作品选题 银行外呼业务数据分析与精准营销优化研究 一、选手简介 1、选手介绍 （1）团队选手版 团队名称：刮风吃土队2.0 队长介绍：帆软社区用户工地民工。时隔一年，刮风吃土队“卷土重来”，进化为刮风吃土队2.0版本，我也从一名大学生转变为了与数据打交道的职场人，从事与建设项目相关的商务管理工作，目前对供应链方向的运维和数据分析感兴趣。 成员介绍：帆软社区用户金针菇。去年时候，和队长一起在建筑行业的比赛里大展手脚。论一年的时间能有多少变化：从建筑行业提桶跑路，更换赛道，转向银行业相关的数据分析。 2、参赛初衷 提升技能经验：通过参加FineBI数据分析大赛，可在实际业务场景中应用所学的技能，锻炼数据分析和建模能力，并以可视化的形式呈现。 拓展知识领域：银行外呼业务与精准营销优化是银行业的一个特定的领域，以此为主题参与FineBI数据分析大赛可以深入了解该行业的运作机制和现有挑战，在此基础上拓展知识面。 解决实际问题：银行外呼作为众多金融机构联系客户的有效方式，其业务数据对于对于客户关系维护、在线产品营销和客户价值挖掘具有重要价值，通过分析上述数据可对银行外呼业务的精准营销进行优化，提高外呼成功率和业务量。 进行学习交流：帆软社区既是一个知识密集、资源丰富的平台，也是一个与其他数据分析从业者交流的平台，通过参加比赛可以从其他优秀参赛者身上学习到新的数据分析思路和方法。 获得认可荣誉：希望能够继续展示本团队的数据分析和数据可视化的能力，延续去年的优秀成果，争取在2023年FineBI数据分析大赛中获得一个好成绩，带来荣誉和奖励。 二、作品介绍 1、业务背景/需求痛点 业务背景： 在当前的竞争激烈和快速变化的市场环境下，传统银行面临着巨大的挑战，为了保持竞争力并迎头赶上，中小银行必须积极拥抱数字化转型。银行外呼营销作为银行贷款业务获客最重要的渠道之一，是银行柜面服务的重要延伸和服务窗口，架起了银行与客户沟通的桥梁。而数字化的贷款外呼营销业务作为银行业数字化转型过程中的一个缩影，更需要银行注重数据的价值挖掘：通过对大量存量客户和外呼数据进行深入分析，银行可以了解客户的需求和行为，精准地定位目标客户群体，并提供个性化的产品和服务；通过数据驱动的决策和运营，银行可以有效地提高业务效率，降低成本，增加收入，从而在竞争中取得优势。总的来说，数字化转型对于中小银行来说不仅是谋现在的问题，更是谋未来的战略，只有通过积极拥抱数字化技术，加强数据驱动的能力，中小银行才能在竞争中脱颖而出，实现持续发展和长期成功。 需求痛点： 客群区分不足导致增加了营销投入成本 根据目前业务存量客户数据分析，银行在外呼营销过程中存在客群区分不足的问题，银行倾向于将目标客群定位在收入和消费稳定的人群，例如蓝领、行政人员等，因为这些客群的风险可控且资金稳定。然而，这类客户所带来的单卡收入相对有限，在进行贷款外呼营销时，这部分客户的转化率通常不是最高的。此外，银行还存在将不同职业、不同年龄和不同性别的客户都推送相同贷款产品的情况，这种单一化的策略难以带来显著的收入增长。 精准营销能力不足导致ROI有限 外呼营销业务作为依托数据的银行业务，具备通过数据分析提升效能的潜力。然而，目前中小银行在外呼营销中自行开展数据分析与建模的数量有限，更多的仍然是通过海量外呼的形式开展业务，这相对效率较低。对于低转化率客户的外呼不仅浪费了外呼资源，还造成了一定程度的客户骚扰。为了改善这种状况，银行需要加强数据分析与建模能力，以提升营销的精准度和效率。外呼营销业务作为依托数据的银行业务，具备通过数据分析提升效能的潜力。然而，目前中小银行在外呼营销中自行开展数据分析与建模的数量有限，更多的仍然是通过海量外呼的形式开展业务，这相对效率较低，对于低转化率客户的外呼不仅浪费了外呼资源，还造成了一定程度的客户骚扰。为了改善这种状况，银行需要加强数据分析与建模能力，以提升营销的精准度和效率。通过深入掘客户数据，银行可以更好地了解客户特点和需求，从而制定个性化的外呼策略，针对性地吸引和转化潜在客户，这样不仅能够提高ROI，还能减少对客户的骚扰，提升客户体验。 2、数据来源 自选数据 本团队在【2023年FineBI数据分析大赛】中主要用到了两个方面的数据，第一部分是银行业宏观指标和贷款金额相关数据，数据来源于波士顿咨询公司报告：面向 2020s：银行数字营销现状洞察、中国人民银行调查统计司（pbc.gov.cn）、中国经济数据库（ceicdata.com.cn）和中国电子银行网(cebnet.com.cn)；第二部分数据来源于kaggle（Kaggle: Your Machine Learning and Data Science Community）平台的银行业公开数据，其中包括某银行既有客户情况、外呼情况分析以及人工坐席分析。 以上两部分数据的部分信息如下图所示： 中国人民银行调查统计司 金融机构信贷收支统计 中国人民银行 银行家问卷调查数据 既有客户情况数据 外呼情况分析数据 人工坐席分析数据 分析思路 如【数据来源】部分所述，本次参赛数据包括两部分，其中第一部分是银行业宏观指标和贷款金额相关数据，第二部分数据来源于kaggle平台的银行业外呼营销公开数据。 对于银行业宏观指标和贷款金额相关数据，小组成员首先根据不同行业的数据产出强度，分析出银行业背后的数据量十分巨大，具有较大分析价值，接下来通过对银行业宏观及贷款相关指标分析，得出随着时间变化银行业，尤其是贷款需求呈下降趋势，这也间接说明了可以利用数据分析找出下行趋势的原因，并针对性地进行修正，最后利用个人用户对于数字银行营销的评价和描述分布，展现了银行数字化转型和精准外呼营销的必要性。该部分主要通过柱状图、折线图、饼状图等方式体现数据本身的价值，并选用了下钻分析，对各层级的贷款情况进行了说明。 对于银行业外呼营销公开数据，小组成员根据表单类别将本部分数据分析分为了客户分析和外呼情况分析两部分。在客户分析中，小组成员掌握的数据主要集中在某银行现有客户的个人基本信息以及与银行业务相关的业务，前者包括姓氏、地理位置、性别、职业、年龄、教育程度等指标，后者包括贷款情况、是否有信用违约、办卡任期、余额、是否流失等指标，小组成员选择对10000名既有客户进行分析，并对客户进行聚类处理，并以外呼结果为基础，针对各客群进行不同的营销策略分析。在外呼情况分析中，小组成员首先以指标卡的形式对外呼总数、接通数、意向率以及接通率等数据进行了展示，并以月份、交流次数等指标为维度对客户占比、外呼数、接通情况等进行说明。接下来，根据过滤和分类汇总的功能，分析意向等级的结构与分布，并以月份和省份为维度对外呼情况进行了分析，并基于客户关注点针对性地提出营销建议。在进件情况分析中，我们利用联动功能对不同进件渠道进行了分析，包括进件成功数、成功率，并参考波士顿矩阵思路，以客户聚类为类型，对外呼基础情况间的相关性进行了展示，并依据逻辑回归模型建立了目标客户是否订购银行业务的预测模型。 详细思维导图如下所示： 4、数据处理 excel数据预处理 我们在kaggle平台上下载的数据已为标准的一维表格式，可直接导入FineBI 6.0中使用，该步骤主要对其余数据进行预处理，包括删掉标题、单位、数据来源等信息，并且将二维表转换为一维表。 操作示例如下： 删去多余信息 将二维表转换为一维表：利用Excel内置的查询编辑器 将预处理的数据导入FineBI 6.0 数据探索处理与模型创建——聚类算法 1、背景 一个银行客户的等级分类可由多个指标来综合表示，如“既有客户情况”表单数据可视，包括现有某银行已放款的客户名单，信用评分、性别、职业、年龄、预估收入等数据，根据数据对客户进行综合排名和客群聚类分析，并对结果进行解释。基于此背景，使用datahoop相关算法对银行既有客户进行综合分析。 2、分析思路 （1）明确问题：使用数据对银行既有客户的综合水平进行排序和聚类。 （2）数据获取：采用sql语句从数据库下载客户信息。 （3）数据探索与预处理： 1）对原始数据进行描述性统计： 描述性统计：无缺失值、数据形态基本满足正态分布（偏度系数都接近0，且直方图无明显偏差）、几乎无异常值（少数异常值考虑为实际情况，暂不处理）。 2）相关性分析：所有变量间相关性较弱，两两之间均为低度相关，可以直接做排序和聚类分析。 3）对数据进行名义化转化，进行独热编码。 4）标准化：因为各项指标之间的量纲不一致，对数据进行标准化处理。 5）主成分分析和聚类分析及结果展示： 主成分分析：选择4个主成分，贡献率累计达到80%以上，降维与排序结果如下 聚类分析：选择3个类别进行聚类，3个类别的个数和特征如下 3、分析结论： 0类客户得分和排名最高，属于信用度较低的大龄组，预估收入水平中等，信用度偏低； 1类客户得分和排名中等，属于中年高收入组，已有较高收入的二次借款者居多，信用度中等； 2类客户得分和排名较低，属于信用度较好的中年低收入组，首次贷款人群居多，此客群整体预估收入水平较低，信用度较高。 数据探索处理与模型创建——分类算法 背景 针对客户外呼时的特征及反馈建立客户是否订购银行业务的分类模型。 2、分析思路 （1）描述性统计：无缺失值、除年龄、客户薪酬、交流次数、AI通话时长、人工呼叫时长、客户最后一次从上一次活动中联系后的天数、打开app速度外全部为类别型变量，其中AI通话时长存在一定的右偏，进行box-cox变换，有部分异常值存在（异常值均为真实数据，且占比较少，暂不进行处理）。类别型变量有的是2分类有的是多分类，需要进行标签编码处理。 （2）box-cox变换，将年龄、客户薪酬、交流次数、AI通话时长、人工呼叫时长、客户最后一次从上一次活动中联系后的天数、打开app速度进行box-cox变换，调整为正态分布。 （3）标签编码：将贷款情况、意向等级、职类、结果等多分类变量进行标签编码。 （4）相关性分析： 1）连续性变量相关性：将编码处理后的所有变量与预测客户是否会订购银行业务进行相关性分析，结果发现“人工呼叫时长”、“客户最后一次从上一次活动中联系后的天数”这两个变量和“预测客户是否会订购银行业务”之间的相关程度中等，“预测客户是否会订购银行业务”和其余变量的相关性极低，不存在严重的共线性问题。 2）类别型变量相关性： ①职类与预测客户是否订购银行业务是否有相关性 原假设：职类对预测客户是否订购银行业务没有显著性影响 备择假设：职类对预测客户是否订购银行业务有显著性影响 卡方独立检验可得p小于0.05，原假设不成立，接受备择假设，说明职类对预测客户是否订购有显著影响。 ②婚姻状态与预测客户是否订购银行业务是否有相关性 原假设：婚姻状态对预测客户是否订购银行业务没有显著性影响 备择假设：婚姻状态对预测客户是否订购银行业务有显著性影响 卡方独立检验可得p小于0.05，原假设不成立，接受备择假设，说明婚姻状态对预测客户是否订购有显著影响。 ③是否信用违约与预测客户是否订购银行业务是否有相关性 原假设：是否信用违约对预测客户是否订购银行业务没有显著性影响 备择假设：是否信用违约对预测客户是否订购银行业务有显著性影响 卡方独立检验可得p小于0.05，原假设不成立，接受备择假设，说明是否信用违约对预测客户是否订购有显著影响。 ④是否有住房与预测客户是否订购银行业务是否有相关性 原假设：是否有住房对预测客户是否订购银行业务没有显著性影响 备择假设：是否有住房对预测客户是否订购银行业务有显著性影响 卡方独立检验可得p大于0.05，原假设成立，说明是否有住房对预测客户是否订购没有显著影响。 ⑤贷款情况与预测客户是否订购银行业务是否有相关性 原假设：贷款情况对预测客户是否订购银行业务没有显著性影响 备择假设：贷款情况对预测客户是否订购银行业务有显著性影响 卡方独立检验可得p大于0.05，原假设成立，说明贷款情况对预测客户是否订购没有显著影响。 ⑥教育程度与预测客户是否订购银行业务是否有相关性 原假设：教育程度对预测客户是否订购银行业务没有显著性影响 备择假设：教育程度对预测客户是否订购银行业务有显著性影响 卡方独立检验可得p小于0.05，原假设不成立，接受备择假设，说明教育程度对预测客户是否订购有显著影响。 综上所述，对“预测客户是否订购银行业务”有相关性的有“是否信用违约”、“婚姻状态”、“职类”、“教育程度”、“人工呼叫时长”、“客户最后一次从上一次活动中联系后的天数”。 3、分类算法分析及结果展示： （1）采用逻辑回归、决策树、SVM算法进行比较，比较得到逻辑回归模型更优： 逻辑回归： 训练集： 测试集： 分类模型存在训练集accuracy大于测试集的情况，结果不理想，可能是样本不均衡导致，需进一步处理。 （2）采用过采样进行处理后得到逻辑回归模型结果： 训练集： 测试集： 测试集accuracy>训练集accuracy，满足模型基本条件。 （3）建立分类算法模型公式： Ln（P（Y=1）/P（Y=0））=-0.164- 0.098*“婚姻状况_transfer”-0.421*“是否信用违约_transfer”+0.006*“教育程度_transfer”+0.013*“职类_transfer”+0.0006*“客户最后一次从上一次活动中联系后的天数”+0.006*“人工呼叫时长” （4）分析结论： 负值越大，为分母的概率就越大，也就是“是否信用违约”、“婚姻状况”系数越大，则预测客户不订购银行业务的概率越大； 反之，正值越大，为分子的概率就越大，也就是“教育程度”、“职类”、“客户最后一次从上一次活动中联系后的天数”、“人工呼叫时长”系数越大，客户越容易购买银行业务。 预测模型： 将需要预测的客户信息（相同维度）数据代入模型，进行标签编码与box-cox转换，代入逻辑回归模型进行预测，最终得到结果： 模型： 创建自助数据集 FineBI 6.0内置的自助数据集十分强大，可以对上传的数据进行进一步的处理，包括新增公式列、新增汇总列、合并、分类汇总、字段设置等等，我们主要用到了合并、分类汇总以及新增列的功能。 1、由于从kaggle平台下载的数据分为“既有客户情况”和“外呼情况分析”，其中“既有客户情况”表单中为客户基本信息，包括职业、教育程度、预计收入等等，“外呼情况分析”仅为银行对上述客户进行AI外呼营销和人工外呼营销的具体外呼情况，包括外呼日期、外呼时长、外呼结果等等，连接该两张表单的维度为“顾客ID”，为了以联系发展的眼光对数据进行分析，我们选择在FineBI 6.0中用“左右合并”的功能将所需数据列进行合并，以“职业”这一指标为例，将其添加到“外呼情况分析”表单，操作如下： 选择需合并数据的表单，并选择顾客ID和职业，点击确定 “职业”合并入“外呼情况分析”中 由于统计组內占比在仪表板中较难实现，我们发现可以在自助数据集中利用“分类汇总”及“新增列”的功能实现该操作，例如以“职业”为维度统计外呼营销转换率（即成功率），首先利用合并的功能将所需数据合并到一张表单中，选择“分类汇总”，以“职业”为分组，将“结果”复制为“结果为成功”后，将两者拖入汇总中，并选择“记录个数”，则可以分别统计出不同职业的外呼成功个数，为了计算出转换率，还需要利用“新增公式列”的功能，计算式为“结果为成功”/“结果，这一就可以较容易地汇总出组內占比，操作图如下： 5、可视化报告 第一部分：银行业——行业现状 数据产出强度与扩散指数 该组件通过柱状图和折线图的方式，辅以特殊显示和趋势线分析可知，与其他行业相比，银行业的数据产出强度高举榜首，但是近年来银行业各主要指标的扩散指数（扩散指数是一种实证的景气观测方法，将经济指标分为先行、一致和滞后指标，在此基础上构造先行、一致和滞后扩散指数，分析和预测商品市场的波动趋势）发展平稳，以贷款需求趋势为例，存在持续下降的趋势，如何利用银行业高数据产值的优势扭转这一局面是亟待解决的问题。 各项贷款情况 根据中国人民银行调查统计司的金融机构信贷收支统计进行下钻分析可知，目前企（事）业单位贷款认为银行贷款业务的主要来源之一，住户贷款紧随其后，对其进行下钻分析可知，中长期的消费贷款是主要的贷款类别，这也是本次数据分析和研究的重点。 个人用户对数字银行营销效果的评价和描述分布 该组件通过饼状图和柱状图的方式，展现了个人用户对对数字银行营销效果的评价和描述分布，可以看出公众对其的评价呈良性，并且大多数人认为数字银行营销能更便捷、精准地提供信息和服务，这证明了银行业可以以外呼营销为切入点，分析外呼情况并以此制定精准营销策略，积极拥抱数字化转型。 第二部分：客户分析 公司现有客户性别、购买产品数量分布图 “性别”与“购买产品数量”采用饼图的形式，可以看到：男性客户有5457位，女性客户有4543位，男女比例为1:0.8，男性购买贷款产品的人数居多。不论性别，大部分客户在银行中的产品数量是1~2件，因此对于银行现有购买产品的客户，尤其是只购买1件的客户，可以进行进一步的开发，将首购客户开发为二次客户。 从客户的年龄角度来看： 对每个年龄的人数采用柱形图进行展示，可以看到贷款业务的主要客户分布在30-40岁，整体客户呈现轻微右偏。其中，35岁来进行贷款的人数最多，达到209人，此年龄正值中青年，产生大额消费的高峰年龄，有较多客户进行贷款用于创业、买房、购车等活动。 贷款情况人数、各年龄段贷款情况 对客户年龄进行数据离散化，通过颜色表格可以看到目前在贷的客户人数最多，其次是结贷结贷4年以上和结贷两年的客户，各个客群的贷款主力客户年龄也是31-40岁的中青年。 注：【在贷】：目前在银行中有贷款的客户，为活跃用户。 【结贷24M】：距离上一笔贷款时间在2年的客户。 【结贷48M】：距离上一笔贷款时间在4年的客户。 【结贷48M+】：距离上一笔贷款时间在4年以上的客户。 客户职类分析 采用玫瑰图与表格进行数据展示，可以看到： 客户职业占比：营销的客户中人数占比最多的三个职业分别为：蓝领、行政人员、技术人员。转化率最高的前三名是：学生 3.26%的转化率、蓝领 2.07%的转化率、技术服务人员 1.93%的转化率。虽然学生的转化率较高，但学生人数较少，占比总人数1%不到，不具有典型性。综上，蓝领、技术人员进行银行贷款的可能性更大，作为潜在目标客户，建议优先跟进，保持高频沟通。 客户教育程度分布 采用玫瑰图与表格进行数据展示，可以看到： 客户教育程度占比：客户主要是高中、大学、基本九年的学历。从转化率来看，基本九年、专业课程、高中学历的客户转化率更高。 第三部分：外呼情况分析 客户营销次数分析 计算每位客户在全年（3月开始首次营销）累计在外呼名单中出现的频次数，单个客户每月名单中只出现一次。外呼名单中的客户共1万人（去重计数），根据客户在全年每月的出现频次分为6个频次。可以看到全年累计被营销1-6次的客户居多，且接通率随着外呼次数逐次降低。营销40-60次的老客户共9位，对于这9位客户应深入挖掘，对于愿意接听电话、有意向的客户进行利率优惠营销；对于不接电话的客户应暂停外呼活动，避免骚扰。 月度接通率、意向率分析 接通率=接通电话数/外呼电话数；意向率=意向电话数/接通电话数 该组件采用折线图进行展示。外呼营销从22年3月开始，12月结束。总体来看，外呼营销中未接通以及无意向的情况占大多数。以月份为维度对第二次人工外呼营销情况就行分析：接通率最高的月份集中在6-9月，但意向率最低的月份也在该时间段内，可在该时间段增加贷款业务的类型以供不同客群选择。4月、5月以及11月的接通率和意向率差距最小，可尝试提高人工坐席外呼数以及其业务水平。 各省份客户人数、接通情况 可以看到全国范围内：陕西省、黑龙江省、甘肃省、广西省等地区，为银行贷款的主要营销客户，这些地区均为偏远地区，发展较为缓慢。从接通率来看：四川省、湖北省、河南省、广西省、云南省的接通率较好，客户触达的人数较多。海南省、山西省的接通率居于末尾，待采取策略进行改进。 外呼情况明细、意向结构分布图 首先以月份为维度用表格的形式展现出银行外呼营销的具体情况，并使用桑基图，按照有无意向/未接通——结果为成功/失败/不存在的层级逻辑展示了意向结构分布。总体来看，银行外呼营销未接通以及无意向的情况较多，仅1.82%的目标可以对营销产品有潜在意向并成功订购，通过分析成功客户的特征可为外呼营销精准营销提供策略。 每月客户意向等级分布 该组件采用多指标折线图，以时间为维度，展现了每月客户意向等级，可以看出客户的潜在意向率较低，且变化不大，但是无意向率在4月至6月起伏较大，银行可从外呼内容、产品信息以及坐席业务水平等方面寻找无意向率升高的原因。 客户关注点 利用词云图与KPI指标卡构成客户关注点展示，KPI指标卡中的数字代表此关注点出现的次数（同一通营销电话中可能产生多个类别关注点，每个关注点只计算首次）。可以看到客户在营销活动中，最关注的六个点分别为： 意向客户分析 通过对意向客户的分析可以看到：全年对客户进行外呼营销的最佳次数为3~4次，超过此营销次数后，客户意向率呈现断崖式下降。聚类分析得到的0类客户，也就是中端客群对于营销的意向率相对较高。客户收到营销活动后比较关注的点是不会进行产品的申请操作、想要和客户经理进行联系，在后续话术培训中，应更注重调整“申请流程”的优化调整，做到简洁明了，减少客户认为流程复杂而放弃申请的情况。后续营销活动的主要地区可以主攻：海南省、山西省、内蒙、江苏省、江西省。 进件分析 该组件用迷你图、柱状图，配合文本下拉列表对外呼结果为成功的客户情况进行了统计，五种进件渠道中，向目标客户发送短信链接的成功率最高，其次为电话、老客推荐以及邮件的方式，成功率最低的进件渠道是社交媒体的宣传。该组件可以渠道为分类维度对该部分其他组件进行联动分析。 成功率 以月份为维度，采用折现堆积图的形式展示了有潜在意向的客户中最终进件成功的比例，该结果与外呼意向率曲线基本吻合，总体成功率和意向率最高的月份集中在5月至10月，该时间段内个人客户的消费或经营贷款需求处于较为旺盛的阶段，建议在该增加外呼坐席数，并针对不同客群推出不同的贷款服务。但是对各进件渠道进行联动分析后可知，各渠道每月的成功率不尽相同，以“老客推荐”渠道为例，甚至出现了与总体趋势相反的现象，可进一步探索不同进件渠道的营销策略。 打开app速度 该组件以横向柱状图的形式展示了不同进件渠道的客户打开app的速度，邮件、短信链接、电话这三者是打开app速度最快的三种进件方式，说明客户在接受营销后更倾向于点击现有的链接，建议精简话术，重点介绍近期产品信息并在显眼位置附上进件信息。 渠道相关性 该组件参考波士顿矩阵分析思路，对【客户分析】中聚类的三类客群打开app的速度与客户最后一次从上一次活动中联系后的天数进行相关性分析，以1类客群：高端客群为例，银行对其的联系频率较低，通过下钻分析，对该客群而言，更有效的营销方式是通过邮件和老客推荐的方式。 时长相关性 该组件以散点图的形式展示了进件成功/失败两种结果下人工呼叫时长和AI通话时长的相关性，并引入警戒线，显示两者的平均值。以成功进件客户为例，若进行外呼营销，建议将通话时长控制在6分钟以内。 进件预测 为了形成“获客-活客-价值转化”的闭环，提高精准营销效率，针对客户外呼时的特征及反馈建立目标客户是否订购贷款业务的预测模型。我们选择引入“web组件”，利用在线文档（进件预测 (shimo.im)），基于预测算法实现目标客户是否订购银行业务的预测模型。例如，在实际外呼过程中，出现了一位已婚、信用度良好、具有大学学历的企业家，上次联系天数为10天前，并且人工外呼时长为150秒的客户，那么根据预测模型，他较容易订购贷款业务。 最终结果呈现的页面布局 公共链接：https://bisolutions.fanruan.com/webroot/decision/link/ZkpM 三、参赛总结 今年的FineBI数据分析大赛是“刮风吃土队”参加的第二次比赛，在获得2022年FineBI数据分析大赛“最佳行业应用奖”的这一年內，两位成员的生活都发生了巨大的变化，其中一位成员顺利从大学毕业并且在对口的工作岗位上开始了自己的职业生涯，另一位成员也顺利转行，成为了一名专职数据分析师。再次参加FineBI数据分析大赛，除了想再续荣光，更多的是将数据思维融入日常生活，展现数据与FineBI结合的魅力。为了挖掘数据分析在其他行业的运用，团队以大家日常生活中经常会遇到的外呼营销为背景，选择了“银行外呼业务数据分析与精准营销优化研究”为主题，以此为契机深入了解该行业的运作机制和现有挑战，在此基础上拓展知识面。 虽然这是团队的第二次参赛，但是也遇到了一些挑战和困难，比如本次数据源非常庞大，处理起来比较复杂，为了确保预测模型的准确性，需要耐心地进行数据清洗和准备；其次在客群聚类的特征选择和算法优化上我们也花费了大量的时间，选择合适的特征和算法对于建立高效的模型至关重要，但这也是一个需要不断尝试和优化的过程。 在比赛过程中，通过帆软社区组织的多次培训，我们结识了许多优秀的数据分析师和团队成员，他们的经验分享和支持让团队受益匪浅，我们对数据分析有了更深刻的认识，认识到数据背后蕴含着无限的价值和潜力。当然，学习永无止境，数据分析领域变化快速，需要不断学习和进步，我们期待在未来能够为更多的问题提供数据驱动的解决方案，创造更大的价值。     ——————————————————最新活动———————————————————— 1、本篇作品将于11月19日在上海Fine Workshop活动上现场分享，活动报名： 数据分析最佳实践（银行金融专场）上海Fine Workshop 第四期来袭！ 2、线下活动设有研讨环节，建议参与现场活动的同学提前阅读本文，在本帖留言评论你想和作者交流的问题，交流话题不限于： 行业场景价值/行业经验分享...... 数据分析价值/数据分析应用...... 数据分析思路/技能/工具/职场...... 数据文化氛围/团队协同配合...... ...... 3、留言评论，并参与现场研讨，即可有机会参与抽奖： （1）留言评论请以 以下格式开头：11月19日上海Fine Workshop研讨交流，...... （2）抽奖奖品： 京东卡100元*10张 《三百六十行 行行FineBI：数据分析案例集》*10本 奖品丰富，欢迎留言评论，希望大家有所收获

首先祝各位Finer新年快乐，万事如意！ 在过去一年里很高兴能与帆软相遇，并且参与了2022年帆软BI数据分析大赛，和小伙伴一起拿到了行业最佳应用奖，更幸运的是在2023新年之前抽到了新年礼包，希望在新的2023年能红红火火！！

Your browser does not support video tags.   一、选手简介 1、选手介绍 团队名称：刮风吃土队 队长介绍：帆软社区用户金针菇，目前就职于建筑装饰行业，个人感兴趣的方向和领域-数据可视化分析。 成员介绍： 帆软社区用户名：工地民工，是一名土木相关行业在校学生，未来想从事与地产建筑业相关的数据分析工作。在了解到此次FineBI大赛后，我便积极入群发布了组队信息，也如愿找到了一位优秀的队友，组成了“刮风吃土队”。   2、参赛初衷 利用帆软社区的资源系统学习数据分析和数据可视化相关知识； 深入了解地产建筑行业的一个子行业，从多角度洞察行业发展现状及未来趋势，与队友讨论后选择建筑装饰行业； 希望通过参加比赛熟悉FineBI基本操作，掌握一门数据可视化的工具； 当然最终目的是希望能得奖，获得一份荣誉和认可。   二、作品介绍 1、业务背景 建筑装饰业是指为使建筑物、构筑物内、外空间达到一定的环境质量要求，使用装饰装修材料，对建筑物、构筑物外表和内部进行修饰处理的工程建筑活动。建筑装饰集产品、技术、艺术、劳务工程于一体，比传统的建筑业更注重艺术效果和环境效果，具有适用性、舒适性、艺术性、多样性、可变性和重复更新性等特点。 后疫情时代，伴随我国经济的快速增长,城镇化进程加快,我国房地产、建筑业持续增长,建筑装饰行业显现出了巨大的发展潜力。目前，建筑装饰行业已经从属于建筑业的小行业,发展为涵盖公共建筑装饰行业，家庭装饰行业，主要为住宅装饰和建筑幕墙行业的成熟产业。建筑装饰行业目前已经成为建筑业中的三大支柱性产业之一，占据了非常重要的位置。 全国的各行各业都受到了疫情大大小小的影响，建筑装饰行业也不例外。本次数据从宏观经济入手，分析建筑行业、装饰行业的发展趋势；以一家建筑装饰公司为例，用近三年的业务数据分析在疫情影响下城市及省份的业务发展情况与RFM价值分析；以南京公开标市场为数据参考，分析公司南京市场的各业态类型项目发展情况；通过南京公开标市场的特殊类型项目分析推断未来发展方向，最后为建筑装饰行业发展提出合理化建议。   2、数据来源 本小组在【2022帆软BI数据分析大赛】中主要用到了两个方面的数据，第一部分是宏观经济、建筑业、建筑装饰行业相关数据，数据来源于国家统计局官网面板数据：国家数据 (stats.gov.cn)和苏州金螳螂建筑装饰股份有限公司2020年财报数据：金螳螂：2020年年度报告 (cfi.cn)，按照“中国-长江三角洲-苏州市”的下钻逻辑进行相关数据的收集；第二部分是苏州市某建筑装饰公司业务数据分析，数据来源于该公司某前辈友情提供的企业基础业务表（已做脱敏处理）及利用python爬取的南京市建筑装饰行业公开标数据，其中包括业务范围、项目类型、投标金额、投标日期等相关数据信息。 以上两部分数据的部分信息如下图所示： 国家统计局官网面板数据 苏州金螳螂建筑装饰股份有限公司2020年财报数据 企业基础业务表 南京市建筑装饰行业公开标数据   3、分析思路 由于本次大赛所选题目需要的数据种类较多，数据量也比较庞大，因此小组成员集思广益，首先对所收集的数据进行了初步整理和分析，分析步骤与结果如下图所示： 一、分析思考过程 如【数据来源】部分所述，本次大赛的数据主要分为两个部分，第一部分是宏观经济、建筑业、建筑装饰行业相关数据，第二部分是苏州市某建筑装饰公司业务数据及南京市建筑装饰行业公开标数据。 我们首先对宏观数据进行了分类，包括全国性指标和地区性指标，其中地区性指标又细分为了长江三角洲地区与苏州市，以COVID-19爆发的2019年为基准时间节点，利用上述宏观数据分析疫情对中国建筑装饰行业的影响。在这一部分主要通过柱状图、条形图、矩形树图等方式体现数据本身的价值。 其次，我们利用该公司基础业务表，从时间和区域的维度宏观把握公司的业务发展概况与业务发展布局，同时，我们学习并参考了FineBI帮助文档中的RFM分析 - FineBI帮助文档 (fanruan.com)，对该公司的业务城市及省份进行了价值分析，并针对不同特征的城市及省份提出了相应的营销策略和发展方向；之后，我们根据企业基础业务表在excel中进行简单的数据透视的操作，结果发现在2019年至2026年间，江苏省的预计投标总额排名第一，而南京市作为江苏省省会城市，其预计投标总额在城市维度也遥遥领先，因此我们决定在对公司整体业务情况进行分析总结后，再利用python爬取的南京市建筑装饰行业公开标数据对该公司的业务情况进行对比分析，以寻找未来发展的机会点。 详细思维导图如下所示： ​ 二、数据可视化落地方案 俗话说：“纸上得来终觉浅，绝知此事要躬行”，小组成员在系统学习FineBI帮助文档中的如何选择正确的图表 - FineBI帮助文档 (fanruan.com)后，实践性地对所选数据进行了初步的数据可视化构想，并形成了以下表格： 数据类别 数据处理方式 目的及用途 组件设计 一、宏观数据 1.1 全国性数据 中国建筑企业建筑装饰产值 数值及增长率 反映建筑装饰行业总体趋势——长期趋势 柱状图+折线图 装饰行业产值 数值 描述层次结构数据的占比关系——装饰、建筑、安装、其他 矩形树图；并且和江苏省数据做下钻分析 房地产指标（施工面积、竣工面积、房屋价值、造价） 数值及增长率 反映房地产行业的趋势 多系列柱状图/对比柱状图 建筑及装潢材料类批发市场成交额 数值及增长率 反映市场规模 柱状图＋折线图 建筑及装潢材料类商品零售类值 与上面数据选一个即可 建材市场数量 数值 反映供应端的情况 分区折线图/柱形图 装饰材料市场数量 1.2 江苏省数据 装饰行业产值 数值 描述层次结构数据的占比关系 矩形树图 国有及国有控股建筑业企业建筑业总产值 用建筑业总产值反推出【非国有】总产值 与第二部分的民营vs国有的对比做铺垫 多系列百分比堆积条形图 苏州金螳螂建筑装饰股份有限公司2020年年度报告 主要会计数据和财务指标 只需要【营业收入】的数据 反映企业18-20年的收入情况 KPI指标卡 2020年分季度主要财务指标 只需要【营业收入】的数据 做2020年的下钻分析（如果需要18-19的季度数据也可以再添加） 分区折线图 营业收入构成 数值与占比 反映企业分行业、分地区、分产品的占比情况——企业性质 聚合气泡图 营业成本构成 只有建筑装饰业的数值 与上面的值相减计算出建筑装饰行业得利润 瀑布图 主要销售客户和主要供货商情况 占比 反映占比 KPI指标卡 二、某公司具体业务数据及南京市公开标数据 19年-22年4月整体产值 ——已中标项目 各地区占总体（中标+未中标）占比；各地区各项目类型的预计投标额 展示整体情况；反映地区、业主性质、项目类型及投标额的相关关系 地图；多维度散点图 19-22年产值top五地区 同比、疫情前中后 已有信息+未来趋势 折线图 南京市分析 各个类型的占比 分析热点地区有哪些、原因、从下面三个维度着手 堆叠柱状图 投标方式（公开标、议标） 柱状图/饼图 业主性质（民营、国企） 柱状图/饼图 特殊类型（EPC、城市更新） 文字描述 业务类型（公共空间、办公、酒店等） 单个类型占总业务类型比例；可以和其他指标结合起来，比如和地区结合，可反映各地区的需求情况 看大致类别，判断哪些是发展大头 旭日图/堆叠柱状图/散点图 业务类型-细分 细分的类型占单个类型的比例；可以和总的项目类型做下钻分析 看行业细化，每个类别中的热门；反映每个细分类别在总类别的比例 /堆叠柱状图旭日图；矩形树图 虽然后续在FineBI中实际操作时会因为灵感的迸发或者“误触”一些按钮，使得最终的仪表板呈现没有完全遵循上表内容，但这样的头脑风暴和方案落地对于小组后续在软件中的实操有极高的参考价值。   4、数据处理 一、Excel预处理 首先按照思维导图中的框架对数据进行分类整理并重命名。 对于国家统计局官网的面板数据和和苏州金螳螂建筑装饰股份有限公司2020年财报数据，由于导入FineBI中的表格不能出现标题、首行不能有合并单元格的操作，而上述表格的原始文件有相应的数据库名称、数据来源等字段，且原始表格为二维表格式，不便于导入FineBI中进行数据分析，因此首先对这部分数据进行① 数据清洗；② 转换为一维表的两步操作，以“全国-最近6个季度-装饰装修产值累计值”文件为例，进行如下图所示操作： 1、删除无关标题及不需要的指标 2、利用Excel内置的查询编辑器将二维表转换为一维表 对于某建筑装饰公司业务数据和南京市建筑装饰行业公开标数据，上述两者已经是较清晰的一维表格式，可直接导入FineBI中使用。 二、数据导入 三、创建自助数据集 由于本小组作品涉及的数据类型较多、数据量也比较庞大，现仅对“全国性数据”和“RFM分析-城市层级”自助数据集进行说明。 全国性数据 选择“房地产指标-全国”表格，点击“创建自助数据集”，勾选全部字段：界面如下图所示： 添加“左右合并”的操作，选择“装饰材料市场数量-全国”表格，以“年份”为合并依据进行左合并，如下图所示： 同理，再次添加“左右合并”的操作，选择“建材与建筑装潢类批发市场成交额-全国”表格，以“年份”为合并依据再次进行左合并，最终结果如下图所示： RFM分析-城市层级 首先选择“业务基础表”，点击“创建自助数据集”，并勾选“市”、“预计投标价”、“预计投标日期”字段。 以“市”为分类字段，分类汇总“预计投标价”、“预计投标日期”、“市（记录个数）”。 进行相应的字段格式设置。 以“最晚一次投标距今天月份数”新增列为例，点击“时间差”，用预计投标日期减去当前时间，并以月为单位，反应投标单位对公司的未来业务情况。 新增列，将“最晚一次投标距今月份数”进行“平均”的汇总处理以反映公司业务在城市维度上最晚一次投标距今月份数的平均情况。 新增列，如果某城市的“最晚一次投标距今月份数”大于“平均最晚一次投标距今月份数”，则说明该城市的未来业务较有发展前景，赋值为“1”，反之为“0”。 使用 CONCATENATE() 函数将 RFM 向量化值拼接起来，以反映城市维度下三个向量化指标的情况。 根据向量化组合至判定城市类型，并进行分组处理，至此RFM分析的数据准备结束。   5、可视化报告 一、总体排版布局及组件样式设置： 小组成员在讨论商量后决定采用深色主题作为本次比赛的仪表板基本色调，在经历“个人调整——互评互改——会议商量”的流程后最终决定。 总体排版布局 采取符合人眼阅读习惯的“之”字形结构，首先将报告的研究范围及结论摘要放在了标题之下，使得评委老师和其他用户能快速抓住本仪表板报告的主要框架和内容；采用总分的结构，依次对第一部分、第二部分进行了布局，并利用分割条对各部分和各模块进行了分割，以实现结构清晰、内容明了的阅读体验。 组件排版布局 各部分内部的组件基本以“横向”为业务模块，并将图表组件放置在左侧，将文字说明组件放置在右侧，以起到引领读者一起思考后得出结论的作用。 组件格式设置 小组成员对组件的字体、字号、色系、边框、缩进等格式都进行了详细的讨论，结果如下： 图表组件：字体采用“优设标题黑”；标题字号为18号，坐标轴字号为14号，标签字号为14号，若出现不协调情况时可适当修改；色系采用深色背景下的系统配色，如“未来”、“夜光”等；数据型组件采用数据大屏样式边框，说明型组件采用科幻大屏样式边框。 文字组件：一级标题采用庞门正道标题体22号字体，其说明文字采用庞门正道标题体16号字体；二级标题采用庞门正道标题体20号字体，其说明文字采用庞门正道标题体16号字体；说明性文字采用默认字体，说明性标题采用16字号，其余文字采用14字号，缩进值为4个空格。 二、组件含义及结论： 本部分按照组件或组件模块为单位，从数据含义、关键指标、结论总结等方面进行描述撰写。 第一部分：宏观背景分析 按照【中国-长江三角洲-苏州市】的下钻逻辑对疫情影响下中国建筑装饰行业进行宏观分析。 中国建筑企业建筑装饰年度产值/亿元 本组件以年份为维度，以中国建筑企业建筑装饰年度产值为指标，采用柱状图+折线图的组合图形式，并增加增速0.00%的警戒线，可以反映不同年份建筑装饰行业的发展，可以看出年度产值以COVID-19爆发的2019年为分界线，在疫情前保持上升趋势；受疫情影响，年度产值呈现下降趋势，但随着国民经济复苏，年度产值恢复至上升趋势，说明中国建筑装饰业在后疫情时代的发展稳中有升。 全国建材市场与装饰材料市场数量 本组件采用多维度柱状图+折线图的组合图方式，通过对比和趋势反映市场概况。市场数量可以反映市场所在行业的规模，而全国建材市场与装饰材料市场的数量随着时间推移一直呈现下降趋势，仿佛没有收到疫情影响，但其实不然，虽然市场在紧缩，但与建筑装饰年度产值对照来看，可以发现建筑装饰市场呈现集中趋势，即数量少而体量大，这便正是受到了疫情的影响，小型企业相继倒闭，大型企业顺势并购的表现。 全国房地产开发企业房屋面积 本组件采用多系列条形图形式，以年份为纵轴、面积为横轴，通过施工面积和竣工面积的数值体现及数值对比，可以看出从2017年至2021年，全国房地产开发企业施工房屋面积逐年上升，呈现欣欣向荣的趋势，而房地产企业竣工房屋面积受2019年疫情爆发的影响出现了短暂的下降，但已恢复至上升趋势。由此可以得出结论：房地产作为GDP重要支柱，其外在的量化指标受疫情影响较小，但是深入分析可知，受疫情影响，经济下行，房地产施工如火如荼地进行而竣工面积增速较缓，随之而来的便是房地产存量越来越多，使得供需失去平衡，这样对作为建筑业下游的建筑装饰行业也有较大影响。 全国装饰装修产值及结构 本组件以最近六个季度为指标对建筑工程产值、安装工程产值及其他产值进行分类，并用矩形树图的可视化形式展示，可以看出，在后疫情时代，全国装饰装修产值与其他产值一同保持稳步上涨，总体呈现向好趋势。 长江三角洲建筑业分季度总产值-下钻分析 本组件利用分省季度数据，以长江三角洲的三个省市为维度，以2021年四个季度的建筑业产值为例进行下钻分析，并形成柱形图，可以看出在后疫情时代的2021年，江苏省累计总产值位居长江三角洲地区第一，并且从第一季度至第四季度呈现稳步上升趋势；从建筑业产业结构分析，建筑工程产值作为建筑业的主要支撑始终占据榜首，而装饰装修产值也稳步发展，地区建筑业发展趋势一片向好。 苏州金螳螂建筑装饰股份有限公司财报数据 本组件数据来源于苏州金螳螂建筑装饰股份有限公司2020年财报数据，该公司作为中国建筑装饰百强企业第一名，其年度财报数据可以反映全国及地区建筑装饰业发展情况，该组件采用Tab组件，将KPI指标卡、柱形图+折线图的组合图、饼图、矩形树图、分区柱形图等形式进行组合，不仅可以集中反映对该公司的年报数据概况，也能从多维度、多方面、多形式对其进行数据分析。可以看出，该公司2018年至2020年营业收入总体呈现上升趋势，在疫情影响下，2020年增速放缓；作为业界知名企业，苏州金螳螂建筑装饰股份有限公司省内、省外业务并重，主营建筑装饰业，涉足装饰、幕墙、设计等多领域，供销关系也呈现良性发展。作为龙头企业，其建筑装饰业务蓬勃发展。 第二部分：公司业务分析 根据公司【基础业务表】及地区建筑装饰公共交易平台【公开标数据】进行公司业务分析 RFM分析-城市维度 该模块利用RFM分析模型对公司业务基础表进行城市维度的分析，包括城市价值分类的条形图、城市价值类型的占比以及RFM明细表。RFM模型可以衡量城市的价值和创利能力，并针对不同的城市类型进行相应的营销策略分析，其中R代表最晚一次预计投标日期，其向量化后可反映城市距今最晚的一次预计投标日期的间隔水平，考察城市或省份预计投标的长期性；F代表最近一段时间内预计投标次数，其向量化后可反映城市在限定的期间内预计投标的次数水平，考察城市或省份的忠诚度；M代表最近一段时间内预计投标价，其向量化后可反映城市的预计投标能力，通常以城市或省份单次的平均预计投标价作为衡量指标。 从城市维度来看，数量排名前三的城市类型依次为：一般挽留城市、一般发展城市和重要挽留城市，可以说明公司业务的集中性和规模性有限，但仍有发展潜力。对于一般挽留城市，应适时适当地面对该城市的投标商提供优惠和便捷的投标环境，以增强其投标意愿；对于一般发展城市，应利用推广、营销等手段将产品或服务信息传达至该城市的投标商，在增加其客户黏性的同时增加其预计投标金额；对于重要挽留城市，应采取更优惠的价格，并提供更优质的产品及服务，以免其流失。 小组在“城市及地区RFM明细表”中增加了时间筛选列表，并与上图中三个组件进行了链接处理，即可以通过年份下拉按钮选择需要查看的年份的RFM分析情况，以反映不同年份的城市业务布局与城市价值，有针对性地指定销售推广等手段。 RFM分析-省份维度 省份维度的RFM分析思路和步骤与城市维度的相似，小组用地图组件表示出公司在全国的业态布局及相应省份的价值分类，在此基础上以投标次数为横轴，以合计预计投标价为纵轴创建散点图组件，同时赋予“散点大小-预计投标日期远近”的正向关系，分析各地区投标商投标能力与投标流失情况，其中：江苏省投标次数遥遥领先，但总计预计投标价却位于中下水平，应通过精准营销等手段刺激当地供应商投标大型建筑装饰工程；四川省、浙江省、广东省的投标次数排名靠前，且总计预计投标价位于中等水平，应重点关注上述省份；海南省投标次数较少，总计预计投标价也偏低，但最晚一次预投标距今时间较长，说明该省份的客户在未来与公司有长期合作意向，也应给予重点关注。 南京市场容量 各市场类型的堆叠柱状图直观展示了总包占据南京房建类公开标市场的大部分容量，逐渐成为市场大趋势，装饰单独招标市场可能会被进一步压缩。18年-20年南京房建类公开标市场持续增长，并于2019年突破千亿市场的新局面，尤其总承包项目增长明显，总包项目接近94%的市场份额；而装饰单独招标的公开项目较少，平均每年40亿左右，甚至出现负增长现象；21年统计时间为1-9月的公开标市场量，虽然只有前三季度数据，但也已超过2018年的市场容量。 南京建筑市场容量、装饰市场容量-季度对比 本组件以展示季度数据为主，将多系列折线图和散点图结合，直观地展示了南京公开标市场每个季度的项目总量、装饰类每个季度的项目量分布。每年第一季度、第四季度都是市场的活跃期，2021年第一季度达到南京近四年来建筑市场的最高点，但也出现了昙花一现的现象，3月后的市场容量急剧下降，第三季度达到四年来的最低潮。 装饰业态类型-年度对比 通过南京市装饰业态类型分布图可以看出，18年-20年南京公开市场住宅、教育及医疗养老等民生版块增速显著，政府加大了对民生的关注与投入。     结合21年前三季度的数据来看，受疫情和整体经济下滑双重影响，公开市场中办公、酒店、剧院场馆项目逐渐减少。 某公司南京市各类型项目分析   以词云的形式，根据累计业务量的金额大小进行分布，展现业务承接近三年公司在南京市场的以办公空间、商品住宅、五星、非五星酒店为主进行项目。从饼图可以看出各项项目类型的占比，19年-21年间，办公类项目呈上升趋势，住宅类项目占比持续下降。21年地产市场从下半年开始，中国对房地产市场调控不断收紧，“三道红线”资产负债要求相关机制陆续出台，从资金到土地供给展开了全面调控。公司也跟随“三道红线”政策，加强内部项目承接审核管理力度，减少资金链不良客户的建筑装饰项目承接。 特殊项目类型-容量对比     本组件展示了EPC项目与所在市场容量的对比，2018-2021年9月， 南京市场5千万以上房建类总承包公开标中标合计：3400 亿，923个，其中：EPC 项目：1474 亿(327个)。     南京总承包公开市场， EPC 项目市场份额在2020年同比大幅增长，占比达40%，21年公司承接EPC 项目环比增长350%，工程总承包逐渐成为市场大趋势。     展望2022年，随着疫情逐渐得到控制，宏观政策更加灵活精准，中国经济将继续复苏，复苏动能也将逐步由外需拉动向更多内需驱动转换。 短期来看，消费复苏的节奏依然会受到疫情防控政策的影响；中长期来看，中国城镇化率的进 一步提高、共同富裕政策的推进、以及养老医保等社会福利的普及，将对我国消费增长提供支撑，使其成为未来中国经济增长的主要动力。 公司容量-发展趋势 通过公司目前已有数据预测，22、23年的业务出现萎缩，咨询营销人员得到业务萎缩的主要原因： 1、22年国内疫情明显反弹，对传统行业冲击巨大，一方面多地政府精力主要集中在疫情防控上，基建项目审批、立项、招标流程放缓；另一方面在物流受阻，各类建材、设备进场时间延后，施工人员减少，施工节奏整体放慢。 2、地产正处于下行趋势，“房住不炒”的基调没有改变，国际形势紧张，国家层面“稳”发展，疫情对于财政收入有一定的消极影响，  万科郁亮预判到2022年房地产进入“黑铁时代”，从恒大暴雷到南通南通六建破产，一定程度上也折射出行业现状，这种步履蹒跚的现像可能会越来越多。 3、项目虽多但很多资金不能到位，对于某些资金链不好的客户，公司已列入黑名单，营销人员可以承接的客户日益减少，僧多粥少，竞争更剧烈。 4、市场项目类型大幅倾斜于高单价项目，传统的大型项目竞争力度较以往更大，承接的考虑因素受到劳动人力资源的减少、原物料涨价、甲方的财务支付能力等影响。 6、结论建议 1、面对疫情影响，公司需要在管理上做出优化，以去年的管理思路来应对目前的情况是不行的，要把控好人员成本与现金流，在这场持久战中“活下来”。 2、发挥企业的专业化优势，打造“品牌效应”，秉承以质量求生存的理念，抓住优质客户，带来持续的业务。 3、顺应国家政策，推行建筑市场服务一体化（EPC）建设、城市更新发展趋势，把握机会，做好装配式施工的准备。 4、建筑业需要融入互联网思维方式来进行，未来的建筑不再是所谓的水泥、钢筋、砖等的组合，应该是“活”的、可以持续的，推广BIM技术的发展，利用科技进行材料选择与算量，实现利益最大化。 （3）最终结果呈现的页面布局   三、参赛总结 1、FineBI工具 通过参加此次帆软BI数据分析大赛，我们小组收获颇丰。其实我们小组的其中一位成员在之前已经接触过帆软公司的FineReport软件，但与FineReport相比，FineBI操作更加友好便捷，不仅开发了在线编辑自主数据集的功能，更是提供了大量的内置素材供用户使用，可以最大程度地满足用户的可视化需求，真正做到为数据可视化赋能。其次，我们真正看到了帆软作为专注商业智能和数据分析领域的平台为用户构建的产品体系，小组成员由衷欣赏帆软公司的生态建设，从FineReport到FineBI，再到简道云等产品， 从FineBI基础培训社群到2022帆软BI数据分析大赛交流群，再到帆软社区浩如烟海的学习资料，为数据分析爱好者和从业者提供了一个不二之选。我们还特别喜欢FineBI小助手这个“万能通”，在我们遇到困难时，只需要输入问题便可以得到清晰明确的解答，我相信这也是FineBI广受数据分析新手喜爱的原因之一。 再谈到数据分析的价值，我们认为在数据量越来越大，越来越多元的时代，数据内容的噪声使人们在数据世界中倍感枯燥繁琐，理解成本较高，而数据分析即从海量数据中提取出有用知识，而数据可视化则将数据用图表化的形式转化成使人快速理解的知识，可以说，数据可视化是数据挖掘和数据分析及数据预测的基础，这也是未来我们能和FineBI一起做的事情。   2、参赛总结 很幸运在微信群中认识了和土木工程是“隔壁专业”的队友，两个人一拍即合成为一组共同参加比赛。从决定参赛到作品提交一共历时20天整，在准备比赛的时间里我们小组收获颇丰： 在软件使用上，实现了7天学会FineBI。在比赛前期，FineBI基础培训打卡营给我们很大帮助，通过视频的培训方式对一个板块进行分布讲解，“短而精”的视频展现方式让我们很容易就上手。 相比传统手工的Excel表操作，FineBI最大的有点就是便捷性，对于各类数据的汇总、筛选以及自助数据集的同类别合并功能，提升了近50%的工作效率。 在作品的创作过程中，从选题-确定方向-数据收集-数据处理-FineBI图表制作-界面优化，两个人经历了多次推敲，也对建筑装饰行业有了更深层次的理解。 在可视化界面中，我们做到了用图表展示问题，用图表更直观地暴露问题背后的原因，帮助公司更直观的判断各地市场业务的发展情况健康与否，从而创造更大的价值。 仪表板公共链接：https://bisolutions.fanruan.com/webroot/decision/link/02WL