• 不可提供答案，提供方法、思路、步骤、例子 ……
• 本次课程目标是争取把整个作业的框架完成，细节暂不深入
• 建议边听边做笔记
• 考察学生实际动手分析能力
• 考察学生报告写作能力
• 学生保留过程笔记（错误做法：直接写作业；正确做法：草稿、初稿、V2 … Final）

1. ChatGPT currently charges the following for paid subscribers and a free tier for all other users. ChatGPT Plus for $20/month for individuals, and ChatGPT Team for businesses at $30/user/month ($25/user/month annually) for 2 or more users. A higher-tier ChatGPT Pro plan costs $200/month and includes access to its suite of products and the "o1" reasoning model. Is this the correct approach? (Prices are in USD)
2. Based on Davenport's framework in "Keeping up with the Quants", frame the problem and recommend a correct approach, including projected revenue for year 2026 and 2027. State and justify the assumptions used and include real life data and figures where possible.
3. Provide 2 different customer personas for users who would use ChatGPT.

Step 3｜Modelling：比较方法，推荐历史趋势外推

1. 计算已有年份的收入增长率。
2. 观察增长率是上升、稳定还是下降。
3. 根据历史趋势与市场情况，设定 2026 和 2027 年增长率。
4. 把增长率代入公式，得到预测收入。

Step 4｜Data Collection：收集同口径历史收入

Step 5｜Data Analysis：外推三种增长情景

• Conservative：假设竞争加剧、增长明显放缓。
• Base：根据最近历史趋势作合理下调。
• Optimistic：假设企业客户与 API 继续推动较高增长。

1. 先给 Base Case 的 2026 和 2027 预测，再展示 Conservative–Optimistic 区间。
2. 说明最重要的收入驱动因素，以及预测对哪些假设最敏感。
3. 明确区分 Historical Actual、Public Estimate 和 Forecast，不用同一种颜色或标签混在一起。
4. 说明最大限制：数据缺口、口径不一致、模型假设或外部环境变化。
5. 将预测转成行动：需要保留、调整、测试或进一步收集什么数据？

• Work environment / characteristics：居家办公，同时服务多个小型客户；收入随项目波动，日常依赖多种低成本数字工具。每周多次使用生成式 AI，但大部分任务也可以通过免费工具或人工完成。
• Goals：缩短内容制作时间，在有限预算内提高每周可交付的项目数量，并维持稳定的内容质量。
• Tasks：生成选题和大纲、改写文案、翻译、总结资料、调整语气，并为不同客户制作内容初稿。
• Decisions & Questions：Plus 相比 Free 能否明显减少等待、额度限制和重复修改？每月节省的工作时间是否足以覆盖订阅费用？其他免费产品能否完成相同任务？
• Pain Points：项目收入不稳定，对固定月费敏感；免费工具的额度和质量不稳定会打断工作，但多数任务并不需要最高等级的推理能力。

• Work environment / characteristics：以个人身份承接高价值分析与开发项目，长时间处理代码、模型设计和复杂推理任务；工作收入较高，工具成本可以直接与节省的专业工时比较。
• Goals：减少调试、研究和验证方案所需时间，在紧迫期限内维持连续工作，并提高复杂任务的一次完成质量。
• Tasks：调试代码、解释模型输出、比较算法方案、分析长文档、生成测试思路，并对复杂技术问题进行多轮推理。
• Decisions & Questions：Pro 提供的更高使用额度和高级能力能否避免工作中断？相比 Plus，每月增加的成本能否通过节省的专业工时或新增项目收入收回？
• Pain Points：高强度使用时遇到额度或性能限制会直接影响交付；复杂输出仍需人工验证；$200 月费只有在持续高频使用时才具有经济合理性。

• 连接定价：比较两个画像的任务价值、预算约束、替代方案和升级条件，解释为什么同一价格会产生不同反应。
• 连接收入预测：将画像揭示的使用强度、套餐倾向、升级条件和流失风险转化为需要验证的模型变量。
• 连接董事会建议：说明哪个套餐应保留、调整或测试，以及需要补充什么产品或市场证据。

• 正文已完整写出，不使用内容占位符；仅文内引用与 References 使用 Harvard 占位符。
• Sample A 与 Sample B 采用不同立场、假设、预测结果和行动建议，不是同一报告的同义改写。
• 提交英文作业时，应重新核实最新数据、补齐引用并翻译改写；中文篇幅与英文 3000-word 限制不能直接一一换算。

Executive Summary

1. Introduction

2. Stage 1: Frame

2.1 Problem Recognition

2.2 Review of Previous Findings: Pricing

3. Stage 2: Solve

3.1 Modelling and Assumptions

3.2 Customer Personas

4. Stage 3: Communicate / Act

1. 保留主要价格点，以分客群实验验证转化、留存、使用成本和客户终身价值。
2. 优先扩大 Business/Enterprise，并用席位活跃率、续约与生产率证明价值。
3. 保留 Pro 高端定位；若额度、性能和时间价值无法证明，再测试功能或价格调整。
4. 按季度用真实分部收入和行为数据替换假设，滚动更新预测。

4.1 Limitations

5. Conclusion

References（Harvard-style placeholders）

Executive Summary

1. Introduction

2. Stage 1: Frame

2.1 Problem Recognition

2.2 Review of Previous Findings: Pricing

3. Stage 2: Solve

3.1 Modelling and Assumptions

3.2 Customer Personas

4. Stage 3: Communicate / Act

1. 在有限市场测试 $50、$70 与 $80 Pro Lite，按净收入、毛利、升级、降级和留存决定是否扩大。
2. 保留 $200 Pro 的最高额度和优先价值，允许按项目强度灵活升级与降级。
3. 以资格验证、合理额度和续期条件测试 $10 教育方案，兼顾长期采用、成本和公平准入。[ISO, 2010]
4. 建立 Free、Education、Plus、Pro Lite 与 Pro 的季度迁移矩阵，用真实数据替换假设。

4.1 Limitations

5. Conclusion

References（Harvard-style placeholders）

• 模块：MIS4015S Analysis for Business
• 占总评：60%
• 时长：2 小时
• 形式：5 题选答 4 题；每题占考试成绩 25%
• 时间建议：每题约 30 分钟
• 不可使用计算器；提供 16 页答题册；不要用红笔
• 考查范围：教材、讲义、推荐阅读、小组作业、课堂练习/讨论
• 核心主题：BA 定义与三类分析、数据生命周期/5V/工具、系统思维流程、数据故事与可视化、BA 能力与竞争优势、Moneyball、数据伦理/ESR/GDPR/PDPR/EU AI Act
• 答题重点：展示对 Business Analytics 的理论理解，以及将其用于实际商业情境的能力

• 8 个主题跨度大：工具、流程、可视化、能力建设、伦理与法规等。
• 考试答 4 道大题，需在约 30 分钟内形成有结构、有例子、有批判性的答案。
• 要把理论用于商业情境：例如从战略目标 → 决策 → 问题 → 数据/工具 → 行动建议。
• 伦理与法规内容细碎：GDPR、PDPR、EU AI Act、可信赖 AI、ISO 26000。
• 既要讲清概念，也要说明局限、风险和管理含义；只罗列知识点难拿高分。

• 记忆、理解、应用/输出
• 学习过程
  • 主动解释说明
  • 主动熟悉英文
  • 主动提炼逻辑
  • 主动总结

• 给出 BA 定义 v1.0：系统性思考过程（systematic thinking process）；结合定性（qualitative）、定量（quantitative）和统计计算（statistical computational）工具与方法；分析数据、获得洞察（insights）、支持决策（decision-making）。
• BA 的起点是组织战略目标（strategic objectives），而不是先拥有的数据。战略目标驱动具体决策（decisions），决策再决定需要回答的分析问题（analytical questions）。
• 这条链路可表述为：Strategic objectives → Decisions → Analytical questions → Tools and data → Insights → Action。
• 仅以可获得数据为起点，可能导致问题选择错误、分析无法支持关键决策，或用分析为既有偏好辩护。

• 从战略目标（strategic objective）开始：本题给定的目标是增加市场份额（increase market share），而非先从已有数据或某个工具开始。
• 将战略目标转化为具体决策（decision）：经理需要决定每种 pizza 的售价。
• 再把决策分解为分析问题（analytical questions）。讲义对定价决策给出的相关问题包括：
  • 潜在客户的收入特征（income profile）是什么？
  • 客户对价格有多敏感（price sensitivity）？
  • 三个主要竞争者对相似产品的收费是多少？
  • 产品生产和配送（production and shipping）的成本是多少？
• 分析的作用是为该定价决策提供洞察和支持，而不是让数据本身决定战略目标。
• 最终结论应回到行动：基于对问题的回答，形成可支持定价决策的建议。

• 三类分析形成顺序关系：先理解过去，再预测未来，最后提出行动建议。
• 排班与订购是管理决策；分析的最终价值在于支持经理采取更合适的行动。

• 先问“组织想实现什么”，再问“要做什么决策”，最后才问“需要什么数据和工具”。
• 三类分析的关键不在术语，而在所回答的问题：过去、未来、行动。

Scope：界定过程的起点与终点。

Decision and question：先写清要支持的决策与分析问题。

• 该问题问的是“哪些事物一起发生”（what things occur together），适合使用 co-occurrence grouping / association rule discovery（共现分组/关联规则发现）。
• 在零售情境中，这一分析也称为 Market Basket Analysis（购物篮分析）。
• 分析会计算共同出现的商品对（co-occurring pairs），讲义例子包括 {pasta → tomatoes} 与 {beer → crisps}。
• 课程给出的示例算法是 A-priori。
• 输出是商品共同购买的关联，用于回答“哪些商品被一起购买”这一分析问题。

• 该问题是“某个实体属于哪一类”（what kind of entity is this），适合使用 classification（分类）。
• 使用过去已发生转换和未发生转换的客户例子训练 machine learning classifier。
• 训练数据必须有标签（labelled）：客户是 churned 还是 did not churn；因此这是 supervised learning（监督学习）。
• 训练后的 classifier 用于判断每一位客户是否可能转换至其他服务商，即输出类别或类别概率（class probability estimation）。
• 课程列举的分类算法包括 Decision Trees、Naive Bayes、Support Vector Machines、KNN、Random Forest 和 XGBoost。

• 5 Vs 中最容易被忽略的是 Value：数据必须和业务目标相关。
• 工具名称不等于答案；必须说明“它回答什么问题、靠什么数据、有什么局限”。

• Frame 的质量决定后续分析是否在解决正确问题；Solve 不是单纯运行模型，而是模型、数据与分析的结合。
• 最后一阶段不能止于技术结果，必须使结果被理解并支持行动。

• Frame 不好：组织收集很多数据，却没有明确要支持什么决策。
• Solve 不好：问题虽正确，但变量、数据或分析方法不适合。
• Communicate/Act 不好：分析完成了，但决策者不理解、不接受或没有据此行动。

Purpose：一句话说明框架要解决的问题。

1. Identify Key Business Initiative (KBI)：KBI 应支持业务战略、在近期（9–12 个月）关键、被清楚记录、跨职能、由高级主管拥有并推动、有可衡量的财务目标与明确交付期限，并产生显著的财务或竞争优势。
2. Develop Business Stakeholder Personas：识别受 KBI 影响或能影响 KBI 的人；理解其工作环境和角色特征，进而识别目标、任务、关键决策、问题与痛点。
3. Identify Strategic Nouns：确定 KBI 聚焦的关键业务实体，并理解其行为、倾向、模式、兴趣、关联等。
4. Capture Business Decisions：识别利益相关者围绕 strategic nouns 必须作出的决策，并加以验证。
5. Brainstorm Business Questions：提出支持这些决策的问题，包括 What happened?、What will happen?、What should I do?，分别连接描述、预测与处方性分析。

• 这五步的逻辑是：战略倡议 → 人与业务实体 → 决策 → 问题 → 分析，避免从数据或算法出发。

KBI：写明战略倡议及可衡量目标。

• By analysis：通过与 subject matter experts (SMEs) 和 analytics team 的协作式头脑风暴，发现更能预测绩效的新指标与变量；句式为：I want to [verb] [metric] by [attribute]。
• Actionable score：动态的、标准化评分或等级，用于比较、绩效跟踪和决策；可预测某些行动或结果的可能性，并可将多个变量和指标合成为一个用于引导决策的数值。
• Putting analytics into action：测试、修正与验证指标、变量和分数是否正确；以 recommendations worksheet 和 user experience mock-up 等方式，使分析结果可被行动。
• 核心判断是：若分析结果不能以可行动的方式呈现，其商业价值就无法实现。

Metrics and variables：说明要发现/衡量什么。

• 本题体现的链条是：KBI → Personas → Strategic Nouns → Decisions → Questions。
• 每一步都为下一步缩小范围，使分析与 merchandising effectiveness 保持对齐。

• Step 6 — By Analysis：与 subject matter experts（SMEs）和 analytics team 协作，使用 I want to [verb] [metric] by [attribute] 的形式，寻找可能更好预测绩效的指标和变量。
  • 客户促销问题：What customers are most receptive to what types of merchandising campaigns by ...?
  • 产品促销问题：What products are most successful with what merchandising campaigns by ...?
• Step 7 — Create Actionable Scores：将相关变量和指标组合/转换为动态、标准化的 rating 或 grade，以支持比较、绩效跟踪和决策，并预测某些行动或结果的可能性。
• Step 8 — Putting Analytics into Action：测试、修正和验证所识别的 metrics、variables 和 scores；通过 recommendations worksheet 与 user experience mock-up 使结果进入可行动的建议。
• 重点不只是提出促销问题，而是把问题转化为能支持促销决策的可行动分析（actionable analytics）。

• Davenport：高层过程——Frame、Solve、Communicate/Act。
• Thinking Like a Data Scientist：把尤其是 Frame 阶段拆得很细，从 KBI 一直拆到业务问题；并把结果如何变成 actionable scores 和行动讲得更具体。

• 先区分 Exploratory analysis（探索性分析） 与 Explanatory analysis（解释性分析）：前者用于探索，后者用于向受众说明重点与推动理解/行动。
• 先回答三组问题：
  • Who：面向谁沟通？
  • What：受众需要知道什么？包括 Action、Mechanism、Tone。
  • How：哪些数据最能支撑要表达的观点？
• 形成明确的 So-What 或 Big Idea，把信息压缩为能在约三分钟内讲清的核心主张。
• 通过 storyboarding 组织叙事，使视觉、信息和行动要求一致。

Audience：明确受众及其决策/信息需要。

Diagnose：指出杂讯、认知负荷或误导风险。

• 工具只是 Technology 的一部分；缺少治理、文化或人员能力，即使有模型和数据，也不必然形成有影响力的决策或价值。

Definition：先给 BA v2.1 的能力导向定义。

• Resource-based view 将组织理解为能力和资源的组合；能力是运用资源完成特定任务的能力。
• BA capabilities 也是 information systems capabilities（信息系统能力），因此可与组织价值（organisational value）和竞争优势（competitive advantage）相联系。
• 要构成 sustainable competitive advantage，能力和资源须符合 VRIN：

• 结论：只有当 BA 能力不只是存在，而且具备 VRIN 特性时，才可能支撑可持续竞争优势；单独购买相同技术不自动形成这种优势。

Theory：准确说明理论的核心主张。

• 该组织具备部分 Technology capability：data management、systems integration 和 reporting BA technology。
• 但其 Governance capability 不完整：缺少 clear decision rights and responsibilities，因而难以明确谁负责 BA 决策；也会削弱 strategic alignment。
• 其 Culture capability 也不完整：缺少 executive leadership and support，不利于 evidence-based management、embeddedness 和 communication。
• 其 People capability 存在缺口：除技术能力外，课程还强调 business skills and knowledge、management skills and knowledge，以及 entrepreneurship and innovation。
• 因此，组织不能把已有技术等同于完整 BA capability；四项能力共同支持 impactful decision-making，并进一步产生 organisational value 和/或 competitive advantage。

• 该主张不充分：Technology 只是四项 BA capabilities 之一；BA 定义 v2.1 同时要求 Governance、Culture、People 与 Technology。
• Part 6 的研究结果显示，组织能力水平与产生的 organisational value 和 competitive advantage 之间存在强正相关（strong positive correlation）。
• 在四项能力的个别相关性排序中，People 最高，其后为 Governance、Culture 与 Technology；但差异很小。
• 讲义进一步指出，考虑 standard deviations 后，这些评分有重叠，Cosic et al 研究没有证据支持四项能力之间存在显著差异。
• 从 resource-based view 看，即使投入技术，能力与资源仍须满足 VRIN（Valuable、Rare、Inimitable、Non-substitutable）才可能成为 sustainable competitive advantage 的来源。
• 结论：技术投资可构成基础，但不能单独保证可持续竞争优势；必须与其他能力共同形成能够支持有影响力决策的 BA capability

• Data Ethics：研究和评价数据、算法及其相关实践的道德问题，以形成和支持道德上良好的解决方案。
• Business Analytics for Good：使用 BA 追求同时有益于组织与社会的结果，而不是只优化狭窄的业务指标。

  

• 指标选择是伦理问题：组织聚焦错误的 metrics 会产生有害后果；例如“engagement”可被重新界定为“在最小化伤害的前提下的 engagement”。

  

• ESR （Ethics, Social responsibility and Regulation）不能只在结果阶段补救，应被纳入 BA 的数据、分析、决策和行动过程。

Definition：界定伦理概念。

• 数据主体权利包括：被告知、访问、更正、删除、限制处理、数据可携带、反对，以及与 automated decision making and profiling 有关的权利。
• Singapore’s Personal Data Protection Regulations 2021（PDPR）也是课程所列监管环境的一部分；其规例包括个人数据的 access and correction requests、向新加坡境外传输个人数据，以及 deemed consent by notification 和 legitimate interests。
• BA 的数据收集、处理、分析和行动都必须将法规合规嵌入数据生命周期及组织的实践、过程和系统。

Processing context：说明处理何种个人数据、为了什么目的。

• 可信赖 AI（Trustworthy AI）要求 AI 的开发与部署同时是：Lawful、Ethical、Robust 。
• 四项伦理原则：尊重人的自主性（respect for human autonomy）、防止伤害（prevention of harm）、公平（fairness）、可解释性（explicability）。

• 七项 key requirements

  

System and stakeholders：说明 AI 系统、受影响群体及权力不对称。

• 将伦理探索纳入 BA development process，而不是在项目结束时作 tick-box 或 rubber-stamping。
• 课程以 Business Ethics Canvas (BEC) 与 Business Analytics Methodology (BAM) 的结合说明这一做法。BEC 将伦理问题带入方案探索：

  

• 组织层面可采用 ISO 26000 Guidance on Social Responsibility：Accountability、Transparency、Ethical behaviour、Respect for stakeholder interests、Respect for the rule of law、Respect for international norms of behaviour、Respect for human rights。
• IEEE 7000-2021 将伦理与功能需求整合到系统工程产品设计，以降低风险并促进创新。

  

将 System and stakeholders 扩展为 Users & Customers、Stakeholders；用 Utility、Rights、Justice、Common Good、Virtue 分析影响；最后以 process integration、ISO 26000 或 IEEE 7000-2021 说明组织层面的治理安排。

• 讲义指出，Facebook 以 engagement metric 驱动内容推荐，目标是让用户持续滚动和回访，从而支持广告销售。
• 仅优化 engagement 会造成伦理风险：吸引注意力的内容可能是坏消息、耸动陈述和负面观点；这可能形成 echo chambers、推动 polarisation，并使 micro-targetting 被用于大规模传播 misinformation。
• 因此，指标并非中性的技术选择；它决定系统优化何种行为与结果，也决定组织可能忽略哪些伤害。
• 课程给出的重构方向是：从 engagement 改为 engagement while minimising harm。
• 这体现 BA for Good：分析目标应同时考虑组织成果与社会成果，而非只追求狭窄的商业表现指标。

• GDPR 相关 safeguards 包括：向数据主体提供特定信息；允许获得 human intervention、表达观点、取得决定解，并挑战该决定。
• 自动化 profiling 应以公平和透明的方式处理；采用适当数学/统计程序，以及技术和组织措施来更正不准确数据、最小化错误风险并防止歧视性效果。
• PDPR 是课程所列的新加坡监管环境的一部分；应同时考虑个人数据的 access and correction requests，以及向新加坡境外传输个人数据的要求。
• Trustworthy AI 的检视重点包括 human agency and oversight、privacy and data governance、transparency、diversity, non-discrimination and fairness、accountability，以及 technical robustness and safety。
• 结论不是“自动化一律不可用”，而是自动化决策必须有与其影响相称的权利保障、监督与治理措施。

• 先以 Business Ethics Canvas (BEC) 将伦理探索放进方案发展过程，而非在项目结束时作 tick-box 或 rubber-stamping。
• 在 BEC 中检视：Users & Customers、Solution ideas、Stakeholders、Utility、Rights、Justice、Common Good 和 Virtue；尤其明确谁受益、谁受害、哪些权利受影响、结果是否公平，以及对社群的共同利益。
• 将 BEC 与 Business Analytics Methodology (BAM) 结合，使伦理维度成为 analytics development process 的一部分。
• 组织层面以 ISO 26000 的 Accountability、Transparency、Ethical behaviour、Respect for stakeholder interests、Respect for the rule of law、Respect for international norms of behaviour、Respect for human rights 指导社会责任。
• 以 IEEE 7000-2021 将 ethical and functional requirements 整合到 systems engineering product design，以缓解风险并促进创新。
• 从过程到组织的重点是持续嵌入 ESR，而不是仅在事后判断合规与否。