FineBi学习总结
一、学习初衷
1.个人介绍
我是一家金融行业的职员，目前主要从事风险方面的工作。
2.学习初衷
我了解到这个学习班是通过公司的内部推荐。随着公司业务的不断拓展，数据分析在公司运营中的重要性日益凸显。为了更好地满足工作需求，提升自己在数据分析领域的专业能力，我选择了参加这个学习班。同时，我也希望通过系统的学习，实现自我突破，为未来的职业发展打下坚实的基础。
二、作品简介（作业10）
1.业务背景/需求痛点
目前市场环境下，零售类贷款的资产质量情况得到众多银行的关注，通过使用BI进行数据分析，可以对A银行B支行2018年零售贷款整体资产质量情况进行分析，并预测未来24个月核销金额的走势，同时可以发现哪些产品相对资产质量较好，哪些产品相对较差，从而对未来营销方面有所帮助。
2.数据来源
帆软公开数据
3.分析思路
（1）围绕分析主题，拆解分析维度 ：本次分析主题是分析A银行B支行零售类贷款的资产质量情况及未来核销金额趋势。因此，我将分析方向拆解为以下三个：
a.不同产品情况：风险占比、预计24个月后的核销情况；
b.不同时间段情况：风险趋势、损失类贷款情况；
c.不同信用等级分布情况：贷款信用等级分布；
上述三个方向结合贷款类型、发放时间、评级等级、风险分类等多维度，分别对信用贷款额、信用评级、预计24个月核心金额分析、占风险资产总额比重、销账额占比贷款额比率等数据进行分析。
（2）运用分析模型 ：在分析过程中，我运用了对比分析模型，直观的发现不同产品的风险情况，同时运用时间过滤组件，可以清晰的对不同时间区间的趋势进行展示，从而更好的判断B支行的资产质量情况。
（5）可视化报告
在可视化报告中，我使用了多种图表来直观地展示数据：
颜色表格：对比不同产品的风险总额占比。
对比条形图：对比不同产品未来24个月预计核销的总金额。
折线图：展示不同月份的发放的贷款预计核销金额情况，得出风险趋势变化。同时通过对时间区间的过滤组件，可以查看不同时间段的走势变化。
柱状图：展示不同信用等级、不同风险分类的信用贷款金额（敞口）。
范围面积图：展示不同月度发放的损失类贷款预计24个月的销账额情况。
分组表：直观展示不同产品、不同贷款销账额与贷款额（敞口）的占比，并增加了风险分类选择的过滤组件。
通过观察可视化报告中的图表，我得出以下结论：
所需核销金额逐步减少：B支行1月发放的贷款预测的核销金额最多，3月份触底之后便趋于平稳。
资产质量有向好趋势：虽然2018年中间月度所需销账金额有所起伏，但整体呈现下降趋势，未来资产质量有向好的趋势。
发放的贷款对象以及贷款表现相对合理：B支行2018年整体表现为信用等级越高，贷款金额（敞口）越大，风险分类等级也越高
这些结论对业务工作及决策产生了以下影响：
B支行2018的关注类零售贷款和次级类贷款的金额占比较大，基本各与正常类贷款金额持平。未来若上述两类贷款能在未来调整为正常类，将对支行的整体资产质量有明显的提升。
B支行2018年发放的零售类贷款总体资产质量与其发放的贷款类型、信用等级相符，并呈现稳步提升的趋势。后续支行可以加大风险相对可控的产品营销（如混合利率贷款），减少相对风险较大的贷款发放（如一手住房贷款），有利于进一步优化支行的整体贷款质量，助力业务发展。
三、学习总结
1.学习经历
在FineBI的学习过程中，我深刻体会到其作为数据分析工具的高效性与易用性。最初接触时，我通过实际操作掌握了数据收集、清洗与整合的核心技能。例如，在一次多源数据整合项目中，我利用FineBI的多维数据连接功能，将不同格式的日志数据无缝合并，并通过内置的清洗工具快速完成数据预处理，显著提升了数据质量。此外，FineBI的拖拽式操作界面和丰富的可视化模板让我能够快速生成交互式仪表盘，例如在销售数据分析中，我通过简单的操作创建了动态趋势图与地域分布图，直观呈现了业务洞察。
面对海量数据的处理挑战，FineBI的智能分块与优化查询功能展现了强大优势。例如，我曾处理过包含数百万条记录的日志数据，通过FineBI的高效引擎，不仅缩短了分析时间，还成功挖掘出关键业务规律。同时，工具内置的回归分析、聚类分析等算法帮助我在市场分析项目中精准定位影响销售额的核心因素，并据此制定策略，验证了数据分析的实际价值。
2.个人成长
通过FineBI的学习与实践，我的数据分析能力实现了从基础到进阶的跨越。一方面，我掌握了数据全流程处理的核心方法，包括数据质量把控、分析模型选择与结果解读；另一方面，工具的应用让我养成了“数据驱动”的思维习惯，能够更敏锐地从业务场景中提炼分析需求。
