结业总结
1、学习初衷
（1）个人介绍
帆软社区用户名 “宜兴农商行庞暠宇”，目前就职于宜兴农商行（以下简称 “我行”），我行是服务本地中小微企业、个体工商户及居民的区域性金融机构，核心业务涵盖存贷款、收单支付、理财等，致力于为本地实体经济提供便捷金融支持；目前我任职于公司金融部，个人感兴趣的方向是 “金融业务场景化数据分析”，尤其关注如何通过数据洞察优化客户服务与业务运营，希望能和志同道合的小伙伴交流金融数据建模与 FineBI 可视化技巧。
（2）学习初衷
从帆软社区的 “金融行业数据分析专题” 了解到本次学习班，选择参与是因为工作刚需：日常需要为我行收单业务撰写月度、季度分析报告，此前依赖 Excel 手动计算与绘图，不仅效率低（一份报告需 2-3 天），且难以直观呈现客户特征与业务问题；同时，也希望通过学习班突破 “仅会数据统计，不会业务归因” 的瓶颈，提升 FineBI 工具实操能力与 “数据 - 业务 - 策略” 的联动分析能力，更好地为我行收单业务优化提供决策支持。
2、作品简介（作业 10：农商行 2024 年收单情况分析报告）
（1）业务背景 / 需求痛点
业务背景
我行收单业务覆盖本地 POS 机商户、个体工商户、小微商户三类客群，2024 年是我行 “收单业务提质扩面” 关键年，需通过数据分析明确：当前收单业务的客户结构特征、不同类型客群的收款表现，以及现有运营中的优势与问题，为后续服务优化和业务增长提供依据。我的核心工作是从 “客户 - 业务 - 运营” 三个维度拆解收单数据，形成可落地的分析结论。
需求痛点
此前我行收单分析存在两大痛点：一是数据分散在客户信息系统、收单交易系统中，手动整合数据需耗时 1 天以上，且易出现字段匹配错误；二是分析仅停留在 “数据罗列”（如仅统计各收单类型总金额），无法深入挖掘 “为什么个体工商户收单更活跃”“年轻人参与度低的原因” 等核心问题，导致分析报告对业务决策的支撑力不足。
（2）数据来源
本次分析数据均为我行内部脱敏数据，共涉及 3 类核心数据表，具体如下：
• 客户基础信息表：包含 8324 名收单客户的帆软社区用户名（脱敏后）、性别、年龄、身份证号（脱敏后）等字段，用于分析客户结构特征；
• 收单业务明细表：包含收单类型（POS 机、个体工商户、小微商户）、收单账号（脱敏后）、收款卡号（脱敏后）、总笔数、总金额（元）等字段，用于分析不同类型客群的收款表现；
• 年度运营数据表：包含 2024 年新开户客户数、各年龄段客户活跃度等衍生字段，用于补充客户运营维度的分析。
（3）分析思路
拿到数据后，我以 “业务目标为导向” 拆解分析方向，整体思路如下（附简化脑图）：
|
农商行2024年收单分析
├─1. 客户基础分析：明确“服务谁”
│ ├─1.1 性别分布：判断是否需按性别做差异化服务
│ └─1.2 年龄分布：拆分年轻人（＜35岁）、中年人（36-60岁）、老年人（＞60岁），分析各年龄段参与度
├─2. 收款行为分析：明确“业务表现如何”
│ ├─2.1 收单类型对比：用“总笔数+总金额”双指标，对比POS机、个体工商户、小微商户表现
│ └─2.2 年龄段收款对比：分析不同年龄段在收单笔数、金额上的差异（用对比分析模型）
├─3. 运营问题与机会：明确“有哪些优化点”
│ ├─3.1 客户端问题：如年轻人参与度低的原因排查
│ └─3.2 业务端机会：如POS机与小微商户的差异化服务空间
└─4. 业务价值分析：明确“结论与决策建议”
├─4.1 数据现象归因：为什么会出现上述表现
├─4.2 未来趋势预测：2025年收单业务可能的变化
└─4.3 决策建议：针对不同客群、收单类型的优化策略
|
其中，核心分析逻辑是 “先看数据现象，再找业务原因，最后提落地策略”，比如分析到 “个体工商户收单总笔数最高” 时，结合我行线下调研，归因于 “个体工商户多为本地餐饮、零售商户，交易频率高”。
（4）数据处理
本次分析主要通过 FineBI 的 “自助数据集” 完成数据处理，核心操作及问题解决如下：
• 数据整合：将 “客户基础信息表” 与 “收单业务明细表” 通过 “收单账号” 字段关联，解决了此前 “数据分散” 问题；过程中遇到 “部分客户无收单记录” 的情况，通过 “左连接 + 筛选有效交易记录” 处理，最终保留 8324 条有效客户数据；
• 数据清洗：发现 “年龄” 字段存在 “0 岁”“150 岁” 等异常值，通过 “设置年龄范围（18-85 岁）” 过滤异常数据，确保分析准确性；
• 指标计算：新增 “人均收单笔数”（总笔数 / 客户数）、“各类型收单占比”（某类型总金额 / 总收单金额）等衍生指标，为后续对比分析提供支撑。
（5）可视化报告
1. 数据含义与图表布局
本次报告共设计 8 张核心图表，均遵循 “简洁易懂” 原则，关键设计如下：
• 客户基础部分：用 “饼图” 展示性别分布（男女比例 4:6），用 “柱状图” 展示各年龄段客户数（老年人 2618 人），布局上左右并列，方便直观对比；颜色选用我行品牌色（蓝色系），避免色彩杂乱；
• 收款行为部分：用 “双柱状图” 对比三类收单类型的 “总笔数 + 总金额”（个体工商户总笔数 1140991、总金额 51164.34 万元），用 “分组柱状图” 展示各年龄段收款笔数（中年人 1061292 笔），图表标题均标注 “业务含义”（如 “2024 年各收单类型收款表现”），确保外行人也能理解；
• 结论部分：用 “仪表盘” 展示核心结论，突出关键问题。
2. 分析结论与业务价值
通过可视化分析，最终得出 3 条核心结论，均直接服务于业务优化：
• 问题 1：年轻人收单参与度低：数据显示年轻人收单总笔数 47596 笔、总金额 2196.43 万元，仅为中年人的 4.5%、4.6%；归因于 “年轻人更偏好新兴支付平台，且我行针对年轻人的收单优惠少”；建议推出 “新户首单立减”“线上消费返现” 活动，同时优化收单操作界面（更简洁的扫码收款入口）；
• 问题 2：POS 机与小微商户推广不足：两类收单类型总笔数（808293、813107）、总金额（36809.81 万元、36836.64 万元）接近，但均远低于个体工商户；归因于 “缺乏针对性服务套餐”；建议为 POS 机商户提供 “免费设备维护”，为小微商户提供 “低手续费率（月交易额＜10 万免手续费）”；
• 价值落地：该报告已用于我行 2024 年 Q4 收单运营策略制定，预计可提升年轻人收单参与度 15%、小微商户收单金额 10%，同时减少数据整合时间 80%（从 1 天缩短至 2 小时）。
3、学习总结
（1）学习经历
这次学习班最难忘的是 “边学边练” 的过程：为了完成收单分析的可视化图表，我曾熬夜 2 小时调试 FineBI 的 “双轴图”（最初总笔数与总金额单位不匹配，后来通过 “设置坐标轴单位” 解决）；也在学习群里认识了 3 位同做金融数据的小伙伴，我们经常交流 “如何用 FineBI 做客户分层”“怎样让分析结论更落地”，收获了珍贵的同行友谊。
特别感谢讲课老师和助教：老师在课上结合 “银行信贷分析” 案例讲解 FineBI 操作，让我快速联想到收单业务场景；助教在我遇到 “数据关联错误” 时，通过远程演示帮我找到问题，比自己摸索效率高太多。唯一小建议是希望后续增加 “金融行业特殊场景” 的实操课（如 “如何处理收单数据中的异常交易”）。
（2）个人成长
技能与方法提升
• 掌握了 FineBI 核心技能：从 “不会用自助数据集” 到能独立完成数据整合、清洗、衍生指标计算，可视化图表制作效率提升 70%；
• 建立了 “业务驱动数据” 的分析思维：以前习惯 “有什么数据就分析什么”，现在会先明确 “业务要解决什么问题”，再拆解分析方向，比如这次收单分析先锚定 “优化服务” 目标，再针对性分析客户和业务表现。
目标达成与信心
学习初衷（提升收单分析能力、支撑业务决策）已达成 80%：目前能独立完成我行收单月度分析报告，且结论能被业务部门采纳；对于 FCP 考试，通过学习班的练习，已掌握 “数据处理 + 可视化 + 业务分析” 核心考点，有信心一次通过。
心得体会
最大的体会是 “数据分析师要懂业务，更要会‘翻译’数据”：比如 “个体工商户收单总笔数最高” 只是数据现象，而 “个体工商户交易频繁，需提供更高支持” 才是业务能落地的结论。未来我会继续保持 “终身学习” 的态度，多结合我行实际业务（如信贷 + 收单联动分析）深化技能，做 “能为业务创造价值的数据分析师”。 | 
