作者简介：姜天翼 数据分析从业者

我是一名统计学专业出身的数据分析师，在经过了3年的数据分析工作与踩坑后，我对数据分析这个职业和工作内容有了更深的理解，本次借着报考CDA二级的备考分享聊聊对数据分析师的一些经验。

一、当前对数据分析师的要求是怎样的？

现在各个公司都在讲数据驱动决策，简而言之就是DA能不能从数据中看出业务不了解的迭代机会点。这里一个很大的误区是把从数据提炼结论“想的太过简单”，至少我当初刚入行是这样，我以为简单看看趋势，喝着咖啡归归因就是DA的工作，但现实比这个难得多。一个简单的道理是，DA做的事情，业务如果自己也能做，那企业为什么要雇佣DA？基于此，DA的核心竞争力来源于对统计学理论知识的深度理解和应用。

数分两大日常一是做实验分析，二是做专项分析，实验分析是DA的能力基线，而专项做的出不出彩决定DA的上限。实验是一个很复杂的链路，从实验设计、实验观测到实验数据解读，DA应该胜任其中的过程，而实验分析的理论基础就是数理统计。“实验分流不均怎么验证和纠偏”、“p值是什么？MDE是什么？”、“CUPED有什么作用？”，这些都是实验上手后的具体问题，DA应该能够利用自己的专业知识进行解答。但实验分析做的再好那也只是对于已有数据表现的解读，DA大多的成就感来源于专项分析。专项分析涉及的理论五花八门，比如可能需要利用回归、合成控制、PSM等方法控制混淆变量进行公平对比，也有可能是针对某个目标科学的制定数据策略并推动落地，这些不仅要求了DA能够掌握如回归分析、机器学习等基础理论，也需要DA对于前沿的因果推断方案有所理解，更需要在理解的基础上能够进行灵活运用并推动落地。

总结来说，单纯的统计学理论知识学习已难以满足岗位对“数据处理 - 模型构建 - 业务落地”全流程能力的要求，DA不仅需要有过硬的专业应用能力，也需要有创新能力、owner意识以及项目推进能力。

二、选择CDA与备考过程

本着终身学习的目标，我搜罗了市面上和数据分析相关的证书。与其他证书相比，CDA分级较少且目标较为清晰，同时价格相对优惠，吸引我的主要是三级对于机器学习的学习目标，同时也能帮助我在工作之余简单复习一些统计学基础知识。

因日常工作繁忙，我将备考周期压缩为 1 个月，重点放在官方二级教材上。我将知识点总结成两个部分，一是数理统计相关（包含参数估计与假设检验），二是模型相关（包括数据处理、数据建模与评价指标）。对于数据统计相关的知识重点是概念复习与刷题，需要非常明确掌握各个概念的来龙去脉与详细过程，如假设检验需熟练掌握 “检验方法选择→P 值判断→业务结论” 全流程，比如多组产品质量对比用方差分析。对于模型相关的部分最好是直接在Python 中实操对应案例，优先掌握 “回归 - 分类 - 聚类” 三大算法的核心参数与调用代码（如线性回归用 sklearn.linear_model.LinearRegression，K-means 用 sklearn.cluster.KMeans），跳过复杂数学推导；时间序列模块，聚焦 “平稳性检验 - ARIMA 模型构建” 关键步骤，用 Pandas 处理历史销量数据，练习差分法消除趋势性波动，聚焦 ARIMA 模型参数确定（用 ACF/PACF 图判断 p/q 值）与短期预测等内容。

在教材之外需要刷题来实战冲刺，重点以真题为核心，完成官方的几套真题，严格按 120 分钟考试时间模拟。答题后用 1 小时复盘，重点做两件事：一是统计 “考点错题”，比如机器学习算法选择错误、时间序列 p/d/q 参数判断失误，针对性补练 5-8 个同类小题；二是提炼 “套路模板”，比如假设检验的 “业务问题→假设设定→检验方法→结果解读” 模板、机器学习建模的 “数据预处理→特征筛选→模型训练→评估指标” 模板，减少考试时的思路梳理时间。​

CDA 二级的 1 个月高效备考经历，帮助我快速对统计学基本知识进行了查漏补缺，也为学习CDA三级更高阶的内容打好了基础。希望后面三级的学习依然顺利，同时希望CDA能帮助更多分析入门者了解DA日常的工作与基础知识，一起为业务创造增量价值。