
CDA数据分析师等级认证考试:
LevelⅠ:统计概率基础知识,数据库基础知识,解决简单的数据处理与数据分析。
LevelⅡ:多元统计、数据挖掘、数据建模、数据库及商业智能等知识,利用软件进行复杂数据的处理和案例分析,并得出规范的数据报告。
LevelⅢ: 除以上知识点还包括数据挖掘高级算法,Hdoop,SAS与R编程技术等,利用工具完成复杂数据分析项目,做出报告、提供决策并管理团队执行部署。
三个等级考试通后由CDA协会颁发等级认证证书,CDA证书为唯一的等级认证依据。此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。
报考"CDA数据分析师"条件如下:
Level Ⅰ:本科及以上学历或从事数据分析工作1年以上。
Level Ⅱ:本科及以上学历并从事数据分析相关工作2年以上。
Level Ⅲ:本科及以上学历并从事数据分析相关工作5年以上。
CDA数据分析师考试内容:
Level Ⅰ:单选题
Level Ⅱ:单选+简答
Level Ⅲ:单选+简答+案例分析
CDA数据分析师官方考试最新安排:
时间:2014年12月
地点:北京/上海/广州
考试等级:CDA Level Ⅰ
考试费用:1000元(CDA学员600元)
考试及等级认证证书颁发最终解释权在CDA数据分析师协会(Certified Data Analyst Institute)。
数据分析师:你应具备的基本个人技能
1.信息敏感性及搜集处理能力。
这个社会是个信息社会,信息社会的信息就会多,很多是你不需要的,很多是重复的,要么就是内容重复,要么就是架构重复。而你真正想要的信息恐怕只有沧海一粟,你就是要把这沧海一粟找出来。
处理能力是指沧海一粟的数据得到后,进行组织串联。数据组织起来才是信息。我们要的不是数字,而是信息。
2.文化背景:熟悉各个层次的人群的属性及思维方式。
你必须了解你的领导做过什么,习惯的思维方式,否则你的报告他是看不懂的,你应该以领导的思维方式去写报告,而不是你自己的。因为你是给领导服务的。领导是你最大的客户,你的同事是你的伙伴,他们帮助你服务你的客户,而你真实的客户则是你的供货商,他们提供服务你领导一切素材。所以,你要利用你的供应商,在伙伴的帮助下,服务好你的客户。你必须理解你的‘客户’,‘伙伴’,‘供应商’在想什么,了解他们的思维方式,甚至爱吃什么,抽什么样的烟,喝什么样的咖啡,喜欢安静的喝茶,还是去泡吧。
3.熟悉心理学,并做过问卷调查等实验。
心理学必须学会,也许你是心理学毕业的,也许你说我很会说。其实一个EQ高的人和一个在社会上混了多年的人,不用学心理学也知道你在想什么。他们都是心理学的大家,虽然他们不会提心理学这个词。不过,这个只是社交。如果做一个网站,你要考虑你的用户在想什么,需要什么,什么情况下会到你的网站来。如果你的网站做个调查,或者要和客服咨询才能找到他要的答案,如价格,那他很可能在3秒内跳到其他网站去了。网站的推荐功能会使这个事情变的很容易。这也许就是ucd吧。
有关心理学还是从文化看起,看看西方文化简史,毕竟现在很多东西都是泊来品。中国文化史,不是社会史,也不是技术史。多了解当前客户群的文化背景。书么,我推荐马斯洛的书,经典的黑格尔的辨证哲学有时候还是毕竟有用的,毕竟马老先生的辨证哲学是从他这里演化过来的。
有了心理学基础去设计问卷就不是什么难事了。不用担心统计用户的答卷不真实。只要不是55开,就能统计整体意向,有成熟的模型的。
4.熟悉相关的行业知识:营销、技术、品牌等。
行业知识是必不可少的,要了解产品,营销,战略,品牌等等是需要很长时间的,像互联网行业,你要懂前台的ui设计,不要想加个修改功能会提供客户的满意度,但是技术实现可能要加几十个k的流量,如果是千万的用户对服务器,流量,都会压力大。而且pc, 移动终端的还要同步,更不要说,内容反复的修改了,本来说油价上涨的,可能改成奥沙利文大战希金斯了。
5.熟悉数学模型的缺点。
数学模型的实用都有自己的数据要求的,如对分布的数据要求均匀,不要太稀疏,欧式距离不要不均匀等等。只有熟悉的模型的缺点和适用范围,你才能保证自己的模型应用的够顺利,不要老盯着那些传统模型不放,那些模型都很经典,经典意味着通用,以为着不适合个例,意味着你要修改模型以适用于当前的情况,这要求你能懂的模型。
6.性格的韧度。
数据分析师经常会遇到这样的情况:1.辛苦做了几天的数据,对比事实根本不合理。2.由于模型的局 限性,数据的不良性产生的巨大误差。3.业务改变使自己的模型改变,进而使数据结果失效。4.报告的书写不够规范,被同事,老板骂。这些都需要我们自己去解决,而不是抱怨。没人想听到你的抱怨和一些消极的词汇,这只会让人感觉你的个人素质不足以满足不同人的需求。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03