1、学习初衷
（1）个人介绍：帆软社区用户名3031869，目前就职于新零售公司，我司是白酒行业；目前从事数字化运营工作，个人感兴趣的方向和领域为数据建模分析。
（2）学习初衷：工作需要+个人兴趣
2、作品简介
公司是一家综合型产品零售商，公司发现今年的3-6月收益相较波动异常，需要探寻异常原因以及数据建议
洞察整体销售业绩： 了解销售额、利润的变化趋势和周期性高峰与低谷。
客户画像： 找到客户画像，以便进行精准营销和客户关系维护。
分析产品表现： 找出产品销售结构，客户产品偏好，调整销售策略。
数据来源：AI生成数据。数据包含订单ID、客户信息、订单信息等相关字段。
（3）分析思路
（4）数据处理
理论上公司数据分析过程中第一步会进行数据预处理，对空值、异常数据进行删除、赋值覆盖或单独标记的方式，然后进行维度表与明细表的关联或者合并。但AI生成的数据已经是直接可用的了，所以就省去了这一步操作。
分析维度：
整体销售业绩情况：
1、KPI指标卡： 总销售额、总利润额、总利润率。
2、折线图：月度销售额趋势
3、明细图：分渠道销售额
产品分析
1、饼图：分品类-产品销售额、分品类-产品利润额
客户分析：
1、柱状图-成交客户性别分布
2、漏斗图-成交客户等级分布
3、饼图-成交客户地域分布
（5）可视化报告
   
3、学习总结
参加 FCP-FineBI 资深认证学习的过程，是我从"会用工具做图"走向"能用数据讲清业务故事"的关键一跃。这段学习不仅让我系统掌握了 FineBI 的自助分析能力，更重要的是重塑了我看待数据的思维方式：
1. 数据连接与加工建模
这一阶段是最烧脑也最有价值的。我学会了如何从数据库、Excel、API 等多种数据源接入数据，并通过自助数据集完成过滤、新增列、分组汇总、表合并等操作。过去用 Excel 做 VLOOKUP 拼数据的低效方式被彻底替代，多表关联建模让我第一次感受到"数据资产"这个词的分量——底层模型搭对了，上层分析事半功倍。
2. 函数与指标计算
重点攻克了 DEF() 等高级函数，以及文本、日期、逻辑判断等常用函数。我深刻体会到：函数不是背出来的，而是在业务指标计算的真实场景里"用"出来的。每一个计算字段背后，都是一段业务逻辑的翻译。
3. 可视化与仪表板设计
从柱状图、折线图、饼图等基础图表的适用场景，到钻取、联动、跳转等交互设计，我逐渐建立起"图表服务于问题"的意识。一个好的仪表板不是图表的堆砌，而是引导观看者沿着预设逻辑看到业务真相的叙事载体。
4. 分析报告与故事讲解
这是 FCP 与 FCA 最显著的差异点，占比 20%。我学会了如何将分析结果包装成一份有开头、有冲突、有结论的商业报告，用数据讲故事，而不是罗列数据。
三、思维方式的转变
最大的收获不是工具技能，而是数据分析思维的建立。
从"要什么图"到"回答什么问题"：过去做报表是先想图表类型，现在先做业务提问，再反推需要什么数据和指标。
从"一次性报表"到"可复用资产"：通过主题模型和分析主题沉淀，让一份数据加工成果能服务多个分析场景。
总结：
这段FineBI-FCP的学习旅程，是一次宝贵的自我投资。我收获的不仅仅是一个即将到手的证书，更是一套受用终身的分析思维和解决问题的能力。感谢所有老师和同学们的陪伴，未来，我将带着这份收获，在数据的海洋中继续航行，去发现更多未知的商业价值。 | 
