CDA数据分析师等级认证考试
(Certified Data Analyst Certificate)
【考试简介】
CDA（Certified Data Analyst），即“CDA数据分析师”，是大数据和人工智能时代面向国际范围全行业的数据分析专业人才职业简称，具体指在互联网、咨询、电信、零售、旅游等行业专门从事数据的采集、清洗、处理、分析并能制作业务报告、提供决策的新型数据分析人才。全球CDA持证者秉承着先进商业数据分析的新理念，遵循着《CDA数据分析师职业道德和行为准则》新规范，发挥着自身数据科学专业能力，推动科技创新进步，助力经济持续发展。
“CDA数据分析师认证”是一套科学化，专业化，国际化的人才考核标准，共分为CDA LEVELⅠ ，LEVEL Ⅱ，LEVEL Ⅲ三个等级，涉及行业包括互联网、咨询、电信、零售、旅游等，涉及岗位包括大数据、数据分析、市场、产品、运营、咨询、投资等。该标准符合当今全球数据科学技术潮流，可以为各行业企业和机构提供数据人才参照标准。CDA数据分析师行业标准由国际范围数据科学领域的行业专家、学者及知名企业共同制定并每年修订更新，确保了标准的公立性、共识性、前沿性。通过CDA认证考试者可获得CDA数据分析师中英文认证证书。
【CDA人才能力标准】
以下为CDA人才能力概要，每个等级分别从理论基础、软件工具、分析方法、业务分析、可视化五个方面进行了要求，只有同时满足各个方面的要求才是一名优秀的数据分析人才。
【CDA认证标准大纲（可下载）】
LEVEL Ⅰ
LEVEL Ⅱ
LEVEL Ⅲ
【报考条件】
Level I：无要求，皆可报考
Level II：获得CDA Level Ⅰ认证证书
Level III： 获得CDA Level Ⅱ认证证书
【考试方式和时间】
【考试大纲】
【考试地点】
CDA数据分析师认证考试由Pearson VUE考试服务公司代理。Pearson VUE是一家在全球测评行业占据杰出地位的计算机化考试服务公司，CDA与Pearson VUE开展合作，目前在中国大陆及港澳台地区提供CDA认证考试发送服务。Level Ⅰ+Ⅱ：中国区30+省市，70+城市，250+考场。考生可选择就近考场预约考试。Level Ⅲ：中国区30所城市，北京/上海/天津/重庆/成都/深圳/广州/济南/南京/杭州/苏州/福州/太原/武汉/长沙/西安/贵阳/郑州/南宁/昆明/乌鲁木齐/沈阳/哈尔滨/合肥/石家庄/呼和浩特/南昌/长春/大连/兰州。
【考试费用】
Level Ⅰ：1200 RMBLevel Ⅱ：1700 RMBLevel Ⅲ：2000 RMB（注：考试未通过者可进行一次补考，补考费用为六折优惠。）
报考LevelⅠ和Level Ⅱ、Level Ⅲ成功后会发送《考试大纲》到考生邮箱。其他教材根据考试大纲中推荐的学习书目自行网上购买学习。
【报考流程】
【人才评定】
CDA考试成绩评定规则由CDA数据分析师认证考试命题委员会制定。每门考试最终成绩为A，B，C，D四个档，其中A，B，C为通过，D为不通过。考试结束后，CDA考试中心可提供成绩核查服务，不提供答题结果查询服务，不公布本届真题及答案。需要核实成绩的考生可在考试7个工作日后日后登陆CDA考试中心，进入个人中心-成绩查询中核查成绩。
【持证人权益】
【CDA证书】
考试通过者可获得CDA数据分析师中英文双证书。
共识性 CDA数据分析师人才行业标准由国际范围内数据科学领域行业专家、学者及知名企业共同制定并于每年修订更新，保证标准的公立性、共识性、专业性、前沿性，CDA证书已获得如中国银行、招商银行、IBM大数据大学，中国电信，国家电网，苏宁易购，德勤，猎聘，CDMS等企业机构的认可。
专业性 CDA认证是根据数据科学专业岗位设立的科学化，专业化，国际化的人才考核标准。考试与国际知名考试服务机构Pearson VUE合作，随报随考、专家命题、评分公平、流程严格，更具含金量。
权益性 CDA持证人自动纳入为CDA会员并享有系列特殊权益。证书皆绑定考生真实身份，可在CDA认证考试中心查询，证书确保唯一性与防伪性，持证人还可获得电子徽章，加入到Linkedin个人档案中。证书三年审核一次，保证持证人的实力与权益。
CDA数据分析师考试相关入口一览（建议收藏）：
数据分析咨询请扫描二维码
在企业数字化转型过程中，“业务模型”与“数据模型”常被同时提及，却也频繁被混淆——业务团队口中的“用户增长模型”聚焦“如 ...
在游戏行业“高获客成本、低留存率”的痛点下，“提前预测用户流失并精准召回”成为运营核心命题。而用户流失并非突发行为——从 ...
在商业数据分析领域，“懂理论、会工具”只是入门门槛，真正的核心竞争力在于“实践落地能力”——很多分析师能写出规范的SQL、 ...
在数据可视化领域，树状图（Tree Diagram）是呈现层级结构数据的核心工具——无论是电商商品分类、企业组织架构，还是数据挖掘中 ...
在数据驱动成为企业核心竞争力的今天，很多企业陷入“数据多但用不好”的困境：营销部门要做用户转化分析却拿不到精准数据，运营 ...
在使用Excel透视表进行数据汇总分析时，我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
在测试环境搭建、数据验证等场景中，经常需要将UAT（用户验收测试）环境的表数据同步到SIT（系统集成测试）环境，且两者表结构完 ...
在数据驱动的企业中，常有这样的困境：分析师提交的“万字数据报告”被束之高阁，而一张简洁的“复购率趋势图+核心策略标注”却 ...
在实证研究中，层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量（如先引入人口统计学 ...
在实时数据分析、实时业务监控等场景中，“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
在数据量爆炸式增长的今天，企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
在主成分分析（PCA）、因子分析等降维方法中，“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
大数据早已不是单纯的技术概念，而是渗透各行业的核心生产力。但同样是拥抱大数据，零售企业的推荐系统、制造企业的设备维护、金 ...
在数据驱动的时代，“数据分析” 已成为企业决策的核心支撑，但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
金融统计不是单纯的 “数据计算”，而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估，到投资组合的 ...
这个问题很有实战价值，mtcars 数据集是多元线性回归的经典案例，通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
在数据驱动成为企业核心竞争力的今天，“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
在大模型（如 Transformer、CNN、多层感知机）的结构设计中，“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
形成购买决策的四个核心推动力的是：内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...