京公网安备 11010802034615号
经营许可证编号:京B2-20210330
CDA数据分析师 出品
编辑:Mika
作者:杨迅 CDA Level Ⅰ 持证人
大家好,我叫杨迅,是一名CDA Level Ⅰ 持证人,今天很高兴跟大家分享一下我的CDA认证备考经验。
我毕业后就职国内某头部保险集团任 IT 产品经理,因负责数仓和指标体系的搭建,故需对数据统计分析相关内容有较深入的掌握。在了解到 CDA 后,基于“既然学了不如顺便拿个证”的心态报了名。
总的来说 Level Ⅰ 的内容是比较基础的,我认为所有产品经理至少需要掌握 Level Ⅰ 所要求的数据分析能力,对于工作中用户调研、行为数据分析、结构性思维等方面都会有所帮助。若从事专业的数据分析工作,还需要进一步掌握更高级别的数据分析技能。

我主要是工作中正好需要用到相关的知识,所以平时工作本身也是对相关内容的学习和实践。
另外下班后我会找时间把推荐的几本书都好好的看看,重要的部分梳理一下笔记。
只要根据自己的时间,把推荐的书都看完,把 CDA 提供的一系列配套课程学完,应对考试完全是没问题的,其实重点还是要看有没有真的学到东西。
说实话,Level Ⅰ 的难度并不是很大,如果要挑个重点的话我觉得是『业务分析方法与模型』部分。这部分占比最重,同时知识点也最分散,不像统计学和数据库一样都是十分成熟的知识体系,所以这部分在学校也不可能体系化的学习过。
在准备这部分时需要根据考纲大范围的搜寻相关资料和知识点,然后进行整理,尽可能自己搭建核心知识体系。
在这里,仅就考纲内容推荐大家几本相关度较高的书吧。
第一本是《统计学(第七版)》贾俊平、何晓群、金勇进编著,里面概率分布、统计抽样、参数估计、假设检验、列联分析、方差分析、线性回归等都是考纲中统计分析部分重点考核的内容。这本书是『十二五』普通高等教育本科教材,如果是理工科的上学时应该都学过,忘记的找出来复习一下就行了。
第二本是《数据库系统概论(第五版)》王珊、萨师煊编著,这本也是大学教材,比较全面地介绍了数据库应用相关的基础知识,涵盖了 Level Ⅰ 考试中与数据库相关的全部知识。
第三本是《数据仓库工具箱(第三版)——维度建模权威指南》Ralph Kimball 和 Margy Ross 编著,若仅为考试,该书可重点看前三章,详细介绍了数据仓库的发展历程和维度建模技术的使用方法,对应考纲中多维度数据分析部分的内容。第三章以后是维度建模技术在各个行业的具体实践应用,对从事数仓等相关领域工作的人会有很大帮助。
最后推荐几本 CDA 考纲中也推荐过的书,《数据决策-企业数据的管理、分析与应用》《活用数据-驱动业务的数据分析实战》《数据化管理-洞悉零售及电子商务运营》。这三本书对应考纲中业务分析方法、分析报告、Excel 使用技巧等内容,其中《活用数据》这本也涉及到部分统计学内容,不过其中存在几处公式错误,大家注意甄别,有疑问要以《统计学(第七版)》内容为准。《活用数据》中还用到了 SPSS 工具,感兴趣的可以看《SPSS 统计分析基础/高级教程(第三版)》,也是大学教材。
最后想跟大家说的是, 获得证书只是对现阶段自己水平的一个肯定,将来还是要坚持不断学习的。
多读书多学习,读书就像吃饭,虽然难以马上看到收益,但是想要长远的走下去,就离不开一日三餐。
更多考试介绍及备考福利请点击:CDA 认证考试中心官网
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14