ABW501 (Analytics Edge) 期末终极复习：4大题型完整预测 (含扩展版)

答题提示：用表格写 “问题 + 要点 + 例子”，直观稳妥。

结论：BA 偏业务沟通，DS 偏统计与建模。

The 6 Phases (顺序不能乱)

1. Discovery（发现）：Define business problem, assess resources.
2. Data Preparation（数据准备）：ETL, clean data, setup sandbox. (耗时最长)
3. Model Planning（模型规划）：Choose techniques (Regression, Trees), feature selection.
4. Model Building（模型构建）：Execute model, split training/testing sets.
5. Communicate Results（结果沟通）：Visualize findings, pass/fail decision.
6. Operationalize（实施/落地）：Deploy code, run pilot project.

Key Explanation

• Phase 1 (Discovery)：最关键，先把业务问题定义清楚并确认数据来源。
• Phase 4 (Model Building)：真正把算法跑在数据上得到结果。

Phases:

1. Discovery – Identify business problem and objectives.
2. Planning – Decide success metrics and resources.
3. Data Preparation – Collect, clean, and transform raw data.
4. Model Building – Select algorithms (regression, classification, time-series).
5. Model Communicate – Interpret results for stakeholders.
6. Operationalize – Deploy models and monitor performance.

Example：Discover churn → Plan KPIs → Prepare CRM data → Build churn model → Communicate segments → Operationalize campaign.

Key Terms：life cycle, discovery, preparation, modeling, deployment

1. Business User – 提业务问题、验证结果
2. Project Sponsor – 资源与预算支持
3. Project Manager – 进度与沟通协调
4. BI Analyst – 报表与可视化桥梁
5. DBA – 数据可用性与治理
6. Data Engineer – 数据管道与清洗
7. Data Scientist – 模型与策略建议

1. Simple Linear Regression – 直线；连续型因变量。
2. Logistic Regression – S 曲线；二分类概率输出。
3. Polynomial / Non-linear Regression – 曲线；处理非线性关系。

答题提示：看图形状 + 对应用途（连续 / 分类 / 非线性）。

Key Terms：linear, logistic, polynomial, dependent variable, classification

• Intercept (100)：Advertising 为 0 时，预测 Sales = 100（基础销量）。
• Slope (5)：Advertising 每增加 1 单位，Sales 增加 5 单位。

• a (intercept)：X=0 时的预测值（基础销量）。
• b (slope)：X 每增加 1 单位，Y 的增量。
• Answer structure："a: estimated sales at zero input; b: incremental sales per unit of X."

Key Terms：intercept, slope, marginal change

• Definition：Coefficient of Determination（决定系数）。
• Meaning：Sales 变动中 85% 能被 Advertising 解释。
• 关键词：Explained variation（解释的变异）。

Key Terms：labeled data, prediction, clustering, pattern discovery

• Classification (分类)：将数据分到预先定义的类别（有标签）。
• Clustering (聚类)：没有预先类别，按相似性自动分组（无标签）。

• Supervised learning：用有标签数据做预测（regression/classification）。
• Unsupervised learning：无标签，发现模式（clustering/association）。
• 答题提示：强调是否有标签 + 给一个例子。

Key Terms：prediction, pattern recognition, labeled vs unlabeled