数据指标心智课。北极星指标 / 漏斗指标 / cohort 留存三件套 + AI 在指标拆解 / 异常检测 / 业务洞察 3 个环节的位置。把 W1-W3 各模块零散的数据串成 1 套可解读的指标体系。
讲师拆 1 个真实账号的数据栈：从 GA4 / 飞书多维表 / HubSpot 三个数据源出发，演示 AI 怎么从原始数据 → 指标定义 → 业务诊断 → 改进假设。中英学员合班，但 case 同时含中英两套。
学员定义自己业务的「北极星指标」+ 1 套 5 维漏斗指标（曝光 → 点击 → 注册 → 激活 → 复购 任选 5 步）+ 1 个 cohort 维度（按周 / 按渠道 / 按用户分层任选 1）。
👨🏫 直播 + 案例拆解中文学员主轴：飞书多维表 + GA 中国可用方案 + 自有 SCRM 数据。讲师真账号演示从原始数据接入 → 飞书多维表清洗 → AI 串成可视化周报的完整流程。澳洲学员可选修。
从 GA / 千川 / 聚光 / 微信广告 4 个数据源导出 CSV → 飞书多维表清洗合并 → 用 Code Interpreter 出 1 张总览图 + 1 段 AI 解读 → 直接发到飞书群。
学员选 1 个自己业务的真实数据源 → 跑通飞书多维表清洗 + AI 解读流程 → 输出 1 张图 + 1 段解读。
👨🏫 飞书多维表帮看EN track main: GA4 + Looker Studio data viz + HubSpot/Klaviyo dashboards + AI summarization workflow. Walk through a real client account end-to-end — from raw event data to AI-narrated weekly report.
Wire GA4 → BigQuery free tier → Looker Studio dashboard → ChatGPT Code Interpreter narrates the weekly delta + flags anomalies. Then pipe Klaviyo email metrics to the same report.
Pick 1 real account (yours / your client / your in-house) → ship a 1-page weekly AI-narrated report. Bring it to Demo Day.
👨🏫 Live dashboard review分类的两类用法 — 情感分析（正 / 负 / 中）+ 线索分级（高 / 中 / 低优先级）。营销数据预处理的入门 lab。把 100 条评论 / 200 条 lead 自动分级，喂给后面的归因 / cohort 分析。
Prompt Lab: classification。学员上传 100 条评论 → AI 出情感标签 + 优先级 + 处理路径建议 → Lab 校验分类边界是否清晰 + 优先级分布是否合理。
用 Lab 处理 W2 / W3 收集的真实评论 / lead，输出 CSV 喂给 L60 (多触点归因)。
从 W2 跑下来的真实评论 / 反馈中批量提取痛点 / 需求 / 价格敏感度 / 使用场景 / 反对声。和 W2 的 information-extraction 是同一个 lab，但 W4 视角是「为数据分析准备结构化输入」。
Prompt Lab: information-extraction。学员上传 W2 真实评论数据 → AI 按 5 维度结构化 → 输出 CSV 喂给 W4 数据分析。Lab 校验字段完整度。
把 W2 收集的 30-100 条真实评论喂给 Lab，输出可直接喂 cohort / 归因 lab 的 CSV。
摘要的关键 — 不是压缩，是抓重点 + 异常报警 + 下月动作。把 30 条社群消息 / 4 周周报 / 100 条反馈摘要成 1 份月度复盘。重点突出、异常报警、行动建议三个段落。
Prompt Lab: text-summarization。学员上传一批文本 → AI 按 3 段格式输出 → Lab 校验是否覆盖三段 + 是否有具体数字 / 案例支持。
用 Lab 给自己业务出 1 份当月月度复盘，作为 W4 周复盘 prompt（L62）的对照基线。
LLM-as-judge 体系 — 给所有营销 AI 输出（W1 文案 / W2 投放 / W3 bot 回复）打分。rubric 设计 + few-shot 例子 + 多模型投票。为什么 LLM 自己评自己分容易高（用不同 model 的 judge 投票降偏差）。
LLM Lab: llm-evaluation。学员定义 1 套 rubric（如 W1 文案的 hook 力 / 信息密度 / AI 味）→ 配 3 个 judge（GPT / Claude / DeepSeek）→ 跑评测 → Lab 检查一致性 + 偏差。
给自己业务的 1 类 AI 输出（任选 W1 / W2 / W3 一类）建一套 evaluation 体系，每周固定跑一次。
ai-data-analysis 方向 12 章：工具选型 / EDA / SQL Copilot / 业务洞察 / 自动化与发布 / 复核 / 交付。W4 主轴 self-study。学员通读后能直接搭周报 SOP。
每章 3-5 道 MCQ + 1 道开放题。学员通读后完成所有章末小练习。重点章建议精读 — 业务洞察 / 自动化与发布 / 复核三章直接对应 W4 4 个新建 Lab。
🤖 MCQ 自动批改对 AI 数据分析的整体心智模型有完整认知，为 L60-L63 的 4 个新建 Lab 打底。
Code Interpreter（ChatGPT 内置）/ Power BI / Tableau / Looker / Hex。每个工具的最佳场景 + 学习曲线 + 与 AI 的整合方式。
个人 + 1-3 人团队 → Code Interpreter（最快）；中型团队 + Excel 重 → Power BI；可视化设计感 → Tableau；GA4 + Google 生态 → Looker；data-team 专业用 → Hex。不要工具收集癖 — 选 1-2 个深用。
学员选定自己 W4 主修 BI 工具 1-2 个，写到学习群「我的工具栈」中。
归因模型三套 — 首触 / 末触 / 加权（线性 / 时间衰减 / U 形）。每套适合不同业务（短决策周期用末触 / 长决策周期用加权）。AI 怎么从用户行为数据中拆分多触点贡献。
Prompt Lab: marketing-roi-attribution。学员上传 100-300 条用户行为序列（含触点时间戳）→ AI 出三套归因模型对比 + 推荐选哪套 + 解释为什么。Lab 校验三套模型是否都跑出 + 推荐理由是否有数据支撑。
用 Lab 给自己业务出 1 份归因报告，挑出最高 ROI 渠道。是 W4 作品集的核心交付件之一。
cohort 留存表 — D1 / D7 / D30 三个观察点。AI 出 cohort 表 + 异常 cohort 解释 + 改进假设。重点不是出表，是「看出哪批 cohort 异常 + 推断异常原因」。
Prompt Lab: cohort-retention-analysis。学员上传用户活跃数据（按周 / 按渠道 / 按用户分层任选 1 个 cohort 维度）→ AI 出留存表 + 标红异常 cohort + 给 3 个改进假设。Lab 校验 cohort 划分是否合理 + 异常假设是否可验证。
用 Lab 给自己业务出 1 份 cohort 留存报告，挑 1 个最异常的 cohort 写改进 SOP。
万能周复盘 prompt 模板 — 5 段：投入 / 产出 / 异常 / 假设 / 下周动作。每段角色、最容易在哪段写空话。1 个模板每周 30 秒出报告。
Prompt Lab: weekly-marketing-review-prompt。学员把当周数据丢给 Lab → AI 按 5 段输出 → Lab 校验每段是否有具体数字支持 + 是否避开空话（如 "数据有所提升" 这类必须有具体百分比）。
用 Lab 给自己业务出 1 份当周复盘，每周固定跑一次（建立习惯）。是毕业 Quest 的输入素材。
让 AI 直接出每周报 — 把每周 KPI 数据丢给 AI，自动出 dashboard 解读 + 异常报警 + 行动建议。和 L62 的区别：L62 是文字复盘，L63 是带图的 dashboard 解读 + 自动报警阈值。
Prompt Lab: marketing-kpi-dashboard。学员定义 5 个核心 KPI + 每个 KPI 的报警阈值 → AI 自动跑当周数据 → 输出 dashboard 解读 + 异常报警 + 3 条行动建议。Lab 校验阈值合理性 + 行动建议可执行度。
把这个 Lab 的输出做成自己业务的「每周 30 秒 AI 周报」工作流，毕业 Quest 用来汇总 4 件作品的数据。
这是整个 4 周课程的收官 Quest。AI Tutor 带你把 4 件零散作品（W1 内容 / W2 投放 / W3 bot / W4 数据）串成 1 份可演示的作品集，Demo Day 上展示。
学习目标：整理 4 件作品 + 数据复盘 + 4 周回顾 + 下 30 天计划，输出 1 份完整 PDF / Notion 公开页 / GitHub README。
成功标准：1 份完整作品集（4 件作品齐全 + 数据复盘 + 4 周回顾 + 下 30 天计划）+ 准备好 5min Demo Day 演示。
Step 1（30min）— 盘点 4 件作品当前状态：AI 引导学员逐件说明完成度 + 数据。坑：很多学员 W1 / W2 没做完整就想交作品集。AI 提醒「过程结果 > 完美结果」 — 至少 2/4 模块完整也可交。
Step 2（25min）— 写整体叙事框架：5 段式 — 背景（我是谁 / 为什么学）/ 我做了什么（4 件作品概要）/ 数据（W4 dashboard 截图）/ 学到的（哪些假设被验证 / 哪些被推翻）/ 下一步（30 天计划）。
Step 3（25min）— 数据汇总图：用 L63 的 marketing-kpi-dashboard prompt 把 4 件作品的数据汇总成 1 张总图（曝光 / 互动 / 转化 / 留存）。
Step 4（20min）— 4 周复盘段落：用 L62 的 weekly-marketing-review-prompt 模板写 4 周复盘 — 学到 / 失败 / 下一步。
Step 5（20min）— 组装 + 输出：AI 帮做编辑 / 排版 / 数据可视化 + 推荐发布渠道（PDF 上传 portfolio / Notion 公开页 / GitHub README 任选）。最后输出 1 份完整可分享的链接。
承诺红线：AI Tutor 在引导过程中禁止承诺学员「这份作品集能帮你拿到 offer / 涨薪 / 接到客户」。只承诺「这是一份能在 Demo Day 展示 + 简历上 link 的真实作品集」。
L52 + L54 + L62 + L63 是核心。学完拿到 1 份「每周 30 秒 AI 周报」工作流 — 每周一早上把上周数据丢给 AI，自动出文字复盘 + dashboard 解读，直接发到团队群 / 老板。比手写周报快 10 倍。
L60 + L61 + L63 是核心。结合 W2 的 A/B 数据 + GEO 报告，出 1 份带多触点归因 + cohort 留存的季度复盘。这份数据复盘可以放进季度 KPI 汇报 / 个人作品集，作为 4 周学完的过程产出。
L52 + L61 + L62 是核心。bot 解决率 / 人工接管率 / cohort 留存（按用户分层标签）3 件套数据，证明你搭的 bot 不只是 demo，是真在跑。
L60 + L61 + L63 are core. The attribution + cohort + AI dashboard report combined is a 1-page client deliverable. Land it as a recurring quarterly engagement, $3000-6000 AUD per client per quarter.
交付物：1 份完整作品集（PDF / Notion 公开页 / GitHub README 任选），包含：
评分标准：
承诺红线：作业评估只看「过程性结果」 — 4 件作品是否完成 / 数据是否真实 / 复盘是否有具体洞察。不评估账号涨粉 / 投放赚钱 / bot 替代客服 / 工具链帮你跳槽。至少 2/4 模块完整也可毕业。
毕业 Demo Day：学员各 5min 展示 W1-W4 完整作品集（4 件作品 + 4 周复盘 + 下 30 天计划），讲师 + 同学双重点评。每期至少 10 名学员上台，剩余学员旁听 + 文字打分。
(1) 作品故事性 — 4 件作品是否串成 1 个清晰叙事；(2) 数据说服力 — 数据是否真实 / 异常解释是否成立；(3) 工具链选择 — 选的工具是否合理 / 是否能长期维护；(4) 下一步可执行度 — 30 天计划是否具体到能做。
每位上台学员收到「老师 1 段视频点评 + 同学 N 句文字反馈」。Demo Day 结束后讲师挑 3-5 名作品授权后用作下期招生素材（不强制）。
👨🏫 老师 5min 视频点评毕业课。两个主题：(1) 4 周作品如何放进简历 / Portfolio / 客户提案（按角色拆 — 求职用 / 客户提案用 / 团队 onboarding 用）；(2) AI 工具迭代时如何低成本维护工具链（每月 1 次工具栈体检 / 重要工具升级监控 / 替代方案备选）。
讲师准备 5 个真实简历样例（工作 1-3 年 / 转型 / 在职 / freelancer / in-house 各 1 份），现场拆解作品集应该写在哪一段。学员可以现场把自己作品集链接贴出来求建议。
学员明确 4 周作品集放进自己简历 / Portfolio / 提案的具体位置。带走「工具链每月体检 checklist」（10 条）。
👨🏫 直播 + 简历样例拆解