cda

全国校区

您的位置:首页 > 大数据时代 > 数据分析师成长之路 · CDA数据分析师科学体系

数据分析师成长之路 · CDA数据分析师科学体系

2019-01-18


CDA数据岗位模型:

基于CDA多年的数据分析教学经验以及对当下企业数据相关岗位、薪资待遇的调查研究,总结出来了一套职场“岗位模型”。最左侧是经典的CDA LEVEL 1 2 3等级标准,每个等级对应企业相关数据岗位及薪资范围。图片中部为对应岗位的技能列表,即胜任某一岗位需要拥有什么样的能力。最后侧是该技能对应的CDA精英学院课程。CDA等级标准还规定了各个级别的能力概要,如下表所示:


CDA等级认证考试大纲】


级别 Level I
(业务分析师)
Level II
(建模分析师)
Level II
(大数据分析师)
Level III
(数据科学家)
理论
基础
概率论、统计学理论基础 统计学、概率论和数理统计、多元统计分析、时间序列、数据挖掘 概率论和数理统计、Python基础、Linux基础、数据挖掘机器学习

统计学、大数据、机器学习、数据治理和项目管理
软件
要求
必要:Excel、SQL
可选:Python、SPSS、R等
必要:Excel、SQL
可选:Python、R、SPSS Modeler、Spark等
必要: SQLHadoopHDFSMapreduceHbaseHive、Sqoop、Spark
可选:Kafka、Flume、ZooKeeper等
必要:Excel、SQL、Python、Hadoop、Spark
可选:R、SAS、Tensorflow等
分析方
法要求
掌握基本数据预处理方法,SQL数据库技术,数据分析方法(描述性统计分析,推断性统计分析方差分析线性回归等);市场调研(数据报告),常用数据分析模型(聚类分析、逻辑回归、时间序列等)。 除掌握基本数据处理及分析方法以外,还应掌握高级数据分析及数据挖掘方法(特征工程、贝叶斯、决策树神经网络支持向量机、集成方法、关联规则、序列模式等)和可视化技术。 熟练掌握hadoop集群搭建;熟悉nosql数据库的原理及特征,并会运用在相关的场景;熟练运用Spark及Spark MLLib算法库提供的进行大数据分析的数据挖掘算法,包括无监督算法(k-means算法、DBSCAN算法、FP-Growth)、有监督学习算法(决策树SVM、贝叶斯、集成算法神经网络协同过滤)等算法的原理和使用范围
掌握数据分析和挖掘的方法之外,还需了解数据治理技术,计算机编程技术,机器学习,人工智能,大数据分析架构以及业务分析方法,包括代码管理、敏捷分析、战略分析,产品管理,风险管理、客户关系管理,项目管理,运营管理等结合具体行业的业务分析方法。
业务分
析能力
熟知业务,能够根据问题业务指标提取公司数据库中相关数据,进行整理、清洗、处理,通过相应数据分析方法,结合软件平台应用完成对数据的分析和报告。 可以将业务目标转化为数据分析目标;熟悉常用算法和数据结构,熟悉企业数据库构架建设;针对不同分析主体,可以熟练的进行维度分析,能够从海量数据中搜集并提取信息;通过相关数据分析方法,结合一个或多个数据分析软件完成对海量数据的处理和分析。
熟悉hadoop+hive+spark进行大数据分析的架构设计,并能针对不同的业务提出大数据架构的解决思路。掌握hadoop+hive+ Spark+tableau平台上Spark MLlib、SparkSQL的功能与应用场景,根据不同的数据业务需求选择合适的组件进行分析与处理。并对基于Spark框架提出的模型进行对比分析与完善。
带领数据团队,能够将企业的数据资产进行有效的整合和管理,建立内外部数据的连接;熟悉数据仓库的构造理论,可以指导ETL工程师业务工作;可以面向数据挖掘运用主题构造数据集市;在人和数据之间建立有机联系,面向用户数据创造不同特性的产品和系统;具有数据规划的能力。
结果展
现能力
能够形成逻辑清晰的报告,传递分析结果,对实际业务提出建议和策略。 报告体现数据挖掘的整体流程,层层阐述信息的收集、模型的构建、结果的验证和解读,对行业进行评估,优化和决策。 报告能体现大数据分析的优势,能清楚地阐述数据采集、大数据处理过程及最终结果的解读,同时提出模型的优化和改进之处,以利于提升大数据分析的商业价值。
报告形式多样化,图文并茂,逻辑严密。为企业数据资产管理提供详细方案,对企业发展提供数据规划策略。


CDA  Level I :业务数据分析师。专指政府、金融、电信、零售等行业前端业务人员;从事市场、管理、财务、供应、咨询等职位业务人员;非统计、计算机专业背景零基础入行和转行就业人员。CDA Level Ⅰ业务数据分析师需要掌握概率论和统计理论基础,能够熟练运用Excel、R、Python、SPSS等一门专业分析软件,有良好的商业理解能力,能够根据业务问题指标利用常用数据分析方法进行数据的处理与分析,并得出逻辑清晰的业务报告。


CDA  Level II:建模分析师。一年以上数据分析岗位工作经验,或通过CDA Level Ⅰ认证。专指政府、金融、电信、零售、互联网、电商、医学等行业专门从事数据分析与数据挖掘的人员。在Level Ⅰ的基础上更要求掌握多元统计、时间序列、数据挖掘等理论知识,掌握高级数据分析方法与数据挖掘算法,能够熟练运用SPSS Modeler、PYTHON、R、SAS等至少一门专业分析软件,熟悉适用SQL访问企业数据库,结合业务,能从海量数据提取相关信息,从不同维度进行建模分析,形成逻辑严密能够体现整体数据挖掘流程化的数据分析报告。
 
CDA  Level II:大数据分析师。一年以上数据分析岗位工作经验,或通过CDA Level Ⅰ认证。专指政府、金融、电信、零售、互联网、电商、医学等行业专门从事数据分析与云端大数据的人员。在Level Ⅰ的基础上要求掌握JAVA语言和linux操作系统知识,能够掌握运用HadoopHive、Spark等专业大数据架构及分析软件,从海量数据中提取相关信息,并能够结合python等软件,形成严密的数据分析报告。
 
CDA  Level III:数据科学家。三年以上数据分析岗位工作经验,或通过任意一门CDA Level ⅠI认证。专指政府、金融、电信、零售、互联网、电商、医学等行业数据分析资深人员。掌握前沿AI相关技术,负责制定企业数据发展战略,发现企业数据价值,提升企业运行效率,增加企业价值。能够带领数据团队将企业的数据资产进行有效的整合和管理,建立内外部数据的连接;具有数据规划的能力。


根据各等级的要求,适合大家学习的方法需要科学、专业地规划,从“CDA数据分析研究院”长年的项目合作和培训经验来看,对于一个零基础的学员需要做到以下的步骤来进行系统性的规划:


一、自身检查:是否适合数据分析岗位。

       什么样的人适合做数据分析师?

       1. 对数据敏感:对数字不恐惧,经常关注行业数据动态,能够从数据变化中自行感觉出实务背后的原因规律。

       2. 抗压力与耐性:在处理数据中需要强大抗压力和耐心。与数据打交道需要你爱上数据而不是排斥数据。

       3. 自学能力强:在数据分析的过程中需要经常自行研究学习一些新的思路和方法,不断修正,不断更新。


二、 从入门到精通系统学习

       CDA数据分析研究院师资团提供的科学学习规划如下:

       1. 统计概率基础:数据分析行业分析,数据挖掘经典流程,数据的描述性分析,数据的推断性分析,方差分析,回归分析,多元统计等系列理论课程,唯有掌握原理,方能驾驭工具。

       2. 数据分析工具学习:根据等级的要求,一般软件在学术界和企业界的应用广泛程度为,学术界 :STATA >R > SPSS >SAS > Matlab; 商业界:EXCEL> PYTHON>SPSS> R>SAS。上手难度:SAS>PYTHON>R>SPSS>EXCEL工具的选择不在于多,而在于跟具体问题相结合,在学习的过程中可以选择1-2门的工具进行熟练使用。参考各大数据分析工具的区别

       3. 数据分析建模:利用工具进行数据分析模型、数据挖掘算法建模运用,常用的数据分析方法有(回归分析法、主成分分析法、典型相关分析、因子分析法、判别分析法、聚类分析法、结构方程、Logistic模型等),常用的数据挖掘算法有(时间序列、Panel Data、关联法则、神经网络决策树、遗传算法)以及可视化技术。

       4. 以上三部分皆为数据分析硬性技术,要想熟能生巧需要经常在学习和工作中运用,不断改善,不断优化模型,将技术与具体业务结合起来,经过长时间的积累方能成为高级数据分析师。



完 谢谢观看

分享
收藏

OK