结业总结
一、学习初衷
1.1 个人介绍
我是帆软社区用户3410180，目前就职于 徐工集团，公司所属行业为机械制造业。当前主要从事 数据分析与数据治理相关工作，个人长期关注并持续学习的方向包括 数据分析、数据挖掘以及数据可视化。在实际工作中，我深刻感受到数据工具与业务理解结合的重要性，也希望通过系统学习进一步提升自身的数据分析能力和业务洞察水平。
1.2 学习初衷
本次参加帆软学习班，一方面源于 工作场景中的现实需求，在数据分析和可视化工作中，需要更加专业、系统的工具与方法；另一方面也源于我个人对 数据分析与可视化的浓厚兴趣。希望通过系统学习 FineBI，不仅掌握工具操作，更能够构建起以业务问题为导向的数据分析思维。
二、作品简介
2.1 作品背景与目标
本次结业作品选题为 《美国航班延误原因统计分析》。作品基于公开航班运行数据，从整体运行情况、异常航班特征、机场差异、时间趋势及延误原因结构等多个维度，对航班延误问题进行系统分析，旨在：
2.2 分析思路
三、数据处理与建模
3.1 数据处理过程
在 FineBI 中，我对原始数据进行了系统的数据准备与建模处理，包括：
-
对航班数据进行字段类型校验与清洗，确保指标口径一致
-
构建延误率、严重延误率、取消率、备降率等核心分析指标
-
明确区分“航班数量类指标”与“时间/原因类指标”，避免指标计算偏差
-
构建时间维度（年月）字段，支持趋势分析与时间对比
3.2 分析维度设计
分析模型围绕以下核心维度展开：
四、核心分析结论
4.1 当前数据发生了什么
分析结果显示，美国航班整体延误率约为 19%，即每五架航班中就有一架发生延误。同时，严重延误占比接近 44%，说明延误一旦发生，往往具有较大的影响强度。航班延误并非随机分布，而是高度集中在部分航班量大、空域复杂的枢纽机场。
4.2 为什么会发生
进一步分析发现，航班延误是多种因素叠加的结果。其中，空管系统延误（NAS Delay） 在高密度机场中起到了显著的放大作用，而 前序航班延误（Late Aircraft Delay） 则通过飞机和机组资源复用，形成连锁反应。航空公司自身调度能力在高峰时期受到系统压力限制，使得部分可控延误转化为被动结果。
4.3 未来可能发生什么
从月度趋势来看，航班延误具有明显的季节性特征。预计在 夏季高峰期 和 年末假期，延误风险仍将处于高位。若航班规模持续增长而系统弹性不足，延误问题可能呈现高位波动并伴随更强的扩散效应。
4.4 如何支持更优决策
基于分析结果，可以为航班运行管理提供以下决策支持：
五、学习总结
5.1 学习经历与认知突破
通过帆软学习班的系统学习与实践，我完成了从 数据工具使用者 向 业务分析思维者 的转变。在学习过程中，我不仅掌握了 FineBI 的数据处理、可视化设计和交互分析能力，更逐步形成了以业务问题为导向的分析方法论。通过独立完成《美国航班延误原因统计》项目，我深刻体会到数据分析的真正价值在于 洞察业务、支持决策，而不仅是制作图表。
5.2 个人成长与方法论沉淀
在技术层面，我系统掌握了多源数据接入、数据清洗与建模、指标计算以及交互式可视化设计等核心能力；在思维层面，我逐渐建立起 “问题拆解—数据建模—可视化叙事” 的工作方法。学习过程中遇到的挑战，也促使我不断反思如何将复杂的数据结果转化为业务人员能够理解和使用的洞察。通过本次学习，我更加清晰地认识到：数据分析的终点不是报告，而是行动；数据价值不在于数据本身，而在于其对决策的支撑能力。
六、结语
帆软学习班不仅让我系统掌握了 FineBI 这一专业工具，更重要的是帮助我建立起 数据驱动业务分析的思维模式。未来，我将继续将所学方法与更多业务场景相结合，在数据分析与可视化的道路上持续深耕，用数据洞察为企业创造更真实、更可持续的业务价值。
| 
