🔗 报告演示代码共用锁定结果

模型一旦锁定，下一步是让三类交付沿用 同一组核心数字。我会先整理一张结果卡，再分别改变表达密度：

1. 代码固定数据边界、fold、pipeline、model ID 与输出；
2. 报告展开验证设计、候选比较、解释和限制；
3. 演示保留管理层需要理解的业务影响；
4. recommendation 回指同一个预测结果和目标群体。

🧩 比如代码锁定 Histogram Gradient Boosting，报告却继续解释 Logistic Regression，演示又换了一组 F1，听众无法判断哪一个模型支撑行动。结果卡把 model ID、OOF 指标、阈值或容量、图表编号放在一起，改一处时三类交付同步更新。

结果卡也要固定版本。小组成员各自截一次图，很容易留下不同训练轮次；统一从锁定 pipeline 导出表格和图，版面可以调整，数字不要手抄。这样报告换图时，演示和代码不会悄悄留在旧结果上。

✅ **一致性检查：**任取报告中的一张图，都能回到代码里的同一模型、fold 与指标；演示 cite 的核心数字也来自这张结果卡。

🎯 prediction 负责筛选，行动效果另测

模型分数说明预测能力，feature importance 说明模型依赖哪些输入，它们无法直接证明某项干预会改变收入或留存。写 recommendation 时，我会沿着 行动边界 往下接：

• prediction 先排出候选对象；
• 目标群体按可执行容量截取；
• 干预动作同时写清触达成本；
• measurable outcome 交给小规模 holdback 试点估计。

🧪 还是用 T2 的 example 结果，按 OOF 风险排序联系前 10%，会得到 1,228 个名额，并覆盖 286 名已观察到的流失者，覆盖率为 32.54%。这组数字能帮助团队讨论容量，无法提前保证触达后的留存变化。扩大名单还会同时改变 coverage、precision 和成本，报告要把容量选择与试点设计连起来。

🔍 交稿前从 recommendation 倒查

最后做一次 逆向回查，从管理动作一路退回分析起点：

• recommendation 写明目标群体、动作、成本与 measurable outcome；
• 目标群体来自锁定模型的 prediction 或排序；
• 锁定模型有同口径的 OOF 比较与稳定性依据；
• 所有候选共用 fold、主指标和 training-fold preprocessing；
• 报告、演示和代码保留同一个 model ID 与核心数字。

链条中哪一格接不上，就回到对应位置补证据。这样检查时，每一项管理动作都有可追溯的预测依据，三类交付也不会各讲一套。

📚 **最后一遍只查这条线：**同一验证口径选出同一模型，同一结果进入三类交付，再由 prediction 接到可以检验的行动。