【干货】CDA一级知识点拆解1：《CDA一级商业数据分析》第1章 数据分析思维

第一章 数据分析思维

考点1：UVCA时代的特点

引入军事领域的概念VUCA，来阐述当前及未来社会的特点

VUCA 时代是一个兼具易变性 （环境变化快且难预测）、不确定性 （信息不完整难精准预判）、复杂性 （问题涉及多关联因素致解决难度大）、模糊性（信息模糊增加决策风险）的复杂商业与社会环境时代。

考点2：数据分析背后的逻辑思维方法论

引入逻辑思维方式中的基本方法论，即从个别到一般的归纳法及从一般到个别的演绎法，来为 VUCA 时代下的数据分析搭建核心思维框架，匹配该时代的数据分析需求。

1. 归纳方法在数据分析中的应用（从个别到一般的推理方法）

核心是通过具体数据案例提炼规律，在 VUCA 时代的应用特点：

• 描述性分析：需更快速完成，借助实时数据汇总、可视化（如销售 / 客户行为数据），帮助企业及时掌握业务现状，降低环境不确定性。

• 诊断性分析：需更精准、深入，通过数据挖掘等技术识别问题根源，挖掘潜在问题与机会，适配环境的复杂性与不确定性。

• 预测性分析：需更高准确度与速度，依托时间序列分析、机器学习等技术预测趋势 / 用户行为，助力企业及时调整策略。

2. 演绎方法在数据分析中的应用（从一般到个别的推理方法，又称规范性分析）

核心是基于通用原理推导具体数据结论，在 VUCA 时代的应用特点：

• 最优方案寻找：模拟多业务场景、评估策略数据效果，帮企业在复杂环境选定适配方案

• 决策支持：为管理层提供客观数据依据，降低 VUCA 环境下的决策风险

考点3：流程化企业的数据分析需求

引入流程化企业的运营模式特点，以及数据分析在流程关键节点（尤其是"判断"节点）的作用，来明确流程化企业对数据分析的核心需求，支撑企业实现高效、精准的流程运转与决策。

1. 流程化企业的主要特点（数据分析的环境基础）

核心是企业以流程为导向优化运营，其特点决定了对数据分析的适配性需求：

• 组织结构与流程导向：以流程规划部门/分工，需数据分析支撑流程标准化与信息流转效率

• 用户与市场导向：以用户/市场需求优化流程，需数据分析快速捕捉需求变化

• 过程与效率优化：以时间为核心优化流程环节，需数据分析评估流程效率并持续迭代

• 信息化与自动化：借信息化/自动化落地流程，需数据分析实现数据实时共享与智能执行

2. 数据分析在流程中的核心作用（需求的具体落地）

核心是通过数据分析支撑流程建模 与 "判断" 节点的决策，满足流程高效运转的需求：

• 支撑流程建模：将业务流程抽象可视化（如流程图），需数据分析辅助流程的理解与优化

• 优化"判断"节点决策：

  • 优化决策过程：通过数据收集/分析提供科学依据，减少主观臆断，助力快速响应变化

  • 提高判断准确性：借AI/机器学习构建模型，提升判断的精准度与效率

  • 实现多角度分析：挖掘数据隐藏规律，避免判断的片面性

考点4：企业数字化转型的进展

以移动互联网、物联网等新技术为背景，数据成为国家战略资源与企业核心资产，企业数字化转型聚焦于商业模式、架构模式、企业形态的转变，通过数据管理与应用实现价值变现，支撑业务增长与竞争优势。

1. 以用户体验为中心的商业模式

核心是从 "以产品为中心" 转向 "以用户为中心" ，将用户体验作为核心竞争要素，需建立与用户的紧密联结：

• 建立场景：依据用户属性、消费能力聚焦目标群体，挖掘有价值的用户场景

• 扩大联结：实时与用户互动提供连贯服务，同时联动外部伙伴构建生态，为用户提供全方位服务

• 产生洞察：对不同来源的用户数据进行识别**（One ID）** 、整合用户数据并提炼用户标签**（One Entity）** 、提供用户画像服务**（One Service）**；利用大数据和数据分析产生对用户特征、偏好、需求等的洞察。

• 产生影响：基于用户的特征、偏好和体验，提供有价值的产品和服务，树立差异化。

• 强化黏性：基于场景开发、完善产品和交互界面，丰富用户服务内容，提高服务频率，从而提高用户黏性，提升用户终身价值。

2. 以数据分析为中心的架构模式转型

核心是云模式驱动下，企业数据架构从 "以业务应用为中心" 转向 "以数据分析为中心" ，解决传统架构的数据孤岛等问题：

• 架构特点：搭建综合性数据分析平台，集成多业务数据，配备专业分析团队与统一数据管控机制

• 转型价值：实现数据集中高效分析，支撑数据驱动的决策与业务创新，需技术、组织、文化的全面支持

3. 感知型企业的发展目标

核心是Teradata提出的"感知型企业"（可感知环境并自动化决策），其演进分为五个阶段：

• 敏捷分析平台：实现数据源集中管理，用高质量指标数据 高效开展经营分析

• 行为数据平台：从宏观指标分析 转向微观个体/设备的行为预测 ，挖掘高价值商业洞察

• 协同思维平台：数据科学家与业务专家结合，形成敏捷团队解决业务问题

• 分析应用平台：构建自助式分析环境，赋能业务客户自主分析并快速落地行动

• 自主决策平台：无缝集成分析流程，实现少人工干预的自主数据聆听与实时业务决策

考点5：企业数据应用能力

基于感知型企业模型，数据应用能力分为三个阶段；同时，企业不同决策层级（战略、管理、运营、操作）因决策目标差异，对应着差异化的数据需求与数据产品类型。

1. 企业数据应用能力的三个阶段核心是从"回顾历史"向"预测决策"再到"自动化运营"的进阶：

• 阶段一：只看后视镜：回顾过去 ，建立KPI、价值树等经营分析指标体系，仅侧重历史经营情况的复盘

• 阶段二：向前向后看：预测未来 ，通过微观个体行为预测技术 （如客户响应、流失率），依托用户标签/事件制定优化策略

• 阶段三：自动驾驶：实现 全自动化运营 ，依据外部环境、客群/产品变化，自动完成数据采集、模型构建与运营策略寻优

2. 企业决策层级及对应数据需求不同层级因决策目标不同，对应差异化的数据产品、范围与分析逻辑：

• 战略层

  • 决策目标：明确 "做什么/为什么做"，支撑长期战略制定

  • 数据产品：宏观行业分析类（SI）

  • 数据范围：市场/行业外部数据（如国家统计、行业报告）

  • 分析工具：PEST、SWOT、波特五力、BCG矩阵等，从宏/中/微观层规划战略方向

• 管理层

  • 决策目标：明确 "做得如何"，跟踪经营结果

  • 数据产品：统计报表类（BI）

  • 数据范围：企业内部数据（从业务系统获取）

  • 分析工具：价值驱动树 等，分解经营结果与影响因素，跟踪绩效指标

• 运营层

  • 决策目标：明确 "如何做"，优化运营策略

  • 数据产品：策略优化类（TI）

  • 数据范围：企业内部+外部供应商数据

  • 核心关注：用户旅程 与互动策略，优化用户体验与个性化服务

• 操作层

  • 决策目标：明确 "怎么做" ，支撑具体操作执行

  • 数据产品：人工智能类（AI）

  • 数据范围：企业内部+外部供应商+采集工具数据

  • 核心功能：替代繁重操作、日常维护提醒、识别客户意向/风险 ，实现任务自动化

考点6：数据分析的基本概念

围绕数据分析的基础要素（数据、数据模型）、分析分类及商业应用框架展开，明确数据分析的底层逻辑与落地方法，支撑企业数据应用的全流程。

6.1 对数据的理解

核心：明确 数据的定义 、层级关系及企业数据管理视角下的类型，是数据分析的基础素材认知。

要点：

• 数据定义：对客观事物的记录符号 ，包括数字、文字、音视频等可识别的抽象符号

• DIKW模型：呈金字塔层级，即**"数据（原始素材）→信息（有逻辑的数）→知识（经整合的经验）→智慧（合理决策的能力）"**

• 数据管理视角的类型：

  • 主数据：描述业务实体（如人、产品）

  • 交易数据：记录业务事件（如订单、通话记录）

  • 统计分析数据：业务活动的数值指标（如用户数、销售额）

  • 参考数据：用于分类的标准值（如用户等级A/B/C）

  • 元数据：描述数据的数据（含技术/业务元数据）

（注：主数据、交易数据、参考数据为基础数据，统计分析数据为指标数据）

6.2 对数据模型的理解

核心：明确数据在数据库中的组织方式，区分不同数据模型的定位与应用，支撑数据的有效存储与提取。 要点：

• 数据相关模型辨析：

  模型类型	侧重点	应用领域
  数据分析模型	提取数据价值	商业分析等
  统计分析模型	用统计学方法分析	经济学等
  数据挖掘模型	从大数据取业务价值	市场营销等
  算法模型	描述问题解法	计算机科学等
  数据模型	数据的抽象与操作框架	数据库设计等

• 基础数据模型：关系模型（以E-R图呈现），描述业务实体（如客户、合同）及关系，通过主外键关联数据

• 指标数据模型：维度模型（常为星形多维模型） ，由**事实表（数值型数据）和维度表（分析视角）**组成，适配多维度指标分析

6.3 数据分析的分类

核心：按分析阶段 与方法层级 分类，适配企业不同决策层级的需求，明确数据分析的落地路径与价值定位。

要点：

• 数据分析的阶段（从需求到输出）：

  1. 需求层：依战略/管理/运营/操作层，确定差异化分析目标

  2. 数据层：完成数据获取、清洗、整理

  3. 分析层：用统计制图、用户画像 等技术，依托商业/归因/算法模型

  4. 输出层：对应决策层输出报告（如战略报告→战略层、数据看板→管理层）

• 数据分析的方法层级：

  • 描述性分析：总结业务现状（如日常业务统计、可视化）

  • 诊断性分析：挖掘事件原因（如异常检测、广告效果归因）

  • 预测性分析：预测未来趋势（如销售预测、用户行为预测）

  • 规范性分析：提供决策建议（如贷款最优利率制定）

6.4 商业数据科学应用框架 EDIT

核心：整合数据分析方法的落地框架，分模块支撑企业业务场景中的数据应用，实现从探索到落地的闭环。 要点：

• 探索（E）：构建指标体系 ，输出业务监控看板，实时展示业务运行状态

• 诊断（D）：用定性+定量 方法，定位业务指标异常的核心影响因素

• 指导（I）：依托知识库/策略库 ，制定业务优化策略（如按用户画像分配营销资源）

• 工具（T）：含数据工具（整合企业各类数据）与算法工具（支撑价值经营等场景），由技术部门提供支持

两个综合案例

案例1：广告投放效果归因

比如领导想知道广告投放效果如何，就需要我们对营销效果进行评估。

可以对比广告投放之前与之后销售量的变化来评价广告的效果，通过简单的描述统计即可做到。

但是领导又会追问："销售量的提升真的与这次广告的投放有关系，而不是受到外面的经济环境影响？"

为了回答这个问题，我们需要从业务宏观层面分析，从而明确广告投放是否为销售增长的原因。

这时，简单的描述分析就不足以回答这个问题了，还要用到统计分析中的实验设计、假设检验等工具。

通过控制其他影响销售量的因素，并结合假设检验方法可以发现，广告费用投入之后确实导致了销售收入的显著提升，因此可以说广告投入是本次销售量增长的原因。

但是，如果我们想弄清楚广告到底是在哪个渠道、哪些产品或者哪些人群中才会发挥出更佳效果，就需要进行微观层面分析。

首先要结合客户的性别、年龄、地域、喜好等标签进行用户画像的动态变化分析。

然后通过对微观层面 的模型归因分析，制定出业务归因分析与优化策略报告，这也是面向运营层面的应用。最后根据分析结果，制定精准营销策略。

针对不同的用户实现不同的广告投放策略，需要借助算法模型。这里需要用到的是数据挖掘 相关算法，深度分析每个用户的喜好，建立模型进行预测。

而最终形成的数据挖掘报告是面向操作层的，即一线运营协同进行业务分析和判断，保证报告符合业务人员认知。

之后就要实现具体的模型落地，也就是面向 IT 层面由技术人员实施。

案例2：某电商平台美妆品类用户复购率下滑

电商运营负责人发现 "最近业绩不对劲"，需要全链路分析复购问题：

1. 描述性分析（商业智能："事后诸葛亮"）

• "发生了什么事？"：先通过常规报表看到 "近 30 天平台整体复购率从 25% 降至 18%"，核心指标出现明显下滑；

• "数量、频率如何？"：通过即席查询补充细节 ------ 复购用户数减少 2.3 万，其中 "月复购≥3 次" 的高频用户占比从 12% 跌到 8%；

• "问题究竟出在哪里？"：再做多维分析（按品类、用户层级拆分）------ 发现美妆品类复购率下滑最严重（从 30%→15%），且 "注册＜30 天的新用户" 复购率几乎腰斩（从 20%→9%）。

2. 诊断性分析（洞察力）

指标异常触发报警后，进入诊断环节：

• "为什么会发生？"：用统计分析对比同期数据 ------ 美妆品类最近上新的 3 款新品差评率达 22%（远高于品类均值 5%），且新用户首单赠品的发放延迟率超 40%（原标准＜10%）；

• "采取什么行动？"：先落地紧急措施 ------ 临时下架差评新品，加急补发新用户的延迟赠品，初步遏制复购率进一步下滑。

3. 预测性分析（远见）

• "不采取行动的话，这种趋势会怎样？"：用时间序列模型预测群体趋势------ 若维持现状，下月整体复购率会跌到 12%，美妆品类月营收将减少 150 万；

• "每个个体会发生什么？"：用分类模型预测个体行为------ 识别出 2.8 万 "高流失风险的美妆复购用户"（其中 80% 是差评新品的购买者），以及 1.2 万 "可召回的新用户"（因赠品延迟未复购）；

• 基于这些结论完成预测性建模：输出 "用户召回优先级清单"，标记出不同用户的敏感权益类型。

4. 规范性分析（分析能力）

• "能否找到可能最好的方案？"：通过多目标优化（兼顾成本与复购率），制定分层策略：

• 对美妆高价值复购用户：推送 "专属新品体验券 + 差评品补偿礼包"；

• 对延迟赠品的新用户：补发赠品 + 额外加赠 "首单满减券"；

• 优化美妆上新流程：增加 "预售小样测评" 环节，避免差评品大规模上架。

• 最终通过 A/B 测试验证：该策略能让复购率回升至 26%，且成本仅为 "全量补贴" 的 30%，实现了效果与成本的最优平衡。

如果你也想学着用数据解决问题，比如做用户分析、提升转化率，其实可以看看CDA数据分析师认证，CDA数据分析特别注重业务分析，学会了这些，不管是换工作做数据分析，还是在现在的岗位上帮公司做决策，都能用得上。

CDA数据分析师证书，与CPA注会、CFA特许金融师并驾齐驱，其权威性与实用性不言而喻。在互联网行业中，应用数据分析是非常适配的，该行业数据量庞大、发展快。CDA数据分析师在互联网行业的数据岗中认可度非常高，一般都要求考过CDA数据分析师二级，CDA二级中包含了模型搭建的详细内容，对于数据岗的工作来说特别有帮助。

CDA数据分析师之所以备受青睐，离不开它广泛的企业认可度。众多知名企业在招聘数据分析师时，都会明确标注CDA持证人优先考虑。像是中国联通、德勤、苏宁等大型企业，更是将CDA持证人列为重点招募对象，甚至为员工的CDA考试提供补贴，鼓励他们提升数据处理与分析能力。这足以证明，CDA证书在求职过程中，能为你增添强大的竞争力，使你从众多求职者中脱颖而出。

CDA数据分析师在银行业的数据岗中认可度非常高，一般都要求考过CDA数据分析师二级，CDA二级中包含了模型搭建的详细内容，对于数据岗的工作来说特别有帮助，一些企业可以给报销考试费。