我们每秒生成1.7MB的数据量
普通互联网用户每天产生1.5GB的数据量
Facebook每天产生4PB的数据量(包含100亿条消息、3.5亿张照片以及1亿小时的视频浏览)
自动驾驶汽车每天产生4TB的数据量
智慧工厂每天产生1PB的数据量
每时每刻,我们都在产生大量的数据:微信聊天、地铁刷卡、 银行存储…据IDC发布的《数据时代2025》报告显示, 全球每年产生的数据量将从2018年的33ZB增长到175ZB, 以数据为中心的数字经济时代已经来临, 如何掘金堪比石油的数据是所有个人、企业和国家的机遇和挑战。
随着数字经济的高速发展,数据分析人才出现了供不应求的状况。有媒体报道,美国的数据分析师平均年薪高达17.5 万美元,而国内顶尖互联网公司,数据分析师的薪酬要比同一级别的其他职位高20%至30%,且颇受企业重视。
2020年中国大数据行业人才需求规模高达210万,2025年前仍将保持30%-40%的增速,未来的需求总量在2000万人左右
零经验小白也可以学,大专及以上学历即可,专业经验不限
几乎所有的行业都会应用到数据,数据分析师可以在各个领域就业
受外部业务影响相对较小,职位相对稳定,经验越丰富,越受用人企业青睐
数据分析工作必须报以认真严谨的态度,女生的性格从事数据分析是非常适宜的
2019年全国数据分析师年平均工资超过15万元,远高于规模以上企业就业人员的年平均工资75229元
数据来源:人社部发布的《新职业—大数据工程技术人员就业景气现状分析报告》
人才缺口大
入学门槛低
跨领域发展不受限
职业寿命长
性别无歧视
薪资较高
1 通信/电信运营、增值...(36178个样本) ¥9.8k
2 金融/投资/证券(279499个样本) ¥9.3k
3 保险(79788个样本) ¥9.2k
4 新能源(853617个样本) ¥8.5k
5 计算机软件(624240个样本) ¥8.5k
6 房地产(987505个样本) ¥8.5k
7 通信/电信/网络设备(90792个样本) ¥8.1k
8 中介服务(46390个样本) ¥8.1k
9 医疗设备/器械(96328个样本) ¥8.0k
10 互联网/电子商务(1038038个样本) ¥8.0k
1 北京(3844份样本) ¥20.4k
2 上海(3205份样本) ¥15.8k
3 深圳(2143份样本) ¥15.0k
4 杭州(951份样本) ¥14.5k
5 广州(1807份样本) ¥11.9k
6 苏州(245份样本) ¥11.5k
7 南京(498份样本) ¥10.6k
8 成都(708份样本) ¥10.1k
9 长沙(258份样本) ¥9.4k
10 福州(159份样本) ¥8.7k
结合互联网、金融、科技、城市管理等方向数据业
务,成为业务数据分析师
数据挖掘工程师、Python数据分析师、大数据分
析师、数据工程师、数据科学家、AI工程师
8个月
数十人团队深度研发打磨
300
课时
必修阶段
100
课时
职场进阶
20
业务实战案例
5
企业真实项目
150
课时
辅修阶段
3个月
10大阶段深度学习
易学
不限专业,零经验小白也能学,文科生、理科生、本科生、大专生均可学得会
物美
最快8周,从小白成长为企业急需的Python大数据分析师,性价比超高
货真
传统数据分析+商业智能BI+可视化数据分析+Python数据分析+人工智能
30+项目案例全程贯穿+五大企业级商业数据分析案例剖析精讲
价实
直播+录播(赠送)+企业导师周末加餐+入学即送价值8800元人工智能专业课程=物超所值
保障
入学即签订具备法律效用的就业协议,并享受专业的就业指导
科学的人才培养体系
助你晋升职场“薪”贵
复合场景学习方式
全方位辅助学习
多阶段性职业规划
未来由你掌控
直播必修+录播辅修
讲师精讲答疑
企业实现
以业务驱动项目实战
场景教学,数据思维
定期评测
课程测试+阶段测试
结业考试+毕业答辩
全程伴学
N对1专属答辩群
日作业讲解点评
独家资料
闪卡工具书+电子小抄书
项目手册+面试集锦
面试模拟
直击面试重难点
专项突击式训练
01
零基础想入行
1
专业不受限,岗位薪资高
2
0经验就能学,学完就能用
3
能写在简历上的真实项目经验
02
相关行业想涨薪
1
摆脱“人肉取数机器”,突破薪资瓶颈
2
拥有更开阔的业务视角,提升职场竞争力
3
满足大厂数据分析能力模型,斩获高薪Offer
03
提升自己想转行
1
不拍脑门,用数据驱动业务决策
2
搭建核心指标体系,抓住业务核心体系
3
自动化办公,用数据提升找工作效率
04
有志于AI方向发展
1
不拘泥于现况,挤进人工智能领域
2
成功转型AI行业数据高端人才
3
站在数据顶端,薪资不可估量
高新技术企业
股票代码:836392
专注IT职业培训
十七年(2004-2021)
集教研与教学为一体
博为峰总监级资深讲师领衔授课
涵盖主流数据分析技术、工具
搭配更多的热门实战项目
每年可输送10000+职业IT人才
学员入职7000+招聘合作企业
为腾讯、阿里、HP等公司
培养了上百个软件技术团队
模块 | 内容 |
---|
模块 | 内容 |
---|---|
数据分析入门——数据分析的【道】与【术】 | 1、数据分析入门 |
2、数据分析的意义 | |
3、数据分析的流程控制 | |
4、数据分析的思路与方法 | |
数据分析入门——逻辑为先——XMIND | 1、xmind简介与基本使用 |
2、学习方法课堂案例 | |
3、滴答拼车实战演练 | |
4、其他思维导图介绍 | |
数据分析入门——专业展现——PPT | 1、专业展现——PPT |
2、基本简介 | |
3、几个不得不说的真相 | |
4、经验分享 | |
5、实战动画 | |
数据分析工具安装与环璄配置 | 1、Excel工具的安装、配置与环璄测试 |
2、Power BI工具的安装、配置与环璄测试 | |
3、Tableau工具的安装、配置与环璄测试 | |
4、MySQL数据库的安装、配置与环璄测试 | |
5、SPSS数据挖掘工具安装、配置与环璄测试 | |
6、SAS数据挖掘工具安装、配置与环璄测试 | |
7、Python开发工具的安装、配置与开发环璄测试 | |
Linux基础应用之大数据必知必会 | 1、虚拟机的安装配置 |
2、虚拟机网络配置 | |
3、安装Linux | |
4、利用SSH连结Linux | |
5、Linux基础命令 | |
6、Linux系统管理 | |
数据分析的Python语言基础 | 1、python课程的目的 |
2、使用JupyterLab | |
3、python数据类型 | |
4、元组、列表、字典 | |
5、python分支结构 | |
6、python字符串处理+随机函数 | |
7、pthon循环结构 | |
8、python面向过程函数操作 | |
9、python面向对象 | |
数据分析项目流程 | 问题界定 |
问题拆分 | |
指标确定 | |
数据收集 | |
报告方案 | |
趋势预测 | |
数据分析 | |
趋势预测 | |
报告方案 | |
问题的定义 | 边界:明确问题的边界 |
逻辑:确定业务的关键指标和逻辑 | |
定性分析与定量分析 | |
分析问题的模型 | 基于经典的模型-1:5W2H、SWORT、4P管理模型、CATWOE、STAR原则、波士顿5力模型 |
基于业务的模型-2:用户画像、销售影响因素、市场变化因素、AARRR流量模型、金定塔思考方法 | |
数据清洗与处理 | 数据科学过程 |
数据清洗定义 | |
数据清洗任务 | |
数据清洗流程 | |
数据清洗环境 | |
数据清洗实例说明 | |
数据标准化 | |
数据格式与编码 | |
数据清洗常用工具 | |
数据清洗基本技术方法 | |
数据抽取 | |
数据转换与加载 | |
内部数据的获取 | 产品数据 |
用户数据 | |
行为数据 | |
订单数据 | |
外部公开数据 | 开放网站 |
政务公开数据 | |
数据科学竞赛 | |
数据交易平台 | |
行业报告 | |
指数平台 | |
Web网站数据抓取 | 财经数据抓取 |
投资数据抓取 | |
房产数据抓取 | |
舆情数据抓取 | |
娱乐数据抓取 | |
新媒体数据抓取 | |
实战-1:51job招聘网站数据抓取与清洗 | |
实战-2:链家网数据的抓取与数据清洗 | |
SQL基础操作 | 建库 |
建表 | |
建约束 | |
创建索引 | |
添加、删除、修改数据 | |
利用SQL完成数据的预处理 | 缺失值处理:对缺失数据行进行删除或填充 |
重复值处理:重复值的判断与删除 | |
异常值处理:清除不必要的空格和极端、异常数据 | |
利用SQL进行业务数据查询 | 利用SQL进行简单的业务数据查询 |
利用SQL完成复杂条件查询 | |
利用多表关联完成复杂业务查询 | |
利用嵌套子查询完成复杂业务数据分析 | |
高级SQL分析 | 聚合、分组、排序 |
函数 | |
行列切换 | |
视图与存储过程 | |
业务指标统计分析 | 业务数据表关联查询及查询 |
结果纵向融合 | |
⽇常业务需求数据宽表构建 | |
应⽤⼦查询处理复杂业务 | |
实战-1:利用SQL进行某零售公司销售业务分析 | |
实战-2:电商网站流量指标SQL数据分析 | |
数据分析的统计学基础 | 基本统计量-1:均值、中位数、众数、异常值 ....... |
概率论基础-2:独立事件、条件概率、全概率公式、贝叶斯定律 ...... | |
数据分布-3:几何分布、正态分布、二项分布、泊松分布..... | |
统计抽样 | |
置信区间 | |
假设检验 | |
数据分析的数学基础 | 极限的计算和连续函数的性质 |
导数/微分的概念和运算法则 | |
积分的概念和运算法则 | |
幂级数、泰勒级数、傅里叶级数、傅里叶变换 | |
向量的概念和运算 | |
矩阵的转置、乘法、逆矩阵、正交矩阵、SVD奇异值分解、特征值 | |
行列式的计算和性质 | |
凸优化 | |
基于Numpy库的Python数据科学计算 | 创建数组 |
切片索引 | |
数组操作 | |
字符串函数 | |
数学函数 | |
统计函数 | |
...... | |
案例-1:Numpy在金融领域中的分析应用 | |
案例-2:基于Numpy的股价统计分析应用 | |
基于Pandas库的Python数据处理与分析 | 利用Pandas重成数据表 |
利用Pandas进行数据查看 | |
Pandas数据清洗 | |
基于Pandas的数据预处理:数据表合并、数据表拆分与排序 | |
利用Pandas进行数据提取 | |
Pandas数据统计 | |
...... | |
案例-1:抖音用户行为分析 | |
案例-2:淘宝天猫乐高的全国销售情况分析 | |
利用Matplotlib/Seaborn/pyechart进行Python数据可视化 | 直方图:探索变量的分布规律 |
条形图:展示数值变量的集中趋势 | |
散点图:表示整体数据的分布规律 | |
箱线图:表示数据分散性,极值,中位数 | |
提琴图:分位数的位置及数据密度 | |
回归图:寻找数据之间的线性关系 | |
热力图:表未数值的大小或者相关性的高低 | |
案例-1:抖音用户行为可视化分析 | |
案例-2:淘宝天猫乐高的全国销售情况可视化分析 | |
实战-1:基于Python实现的链家网业务数据分析 | |
实战-2:基于Python实现的51JOB简历分析 | |
HIVE大数据查询平台搭建 | 大数据概述 |
⼤数据集群 Hadoop 架构 | |
Hive开发环璄搭建 | |
HIVE与MySQL进行数据交换 | 从MySQL中导入数据到Hive |
从Hive导出数据到MySQL | |
HQL 海量业务数据需求查询 | Hive数仓 |
HQL 数据查询基础语法 | |
HQL 海量业务数据需求查询 | 从MySQL中导入数据到Hive |
从Hive导出数据到MySQL | |
HQL 业务数据指标统计分析 | 分区表 |
分桶表 | |
关联表 | |
数据查询 | |
HQL 海量数据查询优化 | 常⽤内置函数及开窗函数 |
特殊类型数组查询⽅式 | |
HQL 查询语句优化技巧 | |
实战-1:基于Hive的电商日志点击流量分析案例 | |
实战-2:基于Hive的企业员工行为大数据分析 | |
数据挖掘与分析算法 | 描述统计 |
相关分析 | |
判别分析 | |
方差分析 | |
时间序列分析 | |
主成分分析 | |
信度分析 | |
因子分析 | |
回归分析 | |
对应分析 | |
列联表分析 | |
聚类分析 | |
数据挖掘工具——SPSS | 课程规划与简介 |
数据挖掘项目生命周期 | |
简单必备的统计学基础 | |
用Modeler试手挖掘流程 | |
数据挖掘的知识类型 | |
商业分析基础简介 | |
回归模型 | |
决策树模型 | |
支持向量机 | |
聚类模型 | |
关联规则 | |
数据挖掘工具——SAS | SAS概述:SAS简介与教育版安装 |
SAS概述:教育版基本使用 | |
SAS编程基础 | |
SAS编程基础7-循环 | |
SAS数据集操作1-合并 | |
SAS数据集操作2-排序与对比 | |
SAS数据集操作3-查重与筛选 | |
练习-斐波那契数列 | |
练习-百元百鸡问题 | |
实战:证券业市场绩效与市场结构关系的实证分析 | |
人工智能:实战十大预测数据算法 | 机器学习入门 |
sk-learn机器学习库 | |
十大预测算法原理与使用场景 | |
算法调用、参数设置 | |
特征选择、特征工程 | |
回归预测模型实战 | |
分类预测试模型实战 | |
聚类模型实战 | |
集成学习 | |
模型优化 | |
实战-1:天池大赛之天猫用户重复购买行为分析及预测 | |
实战-2:天池大赛之O2O优惠券使用预测 | |
商业智能与可视化分析实战 | 案例-1:BI电商数据市场分析项目实战 |
案例-2:BI电商数据客户分析项目实战 | |
案例-3:BI可视化关于公司运营情况的相关分析 | |
案例-4:基于Tableau的客户主题对客户进行合理分群 | |
案例-5:基于Tableau实现的营销主题分析 | |
案例-6:基于Tableau的保公司索赔情况分析 | |
数据可视化报告撰写 | 数据可视化的概念 |
数据可视化的意义 | |
数据可视化的对比 | |
数据可视化的分类 | |
数据可视化图表举例 | |
数据可视化应用领域 | |
数据可视化步骤 | |
数据可视化工具梯度 | |
图标呈现流程 | |
数据报告撰写 | |
实战:O2O电商平台功能优化效果评估及可视化数据分析报告撰写 | 了解电商业务背景 |
基于客户分析场景的数据加载、清洗、分析及模型建立 | |
以货品分析为应用场景,针对品类销售及商品销售进行分析 | |
以流量分析为应用场景,针对流量渠道及关键词做有效分析 | |
根据业务实际背景做舆情分析 | |
将分析结果及建议制成报告进行发布 | |
五大商业项目实战 | 商业项目实战01:电商数据分析——分析方式之漏斗模型及数据量化 |
商业项目实战02:电商用户行为与营销模型实战 | |
商业项目实战03:金融风控模型的构建与分析实战 | |
商业项目实战04:展会电话邀约项目数据分析实战 | |
商业项目实战05:零售行业数据分析 |