MKTG6018 26S1｜课程过半才发现：原来前7周根本不是准备，是考试
📝 问题定义
翻开 MKTG6018 的课表你会发现一个设计——Week 7 交小组数据分析作业（Data Case Assignment），30% 的分数。很多人以为这门课跟其他课一样，前半学期讲理论、后半学期开始实操，Week 7 的作业只是个练手的中期考核，先交上去拿个及格分，后面再慢慢深入学。
但当你真的这么想的时候，你会在 Week 7 交完作业后发现：这门课 50% 的分数已经基本定型了。
因为 Week 7 的 Data Case 不是个过渡性作业，它考的是你对前 7 周所有理论框架（Customer Segmentation、Customer Lifetime Value、CEM、CRM Strategies）的综合应用能力。而更要命的是，这门课另外 15% 的 Participation 分数中，有 13% 是 class participation & discussion leadership——Week 1 到 Week 7 之间，如果你没搞懂 CLV 的计算逻辑、没理解 segmentation 的业务场景、Workshop 上没法带着数据跟组员讨论出实质内容，那这 13% 也基本凉了。
Week 7 之前的 45% 分数（30% Data Case + 13% Participation 主体 + 2% Business Research）已经尘埃落定，Final Exam 那 50% 还得覆盖全学期 13 周的内容。你以为自己在前半学期"先适应适应"，实际上你在用 7 周时间给自己判了个 Pass 还是 Distinction 的死刑。
这就是 MKTG6018 最反常识的一点：不是"慢慢学、后面拉"，而是"Week 1 开始就在比赛，Week 7 就得交答卷"。
💡 核心观点
Week 1-4：看起来是概念铺垫，实际是工具组装
前四周的内容——Customer-Centric Marketing、Customer Segmentation、CLV、CEM——你如果当成理论课来听，那 Week 7 的 Data Case 你根本不知道怎么下手。
因为这四周的设计逻辑是：每周给你一个分析工具，Week 7 的作业要求你把这四个工具串起来，从一个真实的客户数据集里提取洞察、做出决策建议。
举个例子：
- Week 2 讲 Customer Understanding，你学的是 RFM（Recency, Frequency, Monetary）模型——怎么从交易数据里识别高价值客户
- Week 3 讲 Segmentation，你学的是 K-means、Hierarchical Clustering——怎么把客户分成不同群体
- Week 4 讲 CLV，你学的是怎么计算每个客户未来能给公司带来多少钱
- Week 5 讲 CEM 和 Customer Metrics，你学的是 NPS、CSAT、CES 这些指标怎么跟业务目标挂钩
Week 7 的 Data Case 给你一个零售/电商数据集，要求你：用 RFM 识别客户特征 → 用 Clustering 分群 → 用 CLV 计算每群的价值 → 结合 CEM 指标提出具体的营销策略。
这不是四个独立的知识点，这是一条完整的分析链条。如果你前四周没把每个工具的适用场景、计算逻辑、输出结果的业务含义搞清楚，Week 7 你拿着数据只能瞎猜。
更要命的是，这四周的 Workshop 就是在用真实数据集练这套流程——Week 2 的 Workshop 让你跑 RFM 分析，Week 3 让你做 Clustering，Week 4 让你算 CLV。如果你 Workshop 没认真做、没跟组员讨论清楚每个步骤的逻辑，那 Week 7 的小组作业你根本插不上话，只能等着被组员嫌弃。
这就是为什么 Participation 的 13% 主要集中在前半学期——你前 7 周的 Workshop 表现，直接决定了你在小组里的话语权，也决定了 Week 7 作业的质量。
Week 5-7：不是冲刺期，是验收期
很多人以为 Week 5 之后开始准备作业还来得及，但实际上这三周的设计是：Week 6 讲 CRM Strategies 和 Business Model Canvas（BMC），Week 7 讲 Intro to Customer Analytics，然后 Week 7 结束前交 Data Case。
Week 6 的 CRM Strategies 不是新知识，是要求你把前 5 周的工具整合进一个业务框架里——你的 Segmentation 结果、CLV 计算、CEM 指标，最终要落到"我们应该针对不同客户群体采取什么 CRM 策略"这个问题上。
Week 7 的 Intro to Customer Analytics 更绝——这周讲的是数据分析的底层逻辑（数据清洗、可视化、假设检验），但你的 Data Case 作业就在这周末 due。也就是说，Week 7 的课程内容是给你"最后一次检查作业逻辑是否完整"的机会，而不是"现在开始学、下周交"。
如果你到 Week 6 才开始看数据集、Week 7 才开始写分析报告，那你根本没时间做迭代——数据清洗卡住了怎么办？Clustering 结果不符合业务直觉怎么办？CLV 算出来跟实际客户行为对不上怎么办？
Week 7 的 Data Case 是对前 7 周所有学习的一次综合验收，不是一个"现学现做"的作业。你 Week 1 到 Week 6 的每一周，都应该在 Workshop 上把那周的分析工具练熟、跟组员讨论清楚业务场景，Week 7 的作业只是把这些工具组装起来、输出一份完整的报告。
🎬 应用拆解
Week 1-2：别被"课程介绍"迷惑，Week 1 就开始建数据思维
Week 1 的 Lecture 看起来是 Course Overview，但 Workshop 已经在让你接触真实的客户数据——怎么从一堆交易记录里看出客户行为模式。
很多人 Week 1 的 Workshop 就当成"熟悉环境"，结果 Week 2 讲 RFM 的时候听得云里雾里——因为 RFM 不是一个公式，是一种"看数据"的方式。你得知道什么叫"这个客户上个月买了 3 次、总共花了 5000 块、最近一次是 10 天前"，才能理解 RFM 三个维度（Recency、Frequency、Monetary）为什么能识别高价值客户。
如果你 Week 1 的 Workshop 没认真做，Week 2 的 RFM 分析你只能照着公式套数字，根本不知道算出来的结果代表什么业务含义。
Week 3-4：Clustering 和 CLV 是两个最容易翻车的点
Week 3 的 Segmentation 讲 K-means、Hierarchical Clustering，很多人以为这是统计学内容，跟业务没关系。但实际上，Clustering 的结果必须能解释清楚"这几个客户群体有什么业务特征、我们应该怎么针对性地营销"。
如果你只会跑算法、不会解读结果，Week 7 的作业里你写"我们把客户分成了 3 个 Cluster"，reviewer 会问你：这 3 个 Cluster 分别是什么人？他们的消费行为有什么差异？为什么要分成 3 个而不是 4 个？你答不上来，这部分分数就没了。
Week 4 的 CLV 更要命——CLV 的计算公式看起来简单（未来现金流折现），但你得理解：
- 为什么要算 CLV？因为不同客户的长期价值不一样，营销资源应该优先投给高 CLV 客户
- CLV 怎么跟前面的 Segmentation 结合？因为你要算出每个 Cluster 的平均 CLV，才能判断哪个群体最值得投入
如果你 Week 4 的 Workshop 没搞懂 CLV 的业务逻辑，Week 7 的作业里你只会算数字、不会给建议，这部分也是白做。
Week 5-6：CEM 和 CRM Strategies 是"把分析结果翻译成行动方案"的关键
Week 5 讲 CEM（Customer Experience Management）和 Customer Metrics（NPS、CSAT、CES），这部分很多人觉得是"软性内容"，没有前几周的数据分析重要。
但实际上，Week 7 的 Data Case 最后一部分是要求你"基于分析结果，提出具体的 CRM 策略"——你的 Segmentation、CLV 算完了，然后呢？怎么针对不同客户群体设计营销方案？怎么衡量这些方案的效果？
如果你没搞懂 NPS（客户推荐意愿）、CSAT（客户满意度）、CES（客户费力度）这三个指标分别适用于什么场景，你的 CRM 策略只能写"我们应该提升客户体验"——这种空话在 Data Case 里是拿不到分的。
Week 6 的 CRM Strategies 和 BMC（Business Model Canvas）更直接——这周就是在教你"怎么把前 5 周的分析结果，翻译成一个可执行的商业方案"。如果你这周没听懂，Week 7 的作业你只能做到"数据分析"那一步，做不到"提出洞察和建议"。
💰 高分密码
小组选择：别只挑会写报告的人，要挑能带你理解数据的人
MKTG6018 的 Data Case 是小组作业，很多人组队的时候只看"谁英语好、谁会写报告"，结果 Week 7 交上去的作业数据分析部分一塌糊糊——因为报告再漂亮，分析逻辑不对也是白搭。
高分的关键是：找到能在 Workshop 上带着大家讨论"这个 Clustering 结果合不合理""这个 CLV 算出来为什么这么高"的队友——这种人能帮你在前 7 周把每个分析工具的业务逻辑搞清楚,Week 7 的作业才能做到"数据支撑结论、结论指导行动"。
Participation 的 13%：不是"积极发言"，是"能用数据支撑观点"
这门课的 Participation 包括 class participation 和 discussion leadership——很多人以为"多说话"就能拿分,但实际上 Workshop 上你得能拿着数据说"我发现这个客户群体的复购率特别低，可能是因为……"，而不是泛泛地说"我觉得客户体验很重要"。
如果你前 7 周的 Workshop 每次都在划水、等着别人讨论完了抄结论,那 13% 的 Participation 基本凉了——因为 discussion leadership 要求你至少在某几周的 Workshop 上能带着小组完成分析任务、提出有洞察的观点。
Week 7 之后的 Final Exam：50% 的分数要覆盖 13 周内容，前半学期基础不牢后半学期更崩
Week 7 交完 Data Case 之后,后半学期的内容是：
- Week 8：Text Analysis 和 NLP（自然语言处理）
- Week 9-10：Statistical Learning（回归、分类、模型评估）
- Week 11-12：Advanced Topics（推荐系统、A/B Testing）
这些内容全都要考——Final Exam 占 50%，覆盖全学期 13 周的内容。如果你前 7 周的 Segmentation、CLV、CEM 没搞懂,后面的 Statistical Learning 你根本听不懂——因为回归、分类模型的应用场景,就是建立在前半学期的客户分析框架上。
更要命的是,Final Exam 不只是考概念,还会考"给你一个业务场景,你应该用什么分析方法、为什么"——如果你前半学期没在 Workshop 上练过"拿着数据思考业务问题",考试的时候你只能背公式、套不上场景。
⚠️ 预警提醒
Week 1 开始就要认真对待 Workshop——这不是复习课,是实战演练
很多人以为 Workshop 是"Lecture 的补充",听不懂再来 Workshop 问问题。但实际上 MKTG6018 的 Workshop 是主战场——Lecture 讲框架,Workshop 让你用真实数据跑一遍分析流程。
如果你 Workshop 不做、不讨论,只是坐在那听别人说,那 Week 7 的 Data Case 你根本不知道从哪开始。
Week 7 的 Data Case 决定了你这门课是 Pass 还是 Distinction
30% 的 Data Case + 13% 的 Participation（主要在前 7 周）+ 2% 的 Business Research = 45%。
如果这 45% 你只拿了 30 分（及格线）,那 Final Exam 你得考到 70 分（满分 50 分里拿 35 分）才能 Credit；想 Distinction 你得考到 85 分（满分 50 分里拿 42.5 分）——基本不可能。
所以 Week 1 到 Week 7 的每一周,都得当成"正在考试"来对待——Workshop 认真做、数据认真看、跟组员认真讨论,Week 7 的作业才能拿到该拿的分。
