。/ Topic and data source + ethics checklist draft.

第6周：概率基础与模拟 / Week 6: Probability Foundations and Simulation
- 主题：随机变量、期望/方差、常见分布、LLN/CLT（概念）、蒙特卡罗。/ RVs, moments, common distributions, LLN/CLT (conceptual), Monte Carlo.
- 目标：用模拟验证概率结论；选择合适分布建模。/ Validate via simulation; choose distributions.
- 实验：置信区间覆盖率模拟。/ CI coverage simulation.
- 作业：概率建模与模拟报告。/ Probability modeling report.
- 项目里程碑：项目提案1页（问题、数据、指标、风险）。/ 1-page proposal (problem, data, metrics, risks).

第7周：统计推断与实验设计 / Week 7: Statistical Inference and Experimentation
- 主题：抽样、点估计与区间、t检验/卡方、p值与效应量、检验力、A/B测试。/ Sampling, CIs, t/chi-square tests, p-values, effect size, power, A/B.
- 目标：构建与解释假设检验；避免常见谬误。/ Build and interpret tests; avoid pitfalls.
- 实验：A/B功效分析与结果解读。/ A/B power analysis and interpretation.
- 作业：实验设计备忘录。/ Experiment design memo.

第8周：SQL与期中 / Week 8: SQL + Midterm
- 主题：SELECT、WHERE、GROUP BY、HAVING、JOIN、子查询；数据摄取与API概览。/ SELECT, WHERE, GROUP BY, HAVING, JOINs, subqueries; ingestion and APIs overview.
- 目标：从关系数据库提取特征数据集。/ Extract feature-ready datasets from RDBMS.
- 实验：SQLite业务查询实战。/ SQLite query lab.
- 评估/Assessment：期中考试（覆盖第1–7周）。/ Midterm exam (Weeks 1–7).

第9周：监督学习I—回归 / Week 9: Supervised Learning I—Regression
- 主题：一元/多元线性回归、假设与诊断、正则化（Ridge/Lasso）入门。/ Linear/multiple regression, assumptions/diagnostics, intro to Ridge/Lasso.
- 目标：拟合与解读回归；处理多重共线性与过拟合。/ Fit/interpret; handle multicollinearity and overfitting.
- 实验：房价或类似数据回归。/ Housing-like regression lab.
- 作业：回归建模与残差分析。/ Regression + residual analysis.
- 项目里程碑：EDA初稿提交。/ EDA draft due.

第10周：监督学习II—分类 / Week 10: Supervised Learning II—Classification
- 主题：逻辑回归、kNN；混淆矩阵、精确率/召回率、ROC-AUC；类别不平衡。/ Logistic regression, kNN; confusion matrix, precision/recall, ROC-AUC; class imbalance.
- 目标：选择恰当评估指标；应对不平衡。/ Choose metrics; address imbalance.
- 实验：欺诈/流失分类任务。/ Fraud/churn classification.
- 作业：分类器比较与报告。/ Classifier comparison report.

第11周：树模型与集成 / Week 11: Trees and Ensembles
- 主题：决策树、随机森林、梯度提升；变量重要性与可解释性概念。/ Decision trees, Random Forest, Gradient Boosting; feature importance and interpretability concepts.
- 目标：训练稳健基线；理解偏差-方差权衡。/ Train robust baselines; bias-variance trade-off.
- 实验：随机森林调参。/ Random Forest tuning.

第12周：模型评估与流水线 / Week 12: Model Evaluation and Pipelines
- 主题：训练/验证/测试分割、交叉验证、数据泄漏、预处理（缩放/编码）、管道、超参搜索。/ Train/val/test splits, CV, leakage, preprocessing (scaling/encoding), pipelines, hyperparameter search.
- 目标：构建端到端可复现ML流水线。/ Build end-to-end reproducible ML pipelines.
- 实验：scikit-learn Pipeline + GridSearchCV。/ Pipelines + GridSearchCV.
- 项目里程碑：建模计划与原型。/ Modeling plan + prototype.

第13周：无监督学习 / Week 13: Unsupervised Learning
- 主题：k-means、层次聚类、轮廓系数；PCA；高维可视化注意事项（t-SNE/UMAP概念）。/ k-means, hierarchical clustering, silhouette; PCA; high-dim viz caveats (t-SNE/UMAP concept).
- 目标：执行聚类并评估可分性；使用PCA降维与解释方差。/ Run clustering; use PCA and explain variance.
- 实验：客户分群或文本TF-IDF聚类（可选）。/ Customer segmentation or TF-IDF clustering (optional).

第14周：时间序列与特征工程 / Week 14: Time Series and Feature Engineering
- 主题：日期时间处理、重采样、滚动窗口、平稳性直觉、简单基线预测；特征工程与编码策略。/ Datetime handling, resampling, rolling windows, stationarity intuition, baseline forecasting; feature engineering and encoding strategies.
- 目标：构建时间序列基线与特征；避免数据泄漏。/ Build TS baselines and features; avoid leakage.
- 实验：销量或传感器数据基线预测。/ Sales/sensor baseline forecast.
- 作业：特征工程备忘录。/ Feature engineering memo.

第15周：沟通、可视化叙事与复现交付 / Week 15: Communication, Storytelling, and Reproducible Delivery
- 主题：受众导向的信息架构；图表选择；不确定性表达；报告与仪表板；环境与数据卡。/ Audience-focused narratives; chart choices; uncertainty communication; reports/dashboards; environment and data cards.
- 目标：完成可复现报告与演示材料。/ Finalize reproducible report and presentation.
- 实验：用Quarto/Jupyter或Streamlit打包成果。/ Package deliverables with Quarto/Jupyter or Streamlit.
- 项目里程碑：项目草稿与同伴演练。/ Draft and peer rehearsal.

第16周：项目展示与课程总结 / Week 16: Final Presentations and Wrap-up
- 评估：项目口头展示、代码审阅、最终报告提交。/ Assessment: Oral presentations, code review, final report submission.
- 总结：课程回顾、扩展学习路径建议。/ Wrap-up and pathways for further study.

6) 课程项目要求 / Capstone Project Requirements
- 交付物/Deliverables：1页提案、伦理清单、EDA报告、建模原型、最终报告（≤10页）与演示（8–10分钟）、可运行代码与环境文件。/ 1-page proposal, ethics checklist, EDA report, modeling prototype, final report (≤10 pages) and 8–10 min presentation, runnable code with environment file.
- 评分维度/Rubric dimensions：问题定义与价值（20%）、数据质量与处理（15%）、方法与严谨性（30%）、结果与不确定性沟通（20%）、复现与代码质量（15%）。/ Problem/value (20%), data quality/wrangling (15%), methods/rigor (30%), communication of results/uncertainty (20%), reproducibility/code (15%).
- 数据来源/Data sources：公开数据集（如UCI、政府开放数据等）或教师批准的自选数据；遵循使用条款与隐私规范。/ Public datasets (e.g., UCI, open government) or approved data; comply with ToS and privacy.

7) 教学与学习策略 / Instructional and Learning Strategies
- 翻转+实作：课前微视频与阅读；课堂聚焦练习与代码演示。/ Flipped micro-lectures + in-class coding.
- 渐进复杂度：从清洗与EDA过渡到建模与评估。/ Progressive complexity from wrangling/EDA to modeling/evaluation.
- 形成性评估：每周短测与即时反馈。/ Frequent formative quizzes and feedback.
- 同伴互评：提高沟通质量与代码可读性。/ Peer review to improve communication and code readability.

8) 学术诚信与可访问性 / Academic Integrity and Accessibility
- 学术规范：独立完成个人作业；允许讨论但需署名引用；禁止抄袭与未经授权的模型/代码共享。/ Individual assignments; discussion allowed with attribution; no plagiarism or unauthorized code/model sharing.
- 可访问性：提供可机读资料、字幕与大纲；为必要的学习便利提供支持。/ Accessible materials (machine-readable, captions); reasonable accommodations available.

9) 建议每周阅读（与主题对应）/ Suggested Weekly Readings (aligned to topics)
- W1–W2: Python for Data Analysis (PfDA) Ch. 1–4.
- W3: PfDA Ch. 5–8（数据整理与重塑）。/ Wrangling and reshape.
- W4: seaborn/matplotlib 官方指南；数据可视化最佳实践文章。/ Official guides; viz best practices.
- W5: 负责任AI与数据伦理入门文献；Git与可复现研究实践。/ Responsible AI/data ethics; reproducible research practices.
- W6–W7: Practical Statistics for Data Scientists（概率/推断章节）。/ Probability and inference chapters.
- W8: SQL官方教程或SQL入门教材。/ SQL tutorials.
- W9–W12: ISL with Python（回归/分类/模型评估章节）；Hands-On ML（模型评估与管道）。/ ISLP regression/classification/evaluation; Hands-On ML pipelines.
- W13–W14: ISLP/Hands-On ML（无监督与降维；时间序列基础参考资料）。/ Unsupervised and dimensionality reduction; TS basics references.
- W15: 数据叙事与技术写作指南；Streamlit/Quarto文档。/ Data storytelling and technical writing; Streamlit/Quarto docs.

10) 评估基准与通过标准 / Performance Benchmarks
- 通过标准：总评≥60%且项目≥60%；期中考试≥50%。/ Pass if overall ≥60% and project ≥60%; midterm ≥50%.
- 代码质量：通过自动化测试/样例数据运行；随机种子固定；读我文档与依赖文件完整。/ Code runs on sample tests; random seeds fixed; README and dependency files complete.

备注 / Notes
- 所列教材与工具为业界主流与稳定版本，适合入门课程；若版本更新不影响核心API与概念，课程材料将同步微调。/ Listed texts and tools are mainstream and stable for introductory courses; minor updates will be accommodated without changing core APIs and concepts.
- 本大纲为基础框架，授课进度可根据学习诊断与班级背景进行微调。/ This outline is a baseline; pacing may be adjusted based on diagnostics and cohort background.

主题新人训练营：客户成功能力模型（基础）课程大纲

一、课程定位与目标
- 课程定位：面向新入职客户成功人员的基础训练营，建立统一的客户成功能力模型与作业标准，支持快速上岗与可衡量的绩效达成。
- 总体目标（完成后学员应能）：
  1) 解释客户成功在组织中的角色、边界与关键业务指标（NRR、GRR、TTV、采用率、健康度、NPS/CSAT）。
  2) 运用标准方法构建客户成功计划并推进Onboarding与采用，驱动客户价值实现。
  3) 基于数据读懂客户健康度与风险信号，制定并执行干预行动。
  4) 设计并主持关键客户会议（Kickoff、QBR/EBR），进行利益相关者管理与期望对齐。
  5) 与销售、支持、产品等跨团队协作，支持续约与扩展机会识别。
  6) 规范使用CRM/CSM工具与Playbook，完成记录与节奏管理，满足合规要求。

二、适用对象与前置要求
- 适用对象：新入职CSM/客户成功顾问/实施后客户经理（0–12个月经验）。
- 前置要求：完成产品基础培训；具备基本Office与在线会议工具使用能力；持有CRM/CSM平台访问权限。
- 班型建议：20人以内/班；1名主讲+1名实操教练（工具与演练）。

三、客户成功能力模型（基础层级）
- 能力域与行为要点（L1–L2入门熟练）：
  1) 客户洞察与旅程管理：分层与画像、旅程阶段（Onboarding/Adoption/Expansion/Renewal）、成功定义与用例清单、沟通节奏表。
  2) 价值实现与采用推进：成功计划编制、里程碑与TTV管理、变更管理要点、采用指标追踪与阻碍清除。
  3) 关系与沟通：利益相关者地图、期望管理、结构化会议（议程/纪要/行动）、异议与冲突处理。
  4) 商业敏锐度：续约驱动因素、扩展信号与合格线索、风险对收益评估、基础财务与合同常识。
  5) 数据素养与运营：健康评分构成（领先/滞后指标）、仪表盘阅读、根因分析与行动闭环。
  6) 工具与流程：CRM更新规范、CSM剧本执行、协同SLA（与Sales/Support/PS/Finance）、工单与知识库使用。
  7) 合规与职业素养：隐私与信息安全、沟通与记录规范、时间与优先级管理。

四、课程结构与时长（建议：5天集中+2周在岗实践）
- 总学时：约20小时集中训练 + 2周带任务上岗辅导（每周1次教练会，45–60分钟）。

五、模块化大纲

模块1 概览与能力模型
- 时长：半天
- 学习目标：描述客户成功价值与与销售/支持差异；理解能力模型与学习路径；识别本岗位关键KPI/OKR。
- 关键内容：
  - 客户成功的使命、范围与影响指标（NRR、GRR、TTV、采用率、健康度、NPS/CSAT）。
  - 客户旅程与组织接口图（售前移交、实施、上线、价值扩展、续约）。
  - 能力模型分域与行为标准（L1–L2）。
- 实操与产出：个人岗位KPI映射表；能力自评（前测）。
- 评估：10题知识测验；自评与教练复核。

模块2 旅程分层与成功计划
- 时长：半天
- 学习目标：为不同分层客户制定成功计划并设定里程碑与TTV；制定沟通节奏与角色分工。
- 关键内容：
  - 客户分层规则（收入/潜力/复杂度/行业）。
  - 成功定义、用例优先级、里程碑与验收标准。
  - 沟通节奏（业务/技术/高层），移交检查清单。
- 实操与产出：完成一份样例客户的成功计划（模板版）；节奏表。
- 评估：计划质量清单打分（目标清晰、量化指标、风险假设、时间线）。

模块3 Onboarding与采用推进
- 时长：半天
- 学习目标：按照标准流程执行Kickoff与Onboarding；应用变更管理促进采用；识别与解决采用阻力。
- 关键内容：
  - Onboarding剧本、关键会议（Kickoff/周会/验收会）流程与材料。
  - 变更管理要点（赞助人、试点、培训与赋能、成功故事）。
  - 采用衡量（活跃度、功能渗透率、关键用例完成率）。
- 实操与产出：Kickoff会议角色演练；采用障碍分析与应对清单。
- 评估：情景演练评分（会议结构、期望对齐、行动闭环）。

模块4 数据与健康度运营
- 时长：半天
- 学习目标：解读健康评分，进行根因分析并输出干预计划；设计简易仪表盘读数到行动的闭环。
- 关键内容：
  - 健康度构成：领先指标（使用频率、功能覆盖、参与度）、滞后指标（工单、情绪、商业）。
  - 风险信号分类与优先级（红/黄/绿阈值与SLA）。
  - 分析到行动的流程（信号—假设—验证—干预—复盘）。
- 实操与产出：两例健康下滑案例分析与行动计划。
- 评估：案例书面报告（问题定义、证据、对策、预期影响）。

模块5 关系管理与高质量会议（QBR/EBR）
- 时长：半天
- 学习目标：完成利益相关者地图；设计并主持QBR；进行异议与升级管理。
- 关键内容：
  - 角色与动机识别（经济买家/技术倡导者/最终用户）。
  - QBR结构：目标回顾、价值证据、差距与计划、风险与需求、下一步。
  - 异议处理与升级路径。
- 实操与产出：QBR材料包（PPT+数据页+行动日志）；模拟演示与反馈。
- 评估：演示评分（洞察力、价值叙事、共创计划、时间控制）。

模块6 续约与扩展协同
- 时长：半天
- 学习目标：识别扩展信号并提交合格线索；支持续约预测与风险缓释；与Sales/Finance对齐节奏。
- 关键内容：
  - 续约驱动因素与节奏表；预测准确性与健康度关联。
  - 扩展触发（使用峰值、用例新增、ROI证明、部门复制）。
  - 协同SLA与信息交接（机会、风险、条款）。
- 实操与产出：机会/风险一页纸；续约倒排计划。
- 评估：情景题与口头陈述（判断是否扩展、如何降险）。

模块7 工具与流程实操
- 时长：半天
- 学习目标：在CRM/CSM系统中执行关键操作；按规范完成记录与剧本运行。
- 关键内容：
  - 客户档案与健康度仪表盘；任务与提醒；剧本触发。
  - 会议纪要与行动追踪；协同工单创建与流转。
  - 数据质量标准（必填字段、时间要求、命名规范）。
- 实操与产出：系统操作清单任务（新客入舱、计划上传、风险记录、会议纪要）。
- 评估：系统操作检查与数据质量抽检。

模块8 综合演练与结业
- 时长：半天
- 学习目标：在端到端案例中应用能力模型；制定个人30/60/90行动计划。
- 关键内容：综合案例（从移交到QBR与续约预案）；同伴评审。
- 实操与产出：综合方案包（成功计划、健康度行动、QBR材料、续约计划）。
- 评估：综合评分（见下方认证标准）。

六、评估与认证标准
- 知识测评：模块测验平均≥85%为合格。
- 技能演示：三项核心演示（Kickoff、QBR、健康度干预）均分≥3/5，且无关键失误项（未设行动闭环、未对齐成功指标）。
- 系统操作：抽检4项关键记录准确率≥95%。
- 综合项目：评审团评分≥80%（维度：价值对齐、数据证据、计划可执行、沟通清晰）。
- 结业：满足以上4项标准并提交个人30/60/90计划。

七、学习资源与绩效支持
- 模板与清单：客户分层规则、成功计划模板、Kickoff与QBR议程、健康评分要素、风险干预SOP、沟通节奏表、续约倒排计划、会议纪要模板。
- 工具环境：CRM（如Salesforce或等效）、CSM平台（如Gainsight/Totango/同类）、BI仪表盘、工单系统。
- 参考资料：行业基准指标说明、用例库、常见异议与回应库、变更管理微课（15分钟）。

八、实施与交付建议
- 交付模式：混合式（现场/直播+自学微课+实验室+角色演练+在岗辅导）。
- 时间安排：每日4小时集中训练，下午1小时自学与准备；2周在岗实践每周一次教练会。
- 数据采集：前/后测、演练评分、系统数据质量、学员满意度、教练观察记录。

九、迁移与在岗成效度量（30/60/90天）
- 30天：完成首批客户Kickoff≥90%；成功计划覆盖率≥95%；健康下滑响应≤24小时。
- 60天：QBR执行率≥80%（应到期客户）；采用率目标达成≥70%客户；数据记录合规≥95%。
- 90天：个人组合NRR预警准确性提升（相对基准+10个百分点）；TTV中位数缩短（基线-15%）。

十、差异化路径与可选模块
- SMB路径：缩短Onboarding周期管理、自动化触发与规模化覆盖。
- 企业路径：多业务线价值地图、复杂治理与高层沟通、联合成功指标设定。
- 可选专题：行业垂直用例、技术深潜（API/集成）、高级谈判与商业条款识读。

十一、风控与合规注意事项
- 数据与隐私：客户数据存储与共享遵循公司与当地法规；会议录音需获明示授权。
- 承诺管理：避免未经授权的商业或产品承诺；重大风险及时升级。
- 记录留痕：关键客户互动需在24小时内完成系统留痕与行动分派。

以上大纲提供能力模型、学习目标、模块设计、评估标准与在岗迁移路径的一致性框架，支持新人工具化、数据化、可评估的客户成功上岗训练。

数据分析入门/进阶/旗舰班（直播+录播）基础课程大纲

1. 项目总览
- 培训目标：建立从业务问题定义到数据获取、清洗、分析、可视化与沟通的全流程能力；分层次培养工具与方法并行的实践能力，支持在职转型与岗位能力提升。
- 班型结构：
  - 入门班：面向零基础或经验有限学员，掌握数据素养、基础工具与分析流程。
  - 进阶班：面向有基础的学员，强化SQL、Python、统计推断、实验与产品分析。
  - 旗舰班：面向核心数据岗位或跨部门数据骨干，完成端到端数据产品与决策支持。
- 面向人群：
  - 入门：运营、产品、市场、职场新人或需数据能力补强者。
  - 进阶：数据分析师、产品/运营分析岗、BI 开发、对 Python/SQL/统计有初级基础者。
  - 旗舰：高级分析师、分析团队负责人、对数据建模、实验体系、数据产品有实战诉求者。
- 先修要求：
  - 入门：基础办公软件操作；高中数学基础。
  - 进阶：SQL 基础（SELECT/JOIN/聚合）、Excel 或 Python 基础、描述性统计概念。
  - 旗舰：熟练 SQL；具备 Python 数据分析或 BI 经历；理解实验与预测的基本框架。

2. 教学与评估设计（直播+录播）
- 录播（自学）：短视频（5–15 分钟/节），覆盖概念、工具操作、示例演示；每模块配置练习与自测。
- 直播（应用）：每周2次（各90分钟），用于案例推演、代码走查、作业讲评、项目诊疗、答疑。
- 实验与项目：每模块至少1个实操任务；阶段性项目与最终项目结合真实业务场景。
- 评估方式：在线测验（概念/术语/原理），工具实践（SQL/Python/BI），项目报告（方法与结论），口头汇报与同伴评审。
- 毕业要求：完成规定比例作业与项目，达成考核阈值（见各班型“评估与结业标准”）。

3. 技术栈与环境
- 基础工具：
  - 表格与可视化：Excel 或 Google Sheets；Power BI Desktop（Windows）或 Tableau Public（Win/Mac）。
  - 数据库与 SQL：PostgreSQL（推荐）或 MySQL；图形化客户端（如 DBeaver）。
  - Python（进阶/旗舰）：Python 3.10+，JupyterLab，pandas、numpy、matplotlib、seaborn、scipy、statsmodels、plotly。
  - 版本与协作：Git/GitHub 或 GitLab；Notion/Confluence 用于口径与文档。
- 数据集：使用开放许可数据集（Kaggle、UCI、data.gov、国家统计局开放数据等）与经匿名化的模拟业务数据。遵守数据许可与隐私合规要求。
- 可重复性：固定环境文件（requirements.txt/conda env），数据口径文档与SQL风格指南，脚本化分析与结果再现。

4. 课程路径与时间安排（总览）
- 入门班：6周，36–42 学时（录播约18–20h；直播约16–18h）
- 进阶班：8周，56–64 学时（录播约26–30h；直播约24–28h）
- 旗舰班：10–12周，80–96 学时（录播约36–40h；直播约36–40h）

A. 入门班（6周）
1) 学习目标
- 能将业务问题转化为可分析的问题与指标。
- 熟练使用表格工具进行清洗、汇总、可视化。
- 掌握基础 SQL 查询与数据联接。
- 完成一个含数据清洗、EDA与仪表盘的端到端小项目。

2) 模块与内容
- M0 学习启动与环境配置（2h）
  - 学习路径、评估方式、数据伦理与隐私（PIPL 基本原则）。
  - 工具安装（Excel/Sheets；Power BI/Tableau；PostgreSQL+DBeaver）。
- M1 业务问题与指标设计（4h）
  - 业务目标拆解、KPI 树、指标口径与维度设计、漏斗与看板要素。
- M2 数据获取与清洗（表格/SQL）（8h）
  - 表格：文本清洗、拆分合并、查找替换、数据透视表、Power Query 基础。
  - SQL：SELECT、WHERE、GROUP BY、JOIN、常见数据类型与日期处理。
- M3 探索性数据分析与可视化（8h）
  - 分布、分组比较、相关性；图表选择与规范；异常值与缺失值处理策略。
  - 工具：Excel/Power BI/Tableau 基础图表与交互。
- M4 描述性与基础推断（6h）
  - 均值/中位数/方差、标准误；抽样与偏差；单样本/双样本 t 检验、卡方检验（概念与应用）。
- M5 仪表盘入门与讲述（6h）
  - 数据模型与度量（Power BI DAX 简介或 Tableau 计算字段基础），筛选器、联动、发布与分享；撰写可复用的数据字典。

3) 项目与评估
- 阶段项目 P1：构建“核心业务指标仪表盘”
  - 交付物：清洗脚本/表格、EDA 报告（含图表与结论）、仪表盘成品、指标口径文档。
  - 评估维度：数据质量（30%）、分析正确性（30%）、可视化与可用性（25%）、表达与文档（15%）。
- 结业标准：通过3次在线测验（≥70%），完成4次模块作业与P1（总分≥75%），参与至少80%直播或观看回放并提交笔记。

B. 进阶班（8周）
1) 学习目标
- 独立完成 SQL 高阶分析、Python 数据处理与可视化。
- 应用统计推断进行 A/B 测试与回归分析。
- 建立产品与增长分析体系（漏斗、队列、留存、LTV）。
- 产出面向业务的分析报告与可落地建议。

2) 模块与内容
- N0 SQL 进阶（8h）
  - CTE、窗口函数（排名、移动计算）、复杂聚合、分桶与条件聚合、性能与可维护性。
- N1 Python 数据分析（10h）
  - pandas 数据清洗与合并、宽长表变换、缺失与异常处理；可视化（seaborn/plotly）；导出结果至 BI。
- N2 高级可视化与信息设计（6h）
  - 维度下钻、参数控制、故事线构建、图形准确性与感知原则。
- N3 实验设计与 A/B 测试（10h）
  - 指标与北极星目标、随机化与分层、样本量与功效、上线监控、常见陷阱（样本污染、提前停止）、非正态与非参数检验。
- N4 回归与分类入门（8h）
  - 线性/逻辑回归、特征工程与编码、共线性、模型评估（R²、AUC、混淆矩阵）、业务可解释性。
- N5 时间序列基础（6h）
  - 趋势与季节性、平滑与分解、滚动预测与误差度量（MAE/MAPE/RMSE）、节假日效应处理。
- N6 产品与增长分析（8h）
  - 漏斗转化、队列/留存/回访、RFM 与分群、LTV 估算、指标健康度与告警。
- N7 数据治理与可重复性（4h）
  - 口径管理、数据字典、血缘与变更；Git 工作流、分析记录与可追溯。

3) 项目与评估
- 项目 P2：设计并评估一次 A/B 测试
  - 内容：实验方案、样本量计算、上线监控面板、效果评估与建议。
- 项目 P3：预测与洞察报告
  - 内容：构建回归或时间序列小模型，给出预测区间与业务影响评估，配套可视化。
- 评估维度：方法严谨性（40%）、实现与代码质量（25%）、业务解释与建议（25%）、沟通与可视化（10%）。
- 结业标准：4次实验/作业合格、P2+P3 总分≥75%、期末口头答辩通过。

C. 旗舰班（10–12周）
1) 学习目标
- 设计与实现端到端数据分析产品：数据建模、实验体系、预测与监控闭环。
- 构建可扩展的分析流程与团队规范，提升跨团队影响力。
- 在真实业务场景中交付可落地的分析与决策方案。

2) 模块与内容
- F0 分析方法论与优先级（6h）
  - 假设驱动、因果图、RICE/ICE 排序、北极星与指标树校准、敏捷分析节奏与复盘。
- F1 模型化与数据管道（10h）
  - 星型/雪花模型、分层建模（staging/mart）、数据质量测试；dbt 或等价工具理念与实践（若无法使用，则以SQL+文档规范替代）。
- F2 高级实验与因果推断入门（10h）
  - 分层与分桶、差异中之差（DID）应用场景与前提、回归不连续性概念、异质性与稳健性检验、外推与偏差控制。
- F3 营销与归因分析（8h）
  - 多触点归因概念、规则法与数据驱动方法对比、MMM 基础与局限、数据需求与落地路径。
- F4 时间序列与异常监控（8h）
  - 模型选择（ARIMA/Prophet 概念）、节奏化预测、控制图与告警阈值、离线/在线监控面板。
- F5 文本与日志分析（8h）
  - 埋点设计与事件模型、会话化与漏斗重建；文本基础（分词、TF‑IDF、主题概念）与满意度/反馈分析。
- F6 数据产品与BI工程化（8h）
  - 权限与行级安全、性能优化、版本化发布、SLA 与观测性（监控、日志、测试）、数据应用（Power BI/Tableau/Streamlit 原型）。
- F7 沟通与影响力（6h）
  - 结构化写作（SCQA）、路演结构、反对意见处理、决策备忘录与高管摘要。
- F8 云与协作（可选）（6h）
  - 云数仓（BigQuery/Snowflake 或 PostgreSQL on cloud）连接与成本意识；简单 CI/CD（GitHub Actions 触发数据测试）。
- F9 综合 Capstone（贯穿）
  - 从数据建模、实验/预测设计到可视化产品与汇报，基于多源数据解决实际业务问题。

3) 项目与评估
- Capstone 项目：端到端分析与落地
  - 交付物：数据模型与口径文档、分析与实验/预测脚本、监控看板、决策备忘录与路演。
  - 评估维度：业务价值（30%）、技术深度与工程化（30%）、方法严谨（25%）、沟通与影响（15%）。
- 结业标准：阶段里程碑评审通过（设计评审/中期/终期），代码审查与数据测试通过，综合分≥75%。

5. 学习支持与资源
- 学习平台：LMS 承载视频、测验、作业；代码仓库模板与数据字典模板；SQL 与可视化风格指南。
- 教学助理与答疑：每周固定办公时段；项目诊疗与定向辅导；学习群即时答疑。
- 数据与案例：通用业务场景（电商、SaaS、广告投放、内容平台）与实体行业（零售、出行、金融风险的合规示例）。

6. 质量与合规
- 数据合规：仅使用开放许可或脱敏数据；遵循个人信息保护法（PIPL）与最小必要原则；不收集敏感个人信息。
- 学术诚信：明确引用与复现规范；代码与报告查重；严禁抄袭与数据造假。
- 可访问性：为录播提供字幕与讲义；提供跨平台工具选项（Windows/Mac）。

7. 进阶路径与衔接
- 入门→进阶：入学测评与桥接包（SQL 基础、统计回顾、Python 预习）。
- 进阶→旗舰：预评估（SQL 窗口函数与Python实操），不足项提供针对性补课资源。
- 认证与对接：结业证书（含技能画像与项目摘要），可选职业辅导与作品集指导。

8. 典型周节奏（示例）
- 周初：录播学习与小测（1–2h/日）
- 周中：实验/作业（2–3h）
- 周四晚：直播案例实操与答疑（90min）
- 周末：直播作业讲评与项目诊疗（90min）
- 每周提交：学习笔记与短反思（促进迁移）

本大纲以“业务问题驱动 + 方法论 + 工具落地 + 工程化规范”为核心设计，确保学习成果可直接迁移至真实工作场景。