
这一次,和你解释清楚!
》CDA常老师:SASEG是面向长期存在数据分析,大型企业中商业报告的人员设计的课程。只有本公司有健全的IT环境(oracleteradatasqlserver等数据库,需要经常性的做报表)情况下才需要学习本软件。该软件可以提供全方位的企业商业智能(BI)服务。但是学习难度大,需要涉及编程内容。学习该课程的学员一般是企业的IT人员转数据分析岗位的、金融国企的员工,因为该公司已经购买了该软件。SPSS是面向业务为主导,数据为辅助的工作人员的培训课程。以分析型市场营销人才、分析型财务人才这些不满足用EXCEL作数据分析的人员。该软件在咨询机构、大型企业中的非数据分析核心部门、中小企业等运用最为广泛。学习该课程的学员一般是各类咨询顾问、管理人员、新型分析型业务人员。学习SASEG和SPSS中的任何一门都可以完全覆盖CDA一级的认证内容。
所以基于效益最大化原则,如果是完全一张白纸的初学者,建议还是从SPSS入手比较好。之后我会推荐SAS。
【开课信息】
时间:8月06日-8月28日@北京朝阳/远程-基于SPSS
【课程大纲】
CDA课程安排 |
课程 |
大纲简介 |
预期效果 |
第一阶段
|
《数据分析师基础理论》 |
行业分析,常用方法,统计基础,Excel数据分析。 |
零基础入门,掌握数据分析常用方法、基本原理及分析思路 |
第二阶段
|
《数据处理技术》 |
基于SPSS/SAS EG工具手把手教学操作,数据的录入、整理、清洗、处理、分析、输出、解读等。 |
掌握一门专业数据分析软件,会使用软件进行数据处理及分析。 |
第三阶段
|
《数据建模分析》 |
基于SPSS/SAS EG数据建模,方差、回归、分类、主成份、因子、聚类、多元、时间序列等数据分析模型。数据可视化,结果输出及解读。 |
熟悉各模型应用环境,学会自行建模分析,独立完成数据分析工作,并能输出图表解读数据现实意义。 |
第四阶段
|
《案例分析及业务应用》 |
电信,金融,电商,零售等实际案例分析;BI、文本挖掘、大数据、智慧城市等前沿技术。 |
通过真实案例举一反三,熟悉整个数据分析流程;了解前沿技术,增强业务与技术对接能力。 |
【学员对象】
1. 各行业数据分析、数据挖掘基础薄弱从业者
2. 在校数学,经济,计算机,统计等专业教师和学生
3. 经济,医学生物研究院科研人员
4. 数据分析,数据挖掘兴趣爱好者及转行人士
【讲师介绍】
数据分析金牌团队:CDA数据分析研究院讲师团队,大陆、台湾等高校著名教师以及知名企业资深数据分析师
常国珍,会计学博士、社会学硕士,毕业于北京大学人口所,目前就读于北大光华管理学院,SAS公司数据挖掘与统计分析课程讲师。曾就职于方正国际金融事业部和长江商学院投资者研究中心。主持过商业银行数据挖掘平台建设、商业银行信用评分模型的构建与固化等商业项目。参与构建的股票量化投资模型被某大型基金公司采纳,并于2013年九月正式发行。
曹正凤,男,统计学实验师,博士学位,具有十几年统计教学经验。最新研究随机森林遗传算法,参与《大数据背景下基于中国烟草消费需求的供给结构分析研究》项目,《基于大数据整合的空气质量测度方法研究》,项目进入实施阶段。先为CDA基础理论讲师,对于统计学教学有丰富的经验。
翟祥,人民大学统计学博士,北京林业大学管理学院统计系教授,SAS公司骨灰级讲师。长期从事金融、电信、零售行业数据挖掘咨询工作。
徐老师,男,高级数据分析师,具有深厚的数理统计与应用数据分析专业背景,上海某金融机构数据分析部门高级DA,具有八年数据分析、数据挖掘的从业经验,曾就职零售企业、咨询公司等,独立或带团队完成零售、电信、金融等多个大型数据挖掘项目。
丁亚军,男,首席数据分析师,兼职中国学习路径图国际培训中心技术顾问,SAS、SPSS高级统计学讲师。曾参与2012国家宏观经济预测、中国城镇居民家庭投资调查、泸州老窖目标管理与绩效考核等大型数据处理项目,具有丰富的数据处理经验。
【课程优惠】
1. 全日制在读学生8折优惠
2. 参加过论坛其他现场班老学员9折优惠
3. 同一单位三人及以上报名9折优惠,五人及以上8折优惠
4. 同时报名参加LEVELⅠ和LEVEL Ⅱ享受8折优惠
5. 零基础学员建议同时报名CDA数据分析员课程,立减400元。
【关于证书】
CDA数据分析师等级认证证书
(此证书为CDA中英文等级认证证书Level Ⅰ,全国统考,一年两次,此证书为CDA数据分析师认证证书,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。)
【报名流程】
1.在线填写报名信息
2.给予反馈,确认报名信息
3.网上缴费
4.开课前一周发送电子版课件和教室路线图
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30