1、学习初衷
本人就职于某省内农商行，主要负责员工管理工作，日常工作多与表格相关。此前，我曾自主学习过表格的一些基础及进阶操作，然而表格能够处理的数据量最多仅有十几万行。对于某些极端数据而言，仅数据加载就已颇具难度，更遑论进行数据分析。我也曾尝试自学微软的PowerBi，但无奈其学习难度较大，例如DAX语言理解起来颇为困难，致使我难以坚持学下去。在学习FineBi之后，我发现数据处理可以如此简便直接，无需学习诸多高级语言，只需轻点鼠标、简单拖拽，便能迅速完成一份简易的数据分析。其学习难度较低，对于日常数据分析而言已然足够。
2、作品简介
（1）业务背景及需求痛点
业务背景：日常员工管理工作中，对于海量的数据，如何理出头绪是一项很困难的工作，这些数据之间是否符合某种逻辑，是否存在极端异常数据，这些难点除了使用Excel进行数据分析外，无其他可使用的手段。
具体有以下三个困难点：
1.数据维度复杂，难以构建精准的“问题员工”画像
“问题员工”的定义并非单一指标所能界定。它可能涉及业绩数据（如连续未达标）、行为数据（如异常考勤、违规操作记录）、财务数据（如异常大额负债、与收入不匹配的消费）、舆情数据（如内部举报、客户投诉）等多个维度。这些数据分散在不同的系统（人力、财务、信贷、审计、OA等）中，形成数据孤岛。管理人员难以手动整合并关联分析这些异构数据，从而无法形成一个360度的、立体的员工视图来判断其是否存在潜在风险。单一维度的异常很可能被忽略，或者被误读。
2.异常模式隐蔽，传统监测手段容易失效
真正有风险的员工行为往往具有隐蔽性和演化性。他们可能不会触发任何硬性的合规红线，而是表现为一系列微弱的、但持续偏离正常模式的“软信号”（例如，社交圈突然变化、消费习惯突变、系统登录时间异常、某些业务操作频率显著增高或降低）。依靠人工定期抽查或设置简单阈值（如“业绩下滑50%”）的预警方式，难以捕捉这些复杂且动态的异常模式。这导致要么预警数量过多，淹没真正重要的信号；要么根本无法发现那些“温水煮青蛙”式的潜在问题。
3.平衡监测效率与员工隐私，面临两难困境
为了发现风险，理论上需要尽可能多地收集和分析员工数据。但这不可避免地会触及员工隐私和信任红线。过度监控会引发员工反感，造成“寒蝉效应”，侵蚀企业文化。同时，这也涉及到严格的法律合规（如个人信息保护法）问题。
管理人员必须在“风险洞察的深度”和“隐私保护的边界”之间做出艰难平衡。如何设计一套既有效又合规、既能发现问题又能最大限度尊重员工的数据分析策略，是其在管理和伦理层面面临的核心困境。
（2）数据来源
运用AI工具生成了100条有关员工的基础数据，以用于分析。这些数据涵盖姓名、性别、年龄、资产、负债、负债率、罚款金额、机构名称以及省份名称。（在实际工作里所使用的变量远不止上述9点）
（3）分析思路
明确目标：获取数据后，明确具体要分析的内容以及期望达成的目标。例如，若负债率较高，需探究导致这一情况的具体原因，分析其是否与年龄、罚款金额相关，当然，这些目前均为假设。最终目标是确定一批需重点关注的员工，因此要明确哪些员工可被纳入重点关注范围以及相应的判定标准。
数据清洗：明确目标后，首要任务是开展数据清洗工作。将年龄从数值型字段调整为文本型字段，以利于进行年龄分组；把负债率转换为百分比形式，使数据呈现更加清晰明确。
（4）数据处理
1.以年龄为横轴将罚款金额和负债率分别做折线图，其中罚款金额为左值轴，负债率为右值轴，从图中可以看出，不同的年龄对应的负债率和罚款金额呈现同步变化的趋势，从金融机构的角度来说，一名员工负债较高往往意味着个人财务状况不佳，这使其更有可能出现违规操作，从而导致经济处罚，符合预期。
2.在原始数据中，新增一列用于判定员工年龄是否大于30岁，将该指标和性别指标作为横轴，纵轴设立为负债率，在对30岁以上男女负债率的比较中，发现小于30岁的员工中，女性的负债率显著高于男生；在大于30岁的员工中，男性的负债率略微高于女性，但考虑小于30岁的员工中必然有女性无法在短期内结清负债，而随着年龄的增加负债率仅比男性低了2%左右，其实只能说明男性在30岁之后负债显著增加。可能的原因：一是在小于30岁的女性中，由于外部环境的一些影响，提前消费主义盛行，导致负债率偏高；二是在大于30岁的男性中，实际负债率增加比例较高，主要原因可能是因为男性在结婚后主动背上了房贷，成为了房奴。如图。
3.将省份字段转化为地理角色，用地图展示地区的负债情况。从图中不难发现，上海、北京、浙江、广东等发达地区负债率明显较高，而甘肃、贵州、青海等欠发达地区负债率普遍较低。经济发展的情况与负债情况呈正相关。如图。
（5）可视化报告
综上所述，可得出以下结论：其一，负债率与罚款金额呈正相关；其二，不同地区的负债率存在规律性差异；其三，不同年龄、不同性别与负债率也存在关联。简而言之，若要判别一名员工的风险程度，至少需涵盖负债率、罚款数额、年龄性别以及所在省份这几个维度。据此，以 100 分为风险程度衡量值，所有员工的风险程度均可得到量化。
|
指标值
|
权重分
|
指标度
|
|
负债率风险分
|
30
|
负债率∈【0,30)，记10分；负债率∈【30,50)，记15分；负债率∈【50,70)，记20分；负债率∈【70,90)，记25分；负债率∈【70,90)，记25分；负债率∈【90,100】记30分。
|
|
罚款风险分
|
30
|
罚款金额∈【0,4000)，记15分；罚款金额∈【4000,6000)，记20分；罚款金额∈【6000,8000)，记25分；罚款金额∈【8000,无穷大)，记30分；
|
|
年龄风险分
|
20
|
年龄∈【0,30)时，性别为女记分20分，性别为男记分10分；年龄∈【30,无穷大)时，性别为女记分15分，性别为男记分15分。
|
|
省份风险分
|
20
|
发达地区（含广东、浙江、江苏、上海、北京）记分20分；欠发达地区（含甘肃、贵州、云南、青海）记分10分。
|
然而，作为看板，我还设置了若干组件。其一为员工总人数（KPI 指标卡）与男女人数（环状图），鉴于二者具有一体性，故将其进行组合；其二是员工明细表，且将该明细表与环状图建立关联，以提升使用体验；其三是各地区负债率的明细数值，同样与地图进行了关联；其四是重点关注人群，我采用了词云图，其中数值越大，对应的姓名显示越大，具有直观性。 仪表板如下。
3、学习总结
通过为期六周的系统性学习，我已对FineBI这一强大的数据分析工具有了初步了解，主要学习了一下几个方面：
基础入门：熟悉FineBI界面与一些基本操作。
数据处理：掌握数据集的核心操作，包括数据关联、字段设置、分组和过滤，为分析做好准备。
可视化分析：重点学习并实践了常用图表（如饼图、柱状图、折线图、散点图）的创建与应用以及筛选、钻取等交互功能。
实战应用：成功独立完成一个完整的员工风险主题分析项目，通过多维度数据探查，验证了多个业务假设并形成了分析结论。
二、核心收获：
技能提升：具备了将原始数据转化为直观图表和分析数据的能力
思维转变：建立了通过数据发现问题、分析问题、验证假设的数据分析思维。 | 
