CDA一级知识点汇总手册：第1章数据分析思维-CDA数据分析师官网

热线电话：13121318867

首页大数据时代CDA一级知识点汇总手册：第1章数据分析思维

CDA一级知识点汇总手册：第1章数据分析思维

2026-02-16

第一章：数据分析思维

CDA一级知识点汇总手册第一章：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。

总结

数据分析思维以 “归纳+演绎”为核心逻辑，适配VUCA时代复杂环境，覆盖企业流程化运营、数字化转型及各决策层级需求，结合数据基础概念与EDIT应用框架，形成“思维+方法+落地”的完整支撑体系，精准赋能业务决策。

推荐学习书籍《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ ! 免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0