好的申请，是看见过去未曾发现的自己，
也看清未来该往哪里走。

我们把她过往的经历重新放在一起：童年的长期分离、女篮、跨国摄影、经济学社团、教育公益组织、商科实习，以及疫情期间组织的跨国捐赠。它们原本只是并列的人生片段，并没有一件是为「申请教育政策」而做。

真正重复出现的，是她对教育机会与人的成长的关注。一个小规模社团逐步发展为跨学校的教育组织，规模扩大后出现的资金和师资问题，又让她看见：只靠个人执行能够解决一部分问题，却无法替代制度层面的改变。

四所学校并没有共用一篇文书。我们先确定共同的核心，再根据项目的审核方式重新组织材料：

• 哈佛版本从个人经验写到教育实践，再写到实践的边界与政策学习的必要性。商科经历不单独罗列，而是作为她解决资源、运营与执行问题时的判断基础。
• 芝大版本更重视学术潜质，因此女篮、摄影和公益组织不再只是成长故事，而被重新组织为她如何观察人、理解制度，并从现实中提出问题的证据。

四所全部录取，她最终选择了哈佛。毕业求职时，Harvard 的院校背景帮助她获得了更多进入面试的机会，而真正完成转化的，仍然是她的商科基础与案例面试表现。最后，她进入了 MBB。

我们逐段追问她在每份实习中究竟看到了什么、怀疑了什么、又根据什么作出判断。在一次私募尽调中，一家食品工厂宣称已实现自动化生产；她继续追问成本、研发与实际落地情况，却始终得不到可验证的答案，最终建议不投。这个细节让她的能力从「参与过尽调」变成了可以被看见的专业判断。

四段经历实际上是她与数字和业务之间逐步改变的四个位置：在会计师事务所从企业内部理解账目，在券商从外部读财报与估值，在私募尽调中验证一家公司的叙事是否可信，再到出行平台直接用数据支持业务决策。

在会计线中，我们突出她对数字可信性的审视；在商业分析线中，则突出她如何走进业务现场，用数据找到可执行的决策。同一组经历没有被硬拆成两个人设，而是呈现她在两种角色中真实存在的能力。

会计线拿下 Cornell、UMich、UIUC，UIUC 还带了奖学金。商分线拿下 JHU Carey 和多伦多 Rotman。

第一步不是写文书，而是回去把实习问清楚。我们让她重新去问店长，那家酒店的运营到底发生了什么。店长提供的是一组日常运营信息：同品牌两家店开在同一个高铁枢纽，彼此存在竞争；周中商务客将出租率推至 95%，周末则回落到 60%；节假日客流是平日的 1.5 倍；酒店区分周中与周末定价，并根据当日流量调整；客源构成为会员 60%、第三方渠道 20%、协议客户 20%；一年下来，出租率同比增长 10.7%。

学生说「什么都没做」，是因为她只看见了日常运营，没有意识到这些信息背后的分析问题。

换个角度，同一组信息就不再是流水账：两家同品牌酒店位于同一枢纽，构成了具有可比性的样本；根据客流调整价格，是动态定价场景；周中与周末的客群差异，则是现成的分群问题。

在确认酒店的真实业务场景后，我们的专业老师进一步介入，帮助她识别可以继续研究的问题。随后，她在老师指导下完成相应的数据分析和建模，包括客户分群、动态定价、时间序列需求预测、获客渠道分析和数据看板。所有素材都来自真实发生过的业务场景，老师的工作是帮助她选择合适的方法，并准确呈现实际完成的分析。

还有一层是成长曲线：两个暑假都在同一家酒店，就按照能力进阶来组织。第一阶段完成描述性分析，处理订房数据、识别季节性规律并搭建 KPI 看板；第二阶段在学完专业课程后，进一步进入建模。招生官读到的不只是一段实习，而是一条从描述到预测、从分析到落地的成长曲线。

文书里最有价值的也不只是结果，而是一段不断调整方法的过程：先使用线性回归，但变量之间呈现明显的非线性关系；随后改用 ARIMA，能够拟合常规趋势，却无法捕捉本地活动引发的需求突增；最后将活动日历和天气作为外生变量纳入模型。三次调整体现了她如何发现模型局限，并据此改进方法。比起简单罗列做过什么，这个过程更能呈现她是如何思考的。

芝加哥大学 Applied Data Science。