CDA数据分析师等级认证(Certified Data Analyst Certificate)

CDA(Certified Data Analyst),亦称“CDA数据分析师”,指在互联网、零售、金融、电信、医学、旅游等行业专门从事数据的采集、清洗、处理、分析并能制作业务报告、提供决策的新型数据分析人才。CDA秉承着总结凝练最先进的商业数据分析实践为使命,明晰各类数据分析从业者的知识体系为职责,旨在加强全球范围内正规化、科学化、专业化的大数据及数据分析人才队伍建设,进一步提升数据分析师的职业素养与能力水平,促进数据分析行业的高质量持续快速发展。至今,CDA持证人已遍布在世界范围各行各业,包括世界500强企业、顶尖科技独角兽、大型金融机构、国企事业单位、国家行政机关等等,“CDA数据分析师”人才队伍遵守着CDA职业道德准则,发挥着专业技能,已成为支撑科技发展的核心力量。

“CDA数据分析师认证”是一套专业化,科学化,国际化,系统化的人才考核标准,分为CDA LEVELⅠ ,LEVEL Ⅱ,LEVEL Ⅲ,涉及金融、电商、医疗、互联网、电信等行业大数据及数据分析从业者所需要具备的技能,符合当今全球大数据及数据分析技术潮流,为各界企业、机构提供数据分析人才参照标准。

CDA人才能力标准

以下为CDA人才能力概要,每个等级分别从理论基础、软件工具、分析方法、业务分析、可视化五个方面进行了要求,只有同时满足各个方面的要求才是一名优秀的数据分析人才。

级别Level I
(业务分析师)
Level II
(建模分析师)
Level II
(大数据分析师)
Level III
(数据科学家)
理论
基础
概率论、统计学理论基础统计学、概率论和数理统计、多元统计分析、时间序列、数据挖掘概率论和数理统计、Python基础、Linux基础、数据挖掘和机器学习统计学、大数据、机器学习、数据治理和项目管理
软件
要求
必要:Excel、SQL
可选:Python、SPSS、R等
必要:Excel、SQL
可选:Python、R、SPSS Modeler、Spark等
必要: SQL、Hadoop、HDFS、Mapreduce、Hbase、Hive、Sqoop、Spark
可选:Kafka、Flume、ZooKeeper等
必要:Excel、SQL、Python、Hadoop、Spark
可选:R、SAS、Tensorflow等
分析方
法要求
掌握基本数据预处理方法,SQL数据库技术,数据分析方法(描述性统计分析,推断性统计分析,方差分析,线性回归等);市场调研(数据报告),常用数据分析模型(聚类分析、逻辑回归、时间序列等)。
除掌握基本数据处理及分析方法以外,还应掌握高级数据分析及数据挖掘方法(特征工程、贝叶斯、决策树、神经网络、支持向量机、集成方法、关联规则、序列模式等)和可视化技术。
熟练掌握hadoop集群搭建;熟悉nosql数据库的原理及特征,并会运用在相关的场景;熟练运用Spark及Spark MLLib算法库提供的进行大数据分析的数据挖掘算法,包括无监督算法(k-means算法、DBSCAN算法、FP-Growth)、有监督学习算法(决策树、SVM、贝叶斯、集成算法、神经网络、协同过滤)等算法的原理和使用范围除掌握数据分析和挖掘的方法之外,还需了解数据治理技术,计算机编程技术,机器学习,人工智能,大数据分析架构以及业务分析方法,包括代码管理、敏捷分析、战略分析,产品管理,风险管理、客户关系管理,项目管理,运营管理等结合具体行业的业务分析方法。
业务分
析能力
熟知业务,能够根据问题业务指标提取公司数据库中相关数据,进行整理、清洗、处理,通过相应数据分析方法,结合软件平台应用完成对数据的分析和报告。可以将业务目标转化为数据分析目标;熟悉常用算法和数据结构,熟悉企业数据库构架建设;针对不同分析主体,可以熟练的进行维度分析,能够从海量数据中搜集并提取信息;通过相关数据分析方法,结合一个或多个数据分析软件完成对海量数据的处理和分析。熟悉hadoop+hive+spark进行大数据分析的架构设计,并能针对不同的业务提出大数据架构的解决思路。掌握hadoop+hive+ Spark+tableau平台上Spark MLlib、SparkSQL的功能与应用场景,根据不同的数据业务需求选择合适的组件进行分析与处理。并对基于Spark框架提出的模型进行对比分析与完善。带领数据团队,能够将企业的数据资产进行有效的整合和管理,建立内外部数据的连接;熟悉数据仓库的构造理论,可以指导ETL工程师业务工作;可以面向数据挖掘运用主题构造数据集市;在人和数据之间建立有机联系,面向用户数据创造不同特性的产品和系统;具有数据规划的能力。
结果展
现能力
能够形成逻辑清晰的报告,传递分析结果,对实际业务提出建议和策略。报告体现数据挖掘的整体流程,层层阐述信息的收集、模型的构建、结果的验证和解读,对行业进行评估,优化和决策。报告能体现大数据分析的优势,能清楚地阐述数据采集、大数据处理过程及最终结果的解读,同时提出模型的优化和改进之处,以利于提升大数据分析的商业价值。
报告形式多样化,图文并茂,逻辑严密。为企业数据资产管理提供详细方案,对企业发展提供数据规划策略。

留下评论

电子邮件地址不会被公开。 必填项已用*标注