
状元访谈丨CDA考试是有力的自我检验
第八届CDA数据分析师认证考试在2018年6月底圆满地落下了帷幕。
成绩已经揭晓(详细请移步CDA官网),崭新的证书大抵都抵达每位通过考试的持证人手中啦!
近日,我们采访了在本届考试中名列前茅的几位优秀学员,并在本文中整理了他们的备考和学习经验,希望备考者们能够有所参考,并取得理想的成绩。
下面让我们来一睹状元们的风采吧!
Level 1 状元 —— 胡长超
2011年毕业于郑州大学,毕业后在一家软件公司负责软件实施,目前在金融机构从事信息科技方面的工作。
01
目前从事的工作
在郑州一家农商行从事科技方面的工作,目前工作中并没有用到数据分析,但是一直希望能够运用大数据、云计算等新兴金融科技手段,助力传统金融业务的发展。因为在未来金融业的竞争中,科技一定会发挥越来越重要的作用。
02
报考的契机
开始是经朋友推荐,参加了CDA A+学位的培训课程,从而对数据分析领域有了更深入的了解。报考CDA认证考试的目的也是为了检验课程学习的效果,同时树立一个目标,给自己一些压力去更好的学习数据分析。
03
如何高效地备考
首先要明确的一点是,不要为了考试而去考试,要先建立一定的知识体系和思维框架。很多同学希望借助认证考试去实现寻找新工作或转行的目的,但必须要知道能够打动HR的一定不是那一纸证书,而是蕴含在背后的知识和技能。也不太建议备考时上来就做大量的习题,因为依靠题海建立起的知识是碎片式、不成系统的。
就我个人而言,大学读的是计算机相关专业,对编程语言、数据库理论有一定基础。而在A+课程的学习过程中,发现自己在概率统计理论上的明显欠缺,而这却是数据分析领域的重中之重。于是又重新买了大学高数、概率统计、线性代数的教材进行了一番恶补。
针对LEVEL I的备考,我建议:
1.先大致了解考试大纲和真题,对考试难度有个初步认识。
2. 然后参照着大纲,开始学习CDA“从零进阶”和“胸有成竹”两本教材,仔细学习教材、注意教材编排的层次性,便于构建自己的知识体系。
3. 最后进行一些模拟题的练习,检验成效、查漏补缺。
04
今后的发展规划
希望自己在数据分析这一领域能够更加深入的去钻研学习,提升竞争力。LEVEL 1 的考试还是更偏重基础理论一些,要想将所学知识运用到实际工作中,还需要更多的实操练习。也非常希望自己能将数据分析技术更多的运用到本职的金融工作中来,为业务发展起到一些作用。
Level 1 状元(并列) —— 陈**
2015年毕业于天津某高校,毕业后就职银行,主要从事数据分析和IT项目管理的工作。
01
目前从事的工作
我在银行业工作,前期做业务数据分析,目前参与人工智能相关项目的研发。
02
报考的契机
报考CDA,一方面希望借着考试的机会来复习和巩固相关的统计学基础,另外也希望获得数据分析师的专业认证。
03
如何高效地备考
在准备考试的过程中,我主要学习了CDA提供的基本资料:考试大纲、大纲解析和视频材料。其中,视频前后看了两遍。《统计学》(人民大学出版社,作者:贾俊平, 何晓群, 金勇进)抽着看了一部分。
建议有专业基础的同学们可以认真看一下视频,不同的老师讲解的角度不同,听下来会对知识点多一层理解,真理总是殊途同归;没有专业基础的同学建议学习《统计学》,这本书对跨专业的同学来说是入门级的好教材,深入浅出,而且覆盖考点。希望大家不以考试为目的,认真学习,顺便取得好成绩!
04
今后的发展规划
今后在自己工作当中,希望结合传统的统计学方法和前沿的机器学习方法,掌握新的平台工具和语言,进一步提高对数据的处理能力,在自己的工作领域中,切实地解决业务问题、优化业务应用。
Level 2 大数据方向状元 —— 李健
2015年毕业于中国药科大学,毕业后就职于上海荻硕贝肯医学检验所有限公司,从事市场推广工作,职位为产品经理。目前中南大学研究生在读。
01
目前从事的工作
在一家基因检测公司从事产品经理的职务,主要与市场信息打交道,研究一线销售获取到的结构化的或者是非结构化的数据;但是苦于方法手段的匮乏,往往不能对数据行之有效的提炼。
02
报考的契机
工作上的止步不前让我意识到,公司要想在竞争中处于不败之地,数据才是生命力,是整个企业的灵魂,对数据的解读就是对市场的探索。而步入21世纪,正式进入大数据时代,各种数据层出不穷,所以缺少的并非资源,而是缺少充分利用资源的方式方法。
自己正是以“经世致用”的思想,既然工作需要,那深入底层去寻找答案,也就是分析工具的提升;因此自己多方打探,逐渐入坑大数据,而 CDA 考试在大数据行业盛名已久,是对自己能力很有力的加强与验证,因此报名参加 CDA 考试。
03
如何高效地备考
1. 多学多练:
以实用为准,任何理论脱离实践则一无是处;
2. 多方查阅:
网上其实有很多资源可以利用,有很多志同道合者分享经验,为大家提供材料或是终南捷径;
3. 认准标杆:
学习当然并不是盲目的学习,可以参加相关培训,初入大数据行业,需要有一个良好的引导者,除了CDA相关课程之外,自己还参与达内项目实战特训等;
4. 张弛有度:
有相关基础或者没有相关基础,大数据入门阶段必然会经历阵痛,也正好说明,如果能熟练掌握大数据技术,必然是行业中的佼佼者。所以,一开始的必须放下心态,虔诚的去学习,即使花一个星期去学习原本一天的课程也在情理之中。打好基础最为重要,以后会慢慢发现自己渐入佳境,以至于后来三天的课程可以走马观花,一览无余。
5. 精于原理:
大数据行业属于新兴行业,但是他的框架,其实就是java,了解工作原理,懂得基础编程,进而提升到哲学层面的认识,往往能够触类旁通。
最后,考试只是检验学习成果的手段,真正的价值在于往后的历练,考试即使考试通过也仅仅是万里长征第一步。
04
今后的发展规划
在巩固理论的基础上,多参与项目的实战,在实战中不断完善自己。
多了解底层实现原理,掌握scala等大数据底层编程语言,多写基础代码,达到以不变应对万变。
其他数据挖掘知识的完善,希望自己从数据搜集,数据库建设,再到大数据分析,数据可视化等一步步完善,建立完整数据分析框架,一切以数据说话,为决策助力。
大数据工具的应用拓展,不仅仅着眼于市场分析等普众的项目,多多涉猎时下大数据在医疗大数据、生物信息学分析等的应用。
想和前辈交流CDA认证考试?
扫描下方二维码,备注“CDA考试”加入考试交流群
扫描二维码
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
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03