电子工业出版社-网上书店

本书作为CDA三级认证教材，打破了传统的学院派知识整合模式，从业务应用场景出发来组织内容，旨在更加贴近业务需求，而非单纯罗列算法。经过多年的打磨，本书精选了在行业应用中价值最大的九类场景，并提供不同场景下构建数据应用的最佳实践。本书涉及的算法不仅涵盖传统的统计学习，还结合企业实际需求，解构了机器学习、深度学习的前沿方法，并提供了丰富的示例代码，以便读者借鉴。本书分为三篇：理论篇、技术篇和管理篇。理论篇共1章，讲解数据挖掘的核心思维、算法模型和数据挖掘之间的关系，以及数据挖掘的落地场景框架。技术篇共6章，讲解决策类、识别类、优化分析类模型的具体算法，以及参数调优、特征工程、类别不平衡问题等内容。管理篇共2章，讲解 MLOps 和模型生命周期管理。

目录

第1篇	原理篇 
第1章　进阶数据分析思维
1.1　数字化时代的三种重要思维 1
1.1.1　设计思维 .2
1.1.2　敏捷思维 .4
1.1.3　数据思维 .7
1.2　数据思维在现代企业管理中的作用 8
1.2.1　探查阶段的数据分析 .9
1.2.2　定义阶段的数据分析 .10
1.2.3　设计阶段的数据分析 .13
1.2.4　交付阶段的数据分析 .15
第2章　量化策略分析框架.20
2.1　探索阶段 23
2.2　诊断阶段 24
2.3　指导阶段 27
第3章　量化策略分析流程.29
3.1　发现问题 31
3.2　近因分析 33
3.3　根因分析 35
3.4　做出预测 36
3.5　制定方案 37
3.6　验证方案 38
3.7　工具支持 39
第2篇  技术篇
第4章　数据处理.42
4.1　使用pandas读取结构化数据 .43
4.1.1　读取数据 .44
4.1.2　写出数据 .47
4.2　数据整合 47
4.2.1　行、列操作 .47
4.2.2　条件查询 .51
4.2.3　横向连接 .54
4.2.4　纵向合并 .57
4.2.5　排序 .60
4.2.6　分组汇总 .61
4.2.7　拆分列 .65
4.2.8　赋值与条件赋值 .66
4.3　数据清洗 69
4.3.1　重复值处理 .69
4.3.2　缺失值处理 .70
第5章　数据可视化74
5.1　Python可视化 74
5.1.1　Matplotlib绘图库 .74
5.1.2　Seaborn绘图库.83
5.2　描述性统计分析与绘图 89
5.2.1　描述性统计进行数据探索 .89
5.2.2　制作报表与统计图形 .99
第6章　市场调研与数据预处理.107
6.1　数据采集方法 107
6.1.1　市场研究中的数据 .107
6.1.2　概率抽样方法 .108
6.1.3　非概率抽样方法 .114
6.1.4　概率抽样和非概率抽样的比较 .116
6.2　市场调研和数据录入 116
6.2.1　市场调研流程 .116
6.2.2　市场调研目标设定 .117
6.2.3　市场调研前的准备工作 .117
6.2.4　实施调研 .124
6.3　数据预处理基础 125
6.3.1　数据预处理基本步骤 .125
6.3.2　错误数据识别与处理 .126
6.3.3　连续变量离群值识别与处理 .130
6.3.4　分类变量概化处理 .132
6.3.5　缺失值处理 .133
6.3.6　连续变量分布形态转换 .136
6.3.7　连续变量中心标准化或归一化 .137
6.3.8　变量降维 .138
6.3.9　WoE转换 139
第7章　数据降维方法141
7.1　矩阵分析法 141
7.2　连续变量降维 146
7.2.1　方法概述 .147
7.2.2　变量筛选 .147
7.2.3　维度规约 .147
7.3　主成分分析法 148
7.3.1　主成分分析简介 .148
7.3.2　主成分分析原理 .149
7.3.3　主成分分析的运用 .152
7.3.4　实战案例：在Python中实现主成分分析 .153
7.3.5　基于主成分的冗余变量筛选 .156
7.4　因子分析法 157
7.4.1　因子分析模型 .158
7.4.2　因子分析算法 .159
7.4.3　实战案例：在Python中实现因子分析 .162
第8章　使用统计学方法进行检验和预测.167
8.1　假设检验 167
8.1.1　假设检验的基本原理 .168
8.1.2　假设检验中的两类错误 .169
8.1.3　假设检验与区间估计的联系 .170
8.1.4　假设检验的基本步骤 .171
8.1.5　配对样本t检验172
8.2　方差分析 172
8.2.1　单因素方差分析 .173
8.2.2　多因素方差分析 .178
8.3　列联表分析与卡方检验 181
8.3.1　列联表 .1818.3.2　卡方检验 .183
8.4　线性回归 185
8.4.1　简单线性回归 .185
8.4.2　多元线性回归 .187
8.4.3　多元线性回归的变量筛选 .196
8.4.4　线性回归模型的经典假设 .199
8.4.5　建立线性回归模型的基本步骤 .208
8.5　逻辑回归 209
8.5.1　 逻辑回归的相关关系分析 211
8.5.2 　逻辑回归模型及实现 213
8.5.3　 逻辑回归的极大似然估计 223
8.5.4　模型评估 .225
8.5.5　因果推断模型 .233
第9章　用户分群方法.239
9.1　用户细分与聚类 239
9.1.1　用户细分的重要意义 .23
99.1.2　用户细分的不同商业主题 .240
9.2　聚类分析的基本概念 247
9.3　聚类模型的评估 248
9.3.1　轮廓系数 .248
9.3.2　平方根标准误差 249
9.3.3　R2 2499.3.4　ARI 250
9.4　层次聚类 250
9.4.1　层次聚类算法描述 .251
9.4.2　层次聚类分群数量的确定 .254
9.4.3　层次聚类应用简单示例 .255
9.4.4　层次聚类的特点 .260
9.5　K-means聚类算法 260
9.5.1　K-means聚类算法描述 260
9.5.2　K-means聚类算法的应用：用户细分 261
9.6　聚类事后分析：决策树应用 269
9.6.1　决策树的基本概念 .269
9.6.2　利用决策树解读用户分群后的特征 .271
第3篇  管理篇
第10章　企业数据管理方法论.274
10.1　基本概念和关键术语解析 274
10.1.1　背景与目标 .274
10.1.2　数据管理主要模块及其关系 .276
10.1.3　数据生存周期管理 .279
10.2　输入和资源需求 282
10.2.1　业务战略 .282
10.2.2　组织文化 .283
10.2.3　架构设计和IT系统现状说明 .283
10.3　数据治理流程 283
10.3.1　“盘”：盘清现状 .284
10.3.2　“规”：制定规范 .289
10.3.3　“治”：问题整治 .291
10.3.4　“用”：数据应用 .292
10.4　输出和绩效评估 292
10.4.1　数据管理的输出 .292
10.4.2　数据管理的绩效评估 .293
10.5　数据管理的成熟度模型 294
10.5.1　能力域和能力项 .294
10.5.2　成熟度评估等级 .298
10.6　数据资产价值评估与数据资源入表 301
10.6.1　数据资产价值评估方法 .301
10.6.2　数据资源入表 .305
10.7　本章小结 307
第11.章　企业数据安全管理方法论.308
11.1　数据安全导论 308
11.1.1　数据安全需求 .308
11.1.2　数据安全定义 .312
11.1.3　数据安全管理目标和原则 .312
11.2　输入和资源需求 314
11.2.1　业务需求 .314
11.2.2　监管要求 .314
11.3　数据生存周期安全管理流程   314
11.3.1　数据安全需求分析 .314
11.3.2　制定数据安全制度和细则 .315
11.3.3　数据的分类分级 .316
11.3.4　数据安全实施控制 .319
11.4　输出和绩效评估 321
11.4.1　数据安全的输出 .321
11.4.2　数据安全的绩效评估  322
11.5　数据安全能力成熟度模型 323
11.6　本章小结 327

CDA，数智人才的身份认证
数据曾经被视为商业“尾气”，如今却已成为世界的“石油”。借助合适的模型、算法、技术，我们可以从数据中挖掘巨大的商业价值。数据分析极大地促进了现代服务业、制造业差异化竞争格局的形成，将来更会成为各行业获得竞争优势的助推力。
数据分析的主要目标之一就是满足组织的业务运营需求，为业务服务。大部分组织经历了从以产品为中心到以客户为中心的转变，其数据分析的重点也从关注组织经营结果转向进行全方位的组织运营和客户洞察，分析方法也从以管理报表为主，到对微观个体进行行为洞察和预测。另外，IT 技术的发展使得组织能够以更低的成本存储和处理大量数据，从而推动分析视角从宏观的业务层面逐步深入到个体微观层面。分析中的数据范畴也从基本属性和时点状态数据逐步扩展到行为数据，分析技术从传统的统计分析逐步向机器学习和深度学习过渡。
满足业务运营需求更本质的目标，是通过数据分析改变决策方式，从依靠经验转向依靠数据。在当前，数据分析是学习型组织的重要表现形式。学习型组织的能力建设有两个主要阶段，分别是隐性知识显性化阶段和显性知识算法化阶段。前者是概念明晰和逐渐量化的过程，后者是提取知识形成算法并固化在业务流程系统中的过程。组织的核心能力从“以人为核心”转变到“以算法为核心”。通过数据分析进行科学决策、自主决策，从而实现业务价值，使数据分析在决策过程中不可或缺，逐渐成为组织的核心竞争力。
CDA 数据科学研究院经过多年在数据分析领域的深耕，建立了 CDA 数据分析师认证体系，为企业实现宏观与微观相结合的数字化转型提供有力支持，并为企业提供了坚实的数字化人才保障。
CDA 数据分析师认证体系与企业管理工具“平衡计分卡”相得益彰，涵盖绩效分析、客户分析、流程分析、智能学习，助力企业实现宏观与微观相结合的数字化战略中心组织。在平衡计分卡中，前面的分析为后面的工作指明方向，后面的活动为前面目标的实现提供能力支持。而 CDA 体系把“平衡计分卡”中最基础的“员工学习”活动与“机器学习”相融合，强调如何将业务知识以算法的形式固化在系统中，以更适合数字化时代的诉求。
基于先进企业的实践，CDA 数据科学研究院提出了企业数字化需要具备的数据人才能力的模型。企业中的数据分析任务分为业务现状描述、问题归因分析、个体行为预测，这就要求数据人才具备描述现状、分析原因、预测行为的能力。数据人才的范围也不限于数据分析师和数据挖掘工程师，还包括经营决策人员和业务骨干。
 
业务问题归因分析和策略优化是企业中数据分析任务的核心，对上游的现状描述提出建立完备的指标体系和报表可视化的需求，对下游的预测分析提供算法模型的应用场景。CDA 数据分析师认证体系根据归因分析和策略优化的应用深度，以及从宏观业务分析到微观个体预测的技术难度，设计了 CDA 一级认证教材至三级认证教材的学习内容，并对各类分析工具的掌握提出了相应的要求，通过分级课程来帮助数据人才全面掌握从业务问题归因到策略优化的能力。
 
CDA一级认证教材主要讲解商业分析所涉及的指标体系构建方法、用户标签体系和用户画像专题、描述性统计分析等技术；CDA 二级认证教材主要讲解客户运营、流程分析和策略优化所涉及的用户高级标签的构建、模型归因分析、预测模型等业务宏观分析与客户微观洞察相融合的技术；CDA 三级认证教材主要讲解企业数据挖掘体系的构建，在机器学习运营（MLOps）的框架下设计、开发、落地数据挖掘模型，包括机器学习经典算法及案例、算法模型管理等技术。CDA 认证教材在工具实现上选择企业中应用最为广泛的数据库语言SQL和编程语言Python 等。
很多企业将 CDA 证书作为企业内部数据分析人才的评定标准和招聘要求。这套教材旨在帮助读者形成体系化、专业化的数据分析思维，通过 CDA 认证，为其职业发展提供更多可能性。
无论读者是否参加认证考试，这套教材都是理解和应用数据分析的宝贵资源。常读常新，体会数据分析之美，灵活运用教材中的分析方法和案例，让数据分析和实证研究相得益彰，让数据分析和业务经验优势互补。这套教材将在数据分析行业中产生影响，如春风化雨般滋养各个领域中孜孜不倦的数据分析学习者和从业者，在数据分析的新理念、理论、方法、技术及工具等方面，为他们提供知识支持与启发。

本书配套资源下载

对不起，暂无音视频资源！

CDA三级认证教材：敏捷数据挖掘