chore(audit): 补追 96 份未入仓审计孤本 — 覆盖 2026-02-26 ~ 2026-04-08

这些审计记录原本堆积在 docs/audit/changes/changes/ 嵌套误产物目录下（由开发机迁移
79d3c2e 前后的不明批量操作产生）。由于同期 .gitignore 屏蔽了 docs/audit/ 全目录，
它们从未入过 git 任何分支 history。删除即永久丢失。

按 docs/specs/audit-gap-recovery/tasks.md 阶段 1 执行，将全部 96 份 D 类孤本
（主目录无同名、git history 亦无记录）复制到 docs/audit/changes/ 主目录入仓。

涵盖主题: P1-P18 全栈集成 / 多模块累积变更 / ETL bug 修复 / 业务日切 /
   召回与任务引擎改造 / 租户管理与审批 / 董事会财务 / 客户与助教详情 /
   DDL 基线合并 / Kiro 到 Claude Code 迁移

阶段 2（B 类内容漂移 1 份）和阶段 4（嵌套目录删除）独立推进。

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

docs/audit/changes/2026-03-02__spi-calibration-nonzero-median.md

@@ -0,0 +1,54 @@
+# SPI 基数校准改用非零样本中位数
+
+- 日期：2026-03-02
+- 模块：`apps/etl/connectors/feiqiu/tasks/dws/index/spending_power_index_task.py`
+- 触发：全栈联调中 SPI 基数校准 6 个参数全部回退默认值（中位数为 0），用户要求改进
+
+## 变更内容
+
+### 修改方法：`SpendingPowerIndexTask._calibrate_amount_bases`
+
+**原逻辑**：对全部会员（含零消费）计算中位数 → 零消费会员占 62%（105 人中 ~65 人），中位数必然为 0 → 全部 6 个参数回退 `DEFAULT_PARAMS`。
+
+**新逻辑**：
+1. 新增类常量 `_CALIBRATE_MIN_SAMPLE = 10`（非零样本最小数量阈值）
+2. 中位数计算前过滤零值：`nonzero_values = [v for v in ... if v > 0]`
+3. 非零样本 ≥ 10 → 使用非零中位数作为校准值
+4. 非零样本 < 10 → 回退 `DEFAULT_PARAMS` 并输出 WARNING
+
+### 新增代码标记
+```python
+# CHANGE 2026-03-02 | 基数校准改用非零样本中位数，零消费会员不参与校准
+_CALIBRATE_MIN_SAMPLE = 10
+```
+
+## 验证结果
+
+重新执行 `DWS_SPENDING_POWER_INDEX`（run_uuid: `8a9709bc084d4d15a9e2a40976583e24`），校准结果：
+
+| 参数 | 非零样本数 | 校准值 | 状态 |
+|------|-----------|--------|------|
+| amount_base_spend_90 | 47/105 | 218.00 | ✅ 非零中位数 |
+| amount_base_ticket_90 | 47/105 | 29.00 | ✅ 非零中位数 |
+| amount_base_recharge_90 | 42/105 | 5000.00 | ✅ 非零中位数 |
+| amount_base_ewma_90 | 47/105 | 48.30 | ✅ 非零中位数 |
+| amount_base_spend_30 | 6/105 | 500.00 | ⚠️ 样本不足，回退默认 |
+| amount_base_speed_abs | 6/105 | 100.00 | ⚠️ 样本不足，回退默认 |
+
+改进：6/6 回退 → 4/6 有效校准 + 2/6 安全回退。
+
+## 影响范围
+
+- 仅影响 SPI 基数校准逻辑，不影响子分公式、归一化、持久化
+- 校准优先级不变：配置表值 > 自动校准 > 默认值
+- 30 天窗口参数（spend_30、speed_abs）因测试环境数据稀疏仍回退，生产环境数据充足时预期可正常校准
+
+## 回滚
+
+将 `_calibrate_amount_bases` 中的非零过滤逻辑还原为全量样本中位数即可：
+```python
+# 还原为：
+values = [extractor(f) for f in features.values()]
+median_val = self.calculate_median(values)
+```
+并删除 `_CALIBRATE_MIN_SAMPLE` 常量。