|
1、学习初衷
（1）个人介绍
我是一个学文科出身的现在一所高校从事信息化相关工作的教职工。严格来说，中间的职业路线发生了很多次跨界，我其实本身是行业非相关人士。所以一直对数据分析有着天然的“排斥”，因为觉得这些内容过于专业，自己就算有心学习可能由于这样的客观条件也是无法学会的。从来没有想过有一天自己也能运用所学制作出一个可视化的仪表板。
我工作的内容是主要有关全校网络、各个系统以及校园一卡通这三个大方面，其中校园一卡通是我们科室的一个重点负责内容。
（2）学习起因
开始学习FineBI，是由于每年我都会在年终总结中总结我们学校学生自助补卡机一年的补卡情况，因为我们学校分东、西两个校区，而在两个校区中，不管是学生类型还是学院分布都有一些各自的特点，而我慢慢从每年的补卡机数据中发现了一些数据规律，和我们学校的校区规律相呼应，但我的数据基本都是来源于我们的前台业务系统，然后通过后续Excel的一些简单分析得出，难以看出数据之间的交互关联。与此同时，我的这种总结在年终总结大会上使一个这方面的前辈老师发生了兴趣，正是这位前辈将FineBI推荐给了我，并鼓励我先从“7天打卡营”开始学习，如觉得自身还心有余力，还可以再深入系统学习。我是从打卡营按部就班的学习，发现了FineBI的奥妙，由此是最后通过仪表板中的数据联动，让我看到了更多的数据关联，这是单纯的Excel分析所无法做到的。于是，我又在结束了打卡营的学习后报了系统的培训班。
2、作品简介
（1）业务背景
在上述学习初衷中我以说到，每年我都会将我们学校自助补卡机的数据进行汇总总结，但是之前只是通过简单的Excel进行分析，无法看到数据之间非常细节的关联。另外，由于数据量比较大，在Excel处理起来也觉很是费力，且不够直观。比如，我想了解本科生在一年之中哪个月的什么时间段补卡量最多，通过Excel就无法直接得到，需要分别去计算，计算步骤多，而且在这个过程中容易出现逻辑顺序混乱的情况，从而使最终结论出现错误。
（2）数据来源
自选数据：从我们校园一卡通前台业务系统分别导出东、西区2024年全年自助补卡机的补卡数据，并对学生学号进行脱敏处理，保留可以看出学生类别（本科生、硕士研究生、博士研究生）的关键信息。
（3）分析思路
首先，我做这个数据分析，是为了对我们维护以及提高我校自助设备和自助服务的数据参考。因此，我需要了解东、西区分别的补卡情况和特色，以及不同身份类别的学生的整体补卡情况，还有在不同月份、不同时间段的补卡规律；不同学院的补卡人员分布等。
（4）数据处理
我先分别导出东、西校区全年自助补卡机情况，并将两张表做了上下合并，以此形成一张完整的大表。然后通过“条件标签列”根据脱敏学号对学生进行身份类别的区分；另通过站点名称对东、西校区进行区分。通过对“交易时间”处理，获取到补卡具体整点时间。最后在做组件时对“记录数”进行过滤处理。
（5）可视化报告
通过饼图和柱状图看出补卡人员类别分布和东、西校区分布。
通过曲线趋势图可以看出不同月份补卡情况。
通过热力分析图可以看出不同月份和不同时间段补卡情况；气泡图和条形对比图可看出不同学院及东、西校区不同学院的补卡情况。
整体版面采用从左到右和从上到下的符合人常规视野规律的方式布局。将图表放置左侧，文字分析放在右侧或是两组上下组件之间。颜色保持相同指标在不同组件下一致。
 
（6）结论
通过可视化报告，可以看出我校自助补卡的主体为东区本科生；主要集中在每年9月份补卡量最多，7月份补卡量最少；另外，每天中午12点到下午13点和下午18点到19点这两个时段是每天补卡量最多的时段；补卡量最大的三个学院主要分布在东校区。
因此，从数据分析上，我们相关部门可以在每年重点的月份和时段加强对设备的维护、巡检及检测，及时补充耗材（如校园卡、打印色带等），可在重点学院进行调研时关注该学院学生对自助补卡设备和服务的有关建议和意见。并可以加强对东校区本科生有关自助服务方面和校园卡使用方面的宣传。
3、学习经历
这次通过系统且深入的学习FineBI，我掌握了很多之前在打卡营没有学到的功能和技巧。很多时候我都是在上下班的地铁上还在思考在作业中遇到的问题，尤其是有些灵感或突然醒悟都是在地铁上，每当这个时候，我都是很急迫的想要赶紧回到家或是到单位打开电脑来进行BI的实践或是尝试。
当看到自己也可以做出可视化报告还有仪表板时，有一种由衷的满足感和成就感，原来这些特别专业的数据分析也是可以由我来完成。虽然自己也是非行业出身，但通过学习，自己也可以按着自己的想法使数据之间产生交互关联，然后通过这种关联性为工作起到参考作用，提供更为专业且多维度的数据支撑。
所以，这是一段奇妙的学习旅程，如今旅程进入了尾声，但我想这并不是学习的终点，相反的，我相信自己会通过从工作实践中摸索出更多有关FineBI的功能和技巧。 | 
