
CDA数据分析师等级认证考试:
LevelⅠ:统计概率基础知识,数据库基础知识,解决简单的数据处理与数据分析。
LevelⅡ:多元统计、数据挖掘、数据建模、数据库及商业智能等知识,利用软件进行复杂数据的处理和案例分析,并得出规范的数据报告。
LevelⅢ: 除以上知识点还包括数据挖掘高级算法,Hdoop,SAS与R编程技术等,利用工具完成复杂数据分析项目,做出报告、提供决策并管理团队执行部署。
三个等级考试通后由CDA协会颁发等级认证证书,CDA证书为唯一的等级认证依据。此证书可以作为企业事业单位选拔和聘用专业人才的任职参考依据。
报考"CDA数据分析师"条件如下:
Level Ⅰ:本科及以上学历或从事数据分析工作1年以上。
Level Ⅱ:本科及以上学历并从事数据分析相关工作2年以上。
Level Ⅲ:本科及以上学历并从事数据分析相关工作5年以上。
CDA数据分析师考试内容:
Level Ⅰ:单选题
Level Ⅱ:单选+简答
Level Ⅲ:单选+简答+案例分析
CDA数据分析师官方考试最新安排:
时间:2014年12月
地点:北京/上海/广州
考试等级:CDA Level Ⅰ
考试费用:1000元(CDA学员600元)
考试及等级认证证书颁发最终解释权在CDA数据分析师协会(Certified Data Analyst Institute)。
数据分析师:你应具备的基本个人技能
1.信息敏感性及搜集处理能力。
这个社会是个信息社会,信息社会的信息就会多,很多是你不需要的,很多是重复的,要么就是内容重复,要么就是架构重复。而你真正想要的信息恐怕只有沧海一粟,你就是要把这沧海一粟找出来。
处理能力是指沧海一粟的数据得到后,进行组织串联。数据组织起来才是信息。我们要的不是数字,而是信息。
2.文化背景:熟悉各个层次的人群的属性及思维方式。
你必须了解你的领导做过什么,习惯的思维方式,否则你的报告他是看不懂的,你应该以领导的思维方式去写报告,而不是你自己的。因为你是给领导服务的。领导是你最大的客户,你的同事是你的伙伴,他们帮助你服务你的客户,而你真实的客户则是你的供货商,他们提供服务你领导一切素材。所以,你要利用你的供应商,在伙伴的帮助下,服务好你的客户。你必须理解你的‘客户’,‘伙伴’,‘供应商’在想什么,了解他们的思维方式,甚至爱吃什么,抽什么样的烟,喝什么样的咖啡,喜欢安静的喝茶,还是去泡吧。
3.熟悉心理学,并做过问卷调查等实验。
心理学必须学会,也许你是心理学毕业的,也许你说我很会说。其实一个EQ高的人和一个在社会上混了多年的人,不用学心理学也知道你在想什么。他们都是心理学的大家,虽然他们不会提心理学这个词。不过,这个只是社交。如果做一个网站,你要考虑你的用户在想什么,需要什么,什么情况下会到你的网站来。如果你的网站做个调查,或者要和客服咨询才能找到他要的答案,如价格,那他很可能在3秒内跳到其他网站去了。网站的推荐功能会使这个事情变的很容易。这也许就是ucd吧。
有关心理学还是从文化看起,看看西方文化简史,毕竟现在很多东西都是泊来品。中国文化史,不是社会史,也不是技术史。多了解当前客户群的文化背景。书么,我推荐马斯洛的书,经典的黑格尔的辨证哲学有时候还是毕竟有用的,毕竟马老先生的辨证哲学是从他这里演化过来的。
有了心理学基础去设计问卷就不是什么难事了。不用担心统计用户的答卷不真实。只要不是55开,就能统计整体意向,有成熟的模型的。
4.熟悉相关的行业知识:营销、技术、品牌等。
行业知识是必不可少的,要了解产品,营销,战略,品牌等等是需要很长时间的,像互联网行业,你要懂前台的ui设计,不要想加个修改功能会提供客户的满意度,但是技术实现可能要加几十个k的流量,如果是千万的用户对服务器,流量,都会压力大。而且pc, 移动终端的还要同步,更不要说,内容反复的修改了,本来说油价上涨的,可能改成奥沙利文大战希金斯了。
5.熟悉数学模型的缺点。
数学模型的实用都有自己的数据要求的,如对分布的数据要求均匀,不要太稀疏,欧式距离不要不均匀等等。只有熟悉的模型的缺点和适用范围,你才能保证自己的模型应用的够顺利,不要老盯着那些传统模型不放,那些模型都很经典,经典意味着通用,以为着不适合个例,意味着你要修改模型以适用于当前的情况,这要求你能懂的模型。
6.性格的韧度。
数据分析师经常会遇到这样的情况:1.辛苦做了几天的数据,对比事实根本不合理。2.由于模型的局 限性,数据的不良性产生的巨大误差。3.业务改变使自己的模型改变,进而使数据结果失效。4.报告的书写不够规范,被同事,老板骂。这些都需要我们自己去解决,而不是抱怨。没人想听到你的抱怨和一些消极的词汇,这只会让人感觉你的个人素质不足以满足不同人的需求。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10