---
source_url: "https://www.snai.edu/mim/2026/0909/92863.shtml"
title: "课程报道 | 什么？你还只会用Excel透视表？"
meta_description: ""
publish_date: "2026-09-09"
modify_date: "2026-10-08"
author: "上海国家会计学院"
publisher: "上海国家会计学院"
category: "新闻中心"
language: "zh-CN"
priority: 0.5
---

# 课程报道 | 什么？你还只会用Excel透视表？
> 

## 一、详细说明 
**MiM8期A班学员**： 

**迟鼎知**： 

北京兴源诚经贸发展有限公司会计

作为一名在财务领域工作多年的从业者，我对数据的理解曾经长期停留在“报表”层面。会看利润表、读得懂现金流量，也习惯了用Excel做几张透视表。但坦白讲，**过去我用数据的方式，更像是“确认过去发生了什么”，而非“预判未来可能发生什么”。**： 

随着公司在数字化转型上的投入越来越大，业务部门开始频繁提起“用户画像”“精准营销”“智能风控”这些词。同事们讨论着模型、算法、特征工程，而我听着这些概念，**心里很清楚：如果再不补齐数据挖掘这一课，自己很快就会被行业的下一波浪潮甩下。**： 带着这种焦虑和求知欲，我走进了上国会-凯瑞会计（数据分析）MiM项目沙溪清教授的《数据挖掘》课堂。

沙溪清教授是美国亚利桑那州立大学W.P.凯瑞商学院信息系统系的实践副教授，深耕机器学习、深度学习和AI应用领域多年。她不仅是商业数据分析本科项目委员会主席，还获得过多项教学荣誉。**四天的课程从数据挖掘基础到分类、回归、聚类、神经网络逐层展开，**： 每天上午理论+下午Python实操的节奏虽然密集，但每学完一个模块，都让人有一种“原来如此”的通透感。

**从CRISP-DM到星巴克：数据挖掘**： 

**不是玄学，而是一套可复用的解题框架**： 

课程开篇，沙教授就用一张清晰的层级图厘清了“数据挖掘—机器学习—深度学习—人工智能”这四个被反复混用的概念：**数据挖掘**： 是在数据中发现模式、支持决策；**机器学习**： 让机器从数据中学习并作出预测；**深度学习**： 是多层神经网络处理复杂数据；**人工智能**： 是最广泛的概念，旨在使机器模拟人类智能。

她用医疗场景做类比，数据挖掘是分析历年疾病发病率的高风险区域；机器学习是根据病人体检数据预测患病概率；深度学习是分析CT影像自动标注癌症位置；AI是整合所有能力给出诊断建议的健康助手。四句话就把概念边界勾勒得清清楚楚。

**真正让我感到“实用”的，是贯穿全课的方法论主线——CRISP-DM流程。**： 这个跨行业数据挖掘标准流程包含六个环节：业务理解、数据理解、数据处理、建模、评估、部署。沙教授用了星巴克面对中国咖啡市场竞争的真实案例来串联讲解：从管理层发现部分会员消费频率下降、营销转化效果有限开始（业务理解），到梳理已有的会员消费记录、App使用行为、优惠券使用情况等数据（数据理解），再到缺失值处理、特征工程（数据处理），然后选择逻辑回归、决策树或XGBoost建模，用ROC/AUC指标评估模型效果，最后将模型部署至CRM系统生成客户忠诚分数、投放个性化优惠。

**这套流程的价值在于它清晰地回答了“数据挖掘项目到底从哪里下手”，这是最基础、也是最致命的问题。**： 过去我对数据项目的认知是碎片化的，知道一些算法名词，但不清楚它们在整个商业决策链条中的位置。CRISP-DM把从商业问题到技术落地之间的每一步都打通了，这让我回到工作岗位后，面对一个具体业务问题时，脑子里终于有了一张可以按图索骥的地图。

**从决策树到深度学习：算法是**： 

**工具，但理解它的“为什么”才是关键**： 

课程涉及了大量算法，但沙教授的教学风格让我印象极深。她从不让学生死记硬背公式，而是**先讲“为什么需要这个算法”和“它背后的直觉是什么”**： 。

比如讲决策树，她没有一上来就堆砌信息增益的数学推导，而是先用一组简笔画小人做例子。头型是方的还是圆的、体型是长方形还是椭圆、身体是黑的还是白的。一步步手动演示决策树如何递归地选择最优属性进行划分，直到每个叶节点尽可能纯净。在这种形象化的铺垫之后，再引入熵和信息增益的计算，就变得水到渠成。她还特意强调了过拟合的陷阱：一棵深度太大、节点太多的决策树可能在训练集上表现完美，但一遇到新数据就原形毕露——复杂度控制和泛化能力之间的平衡，是贯穿所有模型的核心痛点。

讲逻辑回归时，她花了相当篇幅解释为什么要用Sigmoid函数把线性输出“压缩”到0和1之间。因为概率本来就不能超过1，这种追根溯源的讲解方式，让我第一次真正理解了这些经典算法不是从天而降的“黑箱”，而是有明确数学直觉支撑的工具。

第四天的神经网络与深度学习模块，是我最期待、也最担心听不懂的部分。出人意料的是，沙教授从生物神经元的工作原理讲起。树突接收信号、权重反映重要程度、细胞体求和、超过阈值就触发。课堂里她用“教授讲课、学生听音乐、手机通知弹出、内心杂念干扰”做类比，把抽象的人工神经元模型讲得像在描述真实的课堂场景。

随后层层推进，从单层感知机到多层神经网络，再到CNN卷积网络在图像识别和自动驾驶中的应用，以及语义情感分析如何用于审计报告风险识别和财经新闻情绪判断。前者尤其让我这个财务人眼前一亮：模型分析“Materialweaknesseswereidentifiedininternalcontrols”这类审计措辞时，能自动将其标记为负面信号，这种NLP技术在审计实务中的落地可能，让我看到了数据挖掘与财务专业的交叉点。

**从聚类到关联规则：**： 

**无监督学习的商业想象力**： 

如果说有监督学习的分类和回归，还能和传统统计找到一些衔接点，那么无监督学习板块，对我而言就是全新的认知拓展。

沙教授在讲解聚类分析时，设计了一个非常接地气的例子。如何用欧几里得距离，在所有白酒中找到与茅台风格最相似的替代品。她把每款白酒量化为一个包含香气浓度、酱香风味、口感醇厚度、酒精度、价格、回味长度等十个维度的特征向量。然后用距离计算排序，得出“青花郎”是与茅台最相似的结论。这个案例让我豁然开朗：**原来看似主观的“口感相似”这种东西，完全可以用数学语言精准地描述和比较。**： 

关联规则分析中的支持度、置信度、提升度三个指标，则让我看到了数据挖掘在采购风控上的潜力。沙教授举的例子是，如果财务部门发现某些采购项目，频繁以非正常的组合出现在报销单中，其提升度远高于随机预期水平，就可能暗示违规采购或虚假报销。**这正是将数据挖掘从“洞察过去”推向“预警未来”的生动体现。**： 

四天的课程结束，我最大的感受不是“学了四个新算法”，而是**对整个数据挖掘的认知框架被重构了**： 。以前我看数据是平面的，现在学会了用不同算法从多个角度透视同一批数据；以前我觉得数据挖掘是技术部门的事，现在理解了它本质上是一种“商业翻译”——把业务问题翻译为数据问题，再用算法求解，最后把结果翻译回业务语言。

正如沙教授在课堂上反复强调的，数据挖掘不是目的，而是连接“数据”与“决策”之间的桥梁。对企业而言，数据积累得再多，如果没有将数据转化为洞察力的能力，也不过是一座尚未开采的矿藏。而这门课教给我们的，正是一把挖矿的镐。

**MiM8期A班学员**： 

****邓峰**： **： 

中铁山桥集团有限公司总会计师、总法律顾问

**解锁财务“数据密码”**： 

沙溪清教授打造4天全链路实战特训，完整覆盖数据清洗至预测建模全流程实操，针对性化解财务信息杂乱等痛点，实现经营规律量化分析、风险精准识别、客户成本智能分群。课程结合CapitalOne信贷优化、沃尔玛库存预测标杆案例，教大家盘活企业沉睡数据资产，将零散数据转化为高效智能决策引擎，吃透财务数智化转型核心逻辑。

**从“账房先生”到“价值中枢”**： 

智能算法全面重构财务职能，预测模型赋予财务前瞻研判能力，聚类分析落地精细化成本管控，全域数据互通打通业财信息壁垒。算法并非取代财务积淀的专业经验，而是依托数据洞察放大专业判断，推动财务部门转型为业务价值创造核心，完成财务岗位的战略层级跃升。

**数智时代的财务觉醒**： 

数字化工具仅是落地载体，数据思维才是转型内核。财务数智化的本质是人机协同，财务人员需跳出基础核算执行工作，转变为企业价值挖掘者。以数据为抓手打破传统财务工作边界，工作重心从记录经营价值转向主动创造业务价值，引领企业财务体系变革。如今数智浪潮奔涌而至，唯有掌握数据技术、建立数据思维，才能站稳行业前沿，重塑财务发展新未来。

>>>>>>>>>>>>>>>>>>>><<<<<<<<<<<<<<<<<<<<

**《数据挖掘》课程**： 

**沙溪清亚利桑那州立大学信息系副教授**： 

本课程从数据挖掘的基本概念出发，系统讲解常用的算法与模型，并通过Python等主流开源工具，演示如何在实际商业环境中应用这些技术。课程旨在培养学生将数据转化为洞察力与决策能力的实践能力，为未来在数据驱动型行业中的发展打下坚实基础。

## 二、引用与来源
- 原文来源：<>
- 机构：上海国家会计学院
- 版权声明：上海国家会计学院版权所有