（2022年团队共同作品，自己转存一份作纪念）
作品概况
本作品以“某银行理财产品购买预测”为分析诉求，从A银行的 “销售渠道、客户构成、成品构成、购买分析、模型输出”进行分析，选取厦门某企业的脱敏数据进行脱敏分析，引入“RFM、帕累托、K-MEANS”相关模型，提供“把合适的商品推荐给潜在购买用户”的决策建议。
一、选手简介
1、选手介绍
- 团队名称：北辰客
- 选手介绍：
- 林洪，毕业于厦门大学管理学院，就职于福建某公司。主要从事数据分析工作，个人感兴趣的方向和领域——可视化和建模（赚钱）。
- 洪柯南，毕业于厦门大学人文学院，主要负责作品美化及板块布局。
2、参赛初衷
- 希望通过比赛实践提升BI工具的使用方法和技巧
- 公司准备在部门内推广BI工具，学习了解一下
- 大赛奖励很诱人
二、作品介绍
1、业务背景/需求痛点
业务背景：随着科技发展，厦门某A银行陆续打造了线上线下、丰富多样的客户触点，来满足客户日常业务办理、渠道交易等需求。面对着大量的客户，A银行需要更全面、准确地洞察客户理财需求。
需求痛点：在实际理财产品业务开展过程中，A银行需要挖掘不同理财产品对客群的吸引力，从而找到目标客群，进行针对性营销。
2、数据来源
附录1：FINEBI数据连接
 
3、分析思路
作品按照“银行概况”、“客户分析”、“产品分析”、“购买分析”、“模型输出”总共分为五大模块。
3.1银行概况
3.1.1待解决问题
俗话说“知己知彼方能百战不殆”。在开始正式的分析之前，所以需要了解银行的主要战略重心，以及在渠道拓展的不足之处，提出渠道拓展建议。
3.1.2分析思路
先通过《资产情况》、《用户分布》了解A银行的经营概况和战略重心。通过《获客渠道》了解A银行的渠道构成。
3.1.2结论及建议
①建议A银行构建起“以内地为主体、以港澳为两翼”的“一轴两翼”战略布局。
②建议A银行提升其线上运营能力，打造年轻人喜欢的爆款产品，例如与“知乎、网易云、斗鱼”推出联名卡。
3.2客户分析
3.2.1待解决问题
了解A银行的用户变化情况，对用户进行分类，预警出“最有可能购买”“最有可能流失”的用户。
3.2.2分析思路
采用的是“RFM模型”来对客户价值的影响因素进行全面分析。通过分析客户特征，评估客户价值，从而为客户制订相应的营销策略与资源配置计划。
最近一次消费时间（R）/ 最近一段时间内消费频次（F）/最近一段时间内消费金额（M）
3.2.3结论及建议
①A银行的月流失客户数也相对较高，导致净增量不足，建议A银行要重点关注客户流失问题。
②部分客户购买金额虽然大，但是其复购率不高，是需要重点挽留的对象。
3.3产品分析
3.3.1待解决问题
了解A银行的产品欢迎度情况，了解用户最喜欢购买的产品特征。
3.3.2分析思路
1）计算不同品类商品累计销售额及其占比，2）按照累计销售占比将品类分成几类，示例将品类按照累计销售额占比
3.3.3结论及建议
①建议在官网及APP的首页增加热门畅销产品的宣传界面。
②2.建议A银行加大对“避险类”产品的研发力度。
③建议A银行推出了具有“防疫”主体的特色产品。
3.4购买分析
3.4.1待解决问题
了解用户在下单过程中的痛点，打通下单的“最后一公里”。
3.4.2分析思路
通过“漏斗分析模型”，反映用户行为状态以及从起点到终点各阶段用户转化率情况。用户从首页进入最终完成支付的行为，大多需要经过几个环节，从理财产品浏览——查看产品详情——加入购物车——生成订单——风险等级评估——完成支付。这其中的每个环节都有一定的转化率，该模型通过监控用户在流程上各个层次的行为路径，寻找每个层级的可优化点，提高用户在每个层级之间的转化率，最终来提高总成交金额。
3.4.3结论及建议
①考虑到当下全球疫情的持续蔓延，A银行也迫切的需要进行“线下转线上”的策略转换。
②建议一是对境内客户多科普理财风险知识，二是针对境外客户丰富支付方式。
③建议A银行迎合后疫情时代客户的消费习惯，主攻后疫情时代的线上平台。
3.5模型输出
3.4.1待解决问题
了解用户在下单过程中的痛点，打通下单的“最后一公里”。提供一个给定用户，通过分析其行为与已经用户的匹配度，预测该用户是否会成功下单。
3.4.2分析思路
模型①：购物篮分析
通过购物篮分析找出什么样的理财产品应该放在一起。通过顾客的购买行为来了解是什么样的顾客以及这些顾客为什么买这些产品，找出相关的联想规则，并通过这些规则的挖掘获得利益与建立竞争优势。
模型②：K-MEANS聚类分析
K-Means(K均值)是聚类最常用的方法之一，基于点与点距离的相似度来计算最佳类别归属。针对每个点，计算这个点距离所有中心点最近的那个中心点，然后将这个点归为这个中心点代表的簇，不断迭代，直到前后两次迭代的簇类没有变化。
3.4.3结论及建议
①根据支持度、执行度、提升度的值来制定每一种产品的推荐方案。
②通过K-MEANS聚类分析具体每一个用户购买的概率，并对购买概率高的用户投入更多的营销资源。
4、数据处理
5、可视化报告
5.1作品介绍：
下图为整体仪表盘展示的图表。在正式进入FINEBI开发之前，先按照“脑图——线框图——正式开发（FINEBI）”，提高开发效率。
5.1.1银行概况
先构思需要展示的图：
绘制线框图：
通过FINEBI实现效果图：
5.1.2客户分析
先构思需要展示的图：
绘制线框图：
通过FINEBI实现效果图：
5.1.3产品分析
先构思需要展示的图：
绘制线框图：
通过FINEBI实现效果图：
5.1.4购买分析
先构思需要展示的图：
绘制线框图：
通过FINEBI实现效果图：
5.1.5模型输出
先构思需要展示的图：
绘制线框图：
通过FINEBI实现效果图：
5.2图表排版布局
①配色设置：以浅色系为主色调。
②图表设置：图表的背景网格线都去掉了。
③文字设置：突出的重点用橙色的文字表示，通过分析得出的结果用红色文字表示。
③布局设置：以流行地图、区域地图作为主要元素。
④文本说明：通过文本框展示“分析思路”“结论建议”，一般在模块的最开始和结尾位置。
5.3最终结果呈现的页面布局
三、参赛总结
1、FineBI工具
- BI工具优点多多，比如“帮助文档非常详尽、课程学习非常丰富、数据连接非常顺畅”。
- 建议BI工具新增数据分析建模的功能，建议一个数据预处理平台。比如类似于“KNIME”这类轻应用，可以直接调用一些数据处理的算法（KNN\K-MEANS\PCA）等等。目前我在处理数据的时候，基本上都是先通过Python处理完再导入数据库，在通过FINEBI直接数据库，感觉步骤相对繁琐一些。
2、参赛总结
通过可视化可以讲原本繁琐枯燥海量的数据，以一种“生动形象直观”的样式展示出来。但数据可视化不是单纯为了将数据图做得多美观，而是要让数据蕴含的规律直观地体现出来，有利于后续的分析决策。 | 
