方法与分析模式索引
从业务问题到数据科学方案（ch06、ch12）
先明确业务目标和衡量方式，再收集/准备数据、建立基线模型、比较候选方法、实验验证并部署监控。不要从算法或工具选型倒推业务问题。
复杂度与可解释性权衡（ch11–12）
从简单模型开始；只有在复杂方法带来经验证的增量价值，且成本、解释和治理能够接受时再升级。模型表现应结合错误代价而非单一准确率评估。
判断分布式账本适用性（ch07–08）
确认是否存在多个参与方、共同记录/状态不一致痛点、可共同接受的治理与验证机制；再比较集中式数据库、共享数据库和 DLT，并检查隐私、性能、法律权利和异常处理。
金融科技基础设施评估（ch02、ch04–05、ch10）
依次检查身份、数据可信度、客户授权、公共基础设施、数据所在地、计算能力、开放接口、人才、政策和网络安全。缺少关键底座时，单点产品创新难以规模化。
数字客户旅程控制点（ch10、ch22、ch25）
按客户接入、告知/同意、建议/报价、购买/支付、数据存储、持续服务和投诉处理逐环节记录数据流、决策主体、责任方及审计证据。
信贷平台风险闭环（ch17–18）
将获客、身份与数据、信用判断、资金匹配、定价、贷后监测和损失核销作为一个整体评估；在线撮合或机器学习不能替代风险资本和治理。
自动化适配性判断（ch13、ch22）
优先识别规则稳定、重复、可审计的任务；明确例外和人工升级路径。若底层流程定义混乱，RPA 可能只是更快地复制错误流程。
另类数据验证（ch16）
核验来源、许可、质量、时间覆盖、代表性、增量预测价值及部署后稳定性。案例相关性或相关指标不等于可复制的投资优势。