1. 学习初衷 （1）个人介绍 帆软社区用户名：张帆 公司及行业：目前就职于化生公司 岗位及兴趣：目前从事销售财务岗位，个人对数据分析、数据可视化等领域非常感兴趣，希望通过学习提升自己的专业技能，同时吸引志同道合的小伙伴一起交流成长。 （2）学习初衷 了解学习班的途径：通过帆软社区的推荐了解到学习班，觉得这是一个系统学习FineBI的好机会。 选择学习班的原因： 工作需要：工作中需要处理大量数据，希望通过学习FineBI提升数据分析效率。 自我突破：希望突破现有的技能瓶颈，掌握更多数据分析工具和方法。 兴趣使然：对数据分析和可视化有浓厚兴趣，希望通过学习进一步提升自己的专业能力。 跨行求职：未来计划向数据分析领域发展，学习FineBI可以为跨行求职打下坚实基础。 2. 作品简介（作业10） （1）业务背景/需求痛点 业务背景：我所在的部门是销售财务；日常工作包括风险防范（如应收应付账款分析）预算编制等。 需求痛点：每月需要为营销大区制作经营分析报告，从销售大区的核心指标（如销售额、利润率、客户增长率等）开始分析完成情况，最终形成数据洞察并汇报给营销线各负责人。传统的手工处理数据方式效率低下，且难以快速发现数据背后的业务问题。 （2）数据来源 企业数据： 使用了销售数据表（包含销售额、客户ID、地区等字段）。 使用了财务数据表（包含利润率、成本等字段）。 数据已做脱敏处理。 自选数据： 补充了市场调研数据（如客户满意度、市场份额等）。 参考数据： 参考了行业报告中的市场趋势数据。 （3）分析思路 分析主题：围绕营销大区的经营分析，拆解了以下方向： 销售业绩分析：分析各地区的销售额、利润率等核心指标。 客户分析：通过RFM模型对客户进行分类，识别高价值客户。 市场趋势分析：结合市场调研数据，分析市场份额和客户满意度变化。 分析模型： 使用了RFM模型对客户进行分类。 使用了漏斗模型分析客户转化率。 使用了Top分析找出销售额最高的地区和客户。 （4）数据处理 数据处理步骤： 使用FineBI的自助数据集功能，对销售数据和财务数据进行关联和清洗。 对缺失值进行了填充，对异常值进行了处理。 使用RFM模型对客户数据进行分类，生成了高价值客户、潜力客户等标签。 遇到的困难及解决： 数据量较大，处理速度较慢。通过优化数据关联方式和减少不必要的字段，提升了处理效率。 部分数据存在重复和缺失问题，通过数据清洗功能解决了这一问题。 （5）可视化报告 数据含义表达和图表排版布局： 使用柱状图展示各地区销售额，使用折线图展示利润率变化趋势。 使用饼图展示客户分类占比，使用漏斗图展示客户转化率。 通过合理的排版和颜色设置，使报告更加直观和易于理解。 分析结论： 发现某地区的销售额远低于预期，原因是客户流失率较高。建议加强客户维护和营销活动。 通过RFM模型识别出一批高价值客户，建议针对这些客户推出个性化服务。 市场趋势分析显示，客户满意度有所下降，建议优化售后服务流程。 业务价值： 提升了数据分析效率，节约了约50%的时间。 通过数据洞察，帮助营销部门制定了更精准的营销策略，预计下季度销售额将提升10%。 3. 学习总结 （1）学习经历 学习过程：为了完成作业和掌握FineBI的使用，经常熬夜学习，但也结识了很多志同道合的朋友。特别感谢班主任和助教老师的耐心指导，他们的帮助让我少走了很多弯路。 课程建议：希望课程能增加更多实际案例的讲解，帮助学员更好地理解FineBI在业务中的应用。 想说的话：感谢讲课老师的专业讲解，感谢班主任和助教老师的辛勤付出！ （2）个人成长 掌握的技能和方法：掌握了FineBI的基本操作和高级功能，学会了如何通过数据分析解决业务问题。 印象深刻的内容：RFM模型和漏斗模型的应用让我印象深刻，这些分析方法在实际工作中非常实用。 初衷实现程度：学习的初衷实现了约80%，基本掌握了FineBI的使用，但还需要更多实践来巩固技能。 FCP考试信心：目前有70%的信心，计划通过模拟考试和真题练习进一步提升应试能力。 心得体会：坚持是学习的关键，终身学习是职业发展的必经之路。通过这次学习，我深刻体会到数据分析的价值，也坚定了继续深耕这一领域的决心。