A15 CDA数据分析师认证之数据挖掘实战培训

第一篇：A15 CDA数据分析师认证之数据挖掘实战培训

CDA数据分析师认证之数据挖掘实战培训

【授课对象】

本课程为参加CDAII（建模分析师）认证的数据分析与数据挖掘专业人员，为数据挖掘高级班，要求有一定的数学基础，掌握概率论和统计理论基础，有一定的数据分析经验。

适合于如下人员：数据分析师、大数据系统研发人员、大数据系统架构师、业务支撑部等对业务数据分析与挖掘有专业要求的相关人员。【课程目标】

CDA（Certified Data Analyst）全称“注册数据分析师”，由“CERTIFIED DATA ANALYST INSTITUTE（CDA数据分析师协会）”发起成立的职业简称，旨在培养正规化、科学化、专业化的数据分析人才队伍，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。CDA数据分析师面向商业职场数据分析，分为三个等级，在国内由人大经济论坛主办资格考试，通过考试者可以获得CDA协会颁发的数据分析师资格证书，此证书代表数据分析师人才技能水平，为企业事业单位选拔和聘用专业人才的参考依据。

本课程为CDAII（建模分析师）课程培训大纲。本课程基于CDA的认证知识要求，围绕商业问题，全面介绍了数据挖掘的标准流程，数据预处理，数据挖掘方法，数据挖掘模型，模型评估，模型参数优化，等等，使得学员掌握数据挖掘的方法、模型、工具。

通过本课程的学习，达到如下目的：

1、了解数据分析与数据挖掘的基本知识，理解大数据思维方式。

2、掌握数据挖掘的基本过程和步骤，掌握数据挖掘的思路和框架。

3、能够理解分析模型原理，掌握模型应用场景，能够利用模型解决复杂的商业问题。

4、掌握常用的数据模型，能够根据商业问题选择合适的分析模型。

5、熟悉SPSS基本操作，掌握分析操作，能够解读分析结果，并转化为业务策略。

【授课时间】

4~5天时间 【学员要求】

1、每个学员自备一台便携机(必须)。

2、便携机中事先安装好Excel 2013软件。

3、便携机中事先安装好SPSS v19软件。注：讲师可以提供试用版本软件及分析数据源。【授课方式】

基础知识精讲+案例讲解 + 操作演练+ 实际业务问题分析 + SPSS实际操作 本课程突出数据挖掘的实际应用，结合行业的典型应用特点，从实际问题入手，引出相关知识，进行大数据的收集与处理；引导学员思考，构建分析模型，进行数据分析与挖掘，以及数据呈现与解读，全过程演练操作，以达到提升学员的数据综合分析能力，支撑运营决策的目的。【课程大纲】

第一部分：数据集基础知识（了解你的数据集）

1、数据集概述

2、数据集的类型

3、数据集属性的类型

 标称  序数  度量

4、数据质量三要素

 准确性  完整性  一致性

5、数据预处理的内容

 数据清理（缺失值、离群值的处理方法） 数据归约（维灾难、维归约、主成分分析） 特征子集选择  特征创建/属性构造  数据离散化和二元化  属性/变量转换

6、数据探索性分析

 统计汇总  可视化

演练：描述性分析（频数、描述、探索、分类汇总）

第二部分：数据挖掘流程（基础，决定你的高度）

1、数据挖掘概述

2、数据挖掘的标准流程（CRISP-DM）

 商业理解  数据准备  数据理解  模型建立  模型评估  模型应用

案例：4G终端营销项目挖掘过程分析 案例：客户匹配度模型—数据建模

3、常用数据统计指标

 集中程度：均值、中位数、众数  离开程度：方差、标准差、极差  分布趋势：偏度、峰度

 理解分布：正态分布、T分布、F分布

4、SPSS基本操作（预处理）

 数据导入

 数据排序（排序个案）

 重复数据处理（标识重复个案） 缺失值处理（替换缺失值）

 生成新变量（计算变量、重新编码） 数据分组（分类汇总） 数据合并（合并文件）演练：SPSS基本操作

第三部分：数据挖掘实战篇

1、参数检验分析（样本均值检验）

商业问题：如何验证营销效果的有效性？  参数检验概述

 单样本T检验  两独立样本T检验  两配对样本T检验  参数检验原理以及步骤  参数检验适用场景

案例：电信运营商的ARPU值评估分析（单样本）案例：信用卡消费金额评估分析（单样本）

案例：营销方式与产品销量的影响分析（两独立样本）案例：吸烟与胆固醇升高的分析（两独立样本）案例：营销方式有效性评估（两配对样本）案例：减肥效果评估（两配对样本）

2、非参数检验分析（样本分布检验）

商业问题：这些属性数据的分布情况如何？如何从数据分布中看出问题？

 非参数检验概述

 单样本检验  两独立样本检验  两相关样本检验  两配对样本检验  非参数检验原理

 卡方检验、二项分布、游程检验的原理及适用场景 案例：死亡分布检验（单样本-卡方检验）案例：产品合格率检验（单样本-二项分布）案例：身高分布差异检验（单样本-KS检验）案例：设备正常工作检验（单样本-随机分布）案例：制造工艺差异检验（两独立样本-MW检验）

案例：训练新方法有效性检验（两配对样本-符号/秩检验）案例：促销方式效果检验(多相关样本-Friedman检验)案例：客户满意度差异检验(多相关样本-Cochran Q检验)案例：评委评判黑幕检验（多相关样本-Kendall W检验）

3、相关分析（相关程度计算）

商业问题：这两个属性是否会相互影响？影响程度大吗？  相关分析概述  计算相关系数的三个公式

案例：家庭生活开支的相关分析（Pearson简单相关系数）案例：营销费用与销售额的相关分析 案例：哪些因素与汽车销量有相关性 案例：腰围与体重的相关分析（偏相关分析）

4、方差分析（影响因素分析）

商业问题：哪些才是影响销量的关键因素？  方差分析原理  方差分析的步骤  方差分析适用场景  如何解读方差分析结果

案例：终端陈列位置对终端销量的影响分析（单因素）案例：广告形式、地区对销量的影响因素分析（多因素）案例：2015年大学生工资与父母职业的关系 案例：饲料对生猪体重的影响分析（协方差分析）

5、回归分析（预测分析）

商业问题：如何预测未来的销售量（定量分析）？  回归分析概述及适用场景  回归分析的检验过程  如何选择最优回归模型  解读回归分析结果

案例：推广费用、办公费用与销售额的关系（线性回归）

案例：人均现金消费支出对人均食品消费支出的影响（曲线回归） 带分类变量的回归分析

 比如，如何预测随着季节性变化的销量情况 案例：员工工龄、性别与终端销售的关系分析 案例：产品销量的季节性变化预测

6、逻辑回归分析（预测分析）

商业问题：如果评估用户购买某产品的概率？  逻辑回归分析原理  逻辑回归分析的适用场景

案例：客户购买预测分析（二元逻辑回归）案例：品牌选择预测分析（多项逻辑回归）

7、时间序列分析（预测分析）

商业问题：随着时间变化，未来的销量变化趋势如何？  时序分析概述

 移动平均MA模型  指数平滑ES模型

 自回归滑动平均ARIMA模型  季节分解模型  时序分析适用场景

案例：汽车销量预测分析（指数平滑）案例：上交所指数收益率预测分析（ARIMA）

案例：服装销售数据季节性趋势预测分析（季节分解）

第四部分：高级数据挖掘方法

1、聚类分析（Clustering）

商业问题：我们的客户有几类？各类特征是什么？  聚类方法原理介绍  聚类方法适用场景

 系统聚类（层次聚类）算法原理  如何判定最佳聚类类别数量

案例：数据聚类分析--小康指数划分（Q型聚类）案例：变量聚类分析--裁判标准一致性分析（R型聚类） K均值聚类（快速聚类）算法原理 案例：移动三大品牌细分市场合适吗？ 案例：如何评选优秀员工（固定聚类中心）演练：如何选择新产品试销地点？

2、决策树分类分析（Classification）

商业问题：这类客户有什么特征？有什么潜在销售机会？  决策树原理介绍

 构建决策树的三个关键问题

 如何选择最佳属性来构建节点  如何分裂变量  修剪决策树  选择最优属性

 熵、基尼索引、分类错误  属性划分增益  如何分裂变量

 多元划分与二元划分

 连续变量离散化（最优划分点） 修剪决策树

 剪枝原则  预剪枝与后剪枝  如何评估分类性能

案例：银行低信用客户特征分析（决策树分类）

3、基于规则的分类

 基于规则分类原理介绍  评估规则的质量

 构建分类规则：顺序覆盖法  规则增长策略

4、最近邻分类

5、朴素贝叶斯分类

 贝叶斯分类原理  计算类别属性的条件概率  估计连续属性的条件概率  预测分类概率（计算概率）案例：评估银行用户拖欠货款的概率

6、人工神经网络（ANN）

 神经网络基本原理  神经网络的结构  ANN关键问题  MLP与RBF 案例：评估银行用户拖欠货款的概率

7、判别分析

 判别分析原理  距离判别法  典型判别法  贝叶斯判别法

案例：MBA学生录取判别分析 案例：上市公司类别评估

8、关联分析（Association）

商业问题：购买A产品的顾客还常常要购买其他什么产品？  关联规则原理介绍  关联规则的两个关键参数

 支持度  置信度  Apriori算法介绍  FP-Growth算法介绍  关联规则适用场景

案例：商品套餐设计、商品交叉销售（关联分析）

9、客户价值评估RFM模型

商业问题：如何评估客户的价值？不同价值客户的营销策略有什么区别？

 RFM模型介绍

 RFM模型用户分类与业务策略  RFM与客户活跃度分析

案例：客户价值如何评估（什么才是VIP用户）案例：如何选择促销用户（响应模型与促销）案例：回头客用户特征分析（决策树分析）

10、主成分分析

 主成分分析方法介绍  主成分分析基本思想  主成分分析步骤

案例：评估汽车购买者关注的哪些因素

第五部分：统计图表篇（看图说话）

1、柱状图/线图/饼图/高低图/箱图/散点图/直方图

2、图形的表达及适用场景 案例：各种图形绘制

实战1：客户流失预警与客户挽留之真实数据分析实践 实战2：银行信用风险分析

结束：课程总结与问题答疑。

第二篇：数据挖掘心得体会

心得体会

这次数据挖掘实验结束了，期间我们小组明确分工并积极去完成，虽然有点辛苦，但我感觉充实而有收获感！

根据老师给的一些资料，我们决定采用SQL Server 2000中的Northwind数据库里的数据作为我们的实验数据。根据表Order Details中的数据，我们分别根据ProductID和OrderID字段，并结合我们规定的最小支持度阀值对数据进行筛选。依次筛选出1项频繁集、2项频繁集和3项频繁集，其中还会使用游标的方式来遍历2项集与3项集的候选集，分别选出2项频繁集和3项频繁集。

由于数据较多，因此过程比较复杂，要编写很多的查询语句，建立许多数据表，包括临时表。开始不知道则操作，但经过我们各自多次重复的建表与查询，逐渐的理解和有了自己的思路。尤其是在运用游标的方法进行遍历这块，因为我们比较陌生而不理解，操作时一时无法实现结果，但经过我们在网上查询了解相关知识，最终得以解决。

经过该次实验，使我对数据库的操作更加熟练，而且还使我对课本上的“挖掘频繁模式”这块知识有了很好的掌握，今后我会多做实验，使我在实际操作过程中学得更好！

第三篇：数据挖掘试题

《数据挖掘》总复习题

1．数据挖掘系统可以根据什么标准进行分类？

答：根据挖掘的数据库类型分类、根据挖掘的知识类型分类、根据挖掘所用的技术分类、根据应用分类

2．知识发现过程包括哪些步骤？

答：数据清理、数据集成、数据选择、数据变换、数据挖掘、模式评估、知识表示3．什么是概念分层？

答：一个映射序列，将低层概念映射到更一般的较高层概念。4．多维数据模型上的 OLAP 操作包括哪些？

答：上卷、下钻、切片和切块、转轴 / 旋转、其他OLAP操作5．OLAP 服务器类型有哪几种？

答：关系 OLAP 服务器(ROLAP)、多维 OLAP 服务器(MOLAP)、混合 OLAP 服务器(HOLAP)、特殊的 SQL 服务器6．数据预处理技术包括哪些？

答：聚集、抽样、维规约、特征子集选择、特征创建、离散化和二元化、变量变换。7． 什么是数据清理？

答：填写缺失的值，平滑噪声数据，识别、删除离群点，解决不一致性 8． 什么是数据集成？

答：集成多个数据库、数据立方体或文件 9．什么是数据归约？

答：得到数据集的压缩表示，它小得多，但可以得到相同或相近的结果 10．数据清理的内容包括哪些？

答：缺失值、噪声数据、数据平滑、聚类、回归11.将下列缩略语复原

OLAP——on-line analytical processing DM——data mining

KDD——knowledge discovery in databases OLTP——on-line transaction processingDBMS——database management system DWT——discrete wavelet transform

（DMQL）－－Data Mining Query Language 12．什么是数据挖掘？

答：简单地说，数据挖掘是从大量数据中提取或挖掘知识。具体地说，数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际 应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和 知识的过程。13．什么是关联规则？ 答：（关联规则是形如X→Y的蕴涵式，其中且，X和Y分别称为关联规则的先导和后继。）假设I是项的集合。给定一个交易数据库，其中每个事务(Transaction)t是I的非空子集，即，每一个交易都与一个唯一的标识符TID(Transaction ID)对应。关联规则在D中的支持度(support)是D中事务同时包含X、Y的百分比，即概率；置信度(confidence)是包含X的事务中同时又包含Y的百分比，即条件概率。关联规则是有趣的，如果满足最小支持度阈值和最小置信度阈值。这些阈值是根据挖掘需要人为设定。

（关联规则反映一个事物与其它事物之间的相互依存性和关联性，如果两个事物或者多个事物之间存在一定的关联关系，那么其中一个事物就能够通过其他事物预测到。）15.什么是概念描述？什么是特征化？什么是属性相关分析？

答：概念描述：用汇总的、简洁的和精确的方式描述各个类和概念可能是有用的。特征化：是目标类数据的一般特性或特征的汇总。

属性相关分析：可能需要在分类和预测之前进行，它试图识别对于分类或预测过程无用的属性。这些属性应当排除。

16．什么是数据仓库？其主要特征是什么？

答：数据仓库是一个提供决策支持功能的数据库，它与组织机构的操作数据库分别维护。它允许将各种应用系统集成在一起，为统一的历史数据分析提供坚实的平台，对信息处理提供支持。

特征：面向主题、数据集成、随时间而变化、数据不易丢失（数据不易丢失是最明显特征）17．什么是数据集市？

答：数据集市包含企业范围数据的一个子集，对于特定的用户群是有用的。其范围限于选定的主题。

(是完整的数据仓库的一个逻辑子集，而数据仓库正是由所有的数据集市有机组合而成的)18．数据库中的知识发现过程由哪几个步骤组成？

答：数据清理、数据仓库、任务相关数据、数据挖掘、模式评估、知识表示 19．典型的数据挖掘系统有哪几个主要成分？

答：数据库、数据仓库、万维网或其他信息库；数据库或数据仓库服务器；知识库；数据挖掘引擎；模式评估模块；用户界面

20．从软件工程的观点来看，数据仓库的设计和构造包含哪些步骤？

答：规划、需求研究、问题分析、仓库设计、数据集成和测试、部署数据仓库。21．在数据挖掘系统中，为什么数据清理十分重要？

答： 脏数据的普遍存在，使得在大型数据库中维护数据的正确性和一致性成为一个极其困难的任务。

22．脏数据形成的原因有哪些？

答：滥用缩写词、数据输入错误、数据中的内嵌控制信息、不同的的惯用语、重复记录、丢失值、拼写变化、不同的计量单位、过时的编码23．数据清理时，对空缺值有哪些处理方法？

答：忽略元组、人工填写缺失值、使用一个全局变量填充缺失值、使用属性的平均值填充缺失值、使用与给定元组属同一类的所有样本的属性均值、使用最可能的值填充缺失值 24．什么是数据变换？包括哪些内容？

答：将数据转换或统一成适合于挖掘的形式。包括：光滑、聚集、数据泛化、规范化、属性构造 25． 数据归约的策略包括哪些？

答：数据立方体聚集、性子集选择、维度归约、数值归约、离散化和概念分层产生 26．提高数据挖掘算法效率有哪几种思路？

答：减少对数据的扫描次数；缩小产生的候选项集；改进对候选项集的支持度计算方法 27．假定属性income的最小值与最大值分别为12000和980到区间[0.0，1.0]，根据 min-max 规范化，income的值73600将变为＿3631/551＿。

28．假定属性income的平均值和标准差分别为54000和16000，使用 Z-score 规范化，值73600被转换为＿1.225＿。

29．假定A的值由-986到917.A的最大绝对值为986，使用小数定标规范化，-986被规范化为＿-0.986＿

30．从结构角度来看，有哪三种数据仓库模型。答：企业仓库、数据集市、虚拟仓库

31．什么是聚类分析？它与分类有什么区别？

答：将物理或抽象对象的集合分组成为由类似的对象组成的多个类的过程 区别：分类有监督 聚类无监督 分类要靠学习聚类要靠启发式搜索 32．与数据挖掘类似的术语有哪些?

答：数据库中挖掘知识、知识提取、数据/模式分析、数据考古和数据捕捞。33．解释下列术语 34．翻译下列术语

Data Mining 数据挖掘Data warehousing 数据仓库Data Mart 数据集市

drill-down 下钻roll-up上卷OLAP 联机分析处理Data cube 数据立方体 Association rule 关联规则Data cleaning数据清理Data integration 数据集成 Data transformation数据变换Data reduction 数据归约

35．可以对按季度汇总的销售数据进行___B___，来观察按月汇总的数据。A 上卷 B 下钻 C 切片 D 切块

36．可以对按城市汇总的销售数据进行____A__，来观察按国家总的数据。A 上卷 B 下钻 C 切片 D 切块

37．通过不太详细的数据得到更详细的数据，称为____B____。A 上卷 B 下钻 C 细化 D 维规约

38．三层数据仓库结构中，从底层到尾层分别是_仓库数据服务器、OLAP服务器、前端客户层__。

42．常用的四种兴趣度的客观度量。

答：简单性 确定性 实用性 新颖性43．四种常用的概念分层类型。

答：模式分层、集合分组分层、操作导出的分层、基于规则的分层45．如何理解现实世界的数据是“肮脏的”？答：不完整的、含噪声的、不一致的、重复的 46．多维数据仓库有哪几种概念模型？

答：星形模式、雪花形模式或事实星座形模式。

48.在多路数组聚集算法中，如何尽量少地占用内存？

答：将最小的平面放在内存中，将最大的平面每次只是提取并计算一块。49.给出方体的维数，会计算各D方体有多少，总的方体个数有多少？2^n50．什么是离群点？离群点都需要删除吗？为什么？

答：离群点：一些与数据的一般行为或模型不一致的孤立数据。不需要。通常离群点被作为“噪音”或异常被丢弃，但在欺诈检测中却可以通过对罕见事件进行离群点分析而得到结论。

【51.所有模式都是有趣的吗？

答：一个模式是有趣的，如果(1)它易于被人理解 ；（2）在某种程度上，对于新的或测试数据是有效的；（3）具有潜在效用；（4）新颖的；（5）符合用户确信的某种假设。】

第四篇：项目数据分析师事务所

项目数据分析师事务所

1.事务所应该是什么性质的企业？命名有标准吗？如何为事务所起一个规范的名称？

答：申请事务所应该具备独立的法人资格，一般是以股份制形式成立的有限责任公司。协会对事务所的命名是有标准要求的，按照要求，事务所的全称应为：（城市名）市（事务所名称）项目数据分析师事务所有限责任公司

2.在地方城市的工商局能注册成“事务所”吗？

答：事务所的注册首先需要得到协会审批，之后才可以向地方工商部门申请注册。按照协会流程，申请人需先申报事务所预备案，通过后，持协会出具的相关文件，向工商部门申请事务所核名。事务所名称中必需包含“数据分析”和“事务所”字样。目前还未遇到持协会文件在工商部门无法审批含有“事务所”名称的地区。

3.事务所业务范围？

答：事务所的业务范围应为：（包括但不限于：行业数据分析、投资数据分析、经营数据分析、运营风险数据分析、决策数据分析、编制项目数据分析报告等），战略咨询，营销策划，投融资设计与服务等。

4.成立事务所应具备哪些基础条件，按照哪些流程进行？

答：成立事务所应具备的基础条件如下：

a)拥有一定数量的项目数据分析师（协会目前要求至少为5名以上），项目数据分析师必须持有协会颁发的《项目数据分析师证书》，并且证书在有效期内；

b)事务所注册资金在50万以上；

c)拥有一定的业务基础及运营思路，坚持良好的商业诚信。

d)能够遵守行业准则，接受协会监督管理。

成立事务所一般的流程是：

1)有成立事务所的想法后，要为成立事务所做一些前期准备工作，比如联络几个志同道和的项目数据分析师，并且凭借现有资源提前做一些市场调研，寻找业务需求，在具有一定业务基础的条件下成立事务所；

2)向协会会员处咨询入会方式，参加会员处定期组织的创业指导活动；

3)事务所预备案：到协会网站“下载中心”下载《数据分析事务所成立预备案及入会申请报告(格式)》，按要求填写电子版各种表格，填写后发邮件给会员处进行初审，会员处反馈意见后按要求补充或调整表格内容，完善后邮寄正式申报材料；

4)符合条件的预备案申请将由会员处统一出具面向当地工商部门的相关文件，由申请人持文件正本向当地工商局做出核名申请；

5)通过正式核名并获得营业执照后，申请人需将之前填报的《数据分析事务所成立预备案及入会申请报告(格式)》正本加盖公章后提交正式入会申请；

6)会员处按流程审核申请，并于10个工作日内通知申请人审批结果；

7)协会向通过审批的事务所发放资质；

5.事务所需要协会批吗？

答：事务所在到工商部门核名前，必须先到协会进行预备案审批，申请人持相关文件才能得到工商部门的批准。事务所申报资料准备目录：入会申请书；项目数据分析师名单及每名项目数据分析师的证书、身份证复印件；申请人简历及身份证复印件；团体会员申请登记表；事务所章程；事务所运营方案，经中国商业联合会数据分析专业委员会审批合格后方可办理。

6.现在全国有事务所吗？哪些地方有？有多少家？

答：目前全国一共60多家项目数据分析师事务所，事务所遍布全国10多个省市自治区，比如北京、陕西、浙江、江西、山东、江苏、新疆、甘肃等。

7.一般事务所有多少人从业？

答： 一般事务所的规模在15-20人左右，有些规模大的已经发展到40人以上。目前，在协会已审批的数据分析事务所中，50%以上都是建立在原有的会计师事务所、资产评估事务所等基础上的，根据以往的经验，建议事务所优先选择原有内部人才进行培养。这样做主要是因为事务所原有人才对公司的忠诚度较高，对业务及流程更为熟悉，愿意与公司共同发展。因此，对业务及人员的稳定会有很大促进作用。

8.项目数据分析的业务都从哪里来？

答：目前事务所普遍的项目数据分析业务主要来源于以下几个方面：

1)在当地做各种有效的广告和宣传，会有项目主动找上你；

2)利用自身已有的客户资源，去挖掘其进一步的数据分析需求；

3)请求协会帮助，共同开发当地政府、组织及相关资源，展开行业合作，为事务所在当地开展业务提供更多便利；

4)以上为事务所普遍采用的业务开拓方式，各事务所还需因地制宜，找到拓展地方市场最为有效的方法。

9.事务所能从事法定业务吗？未来能从事法定业务吗？

答：首先要说明项目数据分析师事务所现在没有法定业务，未来更不会有法定业务。针对这个老生常谈的话题，说明三个问题：

1)中国的经济将越来越市场化，“反垄断法”也出台了，很多原来政府垄断的行业现在也全面市场化了。所谓的法定业务，总让人不自觉地与“垄断”相联系，其实不然，真正的法定业务只可能是应特种行业或特种业务的需要而产生的，它是因为某些行业不能完全放开市场而形成的特殊性质的“垄断”。政府有个很明确的观点：企业的市场行为应该让市场去鉴定和评价。所以，对于有着明确的全市场特征的数据分析业而言，这种特殊的垄断是不可能形成的。

2)数据分析业务中很重要的一个特点是“预测”，它要求分析师具有很强的经验性和判断性，这与会计师行业的已发生的、历史的数据有着本质上的区别。科学性和艺术性的高度一致是数据分析师们追求的目标，但这也意味着它无法具备“法定业务”中所要求的特有的公正性。

3)法定业务是国家相关部门赋予行业的部分特殊权力，同时一定也意味着相应的监督和限制，比如收费的限制、业务范围的限制等等，清晰的规范意味着利润空间的固定和狭窄，而数据分析业恰恰由于其工作的复杂性和分析的多样性，造成了其高利润的行业特点。从某个角度上看，“法定业务”并不像想象的那么美好。

10.一年能接多少个业务？业务额都是多少？

答：由于各地经济发展水平不同，事务所之间的业务数量差距较大。目前事务所年业务额平均超过百万。此外，事务所经营能力强弱也会对业务量产生直接影响，以北京地区为例，一些事务所之间的业务量相差达2-3 倍之多。

11.事务所盈利吗？能给我介绍业务吗？

答：目前，绝大部分事务所都在盈利，行业整体发展形势旺盛。但任何一个行业都存在优胜劣汰，事务所的盈利是取决于事务所自身经营能力强弱的，并不能因为行业旺盛，就忽视事务所自身经营能力的培养。事务所一旦加入成为协会会员单位，就将共享协会带来的一些资源，比如业务资源和平台资源。协会不定期接到客户的咨询电话，希望协会可以为他们推荐事务所来提供报告服务，那么，协会会将这些业务根据客户所在地及相关要求向他们推荐相对应的事务所。同时，协会搭建的包括项目数据分析服务平台在内的各种平台资源，事务所也将共享，经过评估如果有一些好的项目，事务所可通过协会平台帮助客户推荐投资机构，帮助其实现融资。

12.协会可以为事务所提供一些经营上的帮助吗？

答：协会对事务所的经营帮助主要体现在支撑职能上，如不定期举办的创业指导以及为优秀融资项目推荐投资机构等。事务所可以经常与协会沟通，对经营中的困难及时反映，主动寻求协会的帮助。

13.什么是项目数据分析报告？

答：项目数据分析报告是确定项目投资价值的重要依据。它通过数据分析，量化展现项目的收益性、风险性，为决策提供了充分的支持。项目数据分析报告包含环境评价、国民经济评价、财务评价、社会效益评价四大体系，深受国内外投融资机构的信赖。随着项目数据分析报告在中国越来越广泛的应用，目前，它已经逐渐成为投资金融机构进行项目投资初始判断的最佳依据。

14.项目数据分析报告及服务与商业计划书和可行性研究报告的区别？

答：商业计划书侧重于对项目盈利模式进行描述说明，理论性较高，主要用于论证项目盈利结构的合理性；可行性研究报告侧重于对项目是否可行进行论证，结论相对单一。项目数据分析报告是立足于项目收益与风险预测，运用“定量”的精确分析思想来对项目进行论证。通过数据采集和模型分析，不但论证了项目盈利模式的合理性、项目实践的可行性，还对项目盈利能力及抗风险能力的强弱、项目投资价值进行了深入评估，最终得出项目评价及建议。同时，项目数据分析报告是带着企业战略目标和发展理念去评价整个项目和经营情况，更加符合企业自身特点的分析、判断和评价。

第五篇：读《数据挖掘与数据化运营实战》有感

读《数据挖掘与数据化运营实战》有感

近几年来“云计算”一词刚被各大科技公司炒得热火朝天的，这“云计算”还没走远，“大数据”又突袭而来。仿佛一夜间，各厂商都纷纷改旗换帜，推广起“大数据”来了。于是乎，本书也将针对这一热点技术，向读者阐述了什么是大数据，什么是数据挖掘，如何实战运用。书中列举了很多“高大上”的理论公式、专业名称、实战图表，说实话，我也没耐得下性子一一仔细专研，只是从广义地角度去通读了全书，了解到该书反映的现实中企业如何运用大数据分析来实现营销获利的。

这本书对这个大规模产生、分享和应用数据的新的大数据时代进行了阐述和厘清，作者围绕“要全体不要抽样、要效率不要绝对精确、要相关不要因果”三大理念，通过数十个商业和学术案例，剖析了万事万物数据化和数据复用挖掘的巨大价值。

如作者所言“大数据开启了一次重大时代转型。就像望远镜让我们能够感受宇宙，显微镜让我们看清微生物一样，大数据要改变的是，我们的生活方方面面以及理解世界的方式”。比如，谷歌通过全球搜索分析，比国际疾病控防中心更早更准地预测了流感爆发。

在思维变革部分，作者讲述的重点是：样本=总体，我们需要对全部数据的占有和分析；因此，数据缺乏时代的精确性不必执迷，接受混杂基于大数据的简单算法比小数据的复杂算法更有效；样本推断的因果关系不重要了，知道“是什么”的相关关系，或者结果就可以了。

而读完本书，对于我自己最受用的是什么呢？就是“大数据分析”这个理念，鉴于数据化营销在当今大数据时代已经是众多现代企业的普遍经营战略，熟悉掌握数据挖掘与数据分析的人才，是企业之中的宝贵财富。如果有时间我也将会细读和钻研书中的数据挖掘与分析技术，掌握并精通，学习数据挖掘可以从企业不同层面的人的视角去分析企业的运营情况，通过预警和预测分析，为企业的经营决策提供支持，因为：数据不会骗人。