06 情境评估、成本收益与项目计划：1.2 到 1.4 逐格填

1.2 的五格清单

CRISP-DM 把「评估情境」定义为五项产出物。逐格填，每格 3–6 行：

格	官方名	你要写什么
①	Inventory of resources	资源盘点：数据（哪些表、多少行列、时间跨度）、软件（三条产线各自的版本与访问方式）、算力（笔记本规格、EC2 实例类型）、人（就你一个，这也要写）、专家（课程 tutor、领域文献）。
②	Requirements, assumptions and constraints	要求、假设、约束三样分开写。要求＝交付时间与格式；假设＝你相信但没验证的事；约束＝硬边界（数据许可、预算、机房时段）。
③	Risks and contingencies	风险 + 应对，成对出现。「AWS 环境不通 → 第 8 周提前搭好并存 README；若仍不通，改用本地 Spark 单机模式并说明差异」。
④	Terminology	术语表：业务词汇 ↔ 数据列名双向对照。这一格最容易漏，也最容易给人好印象。
⑤	Costs and benefits	成本收益：做这件事花多少、省多少。可以是估算，但必须有单位和算式。

② 那三样必须分开写

「假设」是这一格的灵魂，因为它是你唯一可以合法地把数据的毛病提前免责的地方。举例：

1.2.2 Requirements, assumptions and constraints

要求
· 四次迭代分别在第 2／5／8／11 周提交，研究论文第 13 周提交。
· 模型必须可执行（Step 7.2），提交物含可重跑的流程文件／Notebook。

假设（未经验证，但本研究据此进行）
A1 各地区的上报口径在 2015–2023 年间保持一致。若 2019 年后
   统计定义发生变化，趋势项会被污染（在 8.4 中检验：分年度
   残差是否存在系统性偏移）。
A2 疫苗覆盖率的缺失（999 哨兵值）为「未测量」而非「覆盖率为零」，
   依据是该值超出取值域 [0,100]。
A3 女性识字率的缺失并非完全随机（低识字率地区更易缺失），
   因此采用分组填补而非整行删除（见 3.2）。
A4 目标阈值 25‰ 在整个观测期内固定，不随年份调整。

约束
· 数据许可：CC BY 4.0，可用于学术研究，需标注来源。
· SPSS Modeler 仅可通过校园机房／远程桌面访问。
· AWS 使用课程提供的额度，实例需在不用时关闭。

看 A1 和 A3：它们各自都指向了后面某一步的具体动作（8.4 的残差检验、3.2 的分组填补）。这是「证据链」在 Step 1 里的样子——假设不是免责声明，是待办事项。

④ 术语表：一格换一个专业印象

这一格的作用是把业务语言和数据列名对齐。写起来五分钟，效果立竿见影，因为它同时解决了三个后续麻烦：Step 8 解释时不用反复说「也就是那个 u5mr 列」；论文里读者知道你在说什么；四条产线的字段命名保持一致。

业务术语	数据列	定义与单位
5 岁以下儿童死亡率（U5MR）	`u5mr`	每 1 000 活产中 5 岁前死亡的人数（‰）。SDG 指标 3.2.1。
未达标	`risk = 'high'`	`u5mr > 25`。阈值来自 SDG 3.2 的目标值。
医生密度	`doctors`	每 1 000 人口的执业医师数（人／千人）。
疫苗覆盖率	`vaccine`	适龄儿童完成基础免疫的百分比（%）。值 999 表示未测量。
上报死亡率	`rate_reported`	卫生局上报表中的死亡率（整数）。与目标变量为同一事实的不同记录，不可用作特征（见 3.1）。

最后一行是重点。把泄漏列在术语表里就点名并写明「不可用作特征」，等于在 Step 1 就把第 13 章那个 98.6% 的坑填了，而且这句话会让评分员知道你懂行。

⑤ 成本收益：用一个算式，不用一段感慨

这一格不需要真实财务数据，需要的是一个有单位的算式和标注清楚的假设。模板：

1.2.5 Costs and benefits

成本
· 分析成本：约 80 人时（含四条工具线的实现与文档），按研究
  助理 NZ$35/h 估算 ≈ NZ$2 800。
· 计算成本：EC2 t3.large 约 US$0.10/h × 20 h ≈ US$2（课程额度覆盖）。
· 部署成本：年度批量运行一次，无需常驻服务；维护估 8 人时/年。

收益（估算，依赖假设 B1–B2）
B1 假设每年可投放的额外资源覆盖 15 个地区。
B2 假设现行「按人口平摊」的命中率约等于基础率（42%），
   即 15 个名额中约 6 个投到确实未达标的地区。
· 模型按风险排序后，前 20% 名单的命中率为 100%、提升度 2.36
  倍（见 8.2 增益表）。同样 15 个名额，预计命中 12–14 个，
  即多覆盖 6–8 个未达标地区。
· 若一次有效干预可使该地区 U5MR 下降 2‰、年活产 1 000 例，
  则每多覆盖一个地区约对应每年 2 例可避免的儿童死亡。
  6 个地区 ≈ 12 例/年。

结论：分析成本为一次性数千纽币量级，收益为每年十余例可避免
死亡的量级。即使收益估算有数倍误差，量级差距依然成立。

那个 2.36 倍提升度和42% 基础率不是我拍的，是第 19 章的增益表在本书示例数据上真算出来的数（前 20% 的名单命中率 100%，累计覆盖 45.9% 的未达标地区）。意思是：等你做到 Step 8，回来把这两个数字换成你自己的，1.2.5 就自动变成一段有数据支撑的论证。

◆ 收益估算的诚实姿势：给量级，不给小数点

学生报告里最常见的两个极端：要么完全不写收益（丢分），要么写「本模型每年可为政府节省 340 万纽币」这种精确到万位的数（不可信）。

正确姿势是：把每个假设编号列出来，用区间或量级表达结论，并明确说「即使误差数倍，结论仍成立」。这是决策支持文献的标准写法，也是 Decision Support Systems 这类期刊里成本收益分析的常见形态——而课程大纲正好把那份期刊列为范文来源。

1.4 项目计划：把第 4 章那张表放进来

第 4 章已经给了完整的甘特 + 风险 + 关键路径 + 缓冲模板，这里只补三件在 1.4 里额外要点明的事：

每个阶段要标产出物，不能只标动作。「数据准备」不是产出物，「清洗日志 + 清洗前后描述统计对照表」是。
要标出工具与技术的初步评估。CRISP-DM 的 1.4 明确包含「initial assessment of tools and techniques」：一句「基于 1.3 的二分类目标，初步选定决策树与逻辑回归两类算法；决策树用于可解释性，逻辑回归用于系数方向的业务解读；将在 Step 6 用同一测试设计比较」——这句话同时给 1.4 和 Step 5 铺路。
要写迭代计划。你已经知道要迭代四遍，把它当成计划的一部分明说：「本项目按课程要求在四套技术栈上实现同一流程，Step 1–2、5 在四次迭代间保持一致，Step 3–4、6–8 按各栈特性重新实现，并在第四次迭代中加入跨栈结果对比。」

✎ 提案的篇幅感：Step 1–2 大约六到八页

提案只要 Step 1–2。按上面这些模板填完，篇幅大致是：1.1 半页、1.2 两页（五格）、1.3 半页、1.4 一页、2.1 半页、2.2 一页半（含数据字典表）、2.3 一页半（含 3–4 张图）、2.4 一页（质量清单）。合计 8 页上下，其中至少一半是表格和图。

如果你的提案里图表少于 5 个，多半是把该列表的东西写成了段落。这门课的报告不奖励散文。

▣ 本章交付物 —— 报告里放什么

1. Step 1.2 的五个小节，逐格填：资源盘点表、要求／假设（编号 A1…）／约束、风险应对表（成对）、术语表、成本收益（编号假设 B1…＋算式＋量级结论）。

2. Step 1.4：甘特表（第 4 章模板）＋工具与技术初步评估一段＋迭代计划一段。

3. 把假设编号留在报告里。后面每一步凡是依赖某个假设，就写「据 A3」。这是让整份报告读起来像研究而不像作业的最省力的技巧。

这一章的一句话

1.2 有一份 CRISP-DM 给的五格清单：资源、要求与假设与约束、风险与应对、术语表、成本收益——填满就没有扣分点；其中「假设」要编号并各自指向后面某一步的具体动作，「术语表」顺手把泄漏列点名，「成本收益」给量级不给小数点。

下一章开始 Step 2：数据。第一件事不是画图，是把这份数据的身份证信息写清楚——它从哪来、什么许可、一行是什么、共有几行几列。