第4天学习知识点：数值型字段与文本型字段应该如何分组赋值？   当～当～当～当，来揭晓DAY03留下问题的答案啦，答案是不可以，这是为什么呢？   因为原始表中直接对【员工号】字段按照【归属机构】维度进行计数的话，会将离职员工数量也统计进去，结果其实是（在职+离职）员工的总数量。以上海为例，总人数7人，其中，在职5人，离职2人，大家可以看看下图结果对比。     如果必须要用【员工号】计数方式汇总的话，该怎么办呢？首先将离职员工即【是否在职】中为0的数据过滤掉，然后再进行汇总计数，这样计算得出的才是各机构实际在职人员数量。   小伙伴们都答对了吗？ 本篇文章内容   接下来咱们继续介绍新增赋值列的使用方法。   V6.0--新增赋值列 对应  V5.0--新增列-分组赋值   01 功能定义   对原有字段进行分组赋值，不会影响原有字段。   该功能和Excel中分组功能类似。   咱们依旧是用DAY01中的案例数据进行介绍。     02 案例一简介（数值型字段分组赋值）   案例背景：员工司龄各不相同，难以观察规律。   案例需求：把司龄6个月以下员工归类为新员工，【6-12个月）员工归类成长期员工，12个月及以上员工归为老员工。   解决思路：对【员工司龄】字段进行分组赋值。   实现步骤：新增赋值列--赋值依据选择【员工司龄】，分组赋值方式为自定义，然后根据司龄进行分组。如下图所示：     03 案例二简介（文本型字段分组赋值）   案例需求：想观察各机构归属大区员工情况。   案例问题：原始表中没有大区，需根据【归属机构】人为添加【归属大区】字段。   解决思路：对【归属机构】字段进行分组赋值。   实现步骤：新增赋值列--赋值依据选择【归属机构】--选择字段--添加分组--对分组进行命名--点击确定。如下图所示：     04 知识延伸   （1）案例2中我们将北京市归类为华北地区，现在想将其归类为华东地区，该怎么办呢？   实现步骤：选中北京市--移动到--华东地区--确定              （2）案例2中北京市归类为华北地区，如果北京市又属于华北地区又属于华东地区，该怎么办呢？   实现步骤：选中北京市--复制到--华东地区--确定--确定     是不是很简单呢？大家都学会了吗？   思 考   针对案例一，小伙伴们动手尝试一下使用新增公式列功能该怎么实现呢？   今天的学习内容就到这里，感兴趣的小伙伴自己动手试一试吧！

第3天学习知识点：新增汇总列。   昨天学习了新增公式列，今天继续学习新增汇总列。   V6.0--新增汇总列 对应  V5.0--新增列-所有值/组内&累计值/组内 01 功能定义 对原有数值字段按照一些维度进行汇总计算获得新的字段，不会影响原有字段。   该功能和Excel中SUMIF、COUNTIF等函数功能类似。 02 案例简介 仍然使用DAY1中的案例数据进行介绍，就是主打一个巩固强化。   03 案例背景 员工表是员工级明细数据，但现在我们需要了解机构级的在职人员数量，该怎么办呢？ 04 案例需求 统计各个机构在职人员数量。 05 解决思路 对【是否在职】字段按照【归属机构】维度进行求和。 06 实现步骤 （1）新增汇总列   （2）分组字段选择【归属机构】，汇总字段选择【是否在职】，汇总方式选择【求和】。     思 考   这里能不能直接对【员工号】字段按照【归属机构】维度进行计数呢？小伙伴们可以思考一下哦～   结语   好啦，关于新增汇总列的内容就介绍到这里，汇总方式有很多种，除了常见的求和、平均，不同的汇总字段类型对应着不同的汇总方式。具体如下图所示：   （1）数值字段对应汇总方式     （2）文本字段对应汇总方式     （3）日期字段对应汇总方式       大家可以根据实际场景需要进行选择，建议大家每种方式都先尝试去使用一下，这样以后遇到相似的场景，就可以很快找到解决思路。   今天的学习内容就到这里，感兴趣的小伙伴自己动手试一试吧！

第2天学习知识点：新增公式列。   FineBI的6.0版本将老版本中新增列的几个高频常用功能直接展示在功能区，分别是：新增公式列、新增汇总列以及新增赋值列，与5.0的对应关系具体如下：   V6.0--新增公式列 对应  V5.0--新增列-公式/函数 V6.0--新增汇总列 对应  V5.0--新增列-所有值/组内&累计值/组内 V6.0--新增赋值列 对应  V5.0--新增列-分组赋值   今天我们就先来介绍一下新增公式列的使用方法。   01 含义   使用公式函数对原有字段进行计算获得新的字段，不会影响原有字段。 该功能和Excel中输入公式进行计算是同一个道理，但部分函数的使用逻辑和Excel中会略有不同，后面我们用到时再和大家详细说明。   02 案例   案例与第一天一致。     03 背景   【是否在职】字段是用0和1来分别表示的，其中：0表示离职，1表示入职。   04 问题   不方便使用，如果将数据集分享给其他人使用，还需要另外解释0和1分别代表什么。   05 需求   将【是否在职】直接用“是”和“否”来表示。   06 解决思路   使用IF函数判断：如果【是否在职】为1，那么展示“是”，否则展示“否”。   07 实现步骤   （1）新增公式列 （2）选择IF函数 （3）输入公式：IF(是否在职=1,“是”,“否”)     08 常见问题提示   （1）公式的所有符号必须是英文状态下输入的，如果下方出现错误提示，如【语法错误，缺少标示符】，那么就赶紧检查一下是不是字符输入不完整或者输入格式不对。     （2）原表中的字段直接通过点击带入公式，最好不要手动输入，容易导致公式报错，如果计算字段是蓝色字样，则说明该字段是正确的。     （3）关于新增公式列名命名逻辑   A.在公式列名与右侧步骤名一致，假设均为默认状态下【新增公式列】，重命名公式列名为【是否在职（修正）】，右侧步骤名会同步更新为【是否在职（修正）】，如下图所示：   对象 原始名 重命名 结果显示 公式列名 新增公式列 是否在职（修正） 是否在职（修正） 右侧步骤名 新增公式列 - 是否在职（修正）   B. 在Ａ的基础上（此时公式列名及右侧步骤名均为【是否在职（修正）】，二者一致）将右侧步骤名修改为【在职状态】，公式列名不会同步更新，仍为【是否在职（修正）】，如下图所示：   对象 原始名 重命名 结果显示 公式列名 是否在职（修正） - 是否在职（修正） 右侧步骤名 是否在职（修正） 在职状态 在职状态   C. 在Ｂ的基础上（此时公式列名为【是否在职（修正）】，右侧步骤名为【在职状态】，二者不一致）将公式列名修改为【是否在职－辅助列】后，右侧步骤名不会同步更新，仍为【在职状态】，如下图所示：   对象 原始名 重命名 结果显示 公式列名 是否在职（修正） 是否在职－辅助列 是否在职－辅助列 右侧步骤名 在职状态 - 在职状态   今天的学习内容就到这里，感兴趣的小伙伴一起动手试一试吧！

第1天学习知识点：通过制作一个简单的仪表板了解数据分析完整路径。 01 案例背景   A公司因业务扩张需要，准备扩大团队规模，领导想要简单的了解一下团队建设现状，作为分析师的你该怎么做呢？   02 模拟数据   为了便于后期检验结果的准确性，我们这里使用一份只有30条数据的员工信息表来作为模拟数据，员工信息表中有员工的工号、姓名、入离职日期，是否在职，团队，机构信息，具体如下：     03 实现效果     如何用FineBI来实现上述的效果呢？   04 实现步骤   Step1：研究数据   拿到数据之后，一定要先研究一下数据的基本逻辑及口径，以便于后续加工处理：   （1）【李四】这个员工除了姓名之外是没有其他信息的，对我们的结果没有任何参考意义，属于脏数据，所以我们可以直接过滤掉     （2）【姓名】列有重复姓名的员工【张三】，所以只能使用【员工号】作为唯一ID     （3）【是否在职】中1表示在职，0表示离职   Step2：确定分析指标和口径     Step3：新建自助数据集   （1）导入数据--导入Excel数据，如下图所示：     （2）过滤--过滤无有效信息的脏字段，如下图所示：     （3）新增公式列--判断员工是否在职，便于后续筛选，如下图所示：     （4）新增公式列--根据员工入职时间判断员工司龄，如下图所示：     （5）新增赋值列--根据员工司龄判断新老员工，如下图所示：     Step4：新建组件   （1）新建文本组件--在职人数，选则文本组件--将记录数拖入图形属性文本属性中--将是否在职（修正）拖入结果过滤器中，筛选条件为“是”，如下图所示：     （2）新建本组件--离职人数，直接复制上一个文本组件，将筛选条件改为“否”即可，如下图所示：     （3）新建文本组件--离职率，添加计算字段，根据离职率=离职人数/（离职人数+在职人数）计算得出离职率，因为这里离职人数不好直接从原始表中得到，所以我们用离职率=1-在职人数/总人数得出，具体如下图所示：     （4）新建地图--人员分布，根据归属机构创建地理角色，将字段分别拖入对应位置，具体如下图所示：     （5）新建饼图--新老员工占比，具体操作步骤如下图所示：     Step5：新建仪表板   将各个组件拖入仪表板中并排列在合适位置，选择自己喜欢的仪表板样式即可。     到这里一个简单的仪表板就制作完成了。   感兴趣的小伙伴一起动手试一试吧！

新年礼盒收到啦，Double的快乐~~ 很有巧思的日历，还有质感拉满的黑卡！ 感谢帆软给予的平台和厚爱！ 祝帆软一路高歌，继续做大做强~ 也提前祝各位小伙伴新年快乐~~ 带上我的新年礼盒回家过年啦~~~

终于终于，202312期FineReport学习班也要结业啦！！至此，我已经学完报表工程师从入门到精通课程，详情请看：报表工程师从入门到精通·实战班。 1.学习初衷 ”活到老学到老“无论是在学生阶段还是在工作阶段都是十分受用的一句话。如果说202310期的FineBI学习班是巩固，202311期的简道云学习班是好玩，那么202312期的FineReport学习班就是新领域的探索。 其实，作为一个长期使用者来说，对于FineReport的学习，我一直都跃跃欲试，但几次因为需要代码基础而退却。这一次，一鼓作气，完成了从使用者到开发者角色的转变，当然，在角色转变的历练中也得到了飞速的成长。 2.学习经历 这次的学习经历用一句话来概括：“轻舟已过万重山”。 上课--做作业--上课--做作业，这样的生活的循环了两个月。累吗？肯定是累的，毕竟白天还要搬砖。难吗？肯定也是难的，对于小白来说，各个模块的基础功能都还要先一步一步去摸索。反复的观看学习视频，记住重要知识点；不断地查阅文档，查缺补漏；不断试错，最后得出正确结果的那种兴奋，现在都还记忆犹新。回头再看，这两个月时间的坚持与沉淀，也算是有了一些结果。 印象最深的一件事就是在数据集中取年份的时候，YEAR()一直报错，后来翻文档看到strftime()，尝试了一下竟然成功了，虽然也不知道原理是啥，但不得不都说，文档是个好东西。 另一件就是在做作业9（层次坐标）相关内容的时候，第一天晚上上完课开始做作业，本来信心满满，觉得这跟OFFSET函数应该也差不多，结果一晚上愣是一题没做出来，第二天，重振旗鼓，打算死磕到底，借助帮助文档，没想到十分顺利的完成了作业。那一刻，觉得自己可太棒了，哈哈~ 3. 学习成果 学习班完整的知识体系也让学习更加高效。学习过程永远都是痛并快乐着，除去上课写作业的枯燥与疲惫，内心更多了一种充实，毕竟没有什么时间刷手机了，哈哈。但是，对于小白来说，各种参数、函数的固定写法，就是一件十分头疼的事，因为和EXCEL、BI中的写法有些出入，也希望学习班后面可以考虑一下出一期关于常用参数、函数的写法合集。不过，这段时间也学到了很多新的知识点，比如： （1）层次坐标：类似于EXCEL中的OFFSET函数，刚开始有点难，加上写法很接近，经常弄混，多写多练多理解，学会层次坐标也就不是难事。 （2）参数：参数是各好东西，但就是关于数据集中的参数写法还是没记住，每次都要去查阅文档。 最后，展示一下我的日常作业吧。 4. 小结 为期一个多月的学习班接近尾声了，但学习并不会停止。 遇到困难的时候告诉自己：坚持坚持再坚持。 书读百遍，其意自现，沉下心来，认真听完每一节课，认真做完每一次作业，肯定会有收获。

1.学习初衷 本人目前在一家金融公司任职项目运营岗，主要负责BI系统运营及维护工作。本次学习主要基于以下两点： （1）新版本迭代，重树知识体系 今年下半年公司进行大版本升级，升级到V6.0版本后，发现整体操作界面较之前出现了很大的变化，而且新版本也升级了许多新功能，鉴于此，为了更快的适应及掌握新版本，更好的用于支撑日常工作，因此打算通过学习班对BI进行系统的学习。 （2）重复练习，每一遍都有新知识 平时工作用到的知识点有些固化，慢慢的发现，BI的很多“隐藏功能”会逐渐被遗忘，但实际上这些功能会极大的提高工作效率。都说“书读百遍，其意自现”，所以也希望通过这一次学习班的课程，再次全面的巩固BI知识，通过集中式的练习，希望自己能收获现有知识体系外的更多内容。 2.学习经历 这次的学习经历用一句话来表达：“轻舟已过万重山”。 说实话，这段时间简直是地狱式历练模式，因为同时报名了BI和简道云学习班，BI有一点基础还好一些，但课程+作业说实话也很费时，文字说明+操作步骤截图真的太耗时了，对打工人来说有点不太友好（PS：希望以后作业可以考虑用公共链接或者公共账号的形式提交，参考数据分析大赛）。 简道云呢，属于纯新人，花费时间也不少，两个班的课程+作业，加上还得兼顾工作和公众号更新，真的感觉自己每天过的真是太“充实”了。 但怎么说呢，虽然很累很难，中间也偶尔产生过想放弃的念头，但是看到自己克服困难，无论是每天下班听课做作业，克服时间精力上的困难；还是遇到知识难点时，通过查阅文档，逛社区论坛，自己不断试错，最后得出正确结果的过程。在作业顺利成功提交上去的那一刻，就觉得，这一切坚持都是值得的。 但，朋友们，文字写到这里的时候，就表示我要结束一门课程了，哈哈，虽然还没有考试，但先为坚持下来的自己鼓掌。 3. 学习成果 起初因为工作的原因，所以接触到FineBI，然后通过自己一步步慢慢的摸索试错，渐渐开始熟练运用起来，目前工作中使用是完全不存在问题的，但因为应用场景的限制，很多的分析方法对于我来说还是很陌生的，如果说能学习别的行业的分析思路或者分析方法并将其应用到我的工作中，那么学习就是值得的。而学习班知识体系最完整也是最高效的学习路径。这次为期一个多月的学习，累虽累，但还是有很多的收获。比如： （1）DEF函数： 这个新函数一直以来都是我不想去尝试的（因为语法给我的第一感觉就是用起来会难懂且易错，关键不知道怎么排查错误，不用这个函数在现有的功能上也能达到我需要的效果），但听完课程加上案例练习之后，发现真香啊，为什么没有早一点学习这个函数，这样工作上可以省出来多少的时间啊！ （2）传参： 传参这个功能建议大家一定要去学，学会了真的真的巨能提高效率。 （3）桑基图： 看起来很复杂的图形，因为平时用到的机会不多，所以感觉很复杂的样子，但实际上听完课程就知道这个图形背后的逻辑是什么，理解了，这个图形也就很简单了，打算最近新项目上用下这个图。 还有很多平时可能用的少或者根本没在意的知识点，通过这次课程学习都收入囊中了，希望后续能通过不断地运用真正转化成我自己的知识体系。 因为公司数据的保密性及安全性，在这里就不做展示了，下面展示一下我的日常作业及部分参赛作品吧。 4. 小结 为期一个多月的学习班接近尾声了，但学习并不会停止。 遇到困难的时候告诉自己：坚持坚持再坚持。 书读百遍，其意自现，沉下心来，认真听完每一节课，认真做完每一次作业，肯定会有收获。

哈哈，没想到有一天我也能过上1024程序员这个节。 极限往返的一天，虽然很累但真的很开心。 有幸能够参加2023FineDay用户大会，嘉宾分享，冠军竞演，感觉打开了新世界的大门，收获颇丰，还见到了原来只存在于网络上的各路"大神"，通过他们的分享才发现原来程序员的工作并不仅仅是与机器打交道，而是可以如此的丰富多彩。 只是时间仓促，最后没来的及和大家大合影，也很遗憾没有与更多的大神认识交流一下，期待能有下次见面的机会。 好了，不说了，我要继续去赶路了?

一、选手简介 1、选手介绍 帆软社区用户名ALICE，公众号《FineBI学习星球》主理人。目前在一家金融公司主管贷后业务数据分析工作。个人对数据分析及可视化十分感兴趣，热衷于通过可视化将枯燥的数据变成一门会说话的艺术，使数据在业务管理中发挥最大价值。 2、参赛初衷 向社区大神学习（活动结束争取能认识几位大神），在数据可视化及分析思维方面有新的灵感。 将自己觉得比较好的点总结分享给大家，和大家一起学习一起进步。 最后如果通过这次活动，公众号受众更多了，那当然是更好的啦～ 二、作品介绍 1、业务背景 有数据不会用，会用但效果不好，这是目前企业在数据化转型中业务管理方面存在的最大问题。如何将数据运用到业务管理中，还是值得深入探究的课题之一。 以曾经发生的真实场景为切入点引入此次作品的制作背景。 场景一： 二季度业务复盘会上，业务部门汇报业绩达成情况，针对6月业绩出现明显下滑： 领导追问：下滑原因是什么？ 汇报人思考片刻答道：目前推测原因可能有以下几点：1、人员变动；2、账户资源变动；3、日常管理不到位...... 领导：你说人员变动，人力那边给我的数据可是人员规模一直在增加，说实话你刚说的几点原因在座的各位都知道，但我现在要知道的是引起问题的根本原因是什么而不是可能原因是什么？ 汇报人：额，，，我们会后找一下原因再向您汇报。 领导：。。。。。。 大家可以想象当时的场景有多尴尬，汇报人恨不得能有个地缝钻进去。可见没有数据支撑的结论都是空谈。 场景二： 二季度业务复盘会上，业务部门汇报业绩达成情况，针对6月业绩出现明显下滑： 领导追问：下滑原因是什么？ 汇报人立即答道：针对下滑原因，我们主要从以下几方面进行了数据验证： （1）数据源：经排查，数据接口未发生过异常，数据更新正常，该原因排除 （2）贷款账户资源：账户规模及难易程度较之前未发现明显变化，该原因排除 （3）人员规模：二季度团队快速扩张，新员工留存率仅XX%，由此引发团队稳定性出现问题，整体离职率由XX%上升至XX%，导致业绩不稳定 （4）策略部署：从各月对比数据中可以明显看出，6月前期回收节奏缓慢，但对应策略未及时调整，加上高难度系数账户突破本身存在周期性，导致后期也未能扭转局面 综上，6月下滑主要原因在于人员不稳定及策略部署出现异动未及时发现调整。 针对以上问题，我们拟从以下几个方面进行优化整改： （1）员工管理方面：增加人员流失比数据监控，当人员流失比>1时，进行异常提醒，做到及时干预。 （2）日常监控方面：一是增加实时业绩监控，月度目标下达后，将目标拆解至每日，并对每日完成进度进行公示，加强目标感。二是奖励预览：增加奖励数据预览，通过对明星员工榜及奖励榜单进行公示，带动员工工作积极性，营造积极的工作氛围。 领导：OK，有哪些方面需要支持可以及时找我沟通，其他部门全力配合。 对比场景一二，可以发现好的数据管理是多么的重要。为了避免以后出现场景一的情况，因此决定制作一套通用的业务数据分析模板，既可以在工作汇报时用，又可以当作日常监督管理的数据支撑工具。 2、数据指标及含义 3、分析思路 4、数据处理 4.1 数据预处理 对数据表进行检查：是否存在重复值，是否存在缺失值、是否存在异常值 检查结果：数据表很干净，无需进一步处理。 4.2 处理前准备 因涉及分析模块比较多，维度不同，一张数据表可能会衍生多个数据集，因此为了便于后期的管理与修改，针对不同模块新建不同文件夹及主题。 4.3 数据清洗加工 梳理完各表之间的关联及所需要的字段后，开始对数据表进行清洗，并建立主题及相关数据集。 （1）贷款规模变化主题 目的：得到各月贷款规模总量、不同特征（贷款本金、逾期天数）贷款账户贷款规模的数据 主要操作步骤： 通过本地Excel文件途径导入【贷款信息表】 新增赋值列-分别对【贷款金额】、【逾期天数】字段赋值 这一步操作主要是因为这两个字段值太多，无法观察特征，因此通过分组赋值的方式建立区间值，易凸显特征 （2）人员规模变化主题 目的：得到各月员工总数、入离职数量及司龄数据 主要操作步骤： 通过本地Excel文件途径导入【员工信息表】 新增公式列-对【离职日期】字段中属于1899-12-31的日期全部替换成时点日期（注：因作品数据为导入数据，无法实时更新，默认时点日期为2023年6月30日，即只要操作步骤中涉及2023-06-30，均表示实际场景中的today()) 这一步操作主要是为了后面计算在职员工的司龄 新增时间差，用【离职时间（修正）】-【入职时间】得到员工司龄 新增赋值列，对【司龄】字段赋值得到【司龄分布】 新增赋值列，对【司龄分布】字段赋值得到【新老员工】，半年以内（含）为新员工，半年以上为老员工 新增公式列，得到【当月入职】、【当月离职】人数，因为数据集为二季度每月末人员数据，因此对当月的判断是通过将入离职月份与数据月份进行比较，如果相等，则表示是在当月入离职，具体公式如下： （3）策略变化分析主题 回收账户期初贷款信息数据集目的：得到贷款账户期初信息，并将信息与回收表匹配 主要操作步骤： 通过本地Excel文件途径导入【贷款信息表】 新增汇总列，分别对【贷款金额】、【逾期天数】获取最大值 删除重复值，通过【贷款编号】、【年月】两个字段对数据集进行去重 上面两步操作是因为这张表记录了每一条贷款账户每一天的时点信息，为了统计不同贷款账户类型的回收结构，只需要保留当月该账户的期初（最大）贷款金额及期初（最大）逾期天数即可。 回收表数据集目的：得到不同特征（贷款金额、逾期天数、风险等级）贷款账户回收数据，便于观察各月的贷款账户结构 主要操作步骤： 通过本地Excel文件途径导入【交易信息表】 新增分组汇总，通过【贷款账户编号】、【年月】将上一层加工后的数据集的字段匹配过来 新增赋值列，对【逾期天数】、【贷款金额】进行分组汇总，便于观察规律 新增分组汇总，得到每个月不同特征账户的回收额 回收表-累计回收额数据集目的：得到各月贷款账户累进回收数据，便于观察回收节奏 主要操作步骤： 将上一层的结果另存为一个新的数据集 新增汇总列，得到月累进回款额 （4）员工管理主题 目的：与（2）相同 主要操作步骤：数据集在（2）的基础上通过左右合并得到员工的所属区域信息 （5）业绩监控主题 目的：获得当月（2023年6月）的回收额、回收目标、剩余工作日数据 主要操作步骤： 通过本地Excel文件途径导入【交易信息表】 过滤，仅保留当月（2023年6月）数据 通过左右合并，将员工归属（城市、部门、区域）、目标、剩余工作日信息匹配过来 新增汇总列，统计出各月每个城市的数据记录条数m 新增公式列，通过目标/m得到拆解后的目标，便于制作仪表板时通过汇总方式得到每个城市的月度目标（注：因为每个城市需要保留多条数据，因此匹配过来的目标不可以直接求和，只能通过最大值或者均值计算，但不便于后续加工，因此通过拆解目标的方式处理） 新增汇总列，获取最晚时间，这一步是为了得到数据的最新更新时间 （6）奖励预览主题 目的：获得员工的排名数据 主要操作步骤： 将（5）加工后的数据集另存为一份 分组汇总，保留需要的字段即可，得到每月员工的当日及当月回款数据 新增汇总列，按【回收额】字段降序排序 PS：本来是在仪表板里直接通过排序函数计算排序，但发现筛选后排名是跟着变化的，与实际想要达到的效果不符（本来设定前50名员工能获得奖励，但因为筛选，可能导致原来后50员工也能拿到奖励），所以就通过数据集处理，刚开始是直接在（5）的基础上直接计算累计回收额再排名，但发现一个员工保留有多条数据（即存在重复值），而相同值连续排序，导致排序不对，所以只能单独用一个数据集进行加工 5、可视化报告 5.1 配色及布局 5.2 可视化报告分析 主模块一、发现问题 6月回收目标达成率环比5月下降幅度超过正常浮动范围5%，高达20.13%，出现异常值预警警告。 因此，开始排查原因： 假设因素1：数据源出现问题导致 经排查，数据接口6月未发生过异常，数据更新正常，假设因素1可排除 假设因素2：贷款账户6月出现较大波动导致 需数据进一步验证 假设因素3：人员规模6月出现较大波动导致 需数据进一步验证 假设因素4：业务策略6月出现较大变化导致 需数据进一步验证 主模块二、分析问题 针对以上假设，通过数据验证： 2.1贷款规模波动的影响 贷款账户规模及贷款账户的难易程度上来看，6月较之前并未发现明显变化，可排除假设因素2影响。 2.2人员规模变动的影响 发现二季度人员规模逐月增加，并未出现人员减少的情况； 继续对人员波动情况进行分析，发现： （1）5月、6月伴随人员大量入职，离职人数也明显增多 （2）离职员工中，司龄在半年以内的新员工占比超过70%。 综上，5、6月开始团队快速扩张，新员工留存率及引发的团队稳定性出现问题。 因此假设因素3对业绩下滑存在一定影响。 2.3业务策略变动分析 发现6月较5月整体趋势都趋于缓慢； 继续对回收账户结构特征进行分析，发现： （1）各贷款本金段、各逾期天数账户回收额环比5月均出现下降 （2）除A类账户外，B、C、D类等级账户回收额均环比下降，尤其D类难度系数较高账户，历史回款贡献度高，但6月回收较4月缩水接近50%。 因此假设因素4对业绩下滑存在一定影响。 主模块三、总结及下一步措施 3.1 总结 6月业绩下滑严重主要原因在于： 1、人员规模扩张的同时未考虑到人员留存及团队稳定的问题，人员波动一方面对现存员工心态产生影响从而影响团队稳定性，另一方面新员工培养会分散团队主管部分精力，导致团队管理效能下降，进而影响到整体回收质量； 2、目标感不够，4、5月份存在缺口但都非常少，另外日常业绩监控不到位，过程中出现异常应及时干预，调整策略部署，防止问题进一步恶化导致类似6月的情况发生。 3.2 下一步措施 基于此，拟通过以下几个方面进行改善： 1、员工管理：增加人员流失比数据监控，当人员流失比>1时，进行异常提醒。 2、业绩监控：增加实时业绩监控，目标拆解至每日，对每日完成进度进行公示，加强目标感。 3、奖励预览：增加奖励数据预览，通过对明星员工榜及奖励榜单进行公示，带动员工工作积极性，营造积极的工作氛围。 因为考虑到页面承载信息过多，分析维度受限而且不宜于受众快速获取关键信息，因此通过快捷入口（公共连接）的方式将整个页面内容简化但又能全面详细的展示更多维度信息。 子模块一、员工管理 展示时点人员概况、在职人员、离职人员情况，对入离职比进行监控，若当月入职人数<离职人数，进行提示，可查看不同月份及不同区域城市部室的数据，便于业务部门直接定位到最细粒度，达到精细化管理。 子模块二、业绩监控 对日目标完成进度进行监控，数据实时更新（因为作品是导入的数据，暂无法实现实时更新的效果），当日完成率达到100%及以上或已提前完成进行特殊标注；完成率在【90%，100%）之间，进行红色标注，因为缺口小，达成概率会更高，该部分标记为重点关注对象，督导人员进行重点监控及跟进；另外，日目标用月缺口/剩余工作日而非剩余自然日来计算，更能贴合实际场景，给业务部门带来的主观感受也会更好。通过【城市】字段关联月目标复盘页签，可查看各城市月度业绩完成概况，方便业务部门除了盯着每天的目标外，也能了解全局，及时复盘。 子模块三、奖励预览 通过明星员工榜展示当日及当月TOP8员工。 奖励排行榜展示全部员工奖励情况，前50名员工奖励回收额的0.01%，其余无奖励，员工可通过员工号查看自己的实时奖励金额（因为作品是导入的数据，暂无法实现实时更新的效果）。 （3）最终结果呈现的页面布局 报告版： 链接：https://bisolutions.fanruan.com/webroot/decision/link/hPQ1 业务版： 三、参赛总结 今年是第二次参加比赛，每一次参加比赛其实都是在给自己找虐，但每一次完成作品后都是自己的一次蜕变。 过程痛苦但快乐，还记得第一次参赛总是因为这样那样的理由拖到截止日前一周开始疯狂输出，中途甚至出现过好几次想放弃的想法，最后还是硬着头皮卡着时间点交了作品，交完后开始后悔自己为什么不早点做好不然还有多余时间优化。这一次吸取教训，做好了时间规划，提前到了最后两周疯狂输出（哭笑不得），也算是进步了一点吧。 整体来说，无论是框架还是布局，都比上一次丰富了一些，作品完成前，感觉好痛苦啊，为什么要来参加这个比赛，但完成那一刻，感觉很欣慰，过程中所有的痛苦都不值一提了。虽然不是我非常满意的作品，有些内容的确是因为时间和精力的原因，没有继续完善下去。但没关系，比赛只是开启了一段路，比赛结束后作品也还是会继续优化的，毕竟可以应用到工作场景中。如果有好的点，可能会在公众号分享，其实这也是我写公众号的原因，因为初识BI源于2020年，当时看到在一篇公众号推送的关于可视化的文章，大为震撼，没想到枯燥的数据可以以这种美观又直接的方式呈现出来，就一直跟着自学。现在也在FineBI圈摸爬滚打了好几年，如果自己的经验能给一些小伙伴带去帮助，那真的是一件非常有意义的事情。 最后附上本次作品的制作流程：

1.学习初衷 本人目前在一家金融公司任职项目运营岗，去年公司引入FineBI后，便开始主要负责业务数据分析的工作。机缘巧合，报名了今年的“2022帆软BI数据分析大赛”后获得了培训基金，基于对数据可视化的兴趣及想进一步提升自身工作技能，于是就用该基金报名了FineBI标准班课程，打算对BI进行更为系统的学习。 2.学习经历 因为白天一直处于搬砖状态，而这次课程的课程量又比较大，无论是讲解视频课程还是课后的预留作业，都是高密度的，所以时间分配显得尤为重要，为了避免熬夜，我开始利用午休时间听课，晚上下班以及周末复习知识点做作业，就这样一个多月也坚持下来了。现在在回过头去看看这一个月，还是有进步的。虽然我属于有一定FineBI基础的，但其实因为使用场景比较单一，所以还是有一些我的知识盲点我日常工作中是没有发现也没有及时解决的，通过这次课程，恰好弥补了我这部分的短板。 学习成果 起初因为工作的原因，所以接触到FineBI，然后通过自己一步步慢慢的摸索试错，渐渐开始熟练运用起来，目前工作中使用是完全不存在问题的，但因为应用场景的限制，我知道自身还存在很多的不足，而且觉得自己到了一个瓶颈期，没有什么新的思路和创意，所以果断报名了FineBI标准班课程，以此来鞭策自己更进一步。这次的学习也没有辜负我的期待，从基础的课程，到进阶到大师，不同的实战场景，不同的分析模型，不同问题的拆解思路，好像又将我领入了更深一层的BI世界，坐井观天的那片一方天空变得更加开阔了。毕竟一个人的眼界是有限的，一群人聚在一起看问题的角度会更加开阔，大家相互讨论，互相帮助解决问题，老师的耐心解答，经验分享，细致的作业点评，好像又回到了上学的时期。 因为公司数据的保密性及安全性，在这里就不做展示了，下面展示一下课程期间的作业。 小结 书读百遍，其意自现。只有不断的学习，实践，才能让自己一直成长，而知识付费是实现快速成长的方式之一。在现今这个趋于浮躁的社会，沉下心来，脚踏实地，愿意在某一件事情上下苦功夫，成长蜕变指日可待。愿准备踏上学习之路的或者已经在学习之路上的小伙伴们，坚持自己的初衷，顺利拿下FCBP。

一、选手简介 1、选手介绍 帆软社区用户名ALICE，目前就职于一家资产管理公司，主要针对银行个人消费贷款及汽车金融贷款进行贷后管理工作；个人对数据分析及可视化十分感兴趣，热衷于通过可视化将枯燥的数据变成一门会说话的艺术。   2、参赛初衷 和更多FineBI大神交流学习，进行数据可视化作品以及分析思维的激烈碰撞。   二、作品介绍 1、业务背景/需求痛点 简述业务背景： 随着信用卡市场规模的不断扩张，信用卡违约导致的不良资产规模也不断增多，提高不良资产回收成为银行经营任务的一项重要指标。 简述需求痛点 通过对信用卡用户的特征进行分析，提炼出高风险违约用户特点，尽可能降低贷款违约率、提高不良资产回收率，最终实现公司经营目标。   2、数据来源 数据来源：https://www.kaggle.com/pranati25/predict-loan-defaulters。 （注：由于数据保密性，故不能使用企业数据进行分析，此次分析数据从上述网址下载，数据较接近拟分析的主题，尽管数据时间较老，仍希望与大家分享分析思路及方法。） 具体数据表及相应指标含义如下：   3、分析思路   4、数据处理 （1）确定使用数据指标及统计口径 数据清洗加工 梳理完各表之间的关联及所需要的字段后，开始对数据表进行清洗，并建立数据集。 第一步：使用loans表建立数据集【贷款信息表】，新增【贷款风险等级】列，即对loans表的还款状态分别进行赋值，便于增加仪表板可读性 第二步：通过disp表将loans表和clients表进行连接，将clients表中的用户性别、出生日期通过左合并方式连接到loans表 第三步：使用trans表建立新数据集【客户交易信息表】，由于trans表的金额列为带有特殊符号的文本格式，所以需对其进行修正，将文本值转化成数值，满足后期求和需要 第四步：为了计算各账户号的收入、支出及利息所得进行分组汇总，新增3列辅助列，即 【收入】：借贷类型="贷"的记录，金额保留，否则赋值为0 【支出】：借贷类型="借"的记录，金额保留，否则赋值为0 【利息所得】：交易特征="利息所得"的记录，金额保留，否则赋值为0 第五步：按照账户号进行分组汇总，并计算收支比 第六步：将处理后的trans表中的【利息所得】、【收支比】列通过左合并方式添加到loans表中，形成包含所有需使用字段的完整数据集【贷款信息表】   5、可视化报告 模块一、贷款基本情况： 文本组件：展示各风险等级贷款笔数及贷款违约率 饼图：展示各风险等级贷款用户占比 模块二、贷款违约率分析 各性别贷款用户占比及违约率对比 各年龄段贷款用户占比及违约率对比 各还款期限用户占比及违约率对比 不同月归还额用户占比及违约率对比 模块三、贷后风险监控及管理 基于前两个模块分析基础，通过筛选不同条件，及时跟踪满足条件的高风险用户，根据用户特征制定个性化还款追踪方式，达到降低违约风险的目的。 （2）通过分析得出的结论 通过观察贷款违约率分析模块： 发现：女性贷款用户占比及违约率均略高于男性用户；20岁以下贷款用户贷款占比低，但贷款违约率最高，贷款每月还款额在5000元以上用户占比最高，但违约率也最高，而每月还款额在1500元以下用户贷款违约率为0%。而女性用户中，20-30岁之间且每月还款额在5000元及以上用户违约率较高，男性用户中，30-40岁且每月还款额在4000-5000元之间用户违约率最高；20岁以下，每月还款额在3000-4000元之间用户违约率高达100%。 建议：20岁以下贷款用户，由于经济来源主要依靠父母，不适宜对其发放每月还款额较高的贷款；20-30岁女性，刚步入工作，具有较强的提前消费意识，但经济状况不稳定；30-40岁男性，工作状况较为稳定，但上有老下有小，生活成本高，以上两类用户贷款违约率较高，因此在对其发放每月还款金额4000元及以上的贷款时，需严格审核其信息特征、经济状况等、从源头上减少违约风险发生。 下一步措施：针对可疑类贷款及损失类贷款用户，应该从用户还款能力、还款态度等方面进一步分析，制定可行的客户催收方案，提高不良贷款的回收率； 针对关注类贷款用户，根据高风险违约用户画像，找出可能存在违约风险的用户，密切追踪其每月还款进度，通过电话短信等提醒方式督促还款，降低贷款违约率。 （3）最终结果呈现的页面布局 使用公共账号的选手 https://bisolutions.fanruan.com/webroot/decision/link/2HdP   三、参赛总结 初识BI源于2020年，当时看到在一篇公众号推送的关于可视化的文章，大为震撼，没想到枯燥的数据可以以这种美观又直接的方式呈现出来，于是抱着感兴趣的态度尝试着自学。半年后，由于公司经营发展需要，采购了FineBI用作数据分析软件，由于有了之前的积累，加上FineBI的人性化设计，很快就做出了第一个项目运营分析，这个过程就相当于盖大楼，从打地基到大楼雏形构造到装修到完工，虽然繁杂但很有成就感。也因此突然就觉得Excel不香了。不过有一说一，数据分析最重要的是业务分析思维，FineBI最终只是数据分析的工具，可以实现数据自动化更新、数据共享共用以及可视化呈现的载体，但离开了业务思维，就相当于建的楼房失去了根基，而基于业务背景的分析，FineBI可以成为画龙点睛之笔，达到1+1>2的效果。 FineBI给我们提供了人性化的数据可视化平台，但是会和精通之间还有很长的路要走。除了懂业务、会分析，还需要有点设计能力、懂得色彩、图形的搭配，这样才能将FineBI打造成我们工作中的利器，成为职场制胜的法宝。