设计作业任务

七年级物理单元作业：光的直线传播与成像（分层+实验+家校话术）

一、学习目标（对齐课堂知识）
- 理解并能用实例说明：光在均匀介质中沿直线传播。
- 会画基本光路图（带箭头），能用光路图解释影子、小孔成像。
- 掌握小孔成像的特点：倒立实像；像的大小与孔到屏距离、物距成比例（相似三角形关系）。
- 掌握平面镜成像的特点：像为虚像、等大，像距等于物距，像与物关于镜面成轴对称（左右对调）。
- 能用相似三角形解决影子与成像的简单计算问题。

二、作业结构与提交清单
- 书面分层作业：A基础（必做）+B提升（必做）+C挑战（选做）。
- 家庭实验：实验1必做（小孔成像），实验2或实验3选做其一。
- 提交材料（按顺序装订或合并为PDF）：
  1) 作业答题纸与光路图；
  2) 实验记录（原始数据、计算、结论）；
  3) 装置与现象照片各2张以上；
  4) 个人反思3—5行（遇到的困难与改进）。
- 命名规范与截止：班级+姓名+光单元作业，截止至本周日20:00。

三、分层作业题目
A 基础（20分，必做）
1. 判断（对/错，并简述理由）
  - 光在真空中沿直线传播。（ ）
  - 有光就一定能看见物体。（ ）
  - 点光源形成的影子边界清晰无半影。（ ）
2. 选择
  - 下列装置最利于观察清晰影子的是：A. 近距离大面积光源 B. 远距离小孔光源 C. 彩色灯带
  - 小孔成像中，要使像变大，应：A. 孔到屏距离增大 B. 物体离小孔更近 C. 同时A或B均可
3. 填空
  - 光在______介质中沿直线传播。
  - 平面镜成像的像是______像，像距______物距（填“等于/大于/小于”）。
4. 作图
  - 画出点光源、遮挡物与屏幕的光路，标出本影（全影）和半影位置并用箭头表示光线方向。
  - 画出小孔成像的基本光路，并标注物高H、像高h、物距L、像距l。

B 提升（40分，必做）
1. 影子计算
  - 一盏近似点光源距不透明小棒20 cm，小棒后方30 cm处有屏幕。已知小棒高5 cm。求屏上影子的高度。提示：作相似三角形，给出计算过程。
2. 小孔成像比例
  - 用高6 cm的箭头卡片作物体，距小孔40 cm，屏距小孔10 cm。求像高；若将屏移至15 cm，再求像高，并比较两次结果。
3. 平面镜应用
  - 人站在离平面镜1.2 m处看到自己的像。此时像距为多少？若再后退0.3 m，像距变化多少？请用简图说明。
4. 解释现象
  - 为什么日食会同时出现本影与半影区域？用“太阳是扩展光源”的观点和简要光路说明。

C 挑战（40分，选做，任意做1—2题）
1. 尺寸估算
  - 利用小孔投影法估算教室吊灯直径：在屏上测得像直径2.0 cm，小孔到屏为40 cm，小孔到吊灯约200 cm。估算吊灯直径，并说明误差来源与改进方法。
2. 高度测量（户外，注意安全）
  - 正午时测量旗杆与同地点直尺（或你身高）的影长，利用相似三角形估算旗杆高度。写出数据、计算与结论。
3. 反思与设计
  - 设计一种能让像更亮且较清晰的简易“针孔相机”改良方案（材料、尺寸、原因），并说明亮度与清晰度的权衡。

四、家庭实验任务
实验1（必做）：小孔成像验证与测量
- 目的：验证小孔成像倒立实像，探究像高与距离的比例关系。
- 器材：纸盒或硬纸杯、铝箔/黑胶带、缝衣针（制孔）、白纸作屏、尺子、手机手电筒+箭头卡片（自制，6 cm高）。
- 步骤：
  1) 制作小孔：用针在铝箔上扎一个尽量小的圆孔（直径约0.5—1 mm），遮盖纸盒一端；另一端开口贴白纸作屏。
  2) 暗化环境；将箭头卡片放在小孔外侧，手机手电照亮卡片（避免直接照向小孔）。
  3) 缓慢调节屏到小孔的距离，直到屏上出现清晰的倒立像；拍照记录现象。
  4) 记录三组以上数据：物高H（6 cm）、物距L（卡片到小孔距离）、像高h、像距l（屏到小孔距离）。
  5) 计算每组 h/H 与 l/L，比对是否接近；用一句话写出结论。
- 数据记录模板（逐行填写）：
  - 组1：L=     cm，l=     cm，H=6.0 cm，h=     cm，h/H=     ，l/L=     
  - 组2：……
  - 组3：……
- 注意：
  - 孔过大像会模糊；孔太小像会很暗。一般0.5—1 mm较合适。
  - 保持小孔、物体、屏幕中心大致在同一直线上。
  - 不得用激光笔直射眼睛；避免强光直视。

实验2（选做）：影子与半影
- 目的：观察点光源与扩展光源形成的本影与半影，探究影子大小与屏距关系。
- 器材：手机手电（扩展光源）、铝箔+针（做近似点光源罩）、硬币或小圆片、白纸屏、尺子。
- 步骤：
  1) 点光源情形：给手机手电加铝箔罩，仅留针孔，距离不透明圆片约10 cm；在圆片后方10、15、20 cm处放屏，记录影子直径S。
  2) 扩展光源情形：去掉铝箔罩，重复测量；观察半影区域并拍照标注。
  3) 比较两种情形下影子边界与大小的差异，用1—2句话解释原因。
- 记录：
  - 点光源：屏距d=10/15/20 cm，影子直径S=    /    /    cm
  - 扩展光源：屏距d=10/15/20 cm，影子直径（本影）与半影宽度分别为……
- 结论：点光源影子边界清晰；扩展光源产生半影；S随d近似成正比（同向变化）。

实验3（选做）：平面镜成像等距验证（无明火）
- 目的：验证平面镜成像等大且像距等于物距。
- 器材：竖直平面镜、方格纸、两支相同小笔或棋子、直尺、胶带。
- 步骤：
  1) 将平面镜沿方格纸一条直线固定，镜面下沿与纸上直线重合。
  2) 在镜前沿垂线摆放“物体”A（如棋子），记录物距u（物到镜面的水平距离）。
  3) 在镜后方找到另一相同物体B，使其位置与A的像重合（从镜前观察），调至清晰重合后记录该距离v。
  4) 改变u多次重复，记录u与v，比较二者关系与像的大小。
- 记录：三组以上u、v数据；观察“像大小与物体大小比较”的描述。
- 结论：v≈u；像与物等大且为虚像（位于镜后）。

五、评分与评价建议（教师用，可向学生公示）
- A基础20分：概念与作图准确性（每小题按步骤给分，光线箭头、标注齐全）。
- B提升40分：计算过程规范、图示清晰、单位正确、结论合理。
- C挑战40分：方法设计（15）+数据与论证（15）+反思（10）。
- 实验（共40分，计入单元总评）：装置与安全（8）+数据完整（12）+图示/照片（8）+分析推理（10）+规范与反思（2）。
- 加分项：自制装置改进并有对比数据（+3）。

六、常见错误与纠正提示
- 光路图无箭头或线条弯曲：务必用直线并标方向。
- 把平面镜像当作“可以接在屏上的实像”：应表述为“虚像”，无法在屏上接收。
- 小孔过大导致模糊：重新打更小的孔；或加大物距/减小屏距提升清晰度。
- 数据无单位或单位混用：统一用cm。
- 影子实验中光源太近太大：用针孔罩将扩展光源近似为点光源。

七、家校沟通话术（班级群可直接使用）
1) 预告（前一晚）
- 各位家长好！明晚孩子将完成“光的直线传播与成像”单元作业：含必做小孔成像实验和书面题。请准备纸盒/铝箔/针/白纸/手机手电等简单材料。全程无需明火，注意避免强光直视眼睛。请您协助提供安静、安全的操作环境并拍照记录装置与现象，谢谢配合！
2) 进行中（当天19:00）
- 温馨提示：请提醒孩子按步骤搭建小孔装置，至少记录3组数据并比较h/H与l/L的关系。家长可在旁监督安全与时间，不代替孩子思考与记录。
3) 反馈（截止后）
- 感谢各位家长支持！本次作业重点看重“光路图规范、数据真实、结论基于证据”。如发现照片缺失或数据无单位，老师会请孩子补交与修订。后续我们将在课堂上交流优秀方案与常见问题。

八、完成质量检查清单（学生自评用）
- 我是否用直尺画了光线并标了箭头？
- 我是否拍了清晰的装置与成像照片各2张以上？
- 我是否记录了3组以上实验数据并写出结论？
- 我是否在计算题中写了单位与关键步骤（相似三角形）？
- 我是否写了3—5行反思？

九、答案要点（用于自检，课堂讲评将详解）
- A部分：光在真空与空气等均匀介质中沿直线传播（对）；有光还需有入射到眼睛的光才能看见（不一定）；点光源影子边界清晰（对）。平面镜像为虚像，像距等于物距。作图按标准光路。
- B部分核心关系：
  - 影子与距离的相似关系：S/物高 = 屏距/光源到物的距离（点光源近似）。
  - 小孔成像比例：h/H ≈ l/L。
  - 平面镜：像距=物距，等大，轴对称。
- C与实验结论：扩展光源产生半影；小孔越远像越大但更暗；误差来源包括孔径、对准、测量读数等。

安全再次提醒
- 不要使用激光笔对眼睛、镜面或反光面照射。
- 不要使用明火；手机手电足够。
- 操作时保持桌面整洁，避免尖针扎伤，使用后妥善收纳。

数据科学：回归建模项目作业说明（含评估标准与时间表）
Data Science: Regression Modeling Project Assignment (with Rubric and Timeline)

一、学习目标
Learning Objectives
- 明确回归问题定义，选择并论证合适的评估指标（如RMSE/MAE/R²）。
  Define a regression problem and justify appropriate evaluation metrics (e.g., RMSE/MAE/R²).
- 完成数据清洗、特征工程、模型训练、调参与验证的端到端流程。
  Execute an end-to-end pipeline: cleaning, feature engineering, model training, tuning, and validation.
- 检查线性回归假设与模型诊断，并进行误差分析与公平性审视。
  Conduct linear-model assumptions checks, diagnostics, error analysis, and basic fairness checks.
- 进行可解释性分析（系数、特征重要性、SHAP/部分依赖）并写出清晰报告。
  Provide interpretation (coefficients, feature importance, SHAP/PDP) and write a clear report.
- 确保可复现性与合规性（随机种子、环境依赖、数据许可证与隐私）。
  Ensure reproducibility and compliance (random seeds, environment, licenses, privacy).

二、项目概述
Project Overview
- 选择一个连续型目标变量的真实世界数据集，围绕业务/科研场景提出预测问题并构建回归模型。
  Choose a real-world dataset with a continuous target; frame a predictive question aligned to a domain need and build a regression model.
- 产出包括：代码与可复现实验、可解释的结果、对误差与风险的反思，以及面向非技术受众的结论。
  Deliver code with reproducible experiments, interpretable results, reflection on errors/risks, and conclusions for non-technical stakeholders.

三、数据集选项与要求
Dataset Options and Requirements
- 选项A：使用教师提供的数据集清单（课堂平台发布）。
  Option A: Use instructor-provided datasets (posted on course platform).
- 选项B：自选数据集，需满足：
  Option B: Self-sourced dataset must meet:
  - 目标变量为连续型；样本量1000–100000；特征数5–50。
    Continuous target; 1,000–100,000 rows; 5–50 features.
  - 具备公开许可证或已获授权；不得含有可识别个人信息或需脱敏处理。
    Licensed for academic use; no PII unless properly anonymized.
  - 无数据泄漏（例如不得使用事后数据、目标编码需在CV内执行）。
    No data leakage (e.g., no post-outcome features; target encoding within CV).
  - 时间序列须使用时间分块或滚动验证。
    Time series must use temporal splits/rolling validation.
- 提交数据说明文档（Data Sheet）：来源、字段含义、时间范围、许可证、潜在偏差。
  Submit a Data Sheet: source, schema, time span, license, and known biases.

四、任务步骤与交付物
Tasks and Deliverables
1) 问题定义与指标
   Problem Definition and Metrics
- 明确场景、受众、业务价值与约束（时延、可解释性、成本函数）。
  Specify context, stakeholders, value, and constraints (latency, interpretability, cost).
- 选择主指标（推荐RMSE或MAE，二者至少一个）与辅指标（R²; 若适合可加MAPE），说明理由。
  Choose a primary metric (RMSE or MAE at minimum) and secondary (R²; MAPE if appropriate); justify.

2) 数据理解与清洗
   Data Understanding and Cleaning
- 数据字典、缺失值概况、异常值策略（winsorize/变换/稳健损失）。
  Data dictionary, missingness summary, outlier strategy (winsorization/transform/robust loss).
- 划分训练/验证/测试集；建议70/15/15，或时间序列分割；固定random_state。
  Split train/validation/test; suggest 70/15/15 or temporal splits; fix random_state.
- 构建可复用预处理流水线（ColumnTransformer + Pipeline）。
  Build reusable preprocessing pipelines (ColumnTransformer + Pipeline).

3) 探索性分析（EDA）
   Exploratory Data Analysis
- 目标分布、特征分布、相关性热力图、多重共线性预警。
  Target distribution, feature distributions, correlation heatmap, multicollinearity flags.
- 初步洞察与假设，提出潜在特征工程思路。
  Insights and hypotheses to inform feature engineering.

4) 特征工程与编码
   Feature Engineering and Encoding
- 数值标准化/变换，类别One-Hot或目标编码（在CV内避免泄漏），日期派生、交互项、分箱。
  Numeric scaling/transform, categorical OHE or target encoding (within CV), date features, interactions, binning.
- 记录每一步对目标指标的边际贡献（消融实验）。
  Record marginal gains via ablation studies.

5) 基线与候选模型
   Baselines and Candidate Models
- 基线：均值/中位数预测、简单线性回归。
  Baselines: mean/median predictor, simple linear regression.
- 候选：Ridge、Lasso、Elastic Net、树模型（RandomForest、Gradient Boosting、XGBoost/LightGBM），可选KNN/SVR。
  Candidates: Ridge, Lasso, Elastic Net, tree-based (RandomForest, Gradient Boosting, XGBoost/LightGBM), optional KNN/SVR.

6) 训练、调参与验证
   Training, Tuning, and Validation
- 使用K折交叉验证（建议K=5）；时间序列用TimeSeriesSplit。
  Use K-fold CV (K=5 suggested); TimeSeriesSplit for temporal data.
- 超参搜索（Randomized/Grid/Bayesian）；报告搜索空间与计算预算。
  Hyperparameter search (Randomized/Grid/Bayesian); report search space and budget.
- 仅在最终一次评估中使用测试集；在开发阶段绝不窥视测试集。
  Use test set only once for final evaluation; no peeking during development.

7) 假设检验与诊断（线性模型必做）
   Assumptions and Diagnostics (required for linear models)
- 残差可视化（残差-拟合图、Q-Q图）、异方差检验（如Breusch–Pagan）、多重共线性（VIF）、影响点（Cook距离）。
  Residual plots (residuals vs fitted, Q-Q), heteroskedasticity test (e.g., Breusch–Pagan), multicollinearity (VIF), influential points (Cook’s distance).

8) 解释、误差与公平性
   Interpretation, Error, and Fairness
- 系数解释（标准化后）、树模型特征重要性、SHAP或PDP。
  Coefficient interpretation (after standardization), tree importances, SHAP or PDP.
- 分层误差分析（按数值区间/类别/时间），定位系统性偏差。
  Stratified error analysis (by bins/categories/time) to detect systematic bias.
- 若存在与人群相关的特征，比较子群体误差（如MAE/RMSE差异）；记录局限。
  If human-related features exist, compare subgroup errors (MAE/RMSE gaps); note limitations.

9) 鲁棒性与复现
   Robustness and Reproducibility
- 不同随机种子、多次重采样的稳定性；轻微噪声/缺失扰动敏感性。
  Stability across seeds/resamples; sensitivity to small noise/missingness.
- 固定随机种子；提交requirements.txt或environment.yml；保存训练好的模型（joblib/pkl）。
  Fix random seeds; submit requirements.txt or environment.yml; save trained model (joblib/pkl).

10) 轻量部署与使用说明
    Lightweight Deployment and Usage
- 提供predict函数与命令行/脚本示例；加载模型并对新数据推断。
  Provide a predict function and CLI/script example; load model and infer on new data.

交付物 Deliverables
- 技术报告PDF（8–12页，含图表与参考文献）。
  Technical report PDF (8–12 pages with figures and references).
- 演示幻灯片（最多10页，面向非技术受众）。
  Slide deck (max 10 slides for non-technical audience).
- 可执行Notebook（.ipynb）与脚本（.py），包含README与环境文件。
  Executable notebook (.ipynb) and scripts (.py) with README and environment file.
- 数据说明文档（Data Sheet）与数据字典。
  Data Sheet and data dictionary.
- 最终测试集预测文件（CSV，含id与prediction列）。
  Final test predictions CSV (id and prediction columns).
- 模型文件与推理示例（.pkl/.joblib + usage instructions）。
  Model artifact and inference example (.pkl/.joblib + usage instructions).

五、评估标准（总分100分）
Assessment Rubric (Total 100 points)
- 问题定义与指标 10分：场景清晰、指标选择有依据与可业务解释。
  Problem Framing & Metrics 10: Clear context; justified, business-aligned metrics.
- 数据理解与EDA 15分：数据质量审查充分，洞察有价值，图表规范。
  Data Understanding & EDA 15: Thorough quality checks, valuable insights, clear visuals.
- 预处理与特征工程 15分：流水线规范、编码与缺失处理正确、消融有证据。
  Preprocessing & Features 15: Proper pipelines, correct encoding/imputation, evidenced ablations.
- 建模与调参 20分：基线合理、候选多样、调参策略与搜索空间恰当。
  Modeling & Tuning 20: Strong baselines, diverse candidates, sound search strategy.
- 验证与诊断 15分：严格CV/时间分割，线性诊断到位，误差分析扎实。
  Validation & Diagnostics 15: Rigorous CV/temporal splits, solid linear diagnostics, error analysis.
- 解释与沟通 10分：解释可信不过度，图文清晰，结论可执行。
  Interpretation & Communication 10: Credible explanations, clear writing, actionable conclusions.
- 复现与代码质量 10分：环境可复现、结构清晰、注释/文档完备、无泄漏。
  Reproducibility & Code Quality 10: Reproducible env, clean structure, documentation, no leakage.
- 伦理与公平性 3分：许可证合规、隐私意识、子群体误差对比或声明。
  Ethics & Fairness 3: License/privacy compliance, subgroup error check or caveats.
- 专业呈现 2分：版面整洁、时间控制、问答准确。
  Professional Presentation 2: Polished deliverables, timing, accurate Q&A.
- 加分项最多+5分：创新（例如贝叶斯回归/不确定性估计）、严谨消融、自动化实验脚本/Makefile。
  Bonus up to +5: Innovation (e.g., Bayesian regression/uncertainty), rigorous ablations, automation.

评分提示 Scoring Notes
- 优秀：方法选择贴合问题、证据链完整、结果稳健、可落地。
  Excellent: Methods fit problem, evidence chain complete, robust, deployable.
- 合格：流程完整，细节偶有不足但结论可靠。
  Satisfactory: Pipeline complete; minor gaps but reliable conclusion.
- 需改进：存在泄漏/验证不当/报告不清。
  Needs improvement: Leakage, improper validation, unclear reporting.

六、时间表与里程碑（以星期计，具体日期由任课老师发布）
Timeline and Milestones (by week; exact dates to be announced)
- 第1周 Week 1
  - 提交1页项目提案与数据许可证证明；定义指标与成功标准；初步风险清单。
    Submit 1-page proposal with data license proof; define metrics; initial risk list.
- 第2周 Week 2
  - 提交EDA与数据清洗草稿；完成基线模型；锁定数据分割方案。
    Submit EDA/cleaning draft; complete baselines; finalize split strategy.
- 第3周 Week 3
  - 提交特征工程与候选模型方案；开始CV与调参；上传中期代码与README。
    Submit feature plan and candidate models; start CV/tuning; push interim code + README.
- 第4周 Week 4
  - 完成调参与诊断；误差与公平性分析；教师发布隐藏测试集或最终评估要求。
    Complete tuning and diagnostics; error/fairness analysis; instructor releases holdout or final eval.
- 第5周 Week 5
  - 提交最终包：报告、幻灯片、代码、环境、模型与预测CSV；课堂演示与问答。
    Final submission: report, slides, code, environment, model, predictions CSV; in-class presentation.

迟交政策与门槛
Late Policy and Thresholds
- 迟交每24小时扣总分的10%，最多3天；超过3天不计分（除非预先获批）。
  10% off per 24 hours late, up to 3 days; after 3 days, no credit unless pre-approved.
- 及格线60分；重评申请须在成绩发布后7天内。
  Passing threshold 60; regrade requests within 7 days of grade release.

七、技术与工具要求
Technical and Tooling Requirements
- 语言/环境：Python 3.9+；推荐库：numpy、pandas、scikit-learn、statsmodels、matplotlib/seaborn、shap；树模型可选xgboost/lightgbm；可使用PyTorch/TF仅限回归。
  Language/Env: Python 3.9+; libraries: numpy, pandas, scikit-learn, statsmodels, matplotlib/seaborn, shap; optional xgboost/lightgbm; PyTorch/TF allowed for regression only.
- 代码规范：使用Git版本控制；结构清晰（src/data, src/features, src/models等）；注释与docstring；black/flake8优先。
  Code: Use Git; clear structure (src/data, src/features, src/models); comments/docstrings; prefer black/flake8.
- 复现：固定随机种子；提供requirements.txt或environment.yml；README含一键运行命令。
  Reproducibility: Fix seeds; provide requirements.txt or environment.yml; README with one-command run.
- 数据处理：用Pipeline防止数据泄漏；标准化只在训练集拟合；目标编码在CV内执行。
  Data handling: Use Pipelines to prevent leakage; fit scalers on train only; target encoding within CV.
- 评估：报告CV均值±标准差；最终仅报告一次测试集结果；可选置信区间（bootstrap）。
  Evaluation: Report CV mean ± std; report test set once; optional CIs via bootstrap.
- 线性模型：检查VIF、BP检验、残差图；必要时对数/Box-Cox变换；解释使用标准化系数。
  Linear models: Check VIF, BP test, residual plots; log/Box-Cox if needed; interpret standardized coefficients.
- 部署示例：保存model.joblib；提供cli_predict.py示例（输入CSV输出预测）。
  Deployment: Save model.joblib; provide cli_predict.py (CSV in, predictions out).
- 测试：为关键预处理/推理函数写最少1–2个单元测试。
  Tests: Provide 1–2 unit tests for key preprocessing/inference functions.

八、学术诚信与AI使用
Academic Integrity and Use of AI
- 个人或2–3人小组完成；须在报告中声明每位成员贡献。
  Individual or teams of 2–3; declare contributions in the report.
- 允许参考开源代码与生成式AI，但需：
  Open-source and generative AI allowed with:
  - 明确标注使用的资源/提示词/生成内容位置。
    Clear disclosure of resources/prompts/generated content.
  - 对生成内容进行技术核查与实证验证；你需为结果负责。
    Technical verification and empirical validation; you are responsible for outputs.
  - 禁止直接提交他人项目或泄露测试集答案。
    No submitting others’ work or leaking test labels.

九、报告结构建议
Suggested Report Structure
- 摘要与结论概览（非技术读者可读）。
  Abstract and executive summary.
- 问题定义与数据来源（含许可证与伦理）。
  Problem and data source (license and ethics).
- 方法：预处理、特征工程、模型与调参方案。
  Methods: preprocessing, features, models, tuning.
- 结果：CV与测试集指标、对比基线、诊断与误差分析。
  Results: CV/test metrics, baseline comparisons, diagnostics, error analysis.
- 解释与业务启示、局限与未来工作。
  Interpretation and implications; limitations and future work.
- 复现与部署说明（运行命令、环境、模型文件）。
  Reproducibility and deployment notes (commands, env, artifacts).

十、提交清单
Submission Checklist
- PDF报告、10页以内幻灯片。
  PDF report; slide deck ≤10.
- 代码与Notebook；README；requirements.txt或environment.yml。
  Code and notebook; README; requirements.txt or environment.yml.
- 数据说明与数据字典；训练好的模型文件；预测CSV。
  Data Sheet and dictionary; trained model file; predictions CSV.
- 贡献声明与引用/致谢；AI使用说明（如适用）。
  Contribution statement and citations/acknowledgments; AI usage note if applicable.

提示与常见错误
Tips and Common Pitfalls
- 避免数据泄漏（日期派生、目标编码、标准化顺序）。
  Avoid leakage (date derivations, target encoding, scaling order).
- 用简单强基线对照复杂模型，防止过拟合。
  Compare against strong baselines to curb overfitting.
- 指标与业务成本对齐；解释不要过度外推因果。
  Align metrics with business costs; do not overclaim causality.
- 图表要自解释（标题、轴标签、单位、注释）。
  Make plots self-explanatory (titles, axes, units, notes).

如需澄清数据选择或时间表，请尽早与教师沟通。
Contact the instructor early for dataset or timeline clarifications.

电商运营培训作业：广告投放ROI优化项目（岗位情境任务 + 复盘清单）

一、学习目标
- 理解并区分ROAS与净ROI的计算口径，建立统一指标框架。
- 完成一次从诊断—优化方案—实验验证—复盘的投放优化闭环。
- 掌握预算分配、出价与定向优化、创意与落地页A/B测试的基本方法。
- 形成可复用的账户结构与监测方案，沉淀复盘模板。

二、岗位情境（模拟业务场景）
- 角色：广告投放专员
- 业务：自营电商店铺，主推季节性爆品（核心SKU 3个，长尾SKU若干）
- 渠道：搜索广告 + 信息流/展示广告
- 目标周期：14天
- 约束：日总预算不超过既定上限；保持投放稳定，单日预算波动不超过±20%
- 业务目标：
  1) 将整体净ROI提升≥20%，或在不降低净ROI的前提下将GMV提升≥15%
  2) 核心SKU的CPA不高于目标阈值，广告带来的订单占比≥60%

三、指标口径与公式（在作业开始前务必声明你采用的口径）
- 投产比（ROAS）= 广告引导销售额 / 广告花费
- 净ROI =（广告引导毛利润 − 广告花费）/ 广告花费
- 毛利润（建议口径）= 销售额 × 毛利率 − 履约成本（如运配、打包，可选）− 促销成本（券/满减摊销）
- CTR = 点击量 / 展示量
- CPC = 广告花费 / 点击量
- CVR = 订单量 / 点击量
- CPA = 广告花费 / 订单量
- AOV（客单价）= 销售额 / 订单量
- 建议统一口径：
  - 归因：点击归因，7日窗口（如平台限制不同，请在报告中明确）
  - 销售额：下单成交额（含/不含税按你的数据而定，务必说明）
  - 促销成本：券/满减/赠品按订单摊销（若无法获取，注明假设）

四、提供或自建数据（字段建议）
- 粒度：日 × 活动 × 广告组 × 计划（或关键词/人群包/创意）× SKU/类目
- 字段：date, channel, campaign, adgroup, targeting(关键词/人群), creative_id, impressions, clicks, cost, orders, sales, add_to_cart, gross_margin_rate, coupon_cost, shipping_cost(optional), sku, device, region, landing_page
- 若无真实数据，请构造不少于14天、至少10个广告组的数据集；保证高低效计划并存，便于优化验证。

五、作业任务与交付物
任务1：基线诊断（输出基线报告）
- 清洗与对齐口径；给出近14天核心指标（ROAS、净ROI、CPA、CTR、CVR、AOV）的整体与分层表现（按渠道/人群/关键词/SKU/地域）。
- 找出Top10消耗单元与Top10高ROI单元，识别低效消耗（高CPC低CVR、高CVR但AOV偏低、毛利率不足等）。
- 交付物：基线诊断PPT或文档（含图表与问题清单），指标口径说明页。

任务2：提出优化假设与优先级（输出优化路线图）
- 至少提出6条可验证的优化假设，覆盖：
  1) 账户结构与定向（例如分层：品牌词/品类词/竞品词；新客/老客；高客单/低客单）
  2) 创意与素材（卖点、标题、主图、视频前3秒钩子）
  3) 落地页（加载速度、首屏信息架构、信任要素、优惠可见性）
  4) 出价与预算（出价上限、预算重分配、时段/地域调控）
- 为每条假设定义成功指标（如净ROI↑、CPA↓、CVR↑），设定优先级矩阵（影响×可行性）。
- 交付物：优化假设清单 + 优先级矩阵。

任务3：预算与出价重分配方案（输出可执行表）
- 以“保效、提效、探索”三桶法分配预算：
  - 保效：ROI高于阈值或CPA低于目标的单元，保量或小幅加预算（+10%~20%/天）
  - 提效：中等表现单元，结合调价与人群/关键词收缩做提效
  - 探索：10%~20%预算用于新定向/新创意/新品词包
- 给出具体到“广告组/人群包/关键词”的新预算与出价，并阐明依据（如预估CVR、毛利率、AOV）。
- 交付物：预算与出价重分配表（含前后对比与预期影响）。

任务4：A/B测试设计与执行计划（输出实验方案）
- 至少设计2个实验：
  1) 创意实验：明确变量（如主图/标题/视频封面），控制其他因素一致；成功指标与停留规则（如每组≥30单或≥500点击；为经验性下限，建议配合统计检验）
  2) 落地页实验：优化首屏承诺、价格与优惠可见性、社会证明元素；定义衡量指标（CVR、跳出率、页面停留）
- 给出样本量与周期估计、分流方式（50/50），统计方法（可用两比例检验或平台内置显著性工具），异常处理（节假日、断投）。
- 交付物：A/B测试方案表（变量、对照、指标、显著性与停留规则、风险控制）。

任务5：监测与归因方案（输出监测闭环）
- 明确转化事件与关键节点（曝光-点击-到达-加购-下单-支付）。
- 列出需要的UTM参数/追踪ID、转化API/像素状态与校验方法（对账：平台转化 vs 站内订单）。
- 指定复核频次与阈值（如数据漂移超过±10%触发排查）。
- 交付物：监测配置清单 + 周期性对账表模板。

任务6：两周执行模拟与结果报告（可用历史数据回放或沙盘）
- 根据你的方案，提交“执行日志”（按天记录预算、出价、投放变更与原因）。
- 输出效果对比（前后14天）：净ROI、ROAS、GMV、CPA、CVR、AOV、毛利额；分层对比与显著性评估。
- 交付物：结果报告（含结论、贡献拆解、经验沉淀、下一步计划）。

六、评分标准（总分100）
- 指标口径与数据规范（15分）：口径清晰、一致，数据清洗得当
- 诊断深度（20分）：问题定位准确，分层分析充分，抓住主要矛盾
- 方案可执行性（20分）：预算与出价重分配合理，约束明确，风险控制到位
- 实验设计（15分）：变量单一、指标明确、停留与显著性规则合理
- 结果分析与商业解释（20分）：量化对比、贡献归因、可复用策略输出
- 文档与表达（10分）：结构清晰、图表规范、结论直指目标

七、时间与里程碑（建议）
- 第1-2天：数据对齐与基线诊断
- 第3天：优化假设与路线图
- 第4天：预算与出价方案
- 第5-12天：执行与A/B测试（中期复盘1次）
- 第13-14天：结果汇总与复盘报告

八、工具与模板建议
- 数据处理：Excel/Google Sheets、任一BI工具
- 统计与实验：内置A/B平台或开源计算（两比例检验），显著性阈值常用95%
- 可用模板（自行创建表格）：
  - 指标口径声明页
  - 基线诊断仪表盘（按渠道/人群/关键词/SKU分层）
  - 预算与出价重分配表（含前后指标与预期）
  - A/B测试方案表与执行日志
  - 监测与对账清单
  - 复盘报告大纲

九、操作提示与常见错误规避
- 明确净ROI与ROAS差异，避免用GMV代替毛利润；必要时估算毛利率并注明假设。
- 将促销成本计入毛利润或分摊到订单，避免“高ROAS低净ROI”的错判。
- 控制变量做实验，单次只改一个关键因素；保持分流均衡。
- 预算调整日波动不超过±20%，避免平台学习期反复。
- 关注转化链路整体：点击贵（CPC高）与转化差（CVR低）需要不同策略。
- 高客单高毛利SKU优先获取预算；低毛利SKU慎重扩量。
- 及时排除无效流量：否定关键词、收紧人群、设置频控。
- 注意季节/节假日/库存变化对数据的扰动，必要时做同环比解释。

十、复盘清单（提交报告时逐项打勾并简述）
目标与口径
- 是否在文档开头明确了业务目标（净ROI/ROAS/CPA）与指标口径？
- 是否说明归因窗口、转化定义、销售额与毛利的计算方式？

数据与诊断
- 数据是否对齐、缺失与异常是否处理并记录？
- Top消耗与Top产出单元是否识别清楚？关键矛盾是否聚焦？

策略与执行
- 预算三桶法是否落地到具体单元？调整幅度是否合规？
- 出价、定向、创意、落地页是否各有至少1项可验证动作？
- 是否设置了异常触发条件与回滚预案？

实验与监测
- A/B测试变量是否单一？样本量与停留规则是否事先定义？
- 追踪参数与转化API/像素是否验证；是否有对账机制？

结果与归因
- 是否提供前后对比与显著性判断？是否解释波动来源？
- 净ROI提升的贡献拆解是否到位（价格、流量、转化、结构、毛利）？

沉淀与复用
- 是否形成可复用的账户结构、关键词/人群库、创意要素库、落地页模块？
- 是否输出下一阶段的扩量或二次优化计划？

十一、可选进阶（加分项）
- 产出简单的ROI预测模型（输入：CPC、CVR、AOV、毛利率、券成本；输出：预期净ROI），并用于预算分配敏感性分析。
- 构建“效率曲线”或边际回报分析，用于判断继续加预算的拐点。
- 新客/老客分层与LTV估算，提出“净ROI + LTV”的双目标策略。

提交要求
- 统一打包提交：数据集（或模拟数据生成说明）、PPT/文档（含所有交付物）、关键表格源文件。
- 文档开头附“指标口径声明”与“风险与假设说明”。
- 所有图表须有标题、口径、时间范围与单位标注。