从美赛Z题看数据驱动决策：多准则评估与系统动力学建模实战

1. 项目概述：从一道赛题看数据驱动的决策艺术

最近和几个学生复盘去年的美赛，聊到了2023年ICM的Z题“奥运会的未来”。这道题当时让不少队伍直呼“头大”，因为它不像传统的优化或预测题那样有明确的数学模型可以套用。它更像是一个开放性的战略咨询项目，要求你站在国际奥委会（IOC）的立场，用数据和分析去回答一个宏大的问题：奥运会这项百年盛会，如何在21世纪中叶保持其相关性和可持续性？

我带着团队完整地做了一遍这道题，感触颇深。这不仅仅是一次数学建模竞赛，更像是一次对复杂系统分析、多目标决策和战略性叙事能力的综合考验。题目给出的核心材料是一份IOC发布的《奥林匹克议程2020+5》，里面包含了15条改革建议。你的任务不是简单地复述这些建议，而是要用建模的手段，量化评估这些建议的潜在影响，并为其优先级排序，最终构建一个面向2040年的、可行的“未来奥运会”模型。

简单来说，这道题考察的是：你如何将一份充满定性描述的战略文件，转化为可量化、可模拟、可验证的数据模型，并为决策者提供有说服力的证据和支持。它适合所有对系统分析、政策建模、数据科学和战略咨询感兴趣的同学，无论你是数学、统计、计算机背景，还是经济、管理、社会科学出身，都能在这里找到发挥的空间。接下来，我就把我们解题过程中的核心思路、模型构建的细节、代码实现的技巧，以及那些“踩坑”后总结的经验，毫无保留地分享出来。

2. 解题核心思路与整体框架设计

面对“奥运会的未来”这样庞大的议题，最忌讳的就是一上来就埋头建模型、写代码。我们的首要任务是解构问题，建立一个清晰的分析框架。题目本质上是要求我们完成一个“政策评估与路径规划”的任务。

2.1 问题解构：三层分析视角

我们将问题拆解为三个层层递进的层次：

第一层：理解战略目标（What & Why）仔细研读《奥林匹克议程2020+5》的15条建议，我们发现其核心目标可以归纳为三个维度：

1. 可持续性（Sustainability）：包含财务可持续（控制成本、增加收入）、环境可持续（低碳、减废）和社会可持续（留下积极遗产、社区融合）。
2. 相关性（Relevance）：吸引年轻观众（数字化、新兴项目）、适应城市发展模式（分散化、灵活举办）、促进性别平等与包容。
3. 公信力（Credibility）：治理透明、反兴奋剂、确保比赛公正。

这三大目标本身可能存在矛盾。例如，为了吸引年轻人增加电子竞技等新项目（提升相关性），可能会增加组织复杂性和成本（影响可持续性）。我们的模型必须能刻画这种权衡。

第二层：定义评估体系（How to Measure）我们需要为每个战略目标找到可量化的指标（Metrics），这是将定性建议转化为数学模型的关键一步。

• 可持续性指标：可选用“总举办成本与总收入比率”、“碳排放总量（吨CO₂）”、“赛后场馆利用率”、“公众支持率（通过舆情数据模拟）”等。
• 相关性指标：可选用“全球电视及数字媒体收视率（尤其是18-35岁人群）”、“社交媒体讨论热度”、“参赛国家/地区数量”、“新兴项目观众满意度调研得分”等。
• 公信力指标：这部分更偏定性，但可以尝试量化，如“反兴奋剂检测阳性率”、“赛事争议事件媒体负面报道数量”、“IOC决策透明度指数（基于公开文件评估）”等。

第三层：构建决策模型（How to Decide）有了目标（三大维度）和度量标准（指标），接下来就是构建模型来评估15条建议的不同组合（即不同的“未来奥运会”方案）的效果。我们采用了多准则决策分析（MCDA）结合系统动力学模拟的混合框架。

1. 影响网络建模：首先，我们绘制了15条建议与上述各项指标之间的“影响关系图”。每条建议可能对多个指标产生正面或负面影响，影响程度也有强有弱。这步通常使用问卷调查（德尔菲法）或基于历史文献/案例进行专家打分来完成，在比赛中则需要我们做出合理假设并明确说明。
2. 系统动力学模拟：对于“成本”、“收入”、“碳排放”、“观众兴趣”等随时间动态变化的指标，我们构建了一个简单的系统动力学模型（使用Vensim或任何微分方程模拟）。例如，“推广数字化转播”建议，初期会增加投入（成本↑），但长期会吸引线上观众（收入↑、相关性↑）。模型可以模拟2025-2040年间，不同政策组合下关键指标的演变路径。
3. 多准则评估与排序：最后，对于2040年的某个模拟结果，我们得到了一个包含多个指标值的“成绩单”。如何评判哪个方案更好？这就需要用到多准则决策方法，如层次分析法（AHP）或TOPSIS法。我们通过假设IOC对不同战略目标（可持续、相关、公信力）的偏好权重，计算出每个方案的综合得分，从而为15条建议的实施方案排序。

注意：这个框架的妙处在于其灵活性。你可以根据自己团队的知识背景，强化其中某一部分。例如，擅长数据分析的队伍可以深化指标量化部分，利用历史奥运数据进行回归预测；擅长复杂系统的队伍可以深化系统动力学模型；擅长运筹的队伍可以将其转化为一个优化问题（在预算等约束下，最大化综合得分）。

2.2 工具选型与协作策略

工欲善其事，必先利其器。针对这个分析型项目，我们的工具栈如下：

• 数据分析与可视化：Python（Pandas, NumPy, Matplotlib, Seaborn）是绝对主力。用于数据清洗、指标计算、生成模拟数据和制作所有图表。Jupyter Notebook非常适合这种探索性分析。
• 系统动力学：我们选择了Python的SimPy库进行离散事件模拟，对于更复杂的连续模型，也可以使用Vensim PLE（免费版）建模后导出数据。在论文中，我们用Stock-Flow图清晰展示了模型结构。
• 多准则决策：AHP的权重计算我们用Python手动实现，也可以使用pyanp这类库。TOPSIS法有现成的scikit-criteria库或自己实现也不复杂。
• 文档与绘图：论文写作使用LaTeX，确保公式和排版的专业性。关系图、影响网络图使用draw.io或Microsoft Visio绘制，清晰美观。

团队协作上，我们采用“分-总”模式：一人负责数据与指标（Python分析），一人负责系统动力学模型构建与模拟，一人负责多准则决策整合与论文写作。每日进行简短同步，确保三部分模型在假设和数据接口上保持一致。

3. 核心模型构建细节与实操要点

这里我重点分享两个最具特色的模型部分：基于影响网络的建议量化评估，以及系统动力学模拟的核心逻辑。这是将思路落地的关键。

3.1 影响网络与建议量化评估模型

这是从定性建议到定量评估的桥梁。我们为每条建议（编号S1-S15）对其可能影响的各个指标（如成本、收入、青年收视率等）进行影响力评分。

步骤一：构建影响矩阵我们定义了一个影响力评分等级，例如：-2（强负向）， -1（负向）， 0（无影响）， +1（正向）， +2（强正向）。然后通过团队讨论（模拟专家共识），填写一个15（建议） x N（指标）的矩阵。

例如：

步骤二：指标归一化与加权不同指标量纲不同（成本是美元，收视率是百分比），需要归一化。我们采用最小-最大归一化。更关键的是指标权重的确定。我们采用层次分析法（AHP）。

1. 构造判断矩阵：比较“可持续性”、“相关性”、“公信力”三大准则对于“奥运会未来成功”的重要性。例如，我们认为在当下环境，“可持续性”比“相关性”略微重要（标度3），“相关性”比“公信力”稍微重要（标度2）。
2. 使用Python计算权重向量并做一致性检验（CR<0.1）。

import numpy as np from scipy import linalg def ahp_weight(matrix): """ 计算AHP判断矩阵的权重向量。 matrix: n*n 的判断矩阵 """ # 计算特征值和特征向量 eigenvalues, eigenvectors = linalg.eig(matrix) max_idx = np.argmax(eigenvalues.real) max_eigenvalue = eigenvalues[max_idx].real weight_vector = eigenvectors[:, max_idx].real weight_vector = weight_vector / weight_vector.sum() # 归一化 # 一致性检验 n = matrix.shape[0] CI = (max_eigenvalue - n) / (n - 1) RI = {1:0, 2:0, 3:0.58, 4:0.90, 5:1.12, 6:1.24, 7:1.32, 8:1.41, 9:1.45} # 平均随机一致性指标 CR = CI / RI[n] return weight_vector, CR # 示例：准则层判断矩阵（可持续性， 相关性， 公信力） criteria_matrix = np.array([ [1, 3, 5], # 可持续性 vs [自身，相关性，公信力] [1/3, 1, 2], [1/5, 1/2, 1] ]) weights, cr = ahp_weight(criteria_matrix) print(f"准则权重: {weights}") print(f"一致性比率 CR: {cr:.4f} (需<0.1)")

步骤三：计算建议的综合影响力得分假设我们得到了准则权重 W = [W_sust, W_rel, W_cred]。每个准则下又有若干指标。我们需要将影响矩阵中的分数，通过指标权重聚合到准则层面，再聚合到最终得分。这里简化演示，假设我们已经将每条建议对每个准则的直接影响分数聚合好了（记为 Score_matrix， 15行3列）。

import pandas as pd # 假设的分数矩阵，行是建议S1-S15，列是[可持续性得分， 相关性得分， 公信力得分] score_matrix = np.random.rand(15, 3) * 10 - 5 # 生成-5到5之间的模拟分数 suggestions = [f'S{i}' for i in range(1, 16)] score_df = pd.DataFrame(score_matrix, index=suggestions, columns=['Sustainability', 'Relevance', 'Credibility']) # 准则权重（来自上一步AHP计算） criteria_weights = np.array([0.6, 0.3, 0.1]) # 示例权重，假设可持续性最重要 # 计算每条建议的加权总分 score_df['Total_Score'] = score_df.dot(criteria_weights) score_df_sorted = score_df.sort_values(by='Total_Score', ascending=False) print("建议影响力综合排序：") print(score_df_sorted[['Total_Score']].head())

这个分数代表了每条建议的“潜在净效益”，是后续排序和方案选择的基础。

3.2 系统动力学模拟核心逻辑

为了模拟政策建议的长期动态影响，我们为“奥运会生态系统”构建了一个简化模型，包含几个关键存量（Stock）和流量（Flow）。

核心存量：

1. 公众兴趣度（Public Interest）：受赛事精彩程度、明星运动员、数字化参与度等影响。
2. 财务储备（Financial Reserve）：受门票、转播权、赞助商收入以及举办成本、基础设施投资影响。
3. 环境负债（Environmental Debt）：累积的碳排放等负面环境影响。

核心政策杠杆（对应建议）：

• 数字化投资：增加短期成本，提升长期“公众兴趣度”和媒体收入。
• 成本控制措施：降低每次赛事的运营成本流量，增加“财务储备”。
• 绿色技术投资：增加短期成本，降低每次赛事产生的“环境负债”流量。

我们用差分方程在Python中模拟了这个过程：

import numpy as np import matplotlib.pyplot as plt def simulate_olympics(years, policy_digital, policy_cost, policy_green): """ 简化版奥运会系统动力学模拟 years: 模拟年数 policy_*: 政策强度系数，0-1之间 """ interest = 100 # 初始公众兴趣度 finance = 50 # 初始财务储备（十亿美元） env_debt = 20 # 初始环境负债（指数） interest_hist = [interest] finance_hist = [finance] env_debt_hist = [env_debt] for t in range(1, years+1): # 计算每年的流量（简化版） # 收入流：基础收入 + 数字化带来的增量 revenue = 10 + 3 * policy_digital * (interest / 100) # 成本流：基础成本 - 成本控制节约 + 绿色投资 cost = 8 - 2 * policy_cost + 1 * policy_green # 兴趣变化：自然衰减 + 数字化提升 - 环境负债的负面影响 delta_interest = -2 + 5*policy_digital - 0.5*(env_debt/100) # 环境负债变化：基础排放 - 绿色技术削减 delta_env_debt = 3 - 4*policy_green # 更新存量 interest = max(0, min(100, interest + delta_interest)) finance += revenue - cost env_debt += delta_env_debt env_debt = max(0, env_debt) interest_hist.append(interest) finance_hist.append(finance) env_debt_hist.append(env_debt) return interest_hist, finance_hist, env_debt_hist # 模拟三种不同政策侧重 # 方案A：均衡型 int_A, fin_A, env_A = simulate_olympics(15, 0.7, 0.5, 0.6) # 方案B：激进数字化 int_B, fin_B, env_B = simulate_olympics(15, 0.9, 0.3, 0.3) # 方案C：保守成本控制 int_C, fin_C, env_C = simulate_olympics(15, 0.4, 0.8, 0.4) # 绘制结果 years = list(range(16)) plt.figure(figsize=(15, 5)) plt.subplot(1,3,1) plt.plot(years, int_A, label='方案A: 均衡') plt.plot(years, int_B, label='方案B: 激进数字') plt.plot(years, int_C, label='方案C: 保守成本') plt.title('公众兴趣度模拟') plt.xlabel('年份') plt.legend() plt.subplot(1,3,2) plt.plot(years, fin_A, label='方案A') plt.plot(years, fin_B, label='方案B') plt.plot(years, fin_C, label='方案C') plt.title('财务储备模拟（十亿美元）') plt.xlabel('年份') plt.subplot(1,3,3) plt.plot(years, env_A, label='方案A') plt.plot(years, env_B, label='方案B') plt.plot(years, env_C, label='方案C') plt.title('环境负债模拟（指数）') plt.xlabel('年份') plt.tight_layout() plt.show()

通过调整policy_digital等参数，我们可以直观地看到不同政策组合在15年（模拟到2040年）里对三个核心存量的不同影响轨迹，这为决策提供了动态视角。

实操心得：系统动力学模型的复杂度要控制好。在美赛有限的时间内，构建一个包含5-8个关键存量、逻辑清晰的简化模型，远比一个试图包罗万象但漏洞百出的复杂模型更有说服力。重点在于清晰地阐述变量间的因果关系（正/负反馈环），并用模拟结果讲述一个“故事”：如果侧重A政策，长期会怎样；如果侧重B政策，又会如何。

4. 模型集成、方案排序与可视化呈现

在完成了影响评估和动态模拟后，我们就得到了关于每条建议或每个政策方案的多维度数据。接下来就是整合这些信息，给出一个清晰的优先序和未来蓝图。

4.1 基于TOPSIS的综合排序方法

AHP帮我们确定了权重，而TOPSIS（逼近理想解排序法）则非常适合用于对多个方案（即不同的建议组合包）进行最终排序。它的原理是找出“理想最优解”（所有指标都最好）和“理想最劣解”（所有指标都最差），然后计算每个方案与这两个解的距离，离最优解最近、离最劣解最远的方案就是最好的。

假设我们模拟了K个不同的政策方案，每个方案有M个评估指标（例如：2040年的公众兴趣度、财务储备、环境负债、青年收视率等）。我们构建一个K x M的决策矩阵。

from sklearn.preprocessing import MinMaxScaler def topsis(decision_matrix, weights, impacts): """ TOPSIS排序算法 decision_matrix: K行M列的numpy数组，K个方案，M个指标 weights: M个指标的权重数组，总和为1 impacts: 每个指标的影响方向，'+'表示效益型（越大越好），'-'表示成本型（越小越好） """ # 1. 归一化决策矩阵 scaler = MinMaxScaler() norm_matrix = scaler.fit_transform(decision_matrix) # 2. 加权归一化矩阵 weighted_norm = norm_matrix * weights # 3. 确定理想最优解(A+)和最劣解(A-) ideal_best = [] ideal_worst = [] for i in range(weighted_norm.shape[1]): col = weighted_norm[:, i] if impacts[i] == '+': ideal_best.append(col.max()) ideal_worst.append(col.min()) else: # '-' ideal_best.append(col.min()) ideal_worst.append(col.max()) ideal_best = np.array(ideal_best) ideal_worst = np.array(ideal_worst) # 4. 计算各方案到理想解的距离 dist_to_best = np.linalg.norm(weighted_norm - ideal_best, axis=1) dist_to_worst = np.linalg.norm(weighted_norm - ideal_worst, axis=1) # 5. 计算相对贴近度 closeness = dist_to_worst / (dist_to_best + dist_to_worst) # 6. 按贴近度降序排序（值越大越好） ranked_indices = np.argsort(closeness)[::-1] return closeness, ranked_indices # 示例：假设有5个方案，4个指标 # 指标：兴趣度(+)， 财务(+)， 环境负债(-)， 成本(-) decision_matrix = np.array([ [85, 120, 25, 18], # 方案1 [90, 110, 30, 15], # 方案2 [78, 130, 22, 20], # 方案3 [88, 105, 28, 12], # 方案4 [82, 115, 26, 16] # 方案5 ]) weights = np.array([0.3, 0.3, 0.2, 0.2]) # 对应四个指标的权重 impacts = ['+', '+', '-', '-'] # 指标类型 closeness, ranking = topsis(decision_matrix, weights, impacts) print("各方案贴近度:", closeness) print("方案排序（从好到差）:", ranking + 1) # 方案编号从1开始

通过TOPSIS，我们可以综合静态影响分数和动态模拟终点值，得到一个量化的、考虑权重和指标类型的综合排名。在论文中，我们将排名前5-7条的建议作为“优先实施核心包”。

4.2 面向2040年的“未来奥运会”模型描述

排序不是最终目的，最终要描绘一个图景。我们基于排序结果，构建了一个分阶段的实施路线图：

1. 近期（2025-2030）：奠基阶段

   • 核心建议：大力推行数字化参与（S2）、改革申办流程以降低成本（S1）、引入气候风险评估（S3）。
   • 模型依据：这几项在影响评估中得分高，且系统模拟显示其短期投入能在中长期带来显著的正向收益（如提升兴趣、改善财务），为后续改革积累资本和公众信任。

2. 中期（2031-2036）：转型阶段

   • 核心建议：优化赛事项目设置以吸引青年（如纳入受年轻人欢迎的运动）、深化与社区的遗产共创计划、强化反兴奋剂与诚信体系。
   • 模型依据：在财务和公众兴趣度初步改善后，推行那些需要一定基础或涉及更深层文化改变的建议。系统模型显示，此阶段“相关性”和“公信力”指标应显著提升。

3. 远期（2037-2040）：新模式成型阶段

   • 核心建议：形成固定与灵活结合的举办模式、建立强大的数字奥林匹克社区、实现碳中和赛事成为标准。
   • 模型依据：模拟至2040年，各项关键指标（综合得分）应达到一个稳定且可持续的“新平衡点”。我们的模型预测显示，按照此路线，2040年奥运会的公众兴趣度、财务健康度和环境表现将显著优于基于历史趋势的“照常运营”情景。

我们将这个路线图与关键指标的模拟预测曲线整合在一张图中，清晰地展示了“未来模型”是如何一步步实现的。

4.3 数据可视化与叙事技巧

在ICM这类评述性强的比赛中，可视化不仅是展示数据，更是讲述故事的工具。

• 桑基图（Sankey Diagram）：用于展示15条建议如何影响三大战略目标及其下属指标，直观呈现建议的“作用路径”和影响力大小。可以使用plotly库绘制。
• 雷达图（Radar Chart）：对比“当前状态”、“照常运营的2040年预测状态”和“我们模型建议的2040年理想状态”在多个指标上的表现，反差一目了然。
• 带有政策干预标记的时间序列图：在系统动力学模拟结果图上，在对应的时间点标记出“实施S1”、“实施S2”等政策，清晰地展示政策干预如何改变了曲线轨迹。
• 热力图（Heatmap）：展示影响矩阵，用颜色深浅表示影响强度，非常直观。

注意事项：所有图表必须清晰、专业、有自明性（标题、坐标轴、图例齐全）。在论文中，每张图下都应有详细的解读文字，说明这张图揭示了什么，如何支持了你的论点。避免堆砌图表，每一个都应有其不可替代的叙事作用。

5. 常见问题、避坑指南与参赛心得

回顾整个解题和备赛过程，我们遇到了不少典型问题，也总结了一些能让你的论文脱颖而出的技巧。

5.1 模型构建中的典型问题与解决思路

问题1：数据从哪里来？题目没给数据！这是ICM常见问题。我们的策略是：

• 合理假设与参数化：明确声明所有参数均为“基于历史数据和合理假设的估计”。例如，数字化投资对收入的提升系数，可以参考类似大型体育赛事（如世界杯）数字化转型的报告，给出一个范围（如5%-15%），并在敏感性分析中测试。
• 使用代理数据与归一化：很多指标无法获得精确值。我们可以使用0-10或0-100的相对分数。例如，“公众兴趣度”可以用历史奥运会的Google Trends指数、社交媒体话题量等作为代理，归一化后使用。关键在于方法透明。
• 重点展示关系与趋势，而非绝对值：评委看重的是你建模的逻辑，而不是某个参数绝对精确。只要你的模型能合理反映“A增加会导致B增加，但可能抑制C”这样的关系，就是成功的。

问题2：模型复杂度与可解释性的平衡

• 踩过的坑：初期我们试图构建一个包含20多个存量的超详细模型，结果不仅难以在短时间内完成，而且参数多到无法解释，稳定性也差。
• 解决方案：遵循“奥卡姆剃刀”原则。最终模型只保留了最核心的5个存量（如兴趣、财务、环境负债、公信力指数、遗产价值），每个存量只由2-3个最主要的流量驱动。在论文中，我们花了大量篇幅用文字和图表解释这几个核心变量为什么重要，它们之间如何相互作用，模型反而更有说服力。

问题3：如何处理建议间的相互冲突与协同？

• 我们的方法：在影响矩阵打分时，就考虑了间接影响。例如，“分散举办”（S1）可能降低“赛事氛围”（对相关性指标有轻微负面影响），但大幅降低了“成本”（对可持续性指标有强正面影响）。我们在系统动力学模型中，通过设置耦合的微分方程来体现这种复杂关系。例如，interest的增长不仅依赖于数字化投资，也依赖于finance（充足的预算能办出更精彩的赛事）和env_debt（环境丑闻会打击兴趣）。

5.2 论文写作与呈现的核心技巧

1. 讲一个连贯的故事论文不是技术报告堆砌。从摘要开始，就要勾勒出故事线：“奥运会面临挑战 -> 我们通过构建一个融合MCDA和系统动力学的评估框架 -> 量化分析了15条建议 -> 发现了核心优先项 -> 模拟了其长期动态影响 -> 最终提出了一个分三阶段实施的、可量化的2040年未来模型”。每一部分都服务于这个故事。

2. 突出你的“建模思维”，而不仅仅是模型本身在模型假设部分，详细说明你为什么选择这些指标、为什么这样定义关系。例如，写“我们假设公众兴趣度存在自然衰减率，这是基于体育热点随时间消退的普遍观察”，这比单纯给出一个方程dI/dt = -kI + ...更有深度。

3. 敏感性分析是点睛之笔必须做！改变关键参数（如AHP权重、政策影响系数），看你的方案排序是否稳定。如果排序基本不变，说明你的结论很稳健；如果变化很大，则需要讨论在何种决策者偏好下结论会不同。这展示了模型的严谨性和你对问题复杂性的认识。

4. 清晰定义“模型”的各个部分在论文中明确区分：哪些是评估框架（如影响网络+MCDA），哪些是模拟模型（系统动力学），哪些是优化/排序算法（TOPSIS）。并用不同的章节或小节来阐述，结构会非常清晰。

5. 代码与附录将核心、简洁、可读性高的代码放入附录。在正文中引用关键代码片段（如AHP权重计算、系统动力学的主循环）。确保代码有注释，变量名有意义。

5.3 给未来参赛者的建议

• 尽早确定框架：拿到题后，用第一天上午完成问题解构和整体框架设计，并达成团队共识。这是最重要的步骤，避免中途返工。
• 分工但频繁沟通：负责不同模块的队员必须定期同步接口（如指标定义、参数范围），否则最后整合时就是灾难。
• 先完成，再完美：先建立一个能跑通的、最简单的模型版本（V1.0），确保有完整的故事线和结果。然后再迭代优化（V1.1, V1.2...），增加复杂性或美化分析。
• 重视可视化与写作：最后一天一定要留足时间给论文写作、图表美化和摘要打磨。一篇表达清晰、图表专业的论文，即使模型相对简单，也往往比一个模型复杂但表述混乱的论文得分高。
• 保持冷静，享受过程：美赛时间紧压力大，但本质上是一次精彩的团队学习和问题解决体验。专注于把你们对问题的思考逻辑清晰地展示出来，这就是成功。

这道“奥运会的未来”赛题，完美地诠释了ICM竞赛的精髓：它没有标准答案，考察的是你运用数学工具解决现实世界复杂问题的综合能力——从问题结构化、量化建模、计算模拟到策略建议和沟通表达。希望这份超详细的复盘，能为你打开一扇窗，不仅仅是应对一场比赛，更是学习一种用数据和模型进行系统性思考的方法。