|
一、学习初衷
（一）个人介绍
我是一名帆软社区用户，目前就职于一家商业银行，我行是全资拥有内地外商独资的商业银行，深耕企业金融服务领域，核心业务涵盖对公存款、对公贷款、供应链金融、国际结算、投行业务等，服务客户覆盖制造业、服务业、科创企业等多个行业，致力于为企业客户提供全生命周期的金融解决方案。
我在银行担任 “对公业务管理岗” 一职，日常工作聚焦对公业务线的运营支持：负责收集整理各分支机构的对公存款、贷款投放、客户新增等经营数据；使用基础工具制作月度 / 季度业务报表，呈现业务完成进度；协助部门负责人制定下阶段对公业务经营目标，参与设计针对客户经理的业务激励方案（如贷款投放、客户拓展的奖励规则）。个人对数据分析领域有着浓厚的兴趣，尤其热衷于通过数据挖掘对公业务中的潜在问题（如客户流失风险、贷款逾期隐患）与增长机会（如高潜力客户挖掘、业务产品优化方向），希望能借助专业的数据分析工具和方法，从 “数据整理者” 转变为 “业务决策支持者”，为对公业务的精准运营和战略决策提供有力支撑，也期待在学习过程中结识更多金融行业的数据分析爱好者，共同交流业务与技术融合的经验。
（二）学习初衷
我是通过公司内部的培训推荐了解到帆软数据分析学习班的。当时公司正推动各业务部门员工提升数据分析能力，经过对比课程大纲、讲师资质以及学员评价，发现帆软学习班的课程内容紧密结合企业实际业务场景，尤其是 FineBI 工具的实操教学非常贴合银行业的数据分析需求，而且课程设置循序渐进（从数据基础到实战案例），适合像我这样有一定业务基础但缺乏系统数据分析方法的职场人，因此最终选择了参加这个学习班。
从学习背景来看，驱动我学习的核心需求来自两方面：
一是工作痛点的倒逼，随着我行对公业务规模扩大，客户数量和业务数据量大幅增长，以往依赖 Excel 收集整理数据、制作报表的方式，不仅耗时耗力（单月报表制作需 3-4 天），还容易出现数据错漏（如不同系统数据格式不统一导致的匹配错误），且只能呈现 “存款总额、贷款余额” 等基础指标，无法深入分析 “不同行业客户的贡献度差异”“客户经理业绩波动原因” 等核心问题，导致业务决策缺乏数据支撑，行领导多次提出 “报表需从‘数据呈现’转向‘问题诊断’”；
二是个人职业发展的需求，当前银行业数字化转型加速，“懂业务 + 会分析” 的复合型人才更具竞争力，我希望通过系统学习，掌握数据清洗、建模、可视化分析的全流程方法，未来能独立承担对公业务专题分析项目（如客户分层运营、风险预警分析），实现从 “执行岗” 到 “赋能岗” 的转型，为部门数字化转型贡献力量。
二、作品简介
（一）业务背景
我所在的对公业务管理部，是全行对公业务的 “中枢部门”，核心职能包括：制定年度对公业务发展战略（如重点拓展的行业、存款 / 贷款目标）；监控各分支机构、各客户经理的业务指标完成情况；识别对公业务运营中的风险点（如贷款逾期、客户流失）；为产品部门提供客户需求分析支持（如针对科创企业设计专属贷款产品）。每月月初，部门需要向行领导、各分支行行长提交《对公业务月度经营分析报告》，报告需涵盖 “业务业绩、客户运营、客户经理管理、风险预警” 四大模块，为业务目标调整、资源分配、风险管控等决策提供依据。
（二）需求痛点
在以往的报告制作过程中，存在三大核心痛点：
数据收集效率低：对公业务数据分散在多个系统中 —— 存款 / 贷款数据来自核心业务系统，客户基础信息存储在 CRM 系统，客户经理业绩数据在 OA 考核系统，每次收集数据需协调科技、风控、分支行等多个部门，仅数据汇总就需 2 天时间，且各系统数据格式不统一（如核心系统客户编号为 “数字 + 字母” 组合，CRM 系统为纯数字），增加了数据整合难度，经常出现 “数据对齐耗时比分析本身更长” 的情况；
分析深度不足：依赖 Excel 制作的报表，仅能展示 “各分支行存款完成率”“Top10 客户经理业绩” 等表层信息，无法实现多维度交叉分析（如 “制造业存量客户的活期存款增长趋势”“集团客户与非集团客户的存款偏好差异”），更无法通过数据模型识别潜在问题（如哪些客户存在存款流失风险），导致报告对业务决策的 “指导价值低”，行领导多次反馈 “报告只讲‘是什么’，不讲‘为什么’和‘怎么办’”；
风险预警滞后：以往对 “客户存款流失”“贷款逾期” 等风险的监控，依赖客户经理人工上报，往往在 “客户存款大幅下降 1 个月后”“核心客户转投他行” 才发现问题，错失干预时机。
（三）数据来源
为了更好地将学习内容与实际工作结合，将 FineBI 工具融入日常业务分析，本次作品分析所用数据均来自公共数据 —— 厦门银行（已做脱敏处理），涵盖分行、客户、产品、规模等不同维度，确保数据合规性的同时，贴合对公业务实际场景，具体如下：
厦门银行经营明细表（核心表）：包含公司名称（脱敏后为 “客户 122”“客户 145”“客户 164” 等编号形式）、分行（厦门业务管理总部、漳州分行、泉州分行、重庆分行等）、是否存量客户（是 / 否）、是否集团（是 / 否）、绩效类型（存款增量奖、客户拓展奖等）、数据日期（2024 年 1-12 月）、敞口年日均（万元）、活期存款余额（时点，万元）、活期存款日均（万元）等字段，共 5000 条记录，核心用于分析活期存款业务的规模、结构、增长趋势及各维度（分行、客户）贡献度。
（四）分析思路
基于上述数据与业务痛点，本次分析的核心目标是：构建 “分行 - 客户 - 授信” 三位一体的对公活期存款分析体系，用 FineBI 实现 “数据高效整合、多维度深度分析”，为《对公业务月度经营分析报告》提供 “问题诊断 + 决策建议” 支撑，具体分析逻辑如下：
1. 整体规模分析（核心目标：掌握活期存款整体走势，识别潜在风险）
以 “数据日期（月度）” 为维度，聚焦 “活期存款时点余额”“活期存款日均规模” 两大核心指标，通过趋势对比判断业务整体表现：截止 2024 年末，厦门银行活期存款时点余额 235.18 万元，日均规模 160.58 万元，时点余额高出日均规模 74.16 万元，且日均规模呈持续上升趋势（全年环比增长率均值 6.5%），整体业务发展稳健；
以 “分行” 为维度，对比各分行活期存款日均规模排名及 “时点余额与日均规模差值”：排名前三的分行依次为厦门业务管理总部（75.36 万元）、漳州分行（18.43 万元）、泉州分行（16.77 万元），贡献了全行 78.85% 的活期存款日均规模；而重庆分行（-5.75 万元）、南平分行（-3.66 万元）、三明分行（-0.05 万元）时点余额低于日均规模，若后续时点余额未改善，日均规模存在下滑风险，需重点监控。
2. 结构拆解分析（核心目标：明确存款来源核心维度，定位优势与薄弱环节）
分行贡献度分析：计算各分行活期存款日均规模占全行总日均的比例，厦门业务管理总部贡献度最高（46.93%），其次为漳州分行（11.48%）、泉州分行（10.44%），说明存款高度集中于厦门地区，需推动漳州、泉州等潜力分行进一步拓展业务；
客户类型分析：按 “是否台商” 划分客户类型，非台商客户活期存款日均贡献度达 89.47%，台商客户仅 10.53%，表明存款主要依赖内地客户，可结合厦门地区台商资源丰富的特点，针对性设计台商专属存款产品，挖掘增量空间；
重点客户分析：筛选活期存款日均规模 TOP3 客户，均来自厦门业务管理总部 ——“客户 256”（7.80 万元，贡献度 4.86%）、“客户 145”（7.18 万元，贡献度 4.47%）、“客户 122”（6.53 万元，贡献度 4.07%），这三类客户为核心存款来源，需配置专属客户经理加强维护；
授信客户派生分析：聚焦 “前二十大敞口授信客户”，对比其 “敞口年日均规模” 与 “派生活期存款日均规模”，发现授信敞口前三的客户派生活期存款并非最高，反而 “客户 164”“客户 190”“客户 216” 等中等授信敞口客户派生效果更优，说明授信资源与存款派生未完全匹配，存在优化空间。
3. 优化建议推导（核心目标：结合分析结论，提出可落地的业务改进措施）
针对 “分行风险监控”：要求重庆、南平、三明分行每月提交《活期存款时点余额提升方案》，重点通过 “存量客户资金唤醒”“新增客户拓展” 提升时点余额，避免日均规模下滑；
针对 “客户结构优化”：联合产品部门推出 “台商活期存款专属套餐”（如 “资金归集免手续费”“存款达标赠跨境结算优惠”），由厦门业务管理总部牵头，联动漳州、泉州分行开展台商企业专场推介会；
针对 “授信资源匹配”：建立 “授信敞口与存款派生挂钩机制”，明确敞口授信客户派生活期存款日均规模不得低于行业均值 1.52 万元，对达标客户给予 “授信利率下浮 0.2 个百分点” 等激励，未达标客户需重新评估授信额度，提升授信资源对存款的拉动效果。
（五）数据处理
本次数据处理全程通过 FineBI 的 “自助数据集” 完成，聚焦解决 “数据格式不统一”“指标缺失”“分析维度不足” 三大问题，具体处理过程如下：
1. 数据清洗：解决格式与质量问题
格式统一：原始数据中 “公司名称” 存在 “全称”“简称”“编号” 三种形式（如 “厦门 XX 科技有限公司”“厦门 XX 科技”“客户 122”），通过 FineBI “字段替换” 功能，将所有公司名称统一脱敏为 “客户 + 数字” 编号形式（如 “客户 122”），确保客户维度分析的一致性；“数据日期” 字段存在 “2024/1”“2024-01” 两种格式，通过 “日期格式转换” 功能统一为 “YYYY-MM” 标准格式，便于后续按月度进行趋势分析；
异常值处理：筛选 “活期存款余额”“活期存款日均” 字段，发现 3 条异常记录（如某客户活期存款日均为负数），结合业务逻辑判断为数据录入错误，通过 FineBI “数据筛选” 功能删除异常值，同时联系数据提供方确认，确保数据准确性；
缺失值填充：部分分行 “敞口年日均” 字段存在缺失（共 12 条），因缺失数据对应的客户均为 “非授信客户”，通过 FineBI “新增列” 功能，用 “0” 填充缺失值，明确区分 “授信客户” 与 “非授信客户”。
2. 指标计算：补充分析所需衍生指标
为实现多维度分析，通过 FineBI “新增列”“聚合计算” 功能新增 3 类核心指标：
贡献度指标：新增 “分行贡献度”（某分行活期存款日均 / 全行活期存款日均 ×100%）、“客户贡献度”（某客户活期存款日均 / 所属分行活期存款日均 ×100%），用于量化各维度对存款的贡献价值；
差异指标：新增 “时点 - 日均差值”（活期存款时点余额 - 活期存款日均），用于判断各分行时点余额与日均规模的匹配度，识别潜在下滑风险；
派生率指标：新增 “授信派生率”（授信客户派生活期存款日均 / 授信敞口年日均 ×100%），用于评估授信客户对活期存款的拉动效率，为后续授信政策调整提供依据。
3. 数据整合：构建一体化分析数据集
因原始数据仅包含 “厦门银行经营明细表”，为丰富分析维度，通过 FineBI “数据关联” 功能，将表内字段按 “分行”“客户编号” 进行分组聚合，形成 “分行维度汇总表”（包含各分行时点余额、日均规模、贡献度等指标）和 “客户维度汇总表”（包含各客户存款规模、是否授信、派生率等指标），两张表通过 “分行” 字段关联，构建 “分行 - 客户” 联动分析数据集，实现 “点击某分行，自动展示该分行重点客户信息” 的交互效果，提升分析效率。
（六）可视化报告
1. 图表布局与设计
本次可视化报告基于 FineBI 制作，遵循 “从整体到局部、从问题到建议” 的逻辑，分为 “核心指标概览”“多维度深度分析”“结论与建议” 三个模块，配色以公司品牌色（蓝色）为主色调，搭配浅灰色背景，确保视觉清晰、专业。
多维度深度分析模块：按 “分行 - 客户 - 授信” 维度分页面展示，每个页面采用 “图表 + 文字说明” 组合，直观呈现各维度差异与问题；
结论与建议模块：采用 “文本框” 结合核心数据的布局，将分析结论按 “优势”“问题”“建议” 分类呈现，增强建议的说服力。
三、学习总结
（一）学习经历
1. 学习过程中的温暖与成长
六周的学习之旅，是 “忙碌与充实” 的交织，更是 “挑战与突破” 的见证。作为银行对公业务岗的在职员工，白天要处理分支机构数据报送、报表初步整理等工作，通过与同事共享一步步指导我检查字段格式、调整关联条件，最终成功解决问题。那一瞬间，疲惫感全消，只剩被温暖到的感动。
学习过程中还结识了一群志同道合的伙伴，如分行同事。我们组建了 “金融数据交流小组”，每天在群里分享学习笔记、讨论业务难题：分享了他们银行用 FineBI 做 “小微企业贷款” 的案例，让我深受启发；我也把工作中 “对公客户分层运营” 的困惑抛出来，大家结合课程里的 RFM 模型给出了很多实操建议。结业前夕，我们还约定后续定期分享行业数据分析案例，这份跨越地域的 “同学情”，成了学习之外的意外收获。
2. 课程反馈与建议
这次学习让我真切感受到帆软学习班 “以学员为中心” 的用心，尤其要感谢助教老师：老师将复杂的 “数据建模逻辑” 拆解成 “业务问题→数据拆解→指标设计” 的三步法，还结合真实场景举例，让原本抽象的理论变得通俗易懂；每周准时在群里推送 “今日学习重点”，每周二晚上组织 “答疑直播”，及时跟进每个人的学习进度，更是 “随叫随到”，无论是 FineBI 工具的操作问题，还是业务分析思路的困惑，总能给出精准解答。
当然，也有一些小建议想提：一是希望增加 “金融行业专项案例库”，比如银行信贷风险分析、理财产品销售预测等，让学习内容更贴合金融从业者的需求；二是实操课程的练习数据可以更复杂些，比如加入 “多系统数据格式差异”“海量数据处理卡顿” 等真实工作中会遇到的问题，提升学员的实战应对能力；三是建议在课程后期增加 “小组协作实战”，模拟企业里 “跨部门数据分析项目”，让大家体验从 “需求沟通” 到 “报告交付” 的全流程，更贴近职场实际。
（二）个人成长
1. 技能与方法的全面突破
通过六周的学习，我实现了从 “数据分析新手” 到 “能独立完成业务分析项目” 的跨越，核心技能提升体现在三个方面：
工具应用：从只会用 Excel 做基础函数计算，到熟练掌握 FineBI 的全流程操作 —— 能独立完成 “自助数据集清洗（格式统一、异常值处理）”“多表关联建模”“可视化图表设计（动态交互仪表盘制作）”，现在用 FineBI 制作《对公业务月度经营分析报告》，从数据导入到报告生成仅需 1 天，比之前用 Excel 节省了 2-3 天时间；
分析思维：建立了 “业务驱动数据” 的分析逻辑，不再是 “拿到数据就做图表”，而是先明确 “业务目标（如提升活期存款规模）”，再拆解 “分析维度（分行、客户、授信）”，最后通过 “数据验证（如贡献度计算、趋势分析）” 得出结论，这种思维让我的分析报告从 “数据罗列” 变成了 “问题诊断书”；
实战能力：掌握了 “数据清洗五步法（格式统一→缺失值处理→异常值剔除→指标衍生→数据整合）”“多维度交叉分析方法”“可视化报告设计原则（逻辑清晰、重点突出、配色专业）”，这些能力已经直接应用到工作中 —— 上周用课程里学的 “差异指标分析”，提前识别出重庆分行活期存款日均下滑风险，及时推动分行制定应对方案，得到了部门领导的认可。
2. 印象最深刻的学习内容
最让我难忘的是“数据分析师的核心价值，不是做出漂亮的图表，而是用数据解决业务的‘真问题’”。这句话彻底改变了我的分析思路 —— 之前做报表只关注 “数据对不对”，现在会追问 “这个数据能解决什么业务问题”“给业务部门的建议是否能落地”。比如在本次作品分析中，我不仅识别出 “台商客户贡献度低”，还结合厦门台商资源特点，提出 “专属存款套餐 + 专场推介会” 的具体方案，这种 “从数据到行动” 的转变，正是我从课程中收获的最宝贵的财富。
3. 学习目标的达成与未来规划
回顾学习初衷，我设定的两大目标已基本达成：
工作痛点解决：通过 FineBI 实现了 “数据高效整合”（多系统数据关联时间从 2 天缩短到 2 小时）、“深度分析”（能完成 “分行 - 客户 - 授信” 多维度交叉分析）、“风险预警前置”（提前识别分行存款下滑风险），本月提交的《对公业务月度经营分析报告》，首次加入 “问题诊断 + 解决方案” 模块，行领导在会议上特别表扬 “报告有了‘决策支撑价值’”，工作痛点得到了实质性解决；
个人转型推进：从 “数据整理者” 向 “业务决策支持者” 迈出了关键一步，目前正在牵头部门 “对公客户分层运营” 分析项目，用课程里学的 RFM 模型对客户进行分层，为客户经理制定 “差异化维护策略”，这正是我期待的 “赋能岗” 工作内容，个人职业转型取得阶段性成果。
4. 心得体会：坚持与终身学习的意义
六周的学习让我深刻体会到 “坚持” 的力量。刚开始的两周，每天下班后学习 4 小时，常常感到疲惫，甚至有过 “先放一放” 的念头，但看到班级群里大家都在打卡学习，助教老师及时答疑，又咬牙坚持了下来。现在回头看，正是那些 “熬到深夜解决问题” 的时刻，让我实现了技能的突破。这也让我明白，职场中的成长没有 “捷径”，唯有 “目标坚定 + 持续行动”，才能突破瓶颈。
同时，我更深刻理解了 “终身学习” 对于银行人的意义。当前银行业数字化转型速度越来越快，新的数据分析工具、方法不断涌现，今天掌握的技能可能明天就不够用了。这次学习不仅让我掌握了 FineBI，更培养了 “主动学习” 的习惯 —— 现在会定期浏览帆软社区的金融行业案例，关注银保监会发布的行业数据报告，还加入了 “金融数据分析联盟”，和同行交流最新实践。未来，我计划继续学习 “Python 数据分析”“机器学习在风险预警中的应用”，朝着 “懂业务、会技术、能落地” 的复合型金融数据分析师目标前进，在银行业数字化转型的浪潮中，实现个人价值与企业发展的共赢。
| 
