
CDA数据分析师 出品
编辑:Mika
作者:杨迅 CDA Level Ⅰ 持证人
大家好,我叫杨迅,是一名CDA Level Ⅰ 持证人,今天很高兴跟大家分享一下我的CDA认证备考经验。
我毕业后就职国内某头部保险集团任 IT 产品经理,因负责数仓和指标体系的搭建,故需对数据统计分析相关内容有较深入的掌握。在了解到 CDA 后,基于“既然学了不如顺便拿个证”的心态报了名。
总的来说 Level Ⅰ 的内容是比较基础的,我认为所有产品经理至少需要掌握 Level Ⅰ 所要求的数据分析能力,对于工作中用户调研、行为数据分析、结构性思维等方面都会有所帮助。若从事专业的数据分析工作,还需要进一步掌握更高级别的数据分析技能。
我主要是工作中正好需要用到相关的知识,所以平时工作本身也是对相关内容的学习和实践。
另外下班后我会找时间把推荐的几本书都好好的看看,重要的部分梳理一下笔记。
只要根据自己的时间,把推荐的书都看完,把 CDA 提供的一系列配套课程学完,应对考试完全是没问题的,其实重点还是要看有没有真的学到东西。
说实话,Level Ⅰ 的难度并不是很大,如果要挑个重点的话我觉得是『业务分析方法与模型』部分。这部分占比最重,同时知识点也最分散,不像统计学和数据库一样都是十分成熟的知识体系,所以这部分在学校也不可能体系化的学习过。
在准备这部分时需要根据考纲大范围的搜寻相关资料和知识点,然后进行整理,尽可能自己搭建核心知识体系。
在这里,仅就考纲内容推荐大家几本相关度较高的书吧。
第一本是《统计学(第七版)》贾俊平、何晓群、金勇进编著,里面概率分布、统计抽样、参数估计、假设检验、列联分析、方差分析、线性回归等都是考纲中统计分析部分重点考核的内容。这本书是『十二五』普通高等教育本科教材,如果是理工科的上学时应该都学过,忘记的找出来复习一下就行了。
第二本是《数据库系统概论(第五版)》王珊、萨师煊编著,这本也是大学教材,比较全面地介绍了数据库应用相关的基础知识,涵盖了 Level Ⅰ 考试中与数据库相关的全部知识。
第三本是《数据仓库工具箱(第三版)——维度建模权威指南》Ralph Kimball 和 Margy Ross 编著,若仅为考试,该书可重点看前三章,详细介绍了数据仓库的发展历程和维度建模技术的使用方法,对应考纲中多维度数据分析部分的内容。第三章以后是维度建模技术在各个行业的具体实践应用,对从事数仓等相关领域工作的人会有很大帮助。
最后推荐几本 CDA 考纲中也推荐过的书,《数据决策-企业数据的管理、分析与应用》《活用数据-驱动业务的数据分析实战》《数据化管理-洞悉零售及电子商务运营》。这三本书对应考纲中业务分析方法、分析报告、Excel 使用技巧等内容,其中《活用数据》这本也涉及到部分统计学内容,不过其中存在几处公式错误,大家注意甄别,有疑问要以《统计学(第七版)》内容为准。《活用数据》中还用到了 SPSS 工具,感兴趣的可以看《SPSS 统计分析基础/高级教程(第三版)》,也是大学教材。
最后想跟大家说的是, 获得证书只是对现阶段自己水平的一个肯定,将来还是要坚持不断学习的。
多读书多学习,读书就像吃饭,虽然难以马上看到收益,但是想要长远的走下去,就离不开一日三餐。
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
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