1、学习初衷
（1）个人介绍
我是帆软用户3224667，目前就职于昆山农商银行，我司是地区有一定分量的商业银行，目前从事产品经理的工作，个人感兴趣的方向是数据分析。
（2）学习初衷
一、学习背景：数字化转型浪潮下的必然选择
作为银行总行部门人员，深刻感受到银行业正经历“数据驱动决策”的转型。1、政策导向：银保监会要求金融机构提升数据治理能力，报表自动化、风险预警等场景亟需BI工具支撑。2、行业对标：同业机构已普遍采用帆软等工具实现经营分析可视化，我行需快速补足技能短板。3、个人危机感：传统Excel手工处理海量业务数据（如信贷资产分布、客户行为分析）效率低下，易出错。
二、工作需要：从“被动取数”到“主动分析”的跨越
通过帆软BI（FineReport/FineBI）学习，解决了以下业务痛点：
1、报表自动化：原有人工日报/周报耗时2小时/次→通过帆软设计模板后，系统自动生成并推送，效率提升90%。案例：信用卡逾期率动态看板，关联核心系统数据源，实现T+1更新。2、风险监测可视化：利用决策报表功能，将分散的流动性指标（LCR、NSFR）整合为驾驶舱，辅助管理层实时决策。3、技巧：通过参数联动，实现“总行-分行”层级穿透分析。
4、业务需求响应提速：过去依赖科技部门开发报表，周期3-5天→现在自主搭建简易模型（如存款结构趋势图），1小时内交付。
2、作品简介（授信耗时分析）
这份数据是某银行某短时间授信审批业务的耗时情况，授信审批流程由审批节点-审批区间组成，每个节点和区间均设置了标准用时，实际用时超过标准用时的节点或区间会被标记为“节点超时”或者“区间超时”。按以上逻辑，表格将授信业务分成了单一法人、集团非低风险、个人非按揭和普惠产品四个主要的业务类型。按规则，9个小时视为一个工作日耗时。
以下分析之所以会显得略有重复，是因为分析的角度相似，但是业务类型不同，业务类型不同导致审批节点都有差异。看似重复其实业务价值都不一样。
1、组件一是为了分析各种业务类型的超时笔数和超时比率，可以看到普惠产品、单一法人和个人非按揭整体业务量大，但是超时也比较明显，或者说各种业务的超时情况都比较明显，但应该重点解决普惠业务、单一法人业务和个人非按揭业务的超时问题。
2、组件二是为了分析单一法人业务发生超时的节点，可以看到超时审批的业务中，审批超过一周的节点达到了8个。相比未超时的节点，超时的节点超时情况比较显著。
3、组件三是为了分析个人非按揭业务发生超时的节点，可以看到超时审批的业务中，审批超过一周的节点达到了3个。相比未超时的节点，超时的节点超时情况比较显著。
4、组件四是为了分析单一法人业务发生节点超时的业务中，审批次数前8的节点的超时率分布。可以看到整体超时率较低，但支行客户经理、授信管理部评审岗和授信管理部评审岗超时率略高，效率有待提升。
5、组件五是为了分析个人非按揭业务发生节点超时的业务中，审批次数前8的节点的超时率分布。可以看到整体超时率较低，但支行客户经理、支行行长和支行业务审核岗超时率略高，效率有待提升。
6、组件六是为了分析授信通过的业务中，各种类型的结构情况，可以看到普惠和单一法人业务占该银行7成以上的授信审批业务。应重点优化授信耗时。
3、学习总结
工具为术，思维为道。帆软BI不仅是技术工具，更是“业务与技术”的翻译器。作为银行从业者，需持续提升“数据表达业务逻辑”的能力，未来计划将AI预测模块（如Python脚本）嵌入帆软，进一步释放数据价值。
| 
