CDA LEVELⅠ考试大纲解读：洞察数据世界的入门指南

（一）PART 1 数据分析思维（占比 2%）

领会：考生需要领会数据分析思维的内涵，明确其与传统思维方式的区别，理解数据驱动决策在现代企业运营中的核心地位。例如，在市场推广决策中，传统思维可能依据经验判断推广渠道的有效性，而数据分析思维则通过收集和分析各渠道的流量、转化率等数据，精准评估渠道价值，为决策提供科学依据。此外，考生要掌握数据思维构建的方法，能够从业务问题出发，确定所需数据，运用合理的分析方法挖掘数据价值，实现从数据到洞察、从洞察到行动的转化。

（二）PART 2 商业数据分析框架（占比 2%）

领会：考生要深入理解商业数据分析框架的构成，包括业务目标确定、数据收集与整理、数据分析方法选择、结果解读与应用等环节。熟悉常见的商业数据分析框架，如以客户为中心的分析框架，涵盖客户获取、客户留存、客户价值提升等方面；以产品为导向的分析框架，关注产品研发、产品优化、产品竞争力分析等内容。能够根据不同的业务场景，选择合适的分析框架，梳理清晰的分析思路，为后续的数据分析工作奠定基础。

（三）PART 3 战略与业务数据分析（占比 10%）

领会：考生需领会战略数据分析对企业长期发展规划的重要支撑作用，能够从宏观层面分析行业数据、市场趋势数据等，为企业战略制定提供数据洞察。例如，通过对行业增长率、市场份额分布等数据的分析，助力企业确定市场定位和发展战略方向。在业务数据分析方面，要掌握对企业各业务环节（如销售、生产、供应链等）数据的分析方法，理解业务指标之间的逻辑关系，通过数据分析发现业务运营中的问题和机会，提出针对性的改进建议，推动业务的持续优化。
熟知：考生要熟知企业战略目标与业务数据之间的关联，能够将战略目标拆解为可量化的业务指标，并通过数据分析监控指标的完成情况，及时调整业务策略。例如，企业的战略目标是提升市场占有率，考生应明确与之相关的业务指标（如销售额、新客户获取数量、客户流失率等），并运用数据分析方法评估各项业务活动对这些指标的影响，为实现战略目标提供数据支持。同时，要熟悉不同业务场景下的数据分析案例，借鉴成功经验，提高自身在实际业务中运用数据分析的能力。

（四）PART 4 数据分析方法（占比 15%）

领会：考生要领会各种数据分析方法的基本原理和适用场景，包括对比分析、分组分析、结构分析、趋势分析、关联分析等。对比分析可用于比较不同产品、不同时期或不同部门的数据差异，找出优势和不足；分组分析能够将数据按照特定特征进行分组，深入分析每组数据的特点和规律；结构分析用于研究数据的组成结构，了解各部分占比情况；趋势分析通过观察数据随时间的变化趋势，预测未来发展走向；关联分析则挖掘数据之间的潜在关联关系。考生需清晰理解这些方法的本质，以便在实际分析中准确选择和应用。
熟知：考生要熟知常用数据分析方法的具体操作步骤和计算方法，能够运用相关工具（如 Excel、SQL 等）实现数据分析方法的应用。例如，在 Excel 中运用数据透视表进行分组分析和结构分析，通过函数计算实现对比分析和趋势分析；在 SQL 中使用聚合函数和分组语句进行分组分析，运用连接操作进行关联分析等。同时，要掌握数据分析方法结果的解读技巧，能够从分析结果中提取有价值的信息，为业务决策提供有力支持。

（五）PART 5 业务数据的结构与处理（占比 12%）

领会：考生需领会业务数据的常见结构，包括结构化数据（如数据库中的表格数据）、半结构化数据（如 XML、JSON 格式的数据）和非结构化数据（如文本、图像、音频等数据）的特点和存储方式。理解不同类型数据在企业业务中的作用和应用场景，例如结构化数据适用于传统的业务流程管理和数据分析，半结构化数据常用于数据交换和配置文件，非结构化数据则蕴含着丰富的客户反馈、市场情报等信息，但处理难度较大。掌握业务数据从采集到存储的基本流程，包括数据采集的渠道和方法、数据存储的格式和数据库选型等。
熟知：考生要熟知业务数据处理的常见任务，如数据清洗、数据转换、数据集成等。数据清洗旨在去除数据中的噪声、重复值、缺失值等问题，提高数据质量；数据转换包括数据类型转换、数据标准化、数据归一化等操作，使数据符合分析要求；数据集成是将来自不同数据源的数据整合到一起，实现数据的共享和综合利用。能够运用数据处理工具和技术完成这些任务，例如使用 Excel 的函数和数据清洗功能进行简单的数据处理，运用 Python 的 Pandas 库进行复杂的数据清洗和转换操作，通过 ETL（Extract, Transform, Load）工具实现数据集成。

（六）PART 6 数据库应用（占比 12%）

领会：考生要领会数据库的基本概念和作用，理解数据库管理系统（DBMS）的功能和分类，如关系型数据库（如 MySQL、Oracle）和非关系型数据库（如 MongoDB、Redis）的特点和适用场景。掌握数据库设计的基本原则，包括实体 - 关系（E - R）模型的构建，确定数据库中的实体、属性和关系，能够根据业务需求设计出合理的数据库结构。了解数据库的安全性和完整性机制，包括用户权限管理、数据备份与恢复等方面的知识，确保数据库中数据的安全和可靠。
熟知：考生需熟知 SQL 语言在数据库操作中的应用，掌握常用的 SQL 语句，如数据查询（SELECT）、数据插入（INSERT）、数据更新（UPDATE）、数据删除（DELETE）等操作，能够熟练运用 SQL 从数据库中获取所需数据、对数据进行增删改等操作。同时，要了解数据库索引的概念和作用，掌握创建和使用索引的方法，提高数据查询的效率。此外，还需熟悉数据库连接池的概念和使用，优化数据库连接的管理，提升应用程序对数据库的访问性能。

（七）PART 7 统计分析（占比 15%）

领会：考生要领会统计学在数据分析中的基础地位，深刻理解统计基本概念，如总体、样本、参数、统计量等的定义和相互关系。明确不同类型数据（分类型数据、顺序型数据、数值型数据）的特点和适用的统计分析方法，例如分类型数据适合用频数分析、卡方检验等方法，数值型数据则可运用均值、方差、相关性分析等统计手段。掌握统计推断的基本原理，包括参数估计和假设检验，能够根据样本数据推断总体特征，判断假设是否成立。
熟知：考生需熟知常见的统计分布，如正态分布、均匀分布、二项分布、泊松分布等的特点、概率密度函数和应用场景。能够运用统计分布的知识进行数据建模和分析，例如在产品质量控制中，利用正态分布确定质量控制的上下限；在风险评估中，依据泊松分布分析事件发生的概率。熟练掌握各种描述性统计量的计算方法和意义，包括集中趋势（均值、中位数、众数）、离散程度（极差、方差、标准差、离散系数）、分布特征（偏态系数、峰态系数）等，通过这些统计量全面描述数据的特征，为深入分析数据提供基础。

（八）PART 8 多维数据与透视分析（占比 10%）

领会：考生要领会多维数据的概念和表示方法，理解多维数据模型（如星型模型、雪花模型）的结构和设计原则。掌握多维数据透视分析的基本原理和作用，能够通过设置维度和度量，从多个角度观察和分析数据，发现数据之间的内在关系和潜在信息。例如，在销售数据分析中，通过将时间、地区、产品等作为维度，销售额、销售量等作为度量，运用透视分析深入了解不同维度下销售数据的变化情况，为企业销售策略制定提供依据。
熟知：考生需熟知多维数据透视分析的操作方法，包括在数据分析工具（如 Excel 数据透视表、专业的 BI 工具）中创建多维数据集、设置维度层次、进行数据切片和切块等操作。掌握透视分析中的基本计算规则，如求和、求平均、计数、最大最小值等，以及条件筛选、对比计算（如同比、环比、均比等）等功能的运用，能够根据业务需求灵活运用这些功能对多维数据进行深入分析，生成有价值的分析报表和可视化图表。

（九）PART 9 指标体系（占比 8%）

领会：考生要领会指标体系的概念和构建原则，明确指标体系在企业业务评估和决策支持中的重要作用。理解如何从企业战略目标出发，梳理关键业务流程，确定与之对应的关键绩效指标（KPI），构建完整的指标体系。例如，对于电商企业，从提升销售额的战略目标出发，可确定流量指标（如 UV、PV）、转化率指标（如注册转化率、购买转化率）、客单价指标等，形成一套衡量电商业务运营状况的指标体系。掌握指标体系的分类方法，如财务指标、运营指标、用户指标等，以及不同类型指标之间的关联关系。
熟知：考生需熟知指标体系的管理和维护方法，包括指标的定义、计算口径、数据来源的明确和规范，确保指标的准确性和一致性。能够运用数据分析方法对指标进行监控和分析，通过设定合理的指标阈值，及时发现业务运营中的异常情况，并深入分析原因，提出改进措施。同时，要了解指标体系的优化方法，随着企业业务的发展和市场环境的变化，不断调整和完善指标体系，使其更好地适应企业的发展需求。

（十）PART 10 用户标签与用户画像（占比 5%）

领会：考生要领会用户标签和用户画像的概念和作用，理解用户标签是对用户属性、行为等特征的抽象描述，而用户画像是基于用户标签构建的、全面反映用户特征的虚拟形象。掌握用户标签体系的构建方法，包括确定标签维度（如人口统计学特征、行为特征、兴趣爱好等）、提取标签数据、制定标签规则等。通过构建用户标签体系，为用户画像的生成提供基础数据支持，实现对用户的精细化管理和精准营销。
熟知：考生需熟知用户画像的构建流程和方法，包括数据收集、数据清洗、特征提取、模型训练等环节。能够运用数据分析工具和算法，如聚类分析、关联规则挖掘等，对用户数据进行分析和处理，生成用户画像。同时，要了解用户画像在企业各业务环节中的应用，如个性化推荐、客户细分、精准营销等，通过用户画像实现对用户需求的精准把握，提升企业的业务运营效率和用户满意度。

（十一）PART 11 数据治理（占比 3%）

领会：考生要领会数据治理的概念、目标和重要性，理解数据治理是对企业数据资产进行规划、控制和保护的一系列活动，旨在提高数据质量，保障数据安全，实现数据的合规使用和价值最大化。掌握数据治理的主要内容，包括数据标准管理、数据质量管理、数据安全管理、元数据管理等方面的知识，明确各部分在数据治理体系中的作用和相互关系。
熟知：考生需熟知数据治理的实施方法和流程，包括制定数据治理策略和计划、建立数据治理组织架构、明确各部门的数据治理职责、实施数据治理项目等。了解数据治理工具和技术的应用，如数据质量管理工具、数据安全防护工具等，通过这些工具和技术提高数据治理的效率和效果。同时，要关注数据治理的行业最佳实践和发展趋势，不断提升自身的数据治理意识和能力。

（十二）PART 12 数据模型（占比 4%）

领会：考生要领会数据模型的概念和分类，理解数据模型是对现实世界数据特征的抽象描述，包括概念模型（如 E - R 模型）、逻辑模型（如关系模型、层次模型、网状模型）和物理模型（如数据库存储结构）。掌握不同类型数据模型的特点和适用场景，例如关系模型以其简单灵活、易于理解和操作的特点，在现代数据库管理系统中得到广泛应用；而层次模型和网状模型则适用于特定的应用场景，如层次模型适合表示具有层次结构的数据，网状模型可处理复杂的多对多关系。
熟知：考生需熟知数据模型的设计方法和步骤，从需求分析开始，确定数据实体、属性和关系，构建概念模型；然后将概念模型转换为逻辑模型，选择合适的数据模型类型，并进行数据库表结构设计；最后根据物理存储需求和性能要求，确定物理模型，包括数据库的存储引擎、索引策略等。能够运用数据建模工具（如 PowerDesigner、ER/Studio 等）进行数据模型的设计和绘制，提高数据模型设计的效率和质量。

（十三）PART 13 指标体系管理（占比 2%）

领会：考生要领会指标体系管理的重要性，理解指标体系管理是确保指标体系有效运行和持续优化的关键环节。掌握指标体系管理的主要内容，包括指标的定义管理、指标数据的采集与监控管理、指标体系的评估与优化管理等方面的知识。明确指标体系管理在企业战略执行和业务运营监控中的作用，通过有效的指标体系管理，保证企业各项业务活动朝着战略目标前进。
熟知：考生需熟知指标体系管理的流程和方法，包括建立指标体系管理的组织架构和职责分工，制定指标体系管理的制度和规范，如指标变更流程、数据质量监控标准等。能够运用数据分析工具和技术对指标体系进行评估，通过对指标数据的分析，发现指标体系中存在的问题，如指标定义不准确、数据质量不高、指标之间逻辑关系不合理等，并及时进行优化和调整，确保指标体系始终能够准确反映企业业务状况，为企业决策提供可靠的数据支持。