沟通与叙事

模型再准，若业务方听不懂、不信服、无法行动，分析就没有 impact。数据叙事把数字变成决策。本课补充 ai-data-scientist 路线图（节点较少）中最常被低估的软技能。

学习目标

• 用「结论先行」结构写 Executive Summary
• 为不同受众选择合适图表，避免误导
• 诚实表达不确定性与模型局限
• 讨论算法公平性与数据偏见的基本伦理

核心概念

推荐汇报结构（1 页纸或 5 页 Slide）：

1. So what：一句话结论（能否上线？预期影响多大？）
2. Evidence：1–2 张核心图（趋势、对比、区间）
3. Action：建议动作与负责人
4. Risks：局限、未观测混淆、监控计划

图表类型	适用	避免
折线	时间趋势	类别过多
柱状	组间对比	截断 y 轴夸大差异
散点	相关关系	不标注样本量
校准曲线	概率模型质量	只看 AUC 不讲业务

对 CodeRoadMap 管理层：用「完课率 +X pp（95% CI …）」比「AUC=0.82」更有决策价值。

示例

## Executive Summary — 推荐算法 v2

**结论：** 建议全量。预计 7 日完课率 +1.8 pp（95% CI: +0.4 ~ +3.1）。

**证据：** 14 天 A/B，N=12,400；ITT 分析；guardrail（退订、延迟）无显著恶化。

**行动：** 3/1 全量；监控 30 天；若完课率回落 >0.5 pp 回滚。

**局限：** 新用户占比高，老用户效果待补实验；未控制外部营销活动。

练习

• 将一次 EDA 或模型结果改写为 200 字 Executive Summary
• 找一张「容易误导」的图表并说明如何改进
• 列出模型可能伤害的 1 类用户群及缓解思路

小结

DS 的交付物是决策，不是 Notebook。 下一课梳理 Jupyter/SQL/Streamlit 工具链。