——招生到就业的全链路数据分析平台
一、团队介绍
团队名称：半糖主义
队名叫“半糖主义”，其实没啥深意，就是最近老喝奶茶，喜欢点半糖，顺手就拿来当队名了。
我目前大三，这是人生最后一个暑假了，寻思着学个新技能别浪费，刷到这个比赛就报名了。一个人参赛，也没找队友，就是想自己鼓捣鼓捣，看看能不能把这套东西整明白。
从数据整理、指标计算到最后的看板设计，全是自己一个人边学边做，踩了不少坑，但确实学到了东西。
二、作品背景
1. 为什么选这个题
说实话，一开始定题目挺纠结的。想找个数据能凑齐、题材又完整的方向练手，翻来翻去，最后锁定了“高校招生—毕业”这条线。
原因很简单：一是这类数据相对好获取和模拟，字段清晰、逻辑规整，不至于卡在“没数据”这一步；二是它天然是一条完整的链路——招进来（招生）、教出来（培养）、送出去（就业），一环扣一环，正好能把 FineBI NEXT 从数据加工、多种图表、指标树、复杂表格到 AI 问答的各种功能都用上一遍，对我这种想全面练手的人来说再合适不过。
定题的过程里，我也请教了学院的就业指导老师。老师觉得这个方向挺有意思，还帮我理了理招生、培养、就业各个环节大致都看哪些关键指标、平时是怎么统计的，让我少走了不少弯路。加上我自己就是大三学生，正站在“培养”和“就业”的中间，对这条链路天然有代入感——我们这些人最后都去哪了？读研的多还是工作的多？哪些专业好就业、能挣钱？这些问题我自己也好奇。
2. 想做成什么样
其实招生、就业这些数据，学校每年都有专门的《招生质量报告》《毕业生就业质量报告》，该统计的早就统计得明明白白了。所以我要做的，并不是去“解决一个没人管的问题”，而是换一种方式把这些数据呈现出来。
传统的年度报告有个特点：它是“写死”的、静态的。几十上百页 PDF，招生一章、培养一章、就业一章，各看各的；想对着看“高分录取的专业是不是就业也好”“某个学院从招生到就业整条链路表现如何”，就得自己在好几个章节之间来回翻、拿笔记，挺费劲。
我想做的，是把这些原本躺在报告里的数据，做成一套“活的”交互式看板——招生、培养、就业三段串在一条链路上，点一下学院、选一个年份，相关的图表就跟着联动；想问点报告里没直接给的，还能直接用大白话问 AI。说白了，就是把“读报告”变成“自己上手查数据”，从被动看结论，变成能顺着自己的好奇心往下挖。
3. 做出来之后看到了什么
把三段数据串起来、能自由筛选联动之后，有些原本分散在不同报告里的规律，凑到一块儿看就明显多了：
· 报到率值得盯——招生计划年年涨，但录取完还得看真报到，把几年趋势和不同批次放一起看，能直观看到哪些批次流失更明显。
· 专业冷热和就业存在错配——把“招生热度”和“就业表现”摆到一起对比，能看出有的专业抢着要、起薪高，有的招得不少但就业一般。
· 学业问题集中在特定年级——挂科在各年级并不是均匀分布的，某些年级明显是“高危期”，值得提前预警干预。
这些不算什么惊天发现，年度报告里其实也都有；但当它们能在一个看板里被自由地筛选、对比、联动地看，理解起来就轻松、直观多了。这也是这个作品最想体现的——把散落在各处的数据串成一条线、做成能上手玩的看板，让看数据这件事，少一点翻报告的麻烦，多一点顺藤摸瓜的乐趣。（注：本作品数据为教学模拟数据，不代表任何真实院校。）
三、制作流程
整个作品的搭建，大体就是一条流水线：数据备齐 → 加工出指标 → 搭成图表看板（部分图表借助 AI 助手“九思”生成）→ 配上筛选联动。下面这张图是整体流程的概览。
1. 数据准备：备齐一条完整链路
我一共准备了 5 张 Excel 表，尽量把“招生—培养—就业”这条链路铺全：
· 招生端：招生计划表、录取批次表
· 培养端：在校生一览表（约 1.1 万条，含 GPA、挂科、学分）
· 就业端：毕业生去向表（约 1.4 万条，含去向、起薪、行业、满意度）
· 维表：学院专业表（补充专业、学科门类等信息）
每张表的主要字段如下：
|
数据表
|
行数
|
主要字段
|
|
招生计划表
|
约250
|
年份、专业、学院、学科门类、招生计划数、提前批/本一批/本二批计划、实际录取数、实际报到数、报到率
|
|
录取批次表
|
约750
|
年份、批次、专业、学院、招生计划数、实际录取数、实际报到数、报到率、平均/最低/最高录取分
|
|
在校生一览表
|
约1.1万
|
学号、入学年份、当前年级、专业、学院、学科门类、性别、生源地、GPA、挂科门数、已修学分、在读状态
|
|
毕业生去向表
|
约1.4万
|
毕业年份、专业、学院、性别、去向类型、就业单位类型、就业行业、就业城市、专业对口、起薪、满意度、升学方向、赴境外国家
|
|
学院专业表
|
约50
|
专业编码、专业名称、学院、学科门类、学制、年学费（维表，供其他表关联）
|
别看分开都是一堆明细，关键是它们能靠“专业编码”“学院”“年份”这些共同字段串起来——这正是后面做“全链路”分析的地基。
2. 数据加工：把明细算成指标
原始表是明细，不能直接画图，得先在分析表里加工。主要做三类操作：
· 关联合并：多张表按共同字段拼到一起
· 分组汇总：把明细聚合成学院/专业/年份维度
· 公式列：算出真正想看的指标
报到率、就业率、升学率、专业对口率、GPA 均值、挂科率、起薪中位数……这些都是这一步算出来的。
指标口径怎么定、分母算哪些人，我来回改了好几遍——这是全程最费脑子的环节之一。
3. 可视化搭建：什么数据配什么图
指标算好，就是把它们变成看得懂的图。整体结构是“一舱三页”：
· 全链路驾驶舱：一页总览全局
· 三个分析页：招生、培养、就业各深入看一段
为了让数据用最合适的方式呈现，我用上了多种图表：
趋势用柱状图和折线图，占比用饼图和环形图，成绩分布用箱线图，挂科的“年级×学院”规律用热力图，GPA 和挂科关系用散点图，生源地和就业流向用地图——尽量做到“什么数据配什么图”。
4. AI 助手“九思”：动动嘴就能建图
搭图表这一步，我还用上了 NEXT 的一个 AI 助手——“九思”，它算是这次做作品最惊喜的功能之一。
以前建一个稍微复杂点的图，得自己一个个把字段拖到对应的位置、再调半天格式。而有些结构比较固定的图，我现在直接用大白话把需求说给九思就行，比如：
“创建本年薪资分布箱线图（分行业），X 轴就业行业、Y 轴起薪，标注中位数线和 P10/P90 须线”
九思就能照着把图表组件直接生成出来。像分行业薪资箱线图、专业对口率堆叠条形图、就业地域流向地图、各学院 GPA 分布这几个，都是这么搭出来的，生成之后我再自己微调下样式和细节。
对我这种边学边做的新手来说，这个功能太友好了：我只要想清楚“想看什么、用什么图”，具体的搭建交给它，省了大量反复试错、翻教程的时间。
5. 交互设计：让看板“活”起来
最后一步，是让看板能动起来，而不是一堆看死的静态图。
· 筛选联动：年份、学院、学科门类等筛选器，点一下整页图表跟着过滤
· 下钻联动：点某个学院能看下面各专业明细，点某个数据能跳到相关图表
· 时间过滤：趋势图固定看完整几年、不被年份筛选器影响；结构排名图则跟着筛选器动——这两种分开处理，是我调得最久的地方。
把这些交互配齐之后，同一套看板就能应付很多不同的问题：想看某个学院、某一年、某个学科门类，点几下就行，不用再回去改数据、重画图。
四、成果展示
最终做出来的，是一套“一舱三页”的全链路看板：一个总览驾驶舱，加上招生、培养、就业三个专门的分析页。下面挨个展示，每一页都配了实际截图。
1. 全链路驾驶舱：一页看懂全局
驾驶舱是整个作品的“门面”，一页之内把招生到就业的关键数字全摆出来，不用翻页就能对学校整体情况有个数。
图 4-1 全链路驾驶舱
顶部四张大卡片，是最核心的几个总量指标：
· 近五年招生计划数 14,579，报到率 95.62%、录取率 98.62%
· 近五年毕业总人数 14,478，平均满意度 3.89、考研升本校率 5.46%
· 本年招生计划数 3,043，同比增长 3.72%、录取率 95.69%
· 本年就业总人数 2,435，就业率 95.83%、平均起薪 6,914 元/月
下面用一整排图表把细节铺开：近五年招生规模趋势、生源地地图、批次结构环形图、本年起薪 TOP5 专业；再往下是报到流失率趋势、就业满意度分布、院系招生排名、毕业去向结构。招生、培养、就业三段的关键信息，在这一页基本都能扫到。
2. 招生质量分析：招进来的这批人
点进招生质量页，看的是“招进来的这批学生质量怎么样、结构有什么变化”。页面顶部可以按年份、学院、专业筛选。
图 4-2 招生质量分析页
这一页我重点放了几组分析：
· 热门专业 TOP20 报考竞争度：把各专业的招生计划、实际录取和竞争比放一起，一眼看出哪些专业最抢手
· 近五年录取分数热力图：专业 × 年份的分数矩阵，颜色越深分越高，趋势一目了然
· 招生趋势 / 批次结构 / 男女比例：几张趋势图看五年变化，比如本一批和本二批的占比怎么此消彼长
· 生源地省份 TOP15：看生源主要来自哪些省份
3. 培养质量分析：在校生的学业状况
培养质量页关注的是“学生在校期间学得怎么样”，用的是在校生的当前快照数据，所以筛选器换成了学院和年级。
图 4-3 培养质量分析页
几个核心组件：
· 各学院 GPA 分布箱线图：一眼看出哪个学院成绩整体更高、分布更集中
· 全年级挂科率热力矩阵：学院 × 年级的挂科率矩阵，红得越深挂科越多——能清楚看到某些年级是“高危期”
· GPA 与挂科门数散点图：验证“低 GPA 往往伴随多挂科”
· 学业预警统计：自动揪出 GPA 过低的高危学生，本年预警 2 人、预警率 0.02%，还带明细表方便直接跟进
4. 就业质量分析：最后都去哪了
就业质量页是整条链路的出口，也是我自己最关心的一页——大家最后都去哪了、挣多少、专业对不对口。
图 4-4 就业质量分析页
这一页信息量最大，主要看这几块：
· 就业率趋势 & 去向结构：五年就业率雷达变化，以及各学院签约 / 升学 / 灵活就业 / 待就业的占比
· 各专业起薪 TOP15：哪些专业起薪最高一目了然，医学影像学等专业排在前列
· 就业行业 & 单位性质：信息技术等行业吸纳了大量毕业生；单位性质里企业、政府、事业单位各占多少
· 就业地域流向地图 & 专业对口率：毕业生主要流向广东、浙江等地；不同学院的专业对口率差异也拉了出来
四页看下来，招生、培养、就业就被串成了一条完整的线——从“招进来什么样的人”，到“培养得怎么样”，再到“最后去了哪里”，一套看板就能顺着走完全程。
五、总结与分享
这是我第一次完整做一个数据分析作品，一个人从头搭到尾。回头看，学到的东西不少，踩的坑也实实在在。挑几点印象最深的分享一下。
1. 收获：慢慢摸到了“什么数据配什么图”
一开始我以为做可视化就是把数拖上去、生成个图就完事，真上手才发现，选对图表本身就是门学问。
同样一份数据，用错图就白搭：比较各专业起薪，用条形图排个序一目了然，硬做成饼图就乱成一团；想看成绩分布和有没有偏科，箱线图能把中位数、四分位一次说清；而挂科率放到“学院×年级”的热力图里，哪一格红得扎眼，高危区域一眼就冒出来。做这个作品的过程，也是我一点点摸清各种图表脾气的过程——现在拿到一份数据，心里大概有数该配什么图了。
2. 最大的坑：时间过滤逻辑
要说整个作品最费劲的地方，就是过滤逻辑，尤其是跟时间相关的那部分。
我一开始想当然地给整页都绑上了年份筛选器，结果一选“2025 年”，连那些本该展示连续五年变化的趋势图，也被砍得只剩 2025 一个点，趋势直接没了。
折腾了好一阵才想明白：图表得分两类区别对待——趋势类的图（比如近五年招生、就业率变化）要固定看完整的时间段，不能被年份筛选器影响；而结构、排名类的图（比如某年的专业竞争度、去向占比）才需要跟着筛选器动。想通这一层、再把每个组件的过滤范围一个个设对，是我调得最久的一步，但也是收获最大的一步。
3. 还没想明白的：数据和组件到底怎么组织
还有一个到现在也没完全想清楚的问题：数据和组件之间，到底该怎么组织比较好。
是一张分析表只喂一个组件，改起来清爽、互不干扰？还是按分析模块把相关组件挂到同一张表上，省得重复加工、方便联动？
两种我都试过，各有各的好处，也各有各的麻烦：前者表建得又多又碎，后者一改动就容易牵一发动全身。整个作品做完，我也没得出一个标准答案，可能这本身就得看具体场景来权衡。这算是留给我下一次的一个思考题吧。
4. 写在最后
作为一个非科班、边查教程边做的准大四学生，能一个人把这套从招生到就业的全链路看板搭出来，我自己还挺有成就感的。这中间，NEXT 的 AI 助手“九思”帮了不少忙，很多我一时不知道怎么下手的图表，跟它说说需求就搭出来了，让我能把精力更多放在“想分析什么”上。
这个暑假花在它身上的时间，值了。也希望这份作品，能让人真切感受到：把散落的数据串成一条线、做成一块能上手玩的看板，是件挺有意思、也挺有用的事。
完整作品链接：https://next.finebi.com/decision/application/72e4ae0034364f4b8e98e75ddb91bd
