请上传宽度大于 1200px,高度大于 164px 的封面图片
    调整图片尺寸与位置
    滚轮可以放大缩小图片尺寸,按住图片拖动可调整位置,多余的会自动被裁剪掉
取消
5964159(uid:209895)
职业资格认证:FCP-FineBI | FCA-FineReport | FCA-FineBI | FCA-简道云 | FCA-业务分析理论 | FCA-数据分析理论
通过FCA-数据分析理论考试。
好的,这是一篇关于通过FCA数据分析理论考试的感想,希望能捕捉到备考的艰辛、考试的挑战以及通过的喜悦:    登顶之后:我的FCA数据分析理论考试通关感悟   终于,屏幕上那个醒目的“Pass”字样映入眼帘,长久以来悬着的心终于落定。FCA数据分析理论考试,这座曾让我望而生畏的知识山峰,终于被我成功登顶。此刻,除了如释重负的轻松,更多的是沉淀下来的思考和一份来之不易的成就感。   备考:一场与时间和深度的拉锯战**   坦白说,备考的过程远非坦途。FCA的理论体系庞大而严谨,涵盖了从数据基础、统计学核心原理、数据预处理、探索性数据分析,到关键的机器学习算法理论(监督学习、无监督学习)、模型评估与选择、特征工程,再到数据可视化原则、数据治理与伦理规范等方方面面。这不仅仅是记忆知识点,更是对**概念深度理解、逻辑链条梳理和知识体系融会贯通**的考验。      深度与广度并存: 最大的挑战在于平衡深度与广度。既要理解每个算法背后的数学逻辑(比如梯度下降如何运作、决策树如何分裂、假设检验的严谨性),又要清晰掌握不同方法的适用场景、优缺点比较以及核心参数的意义。这要求我不断在“知其然”和“知其所以然”之间切换。    抽象概念的具体化:很多理论概念相对抽象(如偏差-方差权衡、过拟合/欠拟合的本质、不同距离度量的意义)。为了真正掌握,我不得不反复阅读教材、观看讲解视频,并结合大量的练习题和模拟案例,试图在脑海中构建具体的应用场景,让抽象的理论“落地”。    建立知识网络: 孤立的知识点是脆弱的。我花费了大量时间绘制思维导图,尝试将统计学基础、数据清洗方法、机器学习模型、评估指标等连接起来,理解它们如何在数据分析的完整流程中相互作用。比如,数据质量如何影响模型选择,特征工程如何改善模型性能,评估指标又如何指导模型优化。    时间的压力:工作之余备考,时间永远是最稀缺的资源。无数个夜晚和周末被公式、定义和错题占据。咖啡成了忠实伴侣,而“时间不够用”的焦虑感如影随形。   考场:专注力与抗压能力的终极考验**   走进考场,氛围瞬间变得凝重。理论考试没有代码实操的喘息空间,每一分钟都弥足珍贵。      审题是关键:** 题目往往设计精巧,措辞严谨。一个关键词的误读(如“最不可能”、“首要步骤”、“核心假设”)就可能导致方向性错误。我强迫自己放慢速度,反复咀嚼题干,圈出关键词。    理论与场景的结合:** 很多题目不是直接考定义,而是将理论嵌入到一个具体的(虽然是简化的)业务或数据场景中,要求你运用正确的概念进行分析和判断。这需要快速将抽象理论与具体问题建立联系。    排除法与逻辑推理:** 面对不确定的选项,扎实的基础知识是进行有效排除的根基。对概念本质的理解和清晰的逻辑推理能力,在关键时刻能帮你拨开迷雾,找到最合理的答案。    体力的消耗:** 高度集中精力应对连续不断的题目,对脑力和体力都是不小的消耗。考前模拟真实时长的练习至关重要。     通关:不仅仅是证书,更是成长的里程碑   当看到“Pass”的那一刻,所有的疲惫仿佛瞬间被冲淡,取而代之的是一种强烈的满足感和对自我的肯定。这份通过的意义,远不止于获得一张证书:   1.  知识体系的夯实:备考过程像是一次高强度、系统化的“数据科学基础”集训。它迫使我将过去零散的知识点串联、压实,构建起一个更加稳固、清晰的理论框架。这为后续的实践应用打下了无比坚实的基础——理论是指引实践的灯塔。 2.  学习能力与韧性的证明:成功通过这场高标准的理论考试,是对我个人学习能力、自律性和抗压能力的一次有力证明。它告诉我,只要目标明确、方法得当、肯下功夫,挑战是可以被征服的。 3.  信心的极大提升:克服了过程中的种种困难,最终达成目标,这种正向反馈极大地增强了我在数据分析领域继续深耕的信心。我知道自己具备了扎实的理论根基去支撑更复杂的实践探索。 4.  对“理论”价值的重新认识: 实践固然重要,但忽视理论如同在沙地上建高楼。这次考试让我深刻体会到,深厚的理论功底是进行有效、可靠、有洞察力数据分析的基石。它让你在遇到问题时能追本溯源,在选择方法时能知其优劣,在解读结果时能保持清醒和批判性思维。   给后来者的肺腑之言      敬畏理论,打好根基:不要轻视理论。它看似枯燥,却是你未来走得更远、飞得更高的翅膀。投入时间去真正理解,而非死记硬背。    体系化学习:善用思维导图等工具,努力构建知识网络,理解不同模块间的关联。    刻意练习,深度思考:做高质量的练习题,不仅要选对答案,更要彻底弄懂每一个选项为什么对、为什么错。尝试向自己或他人讲解概念。    模拟实战,管理时间:考前务必进行严格的限时模拟,适应考试节奏和强度。    保持耐心,坚持不懈:备考过程必然有低谷和挫败感。调整心态,相信坚持的力量。   写在最后   通过FCA数据分析理论考试,不是终点,而是一个新的起点。它为我打开了更广阔的数据分析世界的大门,让我带着更扎实的武器和更强的信心去迎接实际项目中更复杂的挑战。这段经历,充满了汗水,也充满了收获的喜悦,它将成为我数据分析旅程中一个闪亮的坐标,提醒我:在数据的海洋中航行,深厚的理论功底永远是那最可靠的罗盘。   核心关键词提炼:深度理解、知识体系、逻辑链条、融会贯通、理论基石、挑战、坚持、信心、成长里程碑、敬畏理论、体系化学习、刻意练习、实战模拟。   希望这篇感想能引起有过类似经历者的共鸣,并为正在备考的朋友们提供一些鼓励和参考!
【2022BI数据分析大赛】2019至2021年大中型工业企业财务分析
一、选手简介 团队名称:卖火柴的小男孩 队长介绍:社区名5964159,通过FCBP认证,有零售电信等领域数据从业经验,目前从事工业互联网统计相关工作。在团队中主要负责分析架构搭建、数据处理分析及可视化图表展现工作。 社区名大冰子,财务分析师,具有多年工业互联网财务分析工作。在团队中主要完成具体财务部分的指标选定解读及后期的布局美化工作。 参赛初衷:首先在平常工作中经常用到数据,同时也是朋友。在实际工作中,统计和财务模块会存在一定的分歧和理解差异,也是希望借助这次比赛的合作契机能相互补充学习借鉴,共同进步。   二、作品介绍 1.赛事背景:随着工业4.0时代逐渐推进,生产制造模式的不断变革,一些新兴产业悄然兴起。然而过去两年席卷全球的新冠疫情给各行各业带来了冲击,很多工业企业面临停产停工的影响。本篇参赛作品指在以财务为视角,以统计数据为依据去了解我国2019-2021年以来工业企业经营情况及工业化发展的整体步伐。   2.作品技术路线: 采用CRISP-DM跨行业标准流程展开分析,具体分为一下六个步骤:   3.商业理解: 预先对统计财务板块开展SWOT分析,分析赛道优略势及机遇威胁。 在业务理解阶段以工业经济为主线,先分析工业企业的整体运行情况,接着以财务视角对规模以上企业的偿债、运营及盈利能力展开分析,了解财务现状现状及成因,并尝试探索性提出建设建议。   4.数据理解: 在数据源选取了国家统计局近三年的工业板块数据(工业增加值、产品销售率及工业企业主要经济指标)及丁香园网全国近三年各省新型肺炎疫情每日增量数据,重点已统计板块展开分析。主要指标解读如下: 重点衍生财务分析指标解读:   5.数据处理: 首先对EXCEL表中多时间字段进行了行列转置及多指标数据透视处理等基础工作,接着以工业企业经济指标表为主表去构建多表间的主键关联。 在工业指标表中,对部分未读取字段进行类型设置。 添加财务指标字段,资产负债表、总资产周转率、库存周转率、营业净利率、权益净利率和销售费用率等。为便于核实询证数据,将上述数据集按时间维度进行排序。 对工业增加值、产品销售率及经济带等表单数据进行左右并集予以合并,形成整表数据。 由于前期规划中针对源数据中文本字段转化为时间字段处理量较大,为方便一次性搞定,将表单合并后集中处理文本转化时间字段问题。   6.数据可视化阶段(建模) ①项目背景、材料思路及情况说明: ②工业企业基本情况综述: 大中型企业数量主体保持稳定,有小规模增长态势。 ③财务偿债能力 资产负债率从地理位置上各经济带差异明显,随年份变化资产负债率有下滑趋势,整体向好。从时间范围来看,并未体现明显的季节性趋势。 ④财务运营能力 存货周转率地理位置上各经济带差异明显。从时间范围来看,范围有扩张迹象。从月份看资产周转率与亏损企业数量呈现明显反向波动。 ⑤财务盈利能力 21年营收利率增速较快,20年受影响影响低迷,其中北部区域较为明显,但我国大中型工业利润发展整体保持向好。   三、参赛感悟 这是第二次参加FINEBI的比赛了,首先作为国内领先的BI可视化平台,产品的人性化和便捷性是有目共睹的,使用户能够专注于通过业务本身去探索成因,节省了层层报表汇总的时间,提升了工作效率。同时也是借助本次比赛的契机,和同僚一起去了解和探索业务经验,更深层次的提升对于工业行业财务模块的认识。
【2021夏季挑战赛】视频网站2020年收视分析
一、选手简介 1、选手介绍 帆软社区用户名5964159,目前就职于一家互联网公司,主要从事商业数据分析相关工作。感兴趣的方向和领域:数据分析及数据挖掘在行业领域中的推广应用。 2、参赛初衷 作为数据相关领域的从业者,希望通过比赛能与各位大神切磋技艺,提升自己对于FINEBI的掌握程度及应用能力。同时能够接触和了到不同行业领域的选手对于问题的分析思路和方法,有助于扩宽视野,进一步的提高分析能力。同时也希望能够在比赛中得到评委老师对于参赛作品的指正,从中摄取经验,获得成长和进步。 二、作品介绍 1、业务背景及需求痛点 业务背景:移动互联网时代具有随时性、个性化的特征,能够为客户提供更大价值的服务,蕴藏着巨大商机。特别是随着5G时代的来临,信息交互传导的速度加快,使得视频传媒产业得到了快速发展。同时也需要注意,随着行业竞争者的不断加人,同质化的竞争使得行业竞争格局加剧,未来视频产业的发展将会是机遇与挑战并存的时代。 需求痛点:当期的行业数据分析及技术支持多集中在浅层的指标报送传达,缺乏对于业务的深入理解。而在内容运营方面对于节目的编排,整体运营策略多通过头脑风暴会议或运营人员自主构思等方式完成,缺乏相关数据支持。整体上需要通过数据加内容作为抓手来提升数据精细化运营能力,推动业务的整体落地和实施。 2、数据来源 本次参赛使用的企业数据:南方省区(除上海)用户经营数据,用户分类栏目收视数据及重点节目收视数据。上述数据均进行了脱敏处理。 外部数据:我国各省级行政单位2020年全年GDP数据及人口统计相关数据。上述数据通过国家统计局公开数据提取并加工获得。 3、分析思路 视频网站的业务主要围绕两部分展开数据分析 模块1:用户经营分析围绕业务的用户状态进行分析。 首先通过用户漏洞模型分析用户在生命周期各阶段的转化情况。 其次通过重点指标分析了解业务现状,并通过用户指标的时间变化探寻业务发展的趋势变化。 最后通过用户在地理分布上的不同,并结合当年的人口及GDP指标找到数据差异化的原因。 模块2:用户收视行为分析:围绕着用户在视频终端的实际收视内容进行分析。 首先分析各栏目类别的收视构成情况,找到用户收视的关注点。 然后针对重点收视内容中的热播节目进行波士顿矩阵分析,寻找重点产品的数据差异化特征。 视频业务思维导图 http://bbs.fanruan.com/source/plugin/votes/function/editor/attached/image/20210630/20210630203923_93802.jpg 4、数据处理 企业数据预先进行了脱敏加工处理。由于用户指标数据中占比分析指标需要通过加工整理获得,同时对渠道指标(注明:渠道应均为APP注册,非此类型为异常数据)进行过滤,并且用户经营数据与人口GDP指标需要关联,将这部分内容放入FINEBI自助数据集中完成。 146473 相关计算公式 激活率 =(一定时间内)激活用户数/注册用户数 活跃率 =(一定时间内)活跃用户数/注册用户数 付费率 =(一定时间内)付费用户数/注册用户数 http://bbs.fanruan.com/source/plugin/votes/function/editor/attached/image/20210630/20210630203934_39314.jpg 5、可视化报告 (1)用户经营指标分析模块 通过漏斗图展现用户从注册获取,激活,活跃到付费的转化过程,通过分析可以发现用户在激活到活跃和活跃到付费转化阶段的转化率较低,需要通过有效的用户唤醒及活动推送来提升对应阶段的转化率。 http://bbs.fanruan.com/source/plugin/votes/function/editor/attached/image/20210630/20210630203946_60238.jpg 通过地图展现了用户的区域分布情况,从中可以看出南方省份注册用户数较多的省份集中在东部沿海地区,整体上呈现出东高西低北高南低的特征。 http://bbs.fanruan.com/source/plugin/votes/function/editor/attached/image/20210630/20210630203957_89064.jpg 通过KPI评分卡和仪表盘展现了主要业务指标的达成情况,从中可以了解到全年新注册用户数有235万,贡献了397亿次的访问点击量和71亿小时的收视流量。激活率超过80%,用户活跃率超过50%,但付费转化率偏低,只有不到4%。 http://bbs.fanruan.com/source/plugin/votes/function/editor/attached/image/20210630/20210630204009_99880.jpg 通过柱形图展现了注册用户与各省人口及GPD的对比关系,从中可以看出江苏、福建、浙江等沿海省份的注册用户贡献较多,结合国家统计局数据可以看出注册用户的数量和该省的人均GDP有很强的正向相关性,人均收入越富裕的省份用户选择视频收视的热情越高。 http://bbs.fanruan.com/source/plugin/votes/function/editor/attached/image/20210630/20210630204026_77768.jpg 通过折线图展现了处于用户生命周期不同阶段的用户随时间变化构成情况,从中可以看出整体上用户在不同时期的收视均呈现出一定幅度提升的态势,其中下半年的用户收视增长率明显快于上半年。 http://bbs.fanruan.com/source/plugin/votes/function/editor/attached/image/20210630/20210630204054_71735.jpg (2)用户收视行为分析模块 通过雷达图展现了不同栏目类别的构成情况,从中可以看出选择电视剧集以及少儿动漫板块的用户量具有压倒性的优势,而电影推送、体育赛事及教育记实栏目有一定规模的定向群体,而其他栏目的用户收视量明显偏低,建议对部分小众收视栏目类别进行内容整合优化。 http://bbs.fanruan.com/source/plugin/votes/function/editor/attached/image/20210630/20210630204106_82473.jpg 通过矩阵图构建了不同栏目类别随时间的变动情况,通过分析可以看出,自国庆以来电视剧集的用户收视呈现出明显的增长态势,应该重点予以关注。 http://bbs.fanruan.com/source/plugin/votes/function/editor/attached/image/20210630/20210630204117_90574.jpg 通过词云图构建了TOP100重点收视节目的分布图,从点击率构成情况来看,猎手、冰峰及贝尔虎儿歌等节目深受用户所喜爱。 146466 通过波士顿矩阵图(象限图)构建了节目收视构成图,通过对于重点收视节目的划分可以看出,收视榜单基本被电视剧集及少儿动漫节目所占据,这也与对栏目分类的分析情况相吻合。其中猎手、冰峰及手枪队等电视剧集无论是从点击访问量还是从收视流量贡献均十分优异,为明星产品。从中也可以看出电视剧集节目的单次用户平均访问时长普遍高于少儿动漫栏目,特别是像贝尔虎儿歌、猫和老鼠及小猪佩奇第二季等节目呈现出明显的高点击低收视时长的情况,这与少儿动漫节目编制时间较短而电视剧集单剧集时间较长有很大关系。 http://bbs.fanruan.com/source/plugin/votes/function/editor/attached/image/20210630/20210630204323_25607.jpg (3)最终结果呈现的页面布局 http://bbs.fanruan.com/source/plugin/votes/function/editor/attached/image/20210630/20210630204341_92998.jpg 三、参赛综述 1、对于Finebi工具的看法 优点: 1.FineBI通过自动建模,并且利用自助数据集的方式,通过人性化的操作界面进行数据处理和ETL加工,比如数据过滤、数据整合等操作,能够极大的降低数据清洗与加工的时间。 2.数据的图表设置相对来说比较简单,只需要进行数据字段的拽拖即可,同时还有一些数据的查询操作等,也是只通过拖拽空间即可,基本上不需要函数以及编程。 3.帆软的备注文档内容非常详尽,遇到不清楚的问题能够在相关查阅中迅速定位与解决问题。同时帆软的社区服务非常完善,能够为数据可视化提供多样化的资料素材。 缺点: 在进行一些算法层分析实现时,如关联规则分析基于单个变量间的关联度分析,缺少多重变量间的相关性分析,如构建可拖拉式的逻辑回归模型等,相关资料也较少,操作的实际复杂性较高,建议对相应的算法模块进行补充。 2、参赛总结 从整个参赛报名,选题,业务分析设计、数据处理、可视化仪表板制作与优化过程均是独立完成的,一路走下来也克服了很多困难,而这个过程其实也是对于整个数据分析流程的一次实战梳理和检验,在这个过程中收获了信心,但也从中发现了可提高和改进的空间。最后感谢帆软BI提供了这一平台。能够使我了解到不同行业的数据可视化应用,通过比赛扩宽了视野,获得了提升与进步,愿帆软BI能够越办越好,使更多数据相关从业者能够从中受益! 编辑于 2021-7-2 12:25
个人成就
内容被浏览21,488
加入社区6年149天
返回顶部