| 【授課方式】 | 面授+線上 |
| 【咨詢電話】 | 020-34071250；020-34071978（歡迎來電咨詢） |
| 【在線 QQ 】 | 568499978 |
| 【聯 系 人】 | 龐先生，鄧小姐；13378458028、18924110388（均可加微信） |
 課綱下載  |
|
培訓服務一覽表 |
|
|
培訓地點 |
廣州 |
|
培訓時間 |
7月22-26 |
|
培訓方式 |
· 現場面授 · 直播授課 · 錄播回放 |
|
專家授課 |
· 5天集中培訓學習：每天6課時，實戰專家授課 · 理論梳理 · 案例分享 · 實戰演練 |
|
紙質資料 |
《精益業務數據分析》CDA一級認證教材 本課程講義 |
|
考試系統 |
針對CDA L1考試我們有600多道模擬題覆蓋知識點達90%以上 |
|
學習平臺 |
PC端/ 移動端APP：IT云課 |
|
社群服務 |
· 學員在線交流 · 專家在線答疑 · 班主任教學管理 |
|
此課程可根據具體需求定制企業內訓解決方案 |
|
「CDA 數據分析師人才行業標準」是面向全行業數據分析及大數據相關崗位的一套科
學化、專業化、正規化、系統化的人才技能準則。CDA數據分析師認證考試是評判「標準化人才」的唯一考核路徑。CDA考試大綱規定并明確了數據分析師認證考試的具體范圍、內容和知識點，考生可按照大綱要求進行相關知識的學習，獲取技能，成為專業人 才。
針對不同知識，掌握程度的要求分為【領會】、【熟知】、【應用】三個級別，考生應按照不同知識要求進行學習。
1. 領會：考生能夠領會了解規定的知識點，并能夠了解規定知識點的內涵與外延，了解其內容要點和它們之間的區別與聯系，并能做出正確的闡述、解釋和說明。
2. 熟知：考生須掌握知識的要點，并能夠正確理解和記憶相關理論方法，能夠根據不同要求，做出邏輯嚴密的解釋、說明和闡述。此部分為考試的重點部分。
3. 應用：考生須學會將知識點落地實踐，并能夠結合相關工具進行商業應用，能夠根據具體要求，給出問題的具體實施流程和策略。
PART 1 數據分析概念與統計學基礎 （占比 30%）
a. 數據分析概念、方法論、流程（占比 5%）
b. 描述性統計分析（占比 12%）
c. 推斷性統計分析（占比 8%）
d. 方差分析（占比 2%）
e. 一元線性回歸分析（占比 3%）
Ø PART 2 SQL 數據庫基礎 （占比 15%）
a. SQL 及關系型數據庫基本概念（占比 1%）
b. SQL 數據類型、運算符、函數（占比 3%）
c. SQL 查詢語句（占比 5%）
d. SQL 連接語句（占比 5%）
e. SQL 其它語句（占比 1%）
Ø PART 3 數據采集與處理 （占比 15%）
a. 數據采集方法（占比 5%）
b. 市場調研（占比 2%）
c. 數據預處理方法（占比 8%）
Ø PART 4 數據建模分析 （占比 40%）
a. 主成分分析法（占比 4%）、因子分析法（占比 2%）
b. 系統聚類法（占比 2%）、K-Means 聚類法（占比 3%）
c. 對應分析（占比 2%）、多維尺度分析（占比 2%）
d. 多元回歸分析法
多元線性回歸（占比 10%）
邏輯回歸（占比 10%）
e. 時間序列（占比 5%）.
考試方式：VUE線上考試，隨約隨考；
考試題型：考試題型：客觀題（單選80道+多選60道）滿分100分，60分及格；
考試時間：120 分鐘；
考試成績：分為 A、B、C、D 四個層次，A、B、C 為通過考試，D 為不通過。
注：考試未通過者可進行一次補考，補考費用為六折優惠。每個等級科目補考各限一次。
|
章節 |
模塊 |
培訓內容 |
|
PART 1 數據分析概念與統計學基礎 |
1、數據分析概述 |
【領會】 數據分析和數據挖掘的概念 強調商業數據分析中對業務的理解 商業數據分析和預測的本質 數據分析的8個層次 大數據對傳統小數據分析的拓展 【熟知】 明確數據分析目標及意義 數據分析的過程 數據分析與數據挖掘的常用方法 CRISP-DM、SEMMA 方法論 數據分析中不同人員的角色與職責 |
|
2、描述性統計分析 |
【領會】 數據的計量尺度 數據的集中趨勢、離中趨勢和數據分布的概念 統計圖的概念 各種統計圖的含義和畫法 【熟知】 衡量數據集中趨勢、離中趨勢和數據分布的常用指標及計算方法統計圖形的繪制、圖形元素的調整、可視化效果，主要涉及條形圖、線圖、直方圖、盒須圖、散點圖、氣泡圖、馬賽克圖、玫瑰圖及其多種圖形整合。明確統計圖形對統計指標表達上的對應關系 【應用】 根據不同數據類型選用不同的統計指標來進行數據的集中趨勢、離中趨勢和數據分布的衡量，不同統計圖的使用場景。會寫數據分析報告和結合業務需求對報告進行合理解釋，對業務ᨀ出建設性意見建議。 |
|
|
3、抽樣估計 |
【領會】 隨機試驗、隨機事件、隨機變量的概念 總體與樣本的概念 抽樣估計的理論基礎 正態分布及三大分布的函數形式和圖像形式 抽樣的多種組織形式 確定必要樣本容量的原因 【熟知】 隨機事件的概率 抽樣平均誤差的概念與數學性質 點估計與區間估計方法的特點與優缺點 全體總體與樣本總體 參數和統計量 重復抽樣與不重復抽樣 抽樣誤差的概念對總體平均數和總體成數的區間估計方法 必要樣本容量的影響因素 中心極限定理的意義與應用 【應用】 隨機變量及其概率分布 全部可能的樣本單位數目的概念及其在不同抽樣方法下的確定 抽樣平均誤差在實際數據分析中的計算方法 |
|
|
4、假設檢驗 |
【領會】 假設檢驗的基本概念 其基本思想在數據分析中的作用 假設檢驗的基本步驟 假設檢驗與區間估計的聯系 假設檢驗中的兩類錯誤 【熟知】 P值的含義及計算 如何利用P值進行檢驗 z檢驗統計量 t檢驗統計量 F檢驗統計量 c2檢驗統計量的函數形式和檢驗步驟 【應用】 實現單樣本t檢驗 兩獨立樣本t檢驗的步驟和檢驗中使用的統計量與原假設 兩種檢驗應用的數據分析場景。 |
|
|
5、方差分析 |
【領會】 方差分析的相關概念 單因素方差分析的原理 統計量構造過程 【熟知】 單因素方差分析的基本步驟 總離差平方和（SST）的含義及計算 組間離差平方和（SSA）的含義及計算 組內離差平方和（SSE）的含義及計算 單因素方差分析的原假設 【應用】 實現單因素方差分析的步驟 對方差分析表的分析以及多重比較表的分析 |
|
|
6、簡單線性回歸分析 |
【領會】 相關圖的繪制與作用 相關表的編制與作用 相關系數定義公式的字母含義 估計標準誤差與相關系數的關系 【熟知】 相關關系的概念與特點 相關關系與函數關系的區別與聯系 相關關系的種類 相關系數的意義以及利用相關系數的具體數值對現象相關等級的劃分 回歸分析的概念 回歸分析的主要內容和特點 建立一元線性回歸方程的條件 應用回歸分析應注意的問題 估計標準誤差的意義及計算 【應用】 運用簡捷法公式計算相關系數 相關分析分析中應注意的問題 回歸分析與相關分析的區別與聯系 |
|
|
PART 2 SQL數據庫基礎 |
1、SQL 基礎概念 |
【領會】 關系型數據庫基本概念、屬性 主鍵 外鍵 E-R 圖 ANSI-SQL 以及不同的數據庫實現的關系 【熟知】 邏輯運算符 比較運算符 算術運算符 通配符 |
|
2、SQL 查詢語句 |
【應用】 select 語句 包括查詢單列 多列，去重，前 N 列 from 語句、where 語句、group by 語句、having 語句、order by 語句、子查詢 SQL 聚合函數，包括 count、sum、avg、max、min 等 |
|
|
3、SQL 連接語句 |
【領會】 表的連接類型，包括內連接（等值、不等值）、外連接（左、右、全）、交叉連接（笛卡 爾連接） 查詢的集合操作，只包括并集操作 【應用】 inner join 的用法 left/right/full join 的用法 cross join 的用法 union 的用法 |
|
|
4、其它 SQL 語句 |
【領會】 表的創建 視圖及索引的概念及創建 數據插入、更新、刪除 【領會】 高級函數，如 Oracle 或 Hive 中的 row number over partition by、正則匹配等 |
|
|
PART 3 數據采集與處理 |
1、數據采集方法 |
【領會】 一手數據與二手數據來源渠道 優劣勢分析 使用注意事項 【熟知】 一手數據采集中的概率抽樣與非概率抽樣的區別與優缺點 【運用】 概率抽樣方法，包括簡單隨機抽樣、分層抽樣、系統抽樣、分段抽樣 明確每種抽樣的優缺點 根據給定條件選擇最可行的抽樣方式 計算簡單隨機抽樣所需的樣本量 Ø 市場調研 【熟知】 市場調研的基本步驟（ᨀ出問題、調查收集材料、分析預測問題） 單選題及多項選擇題的設置 數據編碼及錄入 Ø 數據預處理方法 【熟知】 數據預處理的基本步驟，包括數據集成（不同數據源的整合）、數據探索、數據變換（標 準化）、數據歸約（維度歸約技術、數值歸約技術），這部分內容不需要涉及計算，只需要根 據需求明確可選的處理技術即可。 【應用】 數據清洗，包括填補遺漏的數據值（根據業務場景使用常數、中位數、眾數等方法，不 涉及多重查補的方法）、平滑有噪聲數據（移動平均）、識別或除去異常值（單變量根據中心 標準化值，多變量使用快速聚類），以及解決不一致問題（熟知概念即可），查重（只考核 SQL 的語句，不涉及 R、SAS 等其它語言）。 |
|
PART 4 數據建模分析 總體要求 領會模型基本原理，數值模型操作流程，懂得模型應用場景，能夠完成數據建模分析報告。 |
1、描述性數據分析/挖掘方法——主成分分析 |
【領會】 主成分分析的計算步驟 主成分分析中對變量自身分布和多變量之間關系的假設以及模型設置 【熟知】 適用于主成分分析的變量度量類型。通過分析結果，選取合適的保留主成分的個數，注意區分兩種不同的分析目的（盡量壓縮變量、避免共線性情況下保留更多信息）保留主成分 個數的評判標準的差異。 【應用】 在深入理解主成分的意義的基礎之上，在遇到業務問題時，有能力決定是否使用主成分分析方法；有能力決定何時采用相關系數計算方法和協方差矩陣計算方法；有能力解釋主成分得分的結果；根據變量分布情況進行函數轉換。 |
|
2、描述性數據分析/挖掘方法——因子分析 |
【領會】 了解因子分析模型設置，只需要關注主成分法的計算步驟 【熟知】 適用于因子分析的變量度量類型。通過分析結果，選取合適的因子個數； 知道最常用的因子旋轉的方法。 【應用】 在遇到業務問題時，有能力決定是否使用因子分析，還是使用主成分分析方法就可以了；有能力根據原始變量在各因子上的權重明確每個因子的意義；有能力對大量變量進行維度分析，分維度打分，并比較與專家打分（德爾菲法）的區別；在聚類前對數據進行描述，發現理想的聚類方式和數量。 |
|
|
3、描述性數據分析/挖掘方法——聚類分析 |
【領會】 多種聚類算法的特點 【熟知】 聚類方法的基本邏輯 系統聚類和 K-Means 聚類的基本算法和優缺點 系統聚類的計算步驟，包括兩點距離、兩類合并的計算方法 系統聚類法中選擇最優聚類數量的方法 K-Means 聚類的基本算法 聚類分析變量標準化的原因和計算方法 變量需要進行主成分分析的原因 變量進行函數轉化的原因和計算方法 【應用】 結合客戶畫像、客戶細分、商品聚類、離群值檢驗（欺詐、反洗錢）等業務運用場景，選取合適的聚類方法與步驟 聚類事后分析，根據聚類后變量分布情況獲取每類的特征 |
|
|
4、描述性數據分析/挖掘方法——對應分析 |
【領會】 對應分析的算法 【熟知】 適用于對應分析的變量度量類型 對應分析與列聯表分析、主成分分析的關系 這種方法優缺點及如何與其它模型結合使用 【應用】 對應分析使用的指標如何量化及其常見的量化方式 在客戶滿意度分析、市場績效及產品細分等場景下的運用 雙標圖的可視化、解釋與意義擴展 |
|
|
5、描述性數據分析/挖掘方法——多維尺度分析 |
【領會】 多維尺度分析的算法。 【熟知】 適用于多維尺度分析的變量度量類型 該分析方法和主成分分析、因子分析、對應分析的異同點，尤其是和因子分析的區別 【應用】 多維尺度分析在客戶產品感知圖等方面的運用 |
|
|
6、預測性數據分析方法——線性回歸與模型診斷及優化 |
【領會】 線性回歸系數的計算公式 【熟知】 明確線性回歸的 6 個經典假設（線性模型、不存在共線性、殘差期望為 0、同方差、正態性、隨機抽樣 明確違反前 5 個假設后出現的問題 模型是否違反前 5 個經典假設的檢驗方法與模型糾正的方法 變量篩選方法 離群值、指標計算方法 明晰橫截面和時間序列數據在回歸建模上的差異 【應用】 結合業務構建回歸模型并且解釋回歸系數 根據業務場景與變量分布情況進行函數轉換 解釋變量為分類變量時的處理方法 區分預測性建模與解釋性建模的關系 使用結果進行新樣本預測 進行客戶價值分析的基本步驟與注意事項 |
|
|
7、預測性數據分析方法——構造對二分類變量的預測模型 |
【領會】 卡方檢驗計算公式 二分類邏輯回歸的計算公式 【熟知】 分類變量是否存在相關關系的描述方法和檢驗方法，涉及列聯表分析、卡方檢驗 似然比與 Logit 轉換 二分類邏輯回歸模型構建與變量篩選 模型評估的方法，涉及混淆矩陣、ROC 曲線 【應用】 結合業務構建回歸模型并且解釋回歸系數 根據業務場景與變量分布情況進行函數轉換 使用結果進行新樣本預測 進行客戶流失預測、信用評級、精準營銷等模型的基本步驟與注意事項 |
|
|
8、時間序列 |
【領會】 明確趨勢分解法、ARIMA 方法、時間序列回歸方法的差異和適用場景 明確每種方法的計算方法 【熟知】 趨勢分解法，涉及乘法模型、加法模型 ARIMA 方法的具體步驟；時間序列回歸的方法 【應用】 結合業務（業績預測、預警），選取合適的分析方法 進行業務時間序列預測等模型的基本步驟與注意事項 |
|
|
推薦學習書目 |
說明：推薦學習書目中，部分書籍結合軟件，但考試不會考軟件，考生可根據自身需求 選擇性學習。參考書目不需全部學完，根據考綱知識點進行針對性學習即可。 |
[1] 賈俊平，何曉群，金勇進. 統計學（第 7 版）[M]. 中國人民大學出版社，2018.（必讀） [2] 斯蒂芬森，晉勞，瓊斯. SQL 入門經典（第 5 版）[M]. 人民郵電出版社，2011.（必讀） [3] 黃縉華.MySQL 入門很簡單[M].清華大學出版社，2011.（選讀） [4] 何曉群. 多元統計分析（第 4 版）[M]. 中國人民大學出版社, 2015. （必讀） [5] 盛驟，試式千，潘承毅. 概率論與數理統計（第 4 版）, 高等教育出版社,2008.（選讀） [6] 王斌會 . 多元統計分析及 R 語言建模（第 4 版）[M]. 暨南大學出版社, 2016. （選讀） [7] 李靜萍. 多元統計分析：原理與基于 SPSS 的應用（第二版） , 中國人民大學出版社, 2015. （選讀） [8] Wes McKinney. 利用 Python 進行數據分析[M]. 機械工業出版社，2014. （選讀） [9] 王燕. 應用時間序列分析（第四版）,中國人民大學出版社, 2015. （ 9 和 10 二選一） [10] 王燕. 時間序列分析：基于 R, 中國人民大學出版社, 2015. （ 9 和 10 二選一） [11] Daniel T. Larose，Chantal D. Larose. 數據挖掘與預測分析（第 2 版）[M]. 清華大學出 版社，2017. （選讀） [12] 經管之家，曹正鳳. 從零進階!數據分析的統計基礎[M]. 電子工業出版社，2016. （選讀） [13] 經管之家，常國珍. 胸有成竹!數據分析的 SPSS 和 SAS EG 進階[M]. 電子工業出版社， 2016. （選讀） [14] 經管之家，徐筱剛. 如虎添翼：數據處理的 SPSS 和 SAS EG 實現[M]. 電子工業出版社， 2016. （選讀） |
|
總結交流與答疑 |
||
劉老師 十幾年年軟件研發經驗，十年企業培訓經驗，對Java、Python、區塊鏈等技術領域有獨特的研究，精通J2EE企業級開發技術，Java方向：設計模式、Spring MVC、MyBatis、Spring、StringBoot、WebService、CXF并且對Java源碼有深入研究，Python方向：Python核心編程、Python數據分析、Python OOP、Mongodb、Django、Scrapy爬蟲技術、基于Scikit-Learn機器學習框，Tensorflow深度學習框架、人臉識別技術。
常老師 北京大學會計學博士，ThoughtWorks中國首席金融數據科學家。具有18年數據規劃、數據治理、智能算法在金融和電信行業的落地經驗。協助企業逐步積累數據資產，運用數據智能工具優化業務流程，取得數字化競爭優勢。代表客戶有人民銀行、國家開發銀行、中國建設銀行、中國移動、中國銀行、中國民生銀行。 在加入ThoughtWorks之前，曾在畢馬威大數據部任總監、在中銀消費金融數據部任高級經理、在百度大數據任數據產品經理。兼任北京語言大學金融碩校外導師，同時擔任的社會角色和榮譽有中國大數據產業生態聯盟專家委員會委員，CDA數據分析研究院名譽院長，騰訊云最有價值專家（TVP），建設銀行反洗錢和數據資產管理資深外部專家。著有《金融數據科學手冊》系列叢書、《Python數據科學：技術詳解與商業實踐》、《用商業案例學R語言數據挖掘》、《胸有成竹：數據分析的SASEG進階》等多本著作。
王老師 現任某上市公司軟件產品部副總兼大數據產品線總經理，國際信息和數據質量協會（IAIDQ）會員，ITSS數據治理標準工作組成員。曾獲得數據管理專業認證（CDMP）、數據治理專業認證（DGP）、信息質量專業認證（IQCP）三項國際認證。2010年加入普元，全面主持普元大數據產品的研發、拓展及團隊管理工作。十年大型企業信息化架構設計與建設經驗，曾任中國人民銀行核心平臺架構師。主持參與了國家開發銀行大數據治理項目、中國人民銀行軟件開發平臺、國家電網云計算平臺等大型項目建設。對大數據行業有著深入的研究和洞察，并對企業信息化平臺建設，企業云計算及大數據平臺建設有著豐富經驗。
培訓費：2980元/人（含培訓費、資料費、在線題庫以及錄播視頻回放一年等費用）
考試費：1200元/人（含考試費發票）。
熱門點擊：