京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18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