企业官网建设流程全解析

High-Stakes Analytics & Decision Lab 是一个面向高利害决策的开源分析平台，它能对杂乱数据进行画像、按案例选择自适应分析方法，并产出可溯源的可视化报告。本指南带你读懂它内置的15 个真实数据案例与119 张规范图表：每个案例用了哪些方法、得出了什么结论、边界在哪里，以及为什么有些案例"正确地失败"。读完你即可按图索骥，把这套证据驱动的工作流用到自己的项目中。

这个项目解决什么问题？

高利害分析常常在建模之前就失败了：问题定义模糊、数据契约隐式、清洗选择被隐藏、不确定性被当作相互独立。High-Stakes Analytics & Decision Lab 用一个更严格的顺序替代"套模板出报告"：

更完整的系统设计见 docs/architecture.md，可执行的方法与证据契约存放在 references/ 目录。

先搞懂产物结构：两份报告、一个证据契约

每个完整项目都会把"叙述、机器结果、视觉证据、来源血缘"放在一起：

report.md # 主证据智能报告（Evidence Intelligence Report） results.json # 机器可读的分析结果 chart-map.json # 图表与问题的对应契约 figures/*.svg # 可访问的分析图表

只有当决策层被证明有必要时，才会追加 Decision Intelligence Brief（决策智能简报），它永远不会替代主证据报告。这也是 119 张图表中"50 张证据图 + 69 张决策图"的由来。

15 个真实数据案例总览

全部案例存放在 examples/real-data-cases/，机器可读的总索引是 cases.json。先看这张总览路由图，理解为什么有的案例止于证据请求，而有的能给出有边界的建议：

按能力路径选读：8 条导航线索

不知道从哪个案例入手？capability-map.json 提供了 8 条"学校中立"的能力路径，按你关心的能力去检索案例：

• 🎯从分析到行动：01、03、05、06、07、09、15 —— 看预测/诊断如何连接到容量、流程与有边界的下一步
• 📐统计研究：02、04、05、10、12、13、14 —— 估计量、稳健性与迁移边界
• 🔐数据系统与治理：02、04、06、09、11 —— 数据契约、血缘、隐私与失败状态
• 🤖AI 与模型验证：01、03、04、06、11、14 —— 防泄漏验证、校准与合法的"不部署"结果
• ⚖️风险与决策分析：01、05、07、08、09 —— 相关不确定性、尾部风险与反转条件
• 📜行为与政策证据：03、08、10、12、13、15
• 🏥人群健康与信息学：11、14
• 🗺️空间公平与规划：02、07、08、12、15

精读示例：4 个有代表性的案例

案例 01：预测如何变成有边界的运营试点

用 Citi Bike 新泽西 2021 年站点-小时数据做时间留出预测：留出 MAE 0.69 次/天，比"仅按小时"的朴素基线好 33.1%。但解读边界写得很直白：再平衡结果是模型情景，没有缺货、路径、人力或服务达成方面的声明。

案例卡片：cases/01-bike-demand-operations.md · 证据报告：report.md

案例 03：营销模型"分数不错"≠"可以上线"

41,188 行银行营销数据，未触碰测试 AUC 0.650、Brier 0.210，前 5% 人群捕获了 7.4% 的观测响应。但观测响应集中不等于增量提升或因果效应，因此终点是"要求随机化试点"，而不是直接投放。

案例卡片：cases/03-bank-marketing-response.md · 决策简报：decision-report.md

案例 05：把尾部风险写进决策引擎

国债曲线案例中，短基线历史 ES95 损失为 0.4%，长久期组合升至 0.9%，滚动 VaR 超出率 6.0%。边界声明：一阶久期忽略凸性、券种选择、成本与未来状态不确定性——这类声明让决策者知道模型"没算什么"。

案例卡片：cases/05-treasury-risk-engineering.md

案例 08："正确地失败"的范本

8,892 个有效加州火场围栏下，"近期观测面积"是受测情景中最小遗憾的代理分配——但系统拒绝据此直接分配缓解资源，终点是"先索取有效性与可行性证据"。这类负向终点和案例 06 的do_not_deploy一样，正是这套体系最该学习的地方。

案例卡片：cases/08-wildfire-mitigation-under-uncertainty.md

每个案例目录里有什么？

每个项目都是完整可复现的证据路径，结构一致：

projects/<project-id>/ ├── PROJECT.md # 项目设计说明 ├── source-manifest.json # 来源清单 ├── config.json ├── download_data.py / prepare_data.py / analyze.py ├── data/ # 原始快照、处理后数据、字典、质量报告 └── outputs/ # 证据报告、决策简报、图表、results.json

以案例 01 为例，原始 CSV 快照、质量报告与逐图契约都可逐项核对：bank-marketing-response 项目目录、质量报告 quality-report.json、图表契约 chart-map.json。

如何验证这些结果？

仓库内置 106 个公开测试，覆盖数据就绪、自适应路由、数值行为、来源与产物同一性、可访问 SVG 等；make verify会在隔离副本中重建全部 15 个项目。测试与发布门的具体命令见 docs/verification.md。

⚠️ 注意官方边界声明：成功复现建立的是"被评审的工作流与声明的数值容差"，不是经验效度、外部采用或真实世界影响的证明。

下一步：把你的问题接进来

• 快速上手（安装、路由问题、运行案例）：docs/getting-started.md
• 可安装的 Agent Skill 契约：skills/high-stakes-analytics-decision-lab/SKILL.md
• 交互式案例浏览器（本地静态页面，无外部依赖）：demo/index.html
• 方法域路由表：references/method-domain-map.json
• 案例组合总入口：examples/real-data-cases/README.md

📌 最后记住这条复用规则：复用方法契约，而不是保存的结果。换了数据源、总体、时间窗、目标或决策责任人，就需要新的证据与新的验证路径。