学业总结 一、学习初衷 （一）个人介绍 我的帆软社区用户名是 “帆软用户NV1py6hi2w”，目前就职于江苏某农商行。在公司我担任产品营销岗一职，日常工作围绕数据分析、营销推动等工作。我原来一直是使用WPS做一些简单的可视化分析，或者说一般是做静态的可视化分析，对数据分析和分析后的业务决策有着浓厚兴趣，期待在帆软社区结识更多志同道合的数据分析从业者。 学习初衷 在日常的产品营销工作中，数据分析是核心环节。以往，我需要花费大量时间从多个业务系统中提取数据，再通过 Excel 等工具进行繁琐的整理和分析，不仅效率低下，还容易出现数据误差。随着农商行产品种类的不断丰富和客户需求的日益多样化，传统的数据分析方式已难以满足精准营销的需求。例如，在开展信用卡营销活动时，需要精准定位目标客户群体，分析客户的消费习惯、信用状况等信息，制定个性化的营销方案。而 FinBI 工具能够实现多源数据的整合与实时分析，通过可视化报表直观呈现数据结果，帮助我快速挖掘客户需求，提高营销决策的准确性和效率。因此，学习 FinBI 是满足当前工作需求、提升工作质量的必然选择。 二、作品简介 业务背景 本次作业的分析主题是 “对公客户驾驶舱”。（数据均脱敏处理），业务背景源于地方农商行需求。主要原因是我行对公客户不够精准，不能有效识别对公客户的运行情况，目前存在的问题就是前台机构向领导汇报对公市场已经枯竭，但是从联合银行下发的实际数据来看，对公市场仍分布较广。 （二）数据来源 企业的数据：我选取的数据基本是契合的对公客户数，因地图无法做到乡镇，故选择了以县为单位，主要的分析思路还是一致的，我选取的数据口径包括了企业的类型、企业的走访情况、所属的县区、存款开户的支行、开户的金额、贷款开户的支行、开户的金额等 自选的数据：我计算的了走访率、合作率等字段 （三）分析思路 拿到数据后，我按照“整体情况、非存量分析、存量业务分析”三个模块。 整体情况中包括了企业总数、走访触达、合作客户三个指标卡，并且为指标卡的背景选择了科技类背景；同时包括了整个市区的地图（因时间关系，后期为本行制作时将选择合适的本县地图用于显示），在地图中主要包括了合作率这一显示指标，而且只显示最大和最小的县城，让整个效果更加的突出，在地图中也加入了企业数、走访数、合作数等内容，同时地图做了联动，可以通过地图查看合作率较低的支行的企业客户情况； 非存量分析主要包括了非存量企业客户数和未合作原因的分析，还有就是合作率和走访率的折线对比图； 存量业务分析中主要包括了存贷款开户企业数量及金额，还有贷款产品及行业分布情况； （四）数据处理 在可视化分析前，我用条件标签列做了合作情况、存贷款开户情况的识别。 （五）可视化报告 （1）数据含义表达和图表排版布局， 拿到数据后，我按照“整体情况、非存量分析、存量业务分析”三个模块。 整体情况中包括了企业总数、走访触达、合作客户三个指标卡，并且为指标卡的背景选择了科技类背景；同时包括了整个市区的地图（因时间关系，后期为本行制作时将选择合适的本县地图用于显示），在地图中主要包括了合作率这一显示指标，而且只显示最大和最小的县城，让整个效果更加的突出，在地图中也加入了企业数、走访数、合作数等内容，同时地图做了联动，可以通过地图查看合作率较低的支行的企业客户情况； 非存量分析主要包括了非存量企业客户数和未合作原因的分析，还有就是合作率和走访率的折线对比图； 存量业务分析中主要包括了存贷款开户企业数量及金额，还有贷款产品及行业分布情况； 2.通过分析得出的结论 可以看出，目前全市有效对公企业户数3000余户，目前已走访1800余户，已开展合作2000余户。合作企业中存款开户企业1416户，金额32亿；贷款开户企业860户，金额42亿。非存量贷款客户2205户，无贷款原因主要是因为未准入，占比达到了52.38%。 从合作率上可以看出，响水的合作率最低，仅50.40%，可以看出贷款开户仅48户，主要原因还是客户未准入，走访还有约75户未走访，这也是存量企业客户扩展不到位的原因之一，从贷款分布来看，制造业贷款占全市贷款比重仅5%，需要重点扩展。 从图中可以看出，走访客户与转化客户基本是成正比的，比较特殊的是响水、建湖等县，一方面说明走访对贷款客户触达是有效果的；另一方面也说明了响水县的走访成效质量不高。 后期一是要加大各机构的走访，并针对“未准入”这一原因开展相应活动，做好推动； 二是要压实走访成效，对于合作率较低的部分县城，通过电话回访等方式了解实际走访情况。 三、学习经历 1.难忘的学习点滴​ 由于日常工作任务较为繁重，我只能利用下班后和周末的时间学习 FinBI 课程，“熬夜赶进度” 成了这段时间的常态。记得有一次，为了完成课程中 实战作业，我从晚上 8 点一直钻研到凌晨 1 点。起初，在处理多源数据关联时屡屡碰壁，甚至一度想过放弃，但想到这份作业能直接应用到后续的营销方案优化中，便重新打起精神，反复回看课程视频、查阅资料，还在学习群里请教。当最终成功完成后，那种成就感难以言表，也让我更加坚信 “坚持就有收获”。​​ （二）课程建议与反馈​ 整体而言，这次 FinBI 学习班的课程设置和教学服务都让我非常满意，希望能在课程结束后，建立一个长期的交流社群，让学员们可以持续分享工作中的 FinBI 应用经验，也方便老师后续解答大家在实际应用中遇到的新问题，形成 “学习 - 实践 - 反馈” 的闭环。​ 不过，也有一个小小的 “吐槽点”：部分课程视频的字幕偶尔会出现错别字或不同步的情况，虽然不影响整体学习，但还是希望后期能加强视频审核，提升学习体验。​ 2.个人成长 通过这段时间的学习，我系统掌握了 FinBI 的核心技能，从基础的数据源连接、数据清洗与建模，到进阶的可视化报表制作、交互式仪表盘设计，再到高级的数据分析功能，现在我已经能够独立完成从数据提取到洞察输出的全流程工作。以往需要用 Excel 花 3 天才能完成的客户分层分析，现在用 FinBI 只需半天就能搞定，不仅效率提升了数倍，分析结果的准确性和可视化效果也大幅提高。​ 这段学习经历让我深刻体会到 “坚持的意义”。起初，面对繁重的工作和复杂的课程内容，我多次想过放弃，但每次都咬牙坚持了下来。正是这份坚持，让我突破了自己的舒适区，实现了专业技能的提升。同时，我也更加明白 “终身学习” 的重要性。在金融行业数字化转型的浪潮中，新工具、新方法层出不穷，如果不能及时更新知识储备，很容易被行业淘汰。未来，我会继续保持学习的热情，关注 FinBI 的功能更新和行业数据分析趋势，不断提升自己的专业能力，努力成为一名 “懂营销、会数据、善工具” 的复合型农商行员工，为我行的数字化营销转型贡献更多力量。​

学业总结 一、学习初衷 （一）个人介绍 我的帆软社区用户名是 “帆软用户NV1py6hi2w”，目前就职于江苏某农商行。在公司我担任产品营销岗一职，日常工作围绕数据分析、营销推动等工作。我原来一直是使用WPS做一些简单的可视化分析，或者说一般是做静态的可视化分析，对数据分析和分析后的业务决策有着浓厚兴趣，期待在帆软社区结识更多志同道合的数据分析从业者。 学习初衷 在日常的产品营销工作中，数据分析是核心环节。以往，我需要花费大量时间从多个业务系统中提取数据，再通过 Excel 等工具进行繁琐的整理和分析，不仅效率低下，还容易出现数据误差。随着农商行产品种类的不断丰富和客户需求的日益多样化，传统的数据分析方式已难以满足精准营销的需求。例如，在开展信用卡营销活动时，需要精准定位目标客户群体，分析客户的消费习惯、信用状况等信息，制定个性化的营销方案。而 FinBI 工具能够实现多源数据的整合与实时分析，通过可视化报表直观呈现数据结果，帮助我快速挖掘客户需求，提高营销决策的准确性和效率。因此，学习 FinBI 是满足当前工作需求、提升工作质量的必然选择。 二、作品简介 业务背景 本次作业的分析主题是 “对公客户驾驶舱”。（数据均脱敏处理），业务背景源于地方农商行需求。主要原因是我行对公客户不够精准，不能有效识别对公客户的运行情况，目前存在的问题就是前台机构向领导汇报对公市场已经枯竭，但是从联合银行下发的实际数据来看，对公市场仍分布较广。 （二）数据来源 企业的数据：我选取的数据基本是契合的对公客户数，因地图无法做到乡镇，故选择了以县为单位，主要的分析思路还是一致的，我选取的数据口径包括了企业的类型、企业的走访情况、所属的县区、存款开户的支行、开户的金额、贷款开户的支行、开户的金额等 自选的数据：我计算的了走访率、合作率等字段 （三）分析思路 拿到数据后，我按照“整体情况、非存量分析、存量业务分析”三个模块。 整体情况中包括了企业总数、走访触达、合作客户三个指标卡，并且为指标卡的背景选择了科技类背景；同时包括了整个市区的地图（因时间关系，后期为本行制作时将选择合适的本县地图用于显示），在地图中主要包括了合作率这一显示指标，而且只显示最大和最小的县城，让整个效果更加的突出，在地图中也加入了企业数、走访数、合作数等内容，同时地图做了联动，可以通过地图查看合作率较低的支行的企业客户情况； 非存量分析主要包括了非存量企业客户数和未合作原因的分析，还有就是合作率和走访率的折线对比图； 存量业务分析中主要包括了存贷款开户企业数量及金额，还有贷款产品及行业分布情况； （四）数据处理 在可视化分析前，我用条件标签列做了合作情况、存贷款开户情况的识别。 （五）可视化报告 （1）数据含义表达和图表排版布局， 拿到数据后，我按照“整体情况、非存量分析、存量业务分析”三个模块。 整体情况中包括了企业总数、走访触达、合作客户三个指标卡，并且为指标卡的背景选择了科技类背景；同时包括了整个市区的地图（因时间关系，后期为本行制作时将选择合适的本县地图用于显示），在地图中主要包括了合作率这一显示指标，而且只显示最大和最小的县城，让整个效果更加的突出，在地图中也加入了企业数、走访数、合作数等内容，同时地图做了联动，可以通过地图查看合作率较低的支行的企业客户情况； 非存量分析主要包括了非存量企业客户数和未合作原因的分析，还有就是合作率和走访率的折线对比图； 存量业务分析中主要包括了存贷款开户企业数量及金额，还有贷款产品及行业分布情况； 2.通过分析得出的结论 可以看出，目前全市有效对公企业户数3000余户，目前已走访1800余户，已开展合作2000余户。合作企业中存款开户企业1416户，金额32亿；贷款开户企业860户，金额42亿。非存量贷款客户2205户，无贷款原因主要是因为未准入，占比达到了52.38%。 从合作率上可以看出，响水的合作率最低，仅50.40%，可以看出贷款开户仅48户，主要原因还是客户未准入，走访还有约75户未走访，这也是存量企业客户扩展不到位的原因之一，从贷款分布来看，制造业贷款占全市贷款比重仅5%，需要重点扩展。 从图中可以看出，走访客户与转化客户基本是成正比的，比较特殊的是响水、建湖等县，一方面说明走访对贷款客户触达是有效果的；另一方面也说明了响水县的走访成效质量不高。 后期一是要加大各机构的走访，并针对“未准入”这一原因开展相应活动，做好推动； 二是要压实走访成效，对于合作率较低的部分县城，通过电话回访等方式了解实际走访情况。 三、学习经历 1.难忘的学习点滴​ 由于日常工作任务较为繁重，我只能利用下班后和周末的时间学习 FinBI 课程，“熬夜赶进度” 成了这段时间的常态。记得有一次，为了完成课程中 实战作业，我从晚上 8 点一直钻研到凌晨 1 点。起初，在处理多源数据关联时屡屡碰壁，甚至一度想过放弃，但想到这份作业能直接应用到后续的营销方案优化中，便重新打起精神，反复回看课程视频、查阅资料，还在学习群里请教。当最终成功完成后，那种成就感难以言表，也让我更加坚信 “坚持就有收获”。​​ （二）课程建议与反馈​ 整体而言，这次 FinBI 学习班的课程设置和教学服务都让我非常满意，希望能在课程结束后，建立一个长期的交流社群，让学员们可以持续分享工作中的 FinBI 应用经验，也方便老师后续解答大家在实际应用中遇到的新问题，形成 “学习 - 实践 - 反馈” 的闭环。​ 不过，也有一个小小的 “吐槽点”：部分课程视频的字幕偶尔会出现错别字或不同步的情况，虽然不影响整体学习，但还是希望后期能加强视频审核，提升学习体验。​ 2.个人成长 通过这段时间的学习，我系统掌握了 FinBI 的核心技能，从基础的数据源连接、数据清洗与建模，到进阶的可视化报表制作、交互式仪表盘设计，再到高级的数据分析功能，现在我已经能够独立完成从数据提取到洞察输出的全流程工作。以往需要用 Excel 花 3 天才能完成的客户分层分析，现在用 FinBI 只需半天就能搞定，不仅效率提升了数倍，分析结果的准确性和可视化效果也大幅提高。​ 这段学习经历让我深刻体会到 “坚持的意义”。起初，面对繁重的工作和复杂的课程内容，我多次想过放弃，但每次都咬牙坚持了下来。正是这份坚持，让我突破了自己的舒适区，实现了专业技能的提升。同时，我也更加明白 “终身学习” 的重要性。在金融行业数字化转型的浪潮中，新工具、新方法层出不穷，如果不能及时更新知识储备，很容易被行业淘汰。未来，我会继续保持学习的热情，关注 FinBI 的功能更新和行业数据分析趋势，不断提升自己的专业能力，努力成为一名 “懂营销、会数据、善工具” 的复合型农商行员工，为我行的数字化营销转型贡献更多力量。​