印度教育科技并购使用 AI 群组分析来测试收入质量

1 构建模型前定义获取问题

教育技术收购很少会带来单一的增长率。买家可能会寻求参加考试准备、进入学习者社区、公认的教师网络、企业分布、课程知识产权、区域覆盖范围或成本较低的数字交付平台。每篇论文都需要不同的证据。分销论文需要渠道层面的获取和更新。学习平台论文需要积极使用、完成和结果证据。整合论文需要重复成本、产品重叠和迁移风险。尽职调查模型应从管理层和董事会必须做出的投资决策开始。

印度竞争委员会于 2026 年 7 月批准收购 Sorting Hat Technologies 股权并将其合并到 upGrad Education。^[1] 公开合并摘要表示，此次交易将使人们能够进入在线考试准备领域，并扩大所服务的学习者范围。^[2] 该委员会还于 2025 年 6 月批准了涉及 Aakash Educational Services 的收购。^[3] 这些公共记录证实了持续的交易活动，并表明战略范围可以跨越在线、课堂和混合教育。他们不提供评估单个目标所需的私人运营证据。

尽职调查范围应与购买协议中包含的法人实体、品牌、产品、渠道和期限相匹配。买家经常收到仪表板，其定义随着公司的发展而变化。付费学习者可能是指购买者、激活的帐户、附属于家庭付款人的学生或后来违约的分期付款计划。续订可能意味着第二次交易、升级、自动延长订阅或同一学习者进入不同的课程。交易团队应在使用任何报告的指标之前冻结数据字典。

第一个输出是获取问题寄存器。它说明了论文、测试论文所需的指标、源记录、负责的审阅者以及测试失败的后果。这可以防止令人印象深刻的分析工作脱离估值和合同决策。它还可以尽早发现缺失的证据，以便买方缩小范围、调整价格、增加保护或撤回。

每个问题都应该有明确的来源、测试和交易结果。

2 构建学习者经济事件模型

买方需要一个连接商业、学习和金融系统的通用事件模型。该链通常从潜在客户或机构机会开始，并通过同意、购买、收集、激活、访问、参与、服务交付、评估、完成、续订、退款、投诉和结果继续。每个事件都有时间戳、源系统、标识符、产品、渠道和状态。模型应保留原始事件，而不是用后来的仪表板分类替换它。

身份解析是第一个分析控制。一名学习者可以使用家长的电话号码、学校电子邮件、多台设备和多个课程帐户。一个付款人可以资助多个学习者。企业合同可能会提供稍后创建最终用户的席位。买方应分别定义家庭、付款人、学习者和账户关系。匹配规则需要置信度分数和异常审查，因为错误的连接会夸大交叉销售和保留，而错过的连接会低估它们。

事件模型还需要客户承诺层。录制的课程销售可能包括现场教学、录音、练习测试、指导、实物材料、安置支持或在规定期限内的访问。买方无法仅通过登录数据来测试服务交付。它应该将每个承诺的组成部分映射到可观察的证据和财务处理上。印度的 Ind AS 115 材料描述了围绕承诺的商品或服务的转让以及客户预期的对价金额的收入确认。^[17] 交易尽职调查应将运营证据与目标公司的会计政策和经审计的财务报表以及合格的会计建议进行核对。

原始事件分类账保持不变。转换、排除和连接都是版本化的。然后，每个板指标都可以追溯到源行。该学科还使人工智能分析更加安全，因为模型接收记录的总体而不是未记录的仪表板提取。

3 围绕客户承诺重建群体

队列是一个群体，其成员具有相同的起始条件。日历月购买者对于现金和收购分析非常有用。课程开始队列的出勤率和完成率更好。考试周期队列可能适合考试准备。企业学习者可能需要合同和激活队列。买家应该使用多个群组视图并说明每个视图支持哪个决策。

队列分母与分子一样值得关注。仅基于有资格续订的学员的续订费率与基于所有购买者的费率不同。完成率可以排除取消、退款的学习者或购买访问权限但从未激活的人。排除可能是合理的，但它们需要可见性。该模型应显示完整的起始种群、每次移除、剩余的合格组和测量结果。

公共教育数据有助于检验私营经营的说法是否可信。教育部的 UDISE+ 2023-24 报告记录了约 147 万所学校的约 2.48 亿入学人数，并描述了其收集和责任限制。^[5] 该部现在列出了 UDISE+ 2024-25 报告，而 NITI Aayog 的 2026 年学校教育研究分析了入学、过渡、保留和学习证据。^[6] 这些来源提供了市场规模和学习者进步的背景。他们无法验证目标公司的专有收购或续约主张。

队列设计应将观察数据与假设分开。观察字段包括购买日期、收取的金额、课程开始、出勤和退款。派生字段包括主动学习者、预期完成度和预测更新。管理层的估计可能会影响缺失数据的处理，但尽职报告应对其进行标记并显示敏感性。然后，买家可以区分发生的事情和目标公司认为将会发生的事情。

年份成熟度也必须明确。在尽职调查截止日期前三个月开始的队列无法提供十二个月的更新观察。分析师应该显示每个队列达到每个测量点的比例，并避免在没有解释的情况下用较老队列的平均值填充不成熟的尾部。如果需要进行预测，报告应确定观察期、外推方法以及替代成熟群体创建的范围。这可以防止最近的快速增长在相关行为发生之前贡献完整的生命周期价值。

后天学习者和迁移学习者应该被单独标记。平台可以通过先前收购、机构合作或数据库迁移来继承用户。他们的第一个可见事件可能发生在最初购买之后很久。将它们视为新收购或持续保留可能会扭曲收购成本和生存。买方应获得迁移人行横道，识别缺乏先前历史记录的记录，并将这些用户呈现为不同的群体，直到证明连续性为止。

单一群体定义无法回答所有商业和教育问题。

4 协调收入现金交付和学习者活动

收入质量始于对账。买方应将总账单与收取的现金、退款、税款、递延收入、已确认收入和应收账款联系起来。然后，它应该将财务桥梁与服务提供和学习者活动连接起来。由此产生的观点解释了增长是否来自持久需求、更长的预付承诺、激进的折扣、分期信贷、收购或会计分类。

现金可以在服务之前、服务之后或通过融资提供商到达。预先付费的十二个月课程会创建与按月订阅不同的营运资金状况。分期付款计划可能会记录销售，但收款风险仍然存在。退款政策可以在学习者脱离后改变报告的收入和现金。机构合同可能包括实施、许可、支持和与结果相关的考虑。每个模型都需要自己的合同和履约义务分析。

目标公司公布的经审计账目和要约文件提供了起始政策描述。继之前的要约文件之后，PhysicsWallah 于 2025 年 11 月向 SEBI 提交了最终招股说明书。^[4] 该文件是该发行人披露的业务和财务信息的公共来源。在不检查产品、期间和会计差异的情况下，不应将其视为不同目标的基准。

调节还测试操作的完整性。如果财务记录显示 100,000 个付费注册，并且学习平台包含 82,000 个可用的学习者记录，则买方需要书面解释。离线交付、企业席位、延迟配置和迁移系统可能是造成这一差距的部分原因。未解决的差异会影响保留和结果分析的信心。买方应单独报告未调节的人口，而不是通过不透明的假设进行分配。

5 从行为和经济学角度衡量留存率

保留有多种含义。访问保留率衡量学习者在承诺期限内是否保持活跃。产品保留衡量课程或平台的持续使用。商业保留衡量续订或重复购买。收入保留衡量收缩、扩张和流失后保留的价值。结果持久性衡量学习或进步是否继续。买方应单独提出这些。

对于消费品，队列曲线可以显示第一周的激活、整个过程中的持续使用、完成和后来的购买。对于考试准备来说，季节性和考试时间占主导地位。对于企业学习，席位使用和合同续签可能会相隔数月。买方应选择反映产品承诺的观察窗。如果计划使用集中在课程和测试上，则三十天的活动率可能与六个月的考试课程无关。

折扣和收购渠道可以改变表观曲线。目标可以通过增加持久性较弱的低价用户来提高整体学习者的增长。优质群体可能会保留得更好，但需要昂贵的师资或咨询服务。因此，该模型应按产品、标价、实现价格、渠道、地理位置、交付模式和学习者群体对群体进行分层。它还应该显示足够的人口来判断不确定性。

人工智能可以帮助对行为序列进行聚类或识别早期脱离，但买方应保留透明的生存曲线和简单的基准模型。如果复杂模型声称具有更高的预测准确性，尽职团队应在未受影响的时期对其进行测试，并比较不同材料子组的校准。输出结果应支持具体决策，例如退款规定、预测续订基数或集成保留计划。

该指标应遵循对客户做出的经济和教育承诺。

6 不夸大因果关系的测试结果

当衡量结果可信且与产品相关时，教育成果可以强化投资论点。买方应从声称的结果开始：考试成功、分数提高、课程完成、安置、工资进展、学业进展或其他定义的结果。然后应确定基线、比较、观察期、缺失数据和相互竞争的解释。

ASER 2024 提供了有关印度农村地区的入学率、基础学习和数字访问的独立证据。^[7] 国家教育政策支持技术的使用，同时呼吁在扩大干预措施之前进行严格和透明的评估。^[8] 这些来源强化了仔细衡量学习和获取机会的必要性。它们不能证明目标课程的有效性。

选择偏差很常见。积极性高的学习者可能会购买一个程序并且表现得更好。公司只能为完成所有评估或同意发布的学习者报告结果。考试难度和分数线发生变化。学校或平台外的辅导对结果有贡献。买家可以通过匹配比较、基线调整和敏感性测试来改进分析，但因果语言需要适当的设计。

交易报告应区分描述性证据、预测性证据和因果证据。描述性分析报告观察到的队列中发生的情况。预测分析估计哪些学习者可能坚持或成功。因果分析询问由于干预而产生了什么结果。当标签正确时，每个级别都可以支持决策。买方应避免根据选定的推荐或无法重现其训练人群的模型支付结果溢价。

7 按群体重建单位经济效益

总边际贡献可以掩盖恶化情况。买方应利用已实现的收入、现金回收、退款、内容版税、教员成本、咨询、支持、支付费用、融资补贴、实物材料、平台成本和归因营销，重建每次收购和产品群的单位经济效益。共享成本分配应与直接群体经济学分开显示。

客户获取成本需要控制分母。营销支出可以支持多种产品的品牌、潜在客户开发、再营销和销售转化。有机流量可以反映早期付费投资。附属机构或顾问的佣金可能会在营销之外记录。买方应将支出分类账与归属收购进行核对，并显示未归属成本。建模归因很有用，但其假设应该保持可见。

终生价值尤其敏感。一个简单的模型将平均贡献乘以预期保留率。更强大的模型遵循实际群组现金流，将观察期和预测期分开，应用退款和违约行为，并对未来的贡献进行折扣。只有当学习者身份稳定并且下次购买反映真正的经济价值时，它才能包括扩展或进步。该模型应该显示未观察到的未来行为会产生多少价值。

教师和内容经济学需要同样的队列待遇。录制的课程可以以较低的边际成本在大量人群中重复使用，而现场教学、疑虑解决和咨询则可以根据出勤情况进行调整。明星教师可能会获得固定报酬、收入分成、担保或保留金。内容权可能属于个人、附属机构或目标。买方应该将这些成本和权利映射到依赖它们的群体。当教学大纲、考试模式或师资关系发生变化时，高利润的数字课程可能需要大量的未来支出。

企业渠道引入了集中度和实施经济学。合同价值可以包括未激活的席位、自定义内容、集成和支持。在一个客户内进行扩张可以提高净收入保留率，同时学习者利用率下降。买方应显示合同席位、激活的学习者、合格使用、交付的服务、发票里程碑和每个帐户年份的收款。销售激励和合作伙伴收入分成应遵循同一时期和客户群体。

投资委员会需要一座从报告的单位经济学到经过验证的经济学的桥梁。调整可能包括不支持的归因、未付分期付款、测量日期后的退款、免费延期、服务义务、教师依赖性和经常性平台投资。然后，买家可以将价格与基于证据的价值而不是总体比率进行比较。

观察到的现金和成本应与预测值分开。

8 在受控的尽职调查过程中使用人工智能

人工智能可以加速记录匹配、异常检测、行为序列分析、文本分类和预测建模。它可以标记不太可能的出勤、重复的身份、异常退款、渠道中断、支持投诉或课程级别的流失。它还可以帮助审阅者对数百万个事件中的样本进行优先排序。这些用途仍然需要控制人口、经过测试的规则和人工审查。

尽职调查团队应从确定性检查开始。它可以在训练任何模型之前协调行计数、总和、时间戳、重复项、不可能序列和引用完整性。然后通过简单的统计基线确定复杂的方法是否能增加价值。预测更新的模型应该根据时间间隔的数据进行评估，因为随机分割可能会将同一活动或课程中的模式泄漏到训练和测试中。

NITI Aayog 的负责 AI 论文确定了包括安全、平等、包容性、隐私、透明度和问责制在内的原则，并讨论了运营治理。^[13][14] 联合国教科文组织关于教育领域生成性 AI 的指导强调隐私、适合年龄的使用和以人为本的治理。^[15] 这些框架支持尽职控制系统，其中模型拥有所有者、记录的目的、版本化数据和人类挑战的路线。

买家还需要可重复性。数据室应包含与收入、保留、学习者待遇或索赔相关的任何模型的代码或规范、环境、功能定义、培训周期、评估结果、批准和监控历史记录。如果目标无法重现仪表板或模型，则买方应将输出视为不受支持，直到从源证据重建为止。

生成式 AI 使用需要额外的边界。模型可以总结支持请求、对投诉进行分类、生成学习内容或协助辅导员。尽职调查应确定提供商、模型版本、提示或策略、发送到服务的数据、输出审查和合同权利。买方应测试个人或机密信息是否进入系统，生成的内容是否经过准确性和权限审查，以及模型更改是否会在未经批准的情况下改变客户体验。供应商演示不能替代已部署工作流程中的证据。

验证记录应包括运营成本。稍微改进预测的模型可能需要昂贵的标签、基础设施、监控和专业人员。买方应该将增量决策收益与那些经常性成本以及更简单的规则进行比较。这将模型尽职调查与收购案例联系起来，并防止技术复杂性被误认为是商业优势。

9 通过交易管理学习者数据和子数据

教育数据集可以包含身份、年龄、联系方式、位置、评估、残疾、行为、付款和家庭信息。买方应确定哪个实体收集每个字段、出于什么目的、根据什么通知或同意、收集多长时间以及由哪些处理者收集。它应该将提供服务所需的个人数据与为实验或营销而收集的字段区分开来。

印度的《2023 年数字个人数据保护法》规定了合法处理的义务，并解决了撤销同意、数据信托义务和儿童数据的问题。^[11] MeitY 于 2025 年 11 月通知了《2025 年数字个人数据保护规则》，并在官方材料中描述了分阶段开始实施的情况。^[12] 交易团队需要当前的印度顾问，因为开始日期、豁免、重要数据信托义务和特定行业规则可能会影响目标和整合计划。

买方的尽职调查要求应尽量减少新的风险。聚合或去识别化的提取物可以回答许多商业问题。可识别的记录应在经过批准的安全环境中移动，并具有访问日志记录和目的限制。卖方应确认允许披露，并且处理者合同、保留时间表和删除做法符合法律依据。买方应避免仅仅因为完整的学习者数据库存在而复制它。

模型治理增加了更多问题。训练数据可能包括未成年人或推断的属性。特征可以代表收入、地理位置、语言或性别。保留干预可能会将稀缺的咨询针对预计付费的学习者，而不是那些需要教育支持的学习者。交易审查应测试功能必要性、小组绩效、干预政策和投诉途径。这些控制措施保护了学习者，也揭示了可能损害估值的负债。

法律结论需要针对特定​​交易的建议和当前验​​证。

10 检测操纵泄漏和度量漂移

快速增长的平台积累了指标漂移。产品团队更改事件名称。营销改变归因窗口。财政部修改收入政策。获得的系统使用不同的身份。仪表板在其数量发生变化时可以保持视觉稳定。因此，买方应比较不同时间段内的指标规格和源分布。

异常检测可以揭示重复账户、合成活动、不可能的学习课程、突发出勤、重复评估模式或退款集群。这些信号需要调查。学习者可以在一次会话中合法下载内容或共享家用设备。批处理过程可能会创建相同的时间戳。报告应将自动标记与审查结论区分开来。

泄漏是一个单独的风险。更新模型可以直接或通过派生特征使用更新后记录的字段。结果模型可能包括在决策日期无法获得的评估信息。随机训练-测试分组可以将相同的学习者、家庭、教师或课程放入两组中。买方应定义决策时间戳并排除当时不存在的信息。

度量漂移也会影响集成。如果收购方计划迁移学习者、合并课程或改变定价，历史保留可能会失去相关性。该模型应识别稳定的驱动程序和事务敏感的驱动程序。然后，它可以强调师资、品牌、产品、平台、支付方式和支持方面的变化。整合计划应保留证据表明与保留相关的特征，同时避免分析无法支持的因果关系主张。

11 完成一个假设的收购案例

考虑一个假设的印度考试准备平台，其中包含消费者订阅、混合中心和小型企业渠道。管理层报告称，三年内有 120 万付费学习者，课程完成情况良好，重复购买不断增加。买方正在评估一项控制性收购。本节中的所有数字都是仅为了演示该框架而创建的假设。

交易团队接收订单、付款、退款、学习平台、中心出勤、评估、支持和总账摘录。身份解析将 92% 的付费订单与高度可信的学习者联系起来。百分之五仅与付款人或机构席位相关，百分之三仍未解决。买家保留每个类别，而不是将未解决的记录分配给活跃群体。

据报道，重复购买率为 38%。恒定定义重建发现 31% 的学习者符合条件。差异源于将免费延期计为重复购买、将一些家庭购买添加到错误的学习者以及排除已退款的首次购买。成熟的自然群体占 37%，付费社交群体占 24%，来自中心的群体占 35%。这种组合已转向付费社交，因此历史总汇率高估了远期基础。

管理层报告已完成 74%。重建的课程开始分母为 58%，另外 9% 被归类为实质性参与，但未满足公布的完成规则。 41% 的学习者可以获得考试结果，但无法与受控比较联系起来。买方将结果视为描述性证据，并消除因已证明的结果优越性而提出的估值溢价。

由于分期付款违约和退款，财务桥梁发现现金收款低于总账单。测量日期后，剩余的现场课堂义务需要教师和支持成本。买方减少了预测贡献，增加了交割营运资金机制，并根据确定的交割后群体的现金贡献提出了收益。它还需要在迁移学习者记录之前制定数据补救计划和同意审查。

所有数值均为说明性假设，并不描述已识别的业务。

12 将证据转化为估值和交易保护

队列模型应该为估值桥梁提供支撑。收入调整涉及不支持的确认、退款风险、收款风险和获得的收入。利润调整涉及剩余的交付义务、教师成本、支持和平台投资。预测调整涉及收购组合、保留、更新和价格。资本调整涉及营运资金、递延收入、债务类项目和所需的补救措施。

买方应避免将所有不确定性转化为折扣率。特定的风险往往有更直接的反应。现金回收不足可能会影响净债务或营运资金。数据治理差距可能成为结束条件、契约、赔偿或封闭式补救预算。不确定的续约可以支持与确定的交割后群体相关的收益。关键教师的依赖可能需要保留安排和整合承诺。

收益指标需要与勤勉指标相同的纪律。该协议应定义人口、事件、时期、排除、会计政策、数据源、访问权和争议流程。赚取收入可以奖励折扣或低质量销售。现金捐助措施可以更好地反映收集和交付成本，尽管它需要仔细的分配规则。当归因、观察期或监管限制仍未解决时，结果指标可能不合适。

对价机制应预见到交割后的管理层控制。买方可以在获利期间更改定价、营销、平台、师资或会计系统。卖方可能会辩称这些变化降低了测量结果。协议应分配操作自由裁量权，要求一致的测量，并定义批准的变更如何影响指标。独立获取源证据和较短的计算时间表降低了收益成为第二次交易纠纷的风险。

陈述和赔偿应遵循已确定的事实。买方可以请求有关学习者数据的所有权、同意的有效性、指定指标的准确性、广告的合规性和内容所有权的声明。协商的措辞、知识限定、上限和生存期限需要法律建议。尽职调查分类账帮助律师将所请求的保护与证据联系起来，而不是依赖通用技术时间表。

IFRS 3 设定了识别和计量业务合并的国际会计框架，而印度的法定和会计要求需要针对实际交易提供合格的建议。^[20] 商业尽职调查模型决定了价格和保护。它不能取代购买价格分配、法律、税务或财务报告工作。

13 签署前规划整合

教育技术交易可能会因为仓促的迁移而失去价值。学习者可能会面临新的登录、日程安排改变、进度丢失、教师变更或支持不一致的情况。企业客户在分配或数据传输之前可能需要征得同意。营销和结果声明可能需要重新批准。买方应在签署前将尽职调查结果转化为第一天和 100 天计划。

第一要务是服务连续性。产品、教师、中心、支持、付款和评估团队确定主动学习者应承担的义务。整合计划记录了哪些平台和品牌继续、哪些记录移动、如何通知用户、如何处理同意和偏好以及如何处理未解决的帐户。买方应保留原始记录和迁移结果的审计跟踪。

第二个优先事项是度量连续性。合并后的业务需要一个通用的数据字典和一段并行报告。历史仪表板应该保持可访问性。新定义应包含生效日期并与旧定义相衔接。然后，集成团队可以区分真正的操作变化和测量变化。

第三个优先事项是价值捕获。买方根据证据和客户风险对交叉销售、产品整合、采购、平台和组织变更进行排序。具有强大有机保留的产品可能值得保护，同时重新调整付费获取。完成度较差的课程可能需要重新设计才能更广泛地分发。整合里程碑应该反映这些选择，而不是通用的协同日历。

时间取决于交易，并应遵循法律和运营批准。

14 建立合并后业务的治理

合并后的公司需要将财务、产品、教育、数据、法律和客户运营联系起来的治理。公制委员会可以拥有定义和更改。模型委员会可以批准材料 AI 的使用、验证和监控。学习者保护论坛可以审查投诉、可访问性、儿童保障和广告声明。董事会或投资委员会收到一个简明的包，将这些控制与价值和风险联系起来。

消费者的主张需要特别注意。印度中央消费者保护局发布 2024 年指导方针，解决教练行业的误导性广告，包括隐瞒信息和虚假保证。^[10] 购买者应审查有关排名、选择、结果、师资、课程持续时间和退款的历史和计划声明。队列模型可以测试支持人群和披露是否与声明相符。

治理应包括阈值和后果。退款率的重大变化可能会触发现金预测和客户补救。模型漂移可以暂停自动干预。迁移协调差距可能会阻止下一批。隐私事件遵循批准的响应流程。这些是拥有者和证据的操作控制，而不是意图声明。

董事会还应审查分析是否负责任地服务于教育和商业目标。参与度优化会增加屏幕时间，但不会提高学习效果。保留干预措施可以优先考虑高价值客户。结果声明可能会将教学范围缩小到测量测试。管理层应定义可接受的用途，监控意外影响并让教育工作者参与产品决策。

15 结论

印度教育技术交易需要一个证据链，将客户承诺与现金、服务、行为、结果和更新联系起来。当买家确定定义、保留来源血统并使学习者群体与财务记录保持一致时，群组分析就提供了该链条。其结果是可以更清晰地了解收入质量和关闭后所需的运营工作。

人工智能扩大了审查的规模和深度。它可以匹配记录、检测异常、分段行为和预测风险。它的贡献取决于受监管的数据、透明的基准、时间感知的验证、分组测试和负责任的决策。不受支持的模型输出不应决定价格、学习者待遇或公共结果主张。

实际的交付成果是一个决策分类账。每项重大发现都明确了来源、人口、方法、限制、所有者和交易后果。分类账可以支持估值、营运资金、盈利、保护和整合计划。它还为合并后的业务提供了报告和模型治理的严格起点。

假设的案例显示了定义和记录一致后报告的增长会如何变化。结论并不是每一个差异都意味着不当行为。系统历史、产品复杂性和真正的商业模式变化可能会产生差异。买家在支付相关价值之前仍需要完整的解释。

局限性和进一步研究

该框架不评估已识别公司的价值。私人运营数据、合同、会计政策、税务状况、法律权利、监管状况和技术架构均不可用。工作数据是假设的。公共来源描述了市场、政策和交易背景，并不验证私人目标的绩效。

未来的研究可以测试队列定义在考试准备、高等教育、企业技能、学校软件和混合中心方面有何不同。进一步的工作还可以比较收益设计，研究隐私保护记录链接，并评估迁移如何影响学习者的成果和更新。此类研究需要适当管理的交易或公司数据。

附录。 A1 最低尽职调查数据要求

法人实体、产品、渠道和服务范围图。

合同、订单、发票、收款、退款、税务和收入记录。

学习者、付款人、家庭、企业席位和身份链接表。

访问、出席、内容、评估、支持和完成活动。

营销支出、归因、销售线索、转化和销售佣金记录。

结果、安置、检查和索赔支持证据。

隐私声明、同意、处理者、保留、安全和事件记录。

模型清单、功能定义、代码、评估、批准和监控。

附录。 A2 群组重建检查

在分析之前冻结定义、资格规则、日期和排除。

核对每个时期的来源人口和财务总额。

单独的观察、导出、管理估计和预测字段。

明确测量未解决的身份和缺失事件群体。

比较产品、渠道、价格、地理位置和交付模式。

验证后期模型和材料学习者小组。

保留代码、参数、哈希值、批准和异常决策。

附录。 B1 交易决策账本

陈述每项分析所支持的投资理论和决策。

记录来源、人群、方法、结果、限制和审稿人。

将调查结果转化为估值、营运资金、保护或整合。

准确定义条件、契约、收益指标和争议证据。

保留未决问题的所有者和未解决证据的截止日期。

附录。 B2 第一个 100 天监控包

现金收取、退款、延期服务和收入调节。

激活、参与、完成、投诉和学习者服务事件。

类似产品和收购群体的更新和贡献。

迁移完整性、重复身份和访问异常率。

模型性能、漂移、子组结果和暂停使用。

隐私、儿童数据、广告和处理器补救里程碑。

来源

1. 印度竞争委员会。委员会批准收购 Sorting Hat Technologies 股权并与 upGrad Education 合并。 阅读主要来源
2. 印度竞争委员会。涉及 upGrad Education 和 Sorting Hat Technologies 的拟议合并摘要。 阅读主要来源
3. 印度竞争委员会。 Manipal 实体收购涉及 Aakash Educational Services。 阅读主要来源
4. 印度证券交易委员会。物理瓦拉有限公司招股说明书。 阅读主要来源
5. 印度教育部。 UDISE Plus 报告 2023 至 2024 NEP 结构。 阅读主要来源
6. 尼蒂·阿尤格。印度学校教育系统时间分析和质量提升政策路线图。 阅读主要来源
7. ASER 中心。 2024 年教育年度状况报告。 阅读主要来源
8. 印度教育部。 2020 年国家教育政策。 阅读主要来源
9. 印度教育部。推广数字教育。 阅读主要来源
10. 中央消费者保护局。 2024 年教练行业预防误导性广告指南。 阅读主要来源
11. 电子和信息技术部。 2023 年数字个人数据保护法。 阅读主要来源
12. 电子和信息技术部。 2025 年数字个人数据保护规则。 阅读主要来源
13. 尼蒂·阿尤格。印度方法文件第 1 部分负责任的原则 AI。 阅读主要来源
14. 尼蒂·阿尤格。印度方法文件第 2 部分“负责任的实施原则”AI。 阅读主要来源
15. 联合国教科文组织。教育和研究领域的生成指南 AI。 阅读主要来源
16. 联合国教科文组织。关于人工智能伦理的建议。 阅读主要来源
17. 印度特许会计师协会。有关印度会计准则 115 客户合同收入的教育材料。 阅读主要来源
18. 印度企业事务部。 2013 年公司法。 阅读主要来源
19. 印度证券交易委员会。发行资本和披露要求法规。 阅读主要来源
20. 国际财务报告准则基金会。 IFRS 3 企业合并。 阅读主要来源
21. 经合组织。数字教育展望 2023 迈向有效的数字教育生态系统。 阅读主要来源
22. 世界银行。重新构想教育中的人际关系技术和创新。 阅读主要来源