

> 高校教师发展中心的视角。文中所有流程、参数、踩坑记录，均来自本人实际跑过的工作，涉及具体院校的名称与个案已做泛化处理。

---

## 一、先说为什么做这件事

每年教师教学创新大赛（下称"教创赛"）一启动，教师发展中心的工作就进入固定动作：发通知、动员、组队、磨课、催材料、报送。

做完一圈，领导一定会问一句话：

**"我们到底差在哪儿？"**

这个问题很难答。因为上面那些全是**过程**，不是**判断**。你没法用"办了 6 场磨课"回答"为什么只有三个三等奖"，也没法用"老师们很努力"回答"明年该往哪个赛道发力"。

而要回答它，需要的是另一种东西：**把公开的获奖名单，算成一份能看清位置的报告**。

教创赛的获奖名单是公开的。每届、每个省份、每个组别、每所高校拿了什么等级，全都能查到。问题是——**数据一直在那里，但很少有人把它系统算一遍**。

这个夏天我把这件事做成了：两届数据、上千条记录、十来页报告。过程不算轻松，坑比想象的多。下面把真实流程完整拆开讲。

---

## 二、第一步：先和脏数据搏斗（这一步最耗时间，也最能决定成败）

拿到手的是一份第七百多行的获奖名单表。第一眼看上去挺规整，导入之后才发现**完全不能直接用**。

真实的污染有四种：

| 污染类型 | 具体表现 | 影响 |
|---|---|---|
| 整行左移 | 某几行的"团队教师"字段为空，导致该行所有列向左错一位，奖项等级跑到了"工作单位"列里 | 等级错位，统计全乱 |
| 字段被截断 | 团队名里含顿号，被源系统切断成两行，奖项等级被挤出 | 一条记录裂成两条 |
| 错别字 | 有几行的等级写成"兰等奖" | 无法归类 |
| 括号截断 | 参赛组别里带括号，被从括号处切断 | 组别丢失 |

这些不是小瑕疵——**每一条都会直接改变最终的统计结论**。

处理方式是重建：按"省份 + 参赛组别 + 学校"的复合键重新聚合，去重后得到**近七百条唯一记录**。到这里还不够：还有一百多条记录的等级字段在源表里彻底丢了，需要按"同组有序聚合"的规律（同一组别内等级按一等、二等、三等有序排列）配合上下文反推补齐。

而全流程最重要的一条铁律在这一步就立下了：

> **数据没有对齐官方总数之前，一张图都不许画。**

我最后是拿三个口径交叉验证的：一等奖、二等奖、三等奖各自的官方总数必须对得上，总数必须对得上。**对不上就回炉，不往下走。**

这一步大概占了整个工作量的四成。听起来很不"智能"，但它是这份报告能不能被信任的地基。

---

## 三、第二步：先定口径，再动工具

数据干净了，第二个坑是**口径**。

举一个我真实踩到的：

> **"项数"和"高校数"是两个完全不同的口径。**

一所高校可能拿两个奖。所以"本省获一等奖 6 项"和"本省有 5 所高校获一等奖"，是两个数字，用错一个，整段结论就废了。

我在第一版里就是把两者混用，结果"二等奖和一等奖的比例"算出来接近 1:1，看着像很严重的问题——实际按项数算，比例大约是 1.3:1，和全国平均的 1:2.4 相比确实偏薄，但严重程度完全不同。**结论方向对了，量级全错了。**

所以动手之前，先把分析框架定死。我最后用的是四层：

**第一层：届际趋势**——两届之间，总量、参与面、等级结构怎么变。

**第二层：规模与结构**——这一层最容易被忽略。光看"我们拿了几个奖"没意义，要看的是：
- 参赛高校总数 → 入围高校数 → 入围率
- 入围高校里，各等级各占多少
- 拿到两项及以上的高校占多少（头部集中度）

**第三层：结构性拆分**——把所有记录按两个维度切开看：
- 按办学性质（不同类型高校的获奖等级结构差异极大）
- 按参赛赛道（哪些赛道是获奖高地，哪些是空白）

**第四层：本校定位**——把本校放进前两层构建的坐标系里。

第三层里，赛道这个维度特别有用。把全部记录按赛道统计一遍，你会立刻看到一幅"哪儿在涨、哪儿在挤"的地图。有些赛道获奖数量多、竞争激烈但机会也大；有些赛道参与的人少、反而容易出成绩。**这张地图直接决定了第二年的动员方向。**

---

## 四、第三步：让脚本出图，不要手画

分析口径定完，出图是机械劳动——但正因为机械，**它必须由脚本完成，不能靠人手动做**。

原因很简单：**结论数字必须是算出来的，不能是抄来的。**

我在过程中真实吃过一次亏：有一版报告里的占比是我手工写进正文的，后来源数据一改，图更新了，正文里的数字忘了同步，出现了"图和文不一致"的情况。这种错误在上会材料里是致命的。

所以我最后全部改成脚本生成：

```
Excel 源表（openpyxl 读取）
        ↓
  清洗 + 口径计算（纯 Python 逻辑）
        ↓
  matplotlib 出图（每图一个结论）
        ↓
  校验输出（总数对齐 → 才允许出报告）
```

图一共十张，覆盖全国和本省两条线：届际趋势、高校占比结构、办学类型对比、组别分布、赛道分布、头部高校排名……**每张图都挂一个明确结论**，没有纯装饰性的图。

有两个真实经验值得单独说：

**① 堆叠图不如分组图。**

"不同类型高校获奖等级结构"这张图，第一版我做的是堆叠条形图——把一二三等奖堆在一根柱子上看构成比。生成出来自己一看就发现问题：**读者很难比较不同类型高校之间的差异**，视线全被堆叠的分界线带走了。

改成分组柱状图后，四类高校并列摆开，每根柱子上标数值，一眼就能看出谁的结构最好、谁基本只在三等奖上。**同一份数据，图形式一换，信息传达效率差好几倍。**

**② 换受众就换色系。**

后面给不同类型的院校出报告时，我把整套配色重新换了一遍。这不是为了好看——两份内容结构类似的报告放在一起，如果配色也一样，读者第一反应是"这是同一份材料改的"。换色系、换版式，是为了让每份报告都像"为这所学校单独写的"。

---

## 五、第四步：报告长什么样，才能上会

数据、图都有了，最后一步是把它变成**能上会的文档**。

技术形态上我用的是：**自包含单文件 HTML**（图表以 base64 内嵌进去），再用无头浏览器转成 PDF。这样做有两个好处：单文件方便传阅，不依赖图片文件夹；转 PDF 后打印和批注都正常，十来页的体量刚好。

但真正决定这份报告能不能过的，是另一件事——

> **报告是写给领导看的，不是写给同行看的。**

这句话不是态度问题，是**文体问题**。同行报告和决策报告，写法完全不同：

| | 同行/学术报告 | 决策报告 |
|---|---|---|
| 数据来源说明 | 必须有 | **不放在正文** |
| 研究方法论述 | 详细展开 | **不写** |
| 前期工作过程 | 可以写 | **不写**（那是汇报的事，不是分析的事） |
| 正文内容 | 论证严谨优先 | **数据 → 结论 → 建议 → 目标** |

我第一版就是按"完整"写的——背景说明、数据来源、方法附注一样不落，结果被直接打回：**"写得比较差"**。

问题不在文笔，在于**读者对象错了**。领导要的不是"你怎么做的"，是"现在什么情况、下一步干什么"。数据来源和方法说明应该放在附件或另存的技术文档里，正文只留判断。

改完之后的结构是这样的：

```
一、全国态势概览
    （一）规模增长与届际趋势
    （二）高校占比与入围结构
    （三）办学类型 / 组别格局
    （四）总体判断
二、本省表现分析
    （一）届际趋势
    （二）入围结构
    （三）省内高校间对比
    （四）优势与短板研判
三、对本校的建议
    （一）现状诊断
    （二）对策建议
    （三）预期目标
四、结语
```

四个词概括：**数据、结论、建议、目标**。一条工作过程叙述都没有。

还有一条很关键的写作经验：**位置不好看，也要写。** 数据一摆出来，本校在矩阵里的位置一目了然，有时候结论并不体面。但报告的价值恰恰在这里——如果只写"我们进步了"，这份报告就没有存在的必要了。诊断段我最后写的是"从'有入围'转向'冲奖项'"，克制，但方向明确。

---

## 六、第五步：让一套口径服务多所学校

到这里报告已经能交差了。但真正让我觉得这套活值得沉淀的，是后面发生的事：

**同一套脚本，换掉对比对象、换掉措辞、换掉配色，就给不同类型的院校各出了一版。**

这件事能成立，是因为前面五步的所有工作都是"参数化"的——数据清洗逻辑、口径计算、图表生成、报告骨架，全部是同一套代码。**变的只有三样东西：**

**① 对比对象。** 这是最关键的一步。
- 省属高校 → 放进本省全部入围院校的矩阵里看位次，关注赛道覆盖的厚度
- 部属院校 → 找一个同类型、同体量的对标校逐年比，而不是和全省平均水平比
- 民办本科 → 聚焦本群体内部的横向对比，因为它面对的问题和其他类型完全不同

**② 诊断角度。** 同一份数据，不同定位的学校，病灶不一样：
- 有的学校问题在**参与面太窄**（年年只有一两个人入围）
- 有的学校问题在**结构太软**（有零散奖项，但中间层几乎没有，梯队是断的）
- 有的学校问题在**能量没转化**（个别老师已经拿到好成绩，但停留在个人层面，没变成组织能力）

这三个诊断，用的都是同一份全国数据，结论完全不同。**这就是"定位"的价值——数据是公共的，判断必须是个体化的。**

**③ 对策落点。** 省属高校的对策落在"梯队和赛道"，部属院校落在"对标和机制"，民办院校落在"把个别成功变成常态产出的能力体系"。

到这一步，最初那份"算一算我们差在哪"的报告，变成了一套可以持续复用的分析资产：**每年新一届数据出来，跑一遍脚本，报告就出来了。**

---

## 七、我真实踩过的 5 个坑

全部是真事，按踩坑时间排序：

**① 拿没对齐的数据就开始分析。**
第一轮统计里，因为一批"单位待核"的记录被错误地排除在总数之外，总数比官方口径少了一截。差多少？差了几十项，足够让所有占比结论失真。**教训：先用官方总数校准，再动任何分析。**

**② "项数"和"高校数"混用。**
前面提过。同一个统计表里两种口径并存，一不小心就串了。**教训：每个指标的名字里必须把口径写出来，代码里的变量名也要带口径后缀。**

**③ 手工填写的数字没跟源数据同步。**
图和正文不一致，属于自己给自己埋雷。**教训：正文里所有百分比都必须由脚本生成并写入，不能手敲。**

**④ 直接引用第三方分析。**
有一类数据（比如按办学性质拆分后的结构占比）在官方口径里不那么好找，我一开始引用了第三方整理的分析。这类数据可以用，但必须**标注来源、说明以官方核定为准**，而且不能作为唯一论据。**教训：一手数据能算的就自己算，二手数据只做交叉印证。**

**⑤ 一口气生成，没有逐步确认。**
第一版报告被批"写得比较差"，根本原因不是内容不行，而是**我在没有确认结构和读者定位的情况下，一口气写完了全文**。后来改成：先确认报告给谁看、要哪几章、每章解决什么问题，结构定死之后再动笔，一次就过。

**这条对我震动最大**——AI 协作里最贵的不是打字速度，是**方向确认**。方向错了，生成得再快都是白干。

---

## 八、这段工作可以直接复制去用

如果你也在高校做教学管理或教师发展，手上正好有一堆需要变成判断的数据，下面这个最小骨架可以直接拿去改。

存成 `SKILL.md`，放在用户级技能目录：

- Windows：`C:\Users\<你的用户名>\.workbuddy\skills\`
- macOS / Linux：`~/.workbuddy/skills/`

或者放项目级：`{你的项目目录}/.workbuddy/skills/`

```markdown
---
name: data-report
description: 把原始名单/台账类数据做成可上会的分析报告。当用户要求分析获奖名单、
  参赛数据、培训台账、统计报表并产出报告时使用。触发词：数据分析报告、统计名单、
  做一份分析、出报告、数据概览。
---

# 数据报告助手

## 铁律（违反即停）
1. **先对齐口径**：清洗后的数据必须与官方/权威总数完全一致，对不上不进入分析。
2. **口径不混用**："项数"与"单位数"必须分开命名、分开计算。
3. **数字只由脚本产出**：正文中所有数值、百分比一律脚本生成，禁止手工填写。
4. **二手数据标注来源**：第三方整理数据须注明来源并声明以官方为准。

## 工作流

### 第 1 步：清洗与校验
- 识别典型污染：整行错位、字段截断、错别字、括号截断
- 按复合键重建去重，记录丢失字段并标注
- **输出校验结果**：与权威总数逐项比对，未对齐则停止

### 第 2 步：确定分析口径
从这四层里选用，不要跳：
1. 届际/期际趋势
2. 规模与结构（总量、参与率、等级占比、集中度）
3. 结构性拆分（按类别维度，至少两个维度）
4. 目标单位定位（放进前两层构建的坐标系）

### 第 3 步：出图
- 脚本生成，每图挂一个结论，不要装饰图
- 对比类用分组柱状图，慎用堆叠图
- 换受众时整包换配色

### 第 4 步：报告结构
数据 → 结论 → 建议 → 目标。四段。
- 不写数据来源与方法说明（附件另附）
- 不写工作过程叙述
- 位置不理想也要如实写

### 第 5 步：交付前自检
- 图与正文数字是否一致
- 每个百分比能否回溯到源数据
- 读者对象是否正确（判断类 vs 论证类）
```

用法：把数据文件丢给它，说一句"帮我做一份 XX 的数据分析报告，读者是校领导"，它会按上面五步走。**结构定下来之后，它能自己跑完**；但第 1 步的校验结果和报告结构，建议你亲自确认一次——这两处是整份报告的地基。

---

## 九、边界与提醒

最后说三条我认为必须写清楚的边界：

**① 数据必须来自官方或可核验来源。** 教创赛数据之所以能做，是因为获奖名单公开。如果数据来源不透明，分析得再漂亮也不能用。二手数据可以做交叉印证，不能做唯一依据。

**② 结论必须能回溯到源数据。** 报告里每一个数字，都要能说清是从哪一批原始记录、用哪个口径算出来的。这条在事后被追问时最重要。

**③ 报告帮领导看清位置，不代替决策。** 数据分析的边界是给出客观位置和可选方向，往哪个方向投入、投入多少，是组织决策，不是数据能决定的。

---

写这份报告的过程中我最大的感受是：**高校里其实沉淀着大量"没人算过"的公开数据**。参赛名单、评审结果、培训台账、课程数据……它们散在各个表格里，没人系统处理，于是每年都在重复同一个问题——"我们差在哪"。

而这恰好是 AI 最擅长的一类活：**有明确规则、有大量重复劳动、需要极强的准确性**。它不负责判断，它负责把判断需要的事实，一条不错地摆到桌面上。

判断仍然是人做的。区别是，从今往后，是**有数据支撑的判断**。

---

*本文为个人使用心得，流程、踩坑与参数均取自本人实际工作记录，未做夸大；涉及具体院校的名称、名次与个案已做泛化处理。发布时请打 #WorkBuddy# 标签，投腾讯云开发者社区 WorkBuddy 专区。*


高校教师发展中心的视角。文中所有流程、参数、踩坑记录，均来自本人实际跑过的工作，涉及具体院校的名称与个案已做泛化处理。

用 WorkBuddy 做竞赛数据分析：从一堆获奖名单到一份能上会的报告

职业发展

把教创赛获奖名单系统清洗、对齐口径后，用脚本生成报告，定位本校在各省高校中的真实位置与赛道短板。全程参数化，可复用服务多类型院校。报告采用数据→结论→建议→目标结构，帮助决策层看清差距，为下届参赛策略提供可回溯的数据支撑。

2026上云采购 | AI焕新·智启新局

workbuddy

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

用 WorkBuddy 做竞赛数据分析：从一堆获奖名单到一份能上会的报告-腾讯云开发者社区-腾讯云

用 WorkBuddy 做竞赛数据分析：从一堆获奖名单到一份能上会的报告

用 WorkBuddy 做竞赛数据分析：从一堆获奖名单到一份能上会的报告

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐