CDA LEVEL 2考试大纲
编辑返回首页
CDA LEVELⅡ考试大纲
一、总体目标
CDA（Certified Data Analyst），即“CDA 数据分析师”，是在数字经济大背景和人工智能时代趋势下，面向全行业的专业权威国际资格认证，旨在提升全球用户数字技能，助力企业数字化转型，推动行业数字化发展。「CDA 人才考核标准」是面向全行业数据相关岗位的一套科学化、专业化、国际化的人才技能准则，CDA 考试大纲规定并明确了数据分析师认证考试的具体范围、内容和知识点，考生可按照大纲要求进行相关知识的学习，获取技能，成为专业人才。
二、考试形式与试卷结构
考试方式：线下考试，上机答题
考试题型：客观选择题（单选100题+多选20题+内容相关15题+案例分析15题）
考试时间：150分钟
考试成绩：分为A、B、C、D四个层次，A、B、C为通过考试，D为不通过
考试要求：闭卷上机答题，请勿携带与考试无关的用品。
三、知识要求
针对不同知识，掌握程度的要求分为【领会】、【熟知】、【应用】三个级别，考生应按照不同知识要求进行学习。
1．领会：考生能够了解规定的知识点，并能够了解规定知识点的内涵与外延，了解其内容要点之间的区别与联系，并能做出正确的阐述、解释和说明。
2．熟知：考生须掌握知识的要点，并能够正确理解和记忆相关理论方法，能够根据不同要求，做出逻辑严密的解释、说明和阐述。此部分为考试的重点部分。
3．应用：考生须学会将知识点落地实践，并能够使用相关数据分析工具(如Excel, Python等)进行实操。能够根据具体要求，给出问题的具体实施流程和策略。
四、考试科目
PART 1 数据采集与处理（占比9%）
a.数据采集方法（占比1%）
b.市场调研和数据录入（占比 3%）
市场调研流程
样本选取
问卷设计及录入
c.数据探索与可视化（占比2%）
d.数据预处理方法（占比3%）
PART 2 指标体系（占比3%）
a.指标标准
b.指标体系的定义和意义
c.构建指标库
PART 3 数据治理与数据模型管理（占比6%）
a.数据治理（占比3%）
数据治理的驱动因素
数据治理体系
数据应用域
b.数据模型管理（占比3%）
数据分类
关系模型
数据仓库体系和 ETL
PART 4 标签体系与用户画像（占比5%）
a.标签体系设计原理（占比 3%）
b.标签的加工方式（占比 1%）
c.用户画像（占比 1%）
PART 5 统计分析（占比25%）
a.抽样估计（占比 5%）
b.假设检验（占比 5%）
c.方差分析（占比 5%）
d.一元线性回归分析（占比 10%）
PART 6 数据分析模型（占比40%）
a.主成分分析法、因子分析法（占比 10%）
b.多元回归分析法
多元线性回归（占比 10%）
逻辑回归（占比 10%）
c.聚类分析法
系统聚类法（占比 2%）
K-Means 聚类法（占比 3%）
d.时间序列（占比 5%）
PART 7 数字化工作方法（占比 12%）
a.业务探查与问题定位（占比 3%）
b.问题诊断
近因分析（占比 3%）
根本原因分析（占比 2%）
c.业务策略优化和指导
业务目标设定原则（占比 1%）
知识库，策略库，流程分析（占比 1%）
线性和整数规划（占比 1%）
二次优化（占比 1%）
五、科目内容
PART 1 数据采集与处理
1、数据采集方法
【领会】
一手数据与二手数据来源渠道
优劣势分析
使用注意事项
【熟知】
一手数据采集中的概率抽样与非概率抽样的区别与优缺点
【运用】
概率抽样方法，包括简单随机抽样、分层抽样、系统抽样、分段抽样明确每种抽样的优缺点
根据给定条件选择最可行的抽样方式
计算简单随机抽样所需的样本量
2、市场调研和数据录入
【熟知】
市场调研的基本步骤（提出问题、理论推演、收集材料、构建模型、归因分析）
样本选取方式的适应性及优缺点
问卷设计原理，问卷题型设置以及每类题型的数据编码及录入
3、数据探索与可视化
【领会】
数据探索的目的与意义
常用数据可视化工具软件（EXCEL BI、SPSS、PYTHON等）
【熟知】
数据探索与数据预处理之间的关系
数据探索常用数据描述方法：集中趋势分析、离中趋势分析、数据分布关系、图分析
数据探索常用数理统计方法：假设检验、方差检验、相关分析、回归分析、因子分析
【应用】
能够通过使用数据可视化工具（EXCEL BI、SPSS、PYTHON 等）来完成相关数据分析项目的数据探索任务。（说明：考试中不会考核该部分工具和软件的使用方法）。
4、数据预处理方法
【熟知】
数据预处理的基本步骤，包括数据集成（不同数据源的整合）、数据探索、数据变换（标准化）、数据归约（维度归约技术、数值归约技术），这部分内容不涉及计算，只需要根据需求明确可选的处理技术即可。
【应用】
数据清洗，包括填补遗漏的数据值（根据业务场景使用常数、中位数、众数等方法，不涉及多重查补的方法）、平滑有噪声数据（移动平均）、识别或除去异常值（单变量根据中心标准化值，多变量使用快速聚类），以及解决不一致问题（熟知概念即可），查重（只考核 SQL 的语句，不涉及其它语言）。
PART 2 指标体系
【领会】
指标标准
构建指标体系的意义
【熟知】
指标体系的定义和概念
构建指标库
PART 3 数据治理与数据模型管理
1、数据治理
【领会】
数据治理的驱动因素
数据治理、数据管理、数据应用的概念
数据治理域、数据管理域、数据应用域各自包含的内容及工作
【熟知】
元数据、主数据、交易数据的概念
数据质量要求
2、数据模型管理
【领会】
数据和信息的概念
数据库建模中概念、逻辑、物理模型之间的关系
数据库范式的概念、数据仓库和数据集市、ETL过程
【熟知】
关系模型与维度模型的使用场景
PART 4 标签体系与用户画像
1、标签体系设计原理
【领会】
区分标签和指标的概念
精准营销的概念
消费者决策进程
用户分群发展历程
【熟知】
分层标签和分群标签
马斯洛需求层次理论
用户标签和用户画像的关系
2、标签的加工方式
【领会】
标签的时态角度分类
【熟知】
基础、统计、模型标签
3、用户画像
【领会】
细分市场和STP模型
用户画像的概念
标签在数据科学的作用
【熟知】
用户细分的方法
用户分群的精准营销
用户画像在EDIT模型中的作用和应用
PART 5 统计分析
1、抽样估计
【领会】
随机试验、随机事件、随机变量的概念
总体与样本的概念
抽样估计的理论基础
正态分布及三大分布的图像形式
三大分布的构造原理
【熟知】
随机事件的概率
点估计与区间估计方法的特点与优缺点
总体与样本
参数和统计量
重复抽样与不重复抽样
常见的抽样分布
【应用】
随机变量及其概率分布
根据不同的场景，选择合适的统计量进行总体的参数估计
2、假设检验
【领会】
假设检验的基本概念
其基本思想在数据分析中的作用
假设检验的基本步骤
假设检验与区间估计的联系
假设检验中的两类错误
【熟知】
检验统计量、显著性水平及对应临界值（Critical Value）的基本定义
P 值的含义及计算
如何利用 P 值进行检验
z 检验统计量
t 检验统计量
F 检验统计量
𝜒2检验统计量
【应用】
实现单样本 t 检验
实现配对样本 t 检验
两独立样本 t 检验的步骤和检验中使用的统计量与原假设
两种检验应用的数据分析场景
3、方差分析
【领会】
方差分析的相关概念
单因素方差分析的原理
多因素方差分析的原理
方差分析的统计量构造过程
【熟知】
单因素方差分析的基本步骤
总离差平方和（SST）的含义及计算
组间离差平方和（SSA）的含义及计算
组内离差平方和（SSE）的含义及计算
单因素方差分析的原假设
多因素方差分析的种类
列联表检验的原理
【应用】
实现单因素方差分析的步骤
实现多因素方差分析的步骤
对方差分析表的解读
4、一元线性回归分析
【领会】
相关分析散点图的绘制与作用
相关系数的计算公式
【熟知】
相关分析的概念与特点
相关关系与函数关系的区别与联系
相关关系的种类及意义
一元线性回归系数的最小二乘估计
一元线性回归模型的检验
【应用】
计算相关系数与回归系数
回归分析与相关分析的区别与联系
PART 6 数据分析模型
总体要求
领会模型基本原理，数值模型操作流程，懂得模型应用场景，能够完成数据建模分析报告。
1、主成分分析
【领会】
矩阵分析法的基本思想
主成分分析的原理
主成分分析的计算步骤
【熟知】
适用于主成分分析的变量类型
主成分的个数的保留原则
【应用】
在深入理解主成分的意义的基础之上，在遇到业务问题时，有能力决定是否使用主成分分析方法
明确主成分分析的适用场景
2、因子分析
【领会】
了解因子分析模型设置，只需要关注主成分法的计算步骤
【熟知】
适用于因子分析的变量度量类型，通过分析结果，选取合适的因子个数
常用因子旋转的方法
主成分分析与因子分析的联系与区别
【应用】
在遇到业务问题时，有能力决定使用因子分析还是主成分分析
有能力根据原始变量在各因子上的权重明确每个因子的意义
在聚类前对数据进行描述，发现理想的聚类方式和数量
3、回归分析
【领会】
多元线性回归的原理
【熟知】
使用最小二乘法计算多元回归模型的结果
明确线性回归的 6 个经典假设
明确违反上述假设后出现的问题以及解决方法
明晰横截面和时间序列数据在回归建模上的差异
模型评估、模型检验、系数检验
【应用】
结合业务构建回归模型并且解释回归系数
根据业务场景与变量分布情况进行函数转换
解释变量为分类变量时的处理方法
4、分类分析
【领会】
卡方检验计算原理与公式
二分类逻辑回归的计算公式
【熟知】
分类变量是否存在相关关系的描述方法和检验方法，涉及列联表分析、卡方检验与 Logit 转换
二分类逻辑回归模型构建与变量筛选
模型评估的方法，涉及混淆矩阵、ROC 曲线、由混淆矩阵衍生出来的评估指标
【应用】
结合业务构建分类模型并且解释回归系数
根据模型结果进行新样本预测
进行客户流失预测、信用评级、精准营销等模型的基本步骤与注意事项
5、聚类分析
【领会】
用户细分与聚类的关系
聚类分析的基本概念
【熟知】
聚类模型的评估方法
聚类方法的基本逻辑，涉及层次聚类、kmeans聚类
层次聚类和 K-Means 聚类的基本算法和优缺点
层次聚类的计算步骤，包括两点距离、两类合并的计算方法
K-Means 聚类的基本算法
聚类分析变量标准化的原因和计算方法
变量需要进行主成分分析的原因
距离的计算
【应用】
结合客户画像、客户细分、商品聚类、离群值检验（欺诈、反洗钱）等业务运用场景，选取合适的聚类方法与步骤。
聚类事后分析，根据聚类后变量分布情况获取每类的特征。
6、时间序列
【领会】
时间序列分析原理
【熟知】
时间序列分析的方法
明确趋势分解法、ARMA方法、ARIMA 方法差异和适用场景
ARIMA方法的建模流程
【应用】
结合业务（业绩预测、预警），选取合适的分析方法
进行业务时间序列预测等模型的基本步骤与注意事项
PART 7 数字化工作方法
1、业务探查与问题定位
【领会】
异常事件严重度评估准则。
业务流程等事件还原工具。
【熟知】
业务流程图的绘制。
2、问题诊断
【领会】
近因分析的头脑风暴法与量化分析分析工具的选取。
根本原因分析中的5WHY分析法，原因型和对策型因果图。
【熟知】
通过帕累托分析识别要点。
通过散点图、关联图、亲和图进行关联分析。
通过漏斗分析、用户画像、留存分析、跟踪数字足迹进行探查。
绘制原因型因果图。
3、业务策略优化和指导
【领会】
业务目标设定原则
线性规划的组成部分、标准形式。
整数规划与去尾法线性规划的差异性。
二次规划的组成部分、标准形式。
知识库的类型和组成部分。
策略库的类型和组成部分。
【熟知】
线性规划的建模步骤。
二次规划的建模步骤。
流程优化的分析方法和工具。
【应用】
根据题目要求给出目标函数和约束条件。
六、推荐学习书目
说明：推荐学习书目中，部分书籍结合软件，但考试中不考查软件操作使用，考生可根据自身需求选择性学习。参考书目不需全部学完，根据考纲知识点进行针对性学习即可。
[1] 常国珍等.商业策略数据分析.电子工业出版社,2023.(必读)
[2] 赵仁乾，常国珍等.金融商业算法建模:基于python和SAS[M].机械工业出版社,2021.(必读)
[3] 比约恩等.根原因分析-简化的工具和技术(第2版)[M].中国人民大学出版社,2011.(必读)
[4] 常国珍等.Python数据科学：技术详解与商业实践 [M].机械工业出版社,2018.(必读)
[5] 贾俊平,何晓群,金勇进.统计学(第8版)[M].中国人民大学出版社,2021.(选读)
[6] 金勇进,杜子芳等.抽样技术(第5版).中国人民大学出版社,2021.(选读)
[7] 数据管理协会(DAMA国际).DAMA数据管理知识体系指南(原书第2版)[M].机械工业出版社,2020.(选读)
[8] 韩伯棠,管理运筹学(第5版)[M].高等教育出版社,2020.(选读)
[9] 任寅姿,季乐乐等.标签类目体系[M].机械工业出版社,2021.(选读)