上课方式

面授

上课校区

招生对象

对数据分析有兴趣，有一定的抗压力与耐心、学习能力的学员

课程目标

运用Excel创建各类数据统计分析报表和图表！

课程详情

授课机构

教学点

同类课程

学员评论

成都数据分析费用根据所报读的班级不同，价格从三千到一万不等，详情请咨询客服。大数据对所有企业来说都是一个新的机遇。企业只有拥有了像CDO、数据科学家、数据分析师这样的专业人才，才有可能将技术与业务有机地结合在一起，从而确保大数据项目的成功开展。

成都CDA数据分析课程

数据分析课程

课程简介

数据分析就业班所培训的技能，对口业务数据分析相关岗，学员只需要在培训过程熟练掌握工具操作和业务逻辑，在老师的项目实操下掌握业务分析流程，可获得进入业务数据分析岗所要求掌握的基本技能，常用技能重点教学，针对就业夯实基础。

学习对象

基础薄弱数据类岗位从业者，系统提升专业技能；产品、运营、营销、财务等业务部门在职者，提升数字化工作效率；研发、中台、技术类部门在职者，数字化赋能支持业务发展；企业创始人、经理人、管理咨询类岗位从业者，把握数字化转型方案及流程。

常用的数据分析工具

在众多的数据分析工具中，Excel属于常用、基础、易上手的一款数据分析工具。Excel的功能十分强大，它不仅提供了众多的数据处理功能，像Excel函数能够帮助我们做数据整理，数据透视表帮助我们快速、高效的做各种维度分析，形形色色的图表能帮我们形象地展示出数据背后隐藏的规律，同时Excel还有很专业的数据分析工具库，包括描述性统计分析、相关系数分析等。Excel对于转行数据分析的小白来说，应该是最友好的。大家都知道“转行”其实是一件很困难的事儿，但是你学会了Excel，是完全可以找到一份“数据”相关的工作的，只有踏进数据领域，你才有可能从事其它更多的数据岗位。

学什么？重点我们帮你圈

课程版块	课程内容
数据分析概述	数据分析分类；数据分析目的及意义；数据分析方法与流程；数据分析角色与职责；数据分析师职业道德与行为准则
业务分析方法与业务分析报告	表格结构数据特征；表格结构数据获取方法；表格结构数据引用、查询与计算方法；数据驱动型业务管理；指标的应用；财务指标的分析与应用；业务场景指标；指标的设计、使用及分析案例；业务指标综合分析案例；可视化分析方法
统计分析基础	统计学概述；数据的概括性度量；统计分布；参数估计；假设检验；相关分析
多维数据分析与可视化分析	表结构数据特征；表结构数据获取；表结构数据加工与使用；ETL及数据仓库应用；多表透视分析逻辑；多维数据模型；透视分析方法；多表透视分析应用案例；客户分析；产品分析；运营分析
SQL数据库应用基础	数据库基本概念；DDL数据定义语言；DML数据操作语言；单表查询；多表查询；函数
SQL大厂面试直通车	SQL大厂面试题突击训练；查询应用案例1 -- 电商多表查询案例；查询应用案例2 -- 零售业多表查询案例
大型数据分析综合项目现场实战	跨国企业完整数据分析实战案例；学生现场探索性实操；项目现场专家评审与1V1指导
Python编程基础	Python基础知识；Python标准数据类型；控制流语句；自定义函数
Python数据清洗与可视化	Numpy数组分析；Pandas数表分析；Pandas数据清洗与可视化；Python数据可视化包-Matplotlib介绍；Python数据可视化包-Seaborn介绍与图形绘制
Python数据分析案例及Python统计分析	斯德哥尔摩气候可视化分析；餐饮订单数据清洗与分析；文本数据分析之QQ聊天信息可视化分析；回归分析；模型的诊断与调优；用户行为显著影响因素分析案例；用户复购预测分析案例
数据分析师职业规划课	职业规划；职场沟通力；团队协作力培养
面试技巧一对一辅导	1V1面试技巧指导与简历修改

选择我们，值得信赖

师资与课程研发

课程注重结合实际，把具技术含量、具价值理念的课程传授给学员。课程注重启发式教学，让学员在动手解决问题中去学习。

内容注重阶梯化

内容设计更注重阶梯化、体系化的原则，每个学员不论学习和工作的背景如何，都能找到适合自己的课程，并不断学习提高。

作业与测试

课程会安排相关课后作业，确保同学课下能够进行适当练习，保证当日学习效果。除了作业，还会组织学员进行阶段性测试。

数据分析师要掌握的能力

数据挖掘的能力。数据挖掘是面对海量数据时进行数据价值提炼的关键，以下是算法选择的基本原则：没有最好的算法，只有最适合的算法，算法选择的原则是兼具准确性、可操作性、可理解性、可应用性。没有一种算法能解决所有问题，但精通一门算法可以解决很多问题。挖掘算法最难的是算法调优，同一种算法在不同场景下的参数设定相同，实践是获得调优经验的重要途径。在数据挖掘阶段，数据分析师要掌握数据挖掘相关能力。一是数据挖掘、统计学、数学基本原理和常识;二是熟练使用一门数据挖掘工具，Clementine、SAS或R都是可选项，如果是程序出身也可以选择编程实现;三是需要了解常用的数据挖掘算法以及每种算法的应用场景和优劣差异点。

核心师资，鼎力带学