决策科学交互式教学 Notebooks —— 19 个端到端行业实战场景¶

一句话总结¶

19 个 Jupyter Notebooks 覆盖了金融风控、营销分析、运营优化、战略决策和风险评估五大领域——每一个 Notebook 都是独立可运行的端到端案例，从模拟数据生成到模型评估到业务建议的完整闭环。

设计哲学¶

这 19 个 Notebooks 与 /workspace/code-examples/ 下的生产级代码形成 教学↔生产 的双层结构：

教学层 (Notebooks)     生产层 (code-examples)
─────────────────────   ─────────────────────
模拟数据 + 简化模型     真实数据 + 完整 Pipeline
教学友好，逐行解释      模块化架构，可部署
概念验证                工程实践
─────────────────────   ─────────────────────
       ↕ 交叉引用：Notebooks 指向 code-examples 获取更深实现

逐域 Notebook 映射¶

域 1: 金融风控 (4 个 Notebooks)¶

Notebook	核心方法	对应生产实践笔记
`01-credit-scorecard`	WoE + IV + Logistic 回归评分卡	→ 「信用风险与客户流失建模实战」
`02-churn-prediction`	Kaplan-Meier + Cox PH 生存分析	→ 「因果推断与贝叶斯建模工具链」(lifelines)
`03-fraud-detection`	SMOTE 过采样 + LightGBM	→ 「信用风险与客户流失建模实战」
`04-portfolio-optimization`	Monte Carlo + Markowitz 有效前沿	→ 「量化金融与投资组合工具链」

重点 Notebook 分析：

01-credit-scorecard — 信用评分卡标准流程¶

业务场景：消费金融公司日均 5000+ 贷款申请，人工审批 2-3 天，坏账率 8.5%
建模过程：数据探索 → WoE 分箱 → IV 筛选 (>0.02) → 逻辑回归 → 评分刻度转换 (PDO=20)
业务目标：坏账率 < 6%，审批时效 < 5 分钟
核心收获：评分卡的 WoE 编码使类别变量可被线性模型使用，IV 筛选避免了"垃圾桶建模"（把所有变量丢进模型）

02-churn-prediction — 生存分析入门¶

关键输出：按合同类型（月付/年付/两年）分组的 Kaplan-Meier 生存曲线 + Cox PH 风险比
核心假设检查：比例风险假设——年付客户的流失风险是月付客户的 0.45 倍（且这个风险比在时间上恒定）

域 2: 营销分析 (4 个 Notebooks)¶

Notebook	核心方法	对应生产实践笔记
`05-clv-modeling`	BG/NBD + Gamma-Gamma	→ 「营销科学与客户分析工具链」
`06-mmm`	线性回归 MMM + ROI	→ 「营销科学与客户分析工具链」
`07-pricing-negotiation`	对数回归 + 价格弹性	→ 「营销科学与客户分析工具链」
`08-customer-segmentation`	RFM + K-Means + PCA	→ 同上

重点 Notebook 分析：

06-mmm — 营销组合建模入门¶

简化版 MMM：Sales = β₀ + β₁×TV + β₂×Digital + β₃×Social + ε
输出：每个渠道的 ROI（TV: 340%, Digital: 520%, Social: 280%）、收入贡献占比
局限提示：这个简化版没有 Adstock 和饱和效应——实际的 MMM 需要非线性变换（如 LightweightMMM 的 Hill 函数饱和曲线）。详见「营销科学与客户分析工具链」
→ 概念笔记「关联不等于因果」：线性回归 MMM 估计的是关联，不是因果——"增加 Social 预算 10%，回归说收入增加 3.3%" ≠ "增加 Social 预算导致收入增加 3.3%"

07-pricing-negotiation — 定价科学¶

价格弹性：ε = %ΔQ / %ΔP = -1.8（价格每上涨 1%，需求下降 1.8%——弹性需求）
最优价格：P* = MC × ε/(1+ε) = 成本 × 加价因子
→ 概念笔记「博弈论基础」：定价不是单方优化——竞争对手的反应会改变你的需求曲线。单方优化的最优价格在竞争环境中是次优的（Bertrand 竞争会压到边际成本）

域 3: 运营优化 (4 个 Notebooks)¶

Notebook	核心方法	对应生产实践笔记
`09-dynamic-pricing`	库存约束 + 动态定价	→ 「运筹优化求解器生态」
`10-production-planning`	线性规划 (linprog)	→ 「运筹优化求解器生态」
`11-demand-forecasting`	Holt-Winters + 安全库存	→ 「运筹优化求解器生态」
`12-vehicle-routing`	最近邻 + 2-opt 局部搜索	→ 「运筹优化求解器生态」

重点 Notebook 分析：

09-dynamic-pricing — 收益管理¶

机制：库存 100 件，时间 100 期。需求 = max(0, 基础需求 - β×价格)，动态调价以在库存耗尽前最大化总收入
结果：动态定价总收入比固定 $50 定价高 15-25%
→ 概念笔记「自适应实验与多臂老虎机」：动态定价是多臂老虎机的一个变种——每个价格是一个"臂"，但需求随库存和时间变化（非平稳 Bandit）。真实在线零售商使用 Thompson Sampling 而非解析最优解，因为需求函数未知且随时间变化

12-vehicle-routing — 启发式优化¶

最近邻启发式：从 depot 出发，每次去最近未访问的城市。贪心——不能保证全局最优但 O(n²) 可计算
2-opt 改进：遍历所有边对 {A-B, C-D}，如果重新连接 {A-C, B-D} 后总距离缩短，执行这个 swap。重复直到无法改进
局限：2-opt 只能找到局部最优（无法跳出"深谷"）。对于大规模 VRP，需要 OR-Tools 的 CP-SAT 求解器（全局最优）或 DEAP 的遗传算法（近似最优）

域 4: 战略决策 (3 个 Notebooks)¶

Notebook	核心方法	对应笔记
`13-mcda`	TOPSIS + AHP	→ 概念笔记「决策理论三张面孔」
`14-product-growth`	病毒增长模型	→ 概念笔记「网络科学——从个体交互到集体涌现」
`15-saas-revenue-governance`	MRR 仪表板 + Rule of 40	→ 概念笔记「度量选择是元决策」

重点 Notebook 分析：

13-mcda — 多准则决策¶

TOPSIS：计算每个供应商到"理想解"（所有指标最好）和"负理想解"（所有指标最差）的加权距离，选择相对最接近理想解的供应商
AHP：成对比较矩阵（"成本比质量重要 3 倍"）→ 特征向量法求权重 → 一致性检验（CR < 0.1）
→ 概念笔记「决策理论三张面孔」：MCDA 是规定决策理论在"多目标且目标之间存在权衡"时的操作化——你无法同时最小化成本和最大化质量，MCDA 帮你显式化这个权衡

14-product-growth — 病毒增长引擎¶

模型：新用户_t = 有机增长_t + 病毒系数 × 活跃用户_{t-1}
病毒系数敏感性：0.05（几乎无病毒增长）→ 0.15（中等增长）→ 0.25（爆发式增长）
临界点：病毒系数 > (1 - 留存率) 时，产品自动增长（不需要有机获客）。这就是 R₀ > 1 在产品增长中的等价条件
→ 概念笔记「网络科学——从个体交互到集体涌现」：病毒增长 = 网络上的 SIR 传播模型——每个"感染"用户以概率 p 感染邻居，网络拓扑决定传播速度和最终渗透率

15-saas-revenue-governance — SaaS 的健康仪表板¶

核心指标：MRR（月经常性收入）、ARPU（每用户平均收入）、Churn Rate、LTV/CAC 比率、Rule of 40
Rule of 40：增长率% + 利润率% > 40 → "健康"。增长 30% + 利润 15% = 45 → 健康；增长 10% + 利润 25% = 35 → 警告
MRR 瀑布图：上月 MRR + 新客户 MRR + 扩展 MRR - 流失 MRR - 降级 MRR = 本月 MRR。可视化收入变化的来源
→ 概念笔记「度量选择是元决策」：Rule of 40 是一个度量——它强制平衡增长和利润。如果你只看增长率（不看利润），你会不惜一切代价追求增长（2021年SaaS泡沫）；如果你只看利润（不看增长），你会被增长更快的竞争对手吞掉

域 5: 风险评估 (3 个 Notebooks)¶

Notebook	核心方法	对应笔记
`16-bayesian-risk`	Beta-Binomial 更新 + 决策边界	→ 「决策科学与安全风险工具」
`17-voi`	决策树 + EVPI + 研究价值	→ 「决策科学与安全风险工具」
`19-security-roi`	Monte Carlo ROI + 组合优化	→ 「决策科学与安全风险工具」

重点 Notebook 分析：

16-bayesian-risk — 贝叶斯风险评估的精确教学¶

设定：先验 Beta(2,10)——你初始认为风险概率约 16%（2 次成功 / 12 次试验的信息量），观测到 3/100 事件后 → 后验 Beta(5,107)——均值 4.5%，95% 可信区间 [1.8%, 8.5%]
决策边界：如果行动成本 < P(失败) × 失败损失 → 采取行动。P(失败) 来自后验分布的尾部概率
核心收获：先验信息量（α+β=12）决定了数据需要多少才能压倒先验——如果先验是 Beta(20,100)（很强先验），3/100 的数据几乎不会改变它
→ 概念笔记「贝叶斯与频率学派分歧」：频率学派只能告诉你 p-value（"如果真实风险是 10%，观测到 ≤3/100 的概率"），贝叶斯直接告诉你 P(风险 > 10% | 数据) = 后验尾部面积——这是决策者需要的答案

17-voi — 信息价值的完整计算¶

决策树：决策节点 → 机会节点（θ 的不确定性）→ 终端节点（payoff）
EVPI (完美信息价值)：E[完美信息下的收益] - E[当前决策的收益] = $750K
研究测试价值：灵敏度 80%、特异度 70%、成本 $50K → 净价值 $180K（值得做）
敏感性分析：研究成本高于 $230K 时，净价值变负——不做研究更好
→ 概念笔记「决策理论三张面孔」：VoI 计算是规范决策理论的"皇冠"——它不仅告诉你最优行动是什么，还告诉你在采取行动前获取更多信息是否值得

19-security-roi — 安全投资组合选择¶

Monte Carlo 模拟：对每种安全控制的成本和收益分布做随机采样 → 生成 ROI 分布（而不仅仅是点估计）
关键输出：P(ROI > 100%)——安全控制有多大的概率产生正回报？如果最可能 ROI 是 150% 但 40% 概率 ROI < 0%，这个控制风险太大
组合优化：在 $150K 预算约束下，枚举所有 5 种控制的 2⁵=32 种组合，找到最大期望 ROI 组合
→ 概念笔记「概率分布选择不是数学偏好」：安全控制的收益分布假设（正态 vs 对数正态）决定了 ROI 尾部——如果真实收益分布是偏态的（少量控制措施产生了不成比例的保护），正态假设低估尾部，对数正态更准确

核心洞察¶

1. "模拟数据"是教学的工具，不是偷懒¶

19 个 Notebooks 全部使用 np.random 生成模拟数据——这不是因为找不到真实数据，而是因为： - 因果已知：在模拟数据中，你知道"真实"的价格弹性、违约概率、病毒系数——你可以验证方法是否恢复了你设定的参数 - 可复现：任何人运行同一个 Notebook 得到相同的结果（np.random.seed(42)） - 教学清晰：模拟数据没有真实数据的"脏"（缺失值、异常值、标签噪音），让方法本身成为焦点

2. Notebooks → code-examples 的爬升路径¶

Notebook 入门                  code-example 进阶
─────────────────────         ─────────────────────
06-mmm: 线性回归 MMM          LightweightMMM: 贝叶斯分层 MMM
10-production-planning:       OR-Tools: CP-SAT 全局最优
linprog 小规模 LP             大规模离散优化
12-vehicle-routing:           OR-Tools VRP solver:
最近邻 + 2-opt                10,000+ 节点的精确解
04-portfolio: Monte Carlo     skfolio: sklearn API +
Markowitz                     Copula 分布建模
05-clv: lifetimes 库          PyMC-Marketing: BG/NBD
BG/NBD                        + Gamma-Gamma + CSA

3. 每个 Notebook 都是一个"决策的故事"¶

这不是 100 个互不相关的代码片段——每个 Notebook 有一个清晰的叙事弧： 1. 业务场景（"消费金融公司每天收到 5000+ 贷款申请..."） 2. 数据模拟（"我们生成 10,000 个借款人的历史数据..."） 3. 建模（"使用 WoE 编码将类别变量转化为风险信号..."） 4. 评估（"模型 KS 值 0.35，Gini 系数 0.42..."） 5. 决策建议（"建议将审批阈值设定为 600 分，预计坏账率 5.5%..."）

这个叙事结构将技术 Notebook 转化为决策备忘录——不仅仅是代码，更是支持决策的论证。

跨域链接¶

→ 概念笔记「度量选择是元决策」：多种 Notebook 面临度量选择——Model AUC vs KS vs Gini（信用评分），Accuracy vs Precision-Recall（欺诈检测），Sharpe vs Sortino vs Max Drawdown（组合优化）
→ 概念笔记「概率分布选择不是数学偏好」：模拟数据的选择反映了你对数据生成过程的假设——正态需求假设（动态定价）、对数正态收益（组合优化）、Beta 先验（风险评估）
→ 概念笔记「决策理论三张面孔」：Notebooks 13-17 直接展示了三张面孔——TOPSIS/AHP（规范层：应该怎样决策）、VoI 决策树（规定层：信息不足时怎样决策）、安全 ROI Monte Carlo（描述层：不确定性下怎样评估）
→ 概念笔记「贝叶斯与频率学派分歧」：Notebook 16 (bayesian-risk) vs Notebook 03 (fraud-detection with p-values) ——贝叶斯后验直接回答决策者的"风险超过阈值的概率是多少？"，频率学派只能控制 Type I/II 错误率
→ 概念笔记「自适应实验与多臂老虎机」：Notebook 09 (dynamic-pricing) — 动态定价 = 非平稳 Bandit，库存约束 = Bandit 的有限视界
→ 概念笔记「网络科学——从个体交互到集体涌现」：Notebook 14 (product-growth) 的病毒系数是 R₀ 的等价概念——> 1 则自主增长（流行病爆发），< 1 则需要持续外部输入（流行病消退）
→ 概念笔记「关联不等于因果」：Notebook 06 (mmm) 的线性回归 = 关联建模，不是因果建模——"广告支出与销售相关" ≠ "广告支出导致销售"。因果 MMM 需要 Geo-experimentation 或 IV
→ 概念笔记「因果推断方法阵营」：多个 Notebook 的下一步——01-credit-scorecard 的评分卡衡量的是相关（区分好/坏客户），next step: CATE（"降低利率对违约概率的因果效应"）