人类正从IT时代走向DT时代
数字经济下，数据无处不在，我们已经从IT时代迈入DT时代。IT时代以流程来驱动业务，而在DT时代，将以数据来驱动业务。特别是对于互联网公司来说，拥有海量的数据并充分利用，已经成为其致胜的法宝。
BI的应用场景广泛
BI推荐商品
BI推荐新闻
BI推荐短视频
BI推荐拼车路线
BI推送饮食
匹配派送路线
BI可以辅助企业管理者的决策
01-现状分析
BI揭示“发生了什么”，如运营情况到底是好还是坏？
02原因分析
BI揭示“为什么发生”， 如利润环比下降10%的原因？
03-预测分析
BI揭示“将要发生什么”，如明年公司业绩将会是多少？
BI可以为广大职场人赋能/提效
大厂们的“BI数据分析情结”
*信息来源：拉钩招聘
美团：HRBP
1、具备5年以上大型企业HRBP工作经验，有支持互联网业务经验优先；
2、具备一定的信息收集、分析、综合应用能力；
3、熟悉人力资源各大模块，遇到问题时能够快速准确做出专业判断和决策
京东：用户运营
1、4年及以上用户增长或TO C互联网平台产品运营经验，本科及以上学历；
2、有相对成熟的用户增长思维，善于数据研究分析，有具体项目落地经验；
3、和各部门横向沟通，以项目制形式推动产品升级迭代和用户增长项目落地
作业邦：招聘顾问
1、有1年以上大型互联网/IT领域OR猎头高端人才招聘经验；
2、对数据敏感,能进行简单的数据分析;
3、定期整理招聘数据，进行汇报
携程：财务经理
1、3年以上支付公司备付金管理相关从业经历；
2、有企业头寸管理和司库管理经验优先；
3、有较强的数据分析能力，思维活跃，细致认真,责任心强
数据来源：人社部发布的《新职业一大数据工程技术人员就业景气现状分析报告》
人才缺口大
预计2023年中国大数据行业的人才需求规模将达到250万，2025年前大数据人才需求仍将保持30%-40%的增速，需求总量在3000万人左右
跨领域发展不受限
几乎所有的行业都会应用到数据，BI商业数据分析师可以在各个领域就业
职业寿命长
几乎所有的行业都会应用到数据，BI商业数据分析师可以在各个领域就业
性别无歧视
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
薪资较高
职友集数据：2023年全国数据分析师平均工资超过￥19.8K,其中20K-30K工资的占比最多，达20.7%
第一类·纯数据
数据维护 数据分析师
大数据工程师 数据开发架构师
数据治理 数据挖掘工程师
BI工程师 ……
第二类·数据赋能
财务分析 风控建模 行业研究
量化建模 产品经理 用户研究
运营分析 市场策略分析 销售
广告媒体 人力资源 ……
易学
不限专业，零基础小白也能学，文科生、大专生均可学习
前沿
推出时下热门的FineBI商业智能大屏可视化教程，贴近企业用人需求
高效
全日制班（学习周期：6周，5课时/天），业余班（学习周期：3个月）
物美
6周快速学习课程，助你成为BI商业可视化分析师，性价比超高
就业
入学即签订推荐就业协议，享受专业就业指导
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
虚拟仿真实训平台
业务驱动项目实战
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
阶段一：数据分析基础
| 培训目标 | 了解数据分析师的工作职责并为自己树立职业目标 | |||
| 掌握数据分析思维、了解基础的数据分析方法，为后继商业数据分析打下基础 | ||||
| 掌握基础的Excel操作，为后继更加高级的Excel分析打下基础 | ||||
| 数据分析师先导篇 | 1.数据分析的概念 | 4.数据分析的三大误区 | ||
| 2.数据分析的作用 | 5.数据分析师的发展和职业要求 | |||
| 3.数据分析六部曲 | 6.数据分析师的职业素质 | |||
| 商业数据分析与数据思维 | 1.商业数据分析与数据分析的区别 | 4.数据分析师必备技能 | ||
| 2.从数据治理看数据分析师的职责 | 5.为什么数据思维很重要？ | |||
| 3.数据分析师职位画像 | 6.数据思维到底是什么？ | |||
| 数据分析思维 | 1.数据思维基本功01-目标导向 | 5.数据思维基本功05系统思维 | ||
| 2.数据思维基本功02客观严谨 | 6.数据思维基本功06-业务思维 | |||
| 3.数据思维基本功03指标思维 | 7.数据思维基本功07-用户思维 | |||
| 4.数据思维基本功04逻辑思维 | 8.数据思维基本功08如何培养数据分析思维 | |||
| Excel数据分析基础课 | 1.Excel行列操作 | 4.Excel中的数据验证 | ||
| 2.Excel 基本筛选 | 5.Excel中的合并计算 | |||
| 3.Excel的常用函数 | 6.Excel的函数进阶 | |||
| GPT(专题一)GPT扫盲课程 | 1.GPT简介、行业应用、环境搭建与上手体验 | GPT实操：如何不被马斯克炒掉？ | ||
| 2.GPT为什么这么火 | GPT实操：让GPT帮你写求职信 | |||
| 3.GPT的国外的发展与应用及未来趋势 | 如何自己动手注册GPT帐号 | |||
| 4.GPT国内的发展与应用及未来趋势 | GPT使用中的高频报错警告及解决办法 | |||
| 5.GPT究竟替代了哪些人的工作? | 如何防止帐号被OpenAI禁用，坑与经验 | |||
阶段二：商业数据分析篇
| 培训目标 | 针对初级数据分析师的职位发展要求来培训 | |||
| Excel数据处理与分析实战 | 1.用Excel实现数据清洗和转化 | 6.数据展现之利用Power View实现高级透视表 | ||
| 2.用Excel之PowerQuery实现数据转换和清洗 | 7.数据展现之利用PowerMap实现bing地图 | |||
| 3.数据分析和建模(powerquery/power pivot) | 8.宏与VBA | |||
| 4.数据展现之基本统计图介绍及简单制作 | 9.Excel解决某公司财务报表动态生成 | |||
| 5.数据展现之利用Excel实现基本数据透视表 | ||||
| GPT（专题二）Excel+GPT项目实战 | 简介GPT技术 | 解释如何使用GPT结合Excel进行数据预处理和文本生成 | ||
| 数据预处理 | Excel中数据的导入和清洗／描述如何使用GPT进行自动化数据清洗和处理 | |||
| 文本生成 | 描述如何使用GPT进行自然语言生成展示如何使用GPT生成的文本嵌入到Excel中 | |||
| 应用场景 | 探索GPT在数据预处理和文本生成方面的应用场景 分析GPT与Excel结合的优势和局限性 |
|||
| 最佳实践和案例分析 |
分享一些GPT与Excel结合的最佳实践和成功案例 介绍如何评估GPT与Excel的效果，并提出改进意见 |
|||
| 应用展示 |
展示一个GPT与Excel结合的实际应用场景， 并分析其关键步骤和注意事项 |
|||
| 总结与展望 | 总结GPT与Excel结合的优势和局限性 展望未来GPT与Excel结合应用的更多机会 |
|||
| Excel高手修炼之路 | 1.Excel VBE环境配套及宏代码 | 4.Excel VBA高手进阶 | ||
| 2.Excel VBA小试牛刀 | 5.Excel VBA案例实战 | |||
| 3.Excel VBA快速上手 | Power BI商业数据可视化分析 | |||
| Power BI商业数据可视化分析 | 1.微软Power BI简介 | 7.power bi和Excel的配合 | ||
| 2.通过power pivot报告快速上手power bi | 8.数据的刷新 | |||
| 3.Power BI Desktop界面介绍和数据导入整理 | 9.仪表板的制作原则 | |||
| 4.Power BI Desktop建立数据分析模型 | 10.常用可视化图表介绍 | |||
| 5.Power BI Online Service (在线版）特有功能 | 11.Power BI之巧用地图 | |||
| 6.Power BI Online Service 报告的分享与写作 | ||||
| GPT（专题三）如何训练GPT专业提示词编写技巧方法与实战 | GPT提示词是什么 | 定义GPT提示词GPT提示词的用途 | ||
| 如何编写好的GPT提示词 |
确定目标受众、使用合适的语言风格遵循文本生成的最佳实践 小心使用敏感话题和表述、考虑多样性和包容性、对提示词进行精细修改 |
|||
| 编写时需要注意的问题 |
坚持一致性和连贯性、减少重复和歧义、避免过度拟合数据 处理特殊情况，如意外输入、测试和优化提示词 |
|||
| 最佳实践示例 |
展示一些好的GPT提示词的例子、分析为什么这些提示词效果好 提供可供参考的模板和指导 |
|||
| 深入了解GPT提示词技术 | 探索更高级的技术和方法 分析GPT提示词技术未来的发展方向 |
|||
| 项目实战：基于Power BI 实现抖音达人新媒体分析 | 日热分析 |
不同热词在不同时期内的上榜次数、点赞数等／上榜次数较多的热词 ／上榜数量较多的标题／视频详清／博主活跃度情况及评论转化情况等 |
||
| 博主分析 |
博主所在排行榜情况分析／博主表现形式领域数量情况分析 ／博主所拥有的粉丝情况及星座情况分析／博主所在地域分析等 |
|||
| 涉及知识点 |
1理论＋业务＋数据分析思维＋数据分析工具 2. 本项目大量的使用到了Power BI专业的M函数，包括但不限于： 逆透视自定义函数、切片器、地图及各种热门图表报表。 |
|||
| GPT（专题四）如何训练GPT辅助你完成数据分析报告撰写 | 概述GPT技术及预备知识 |
分享如何使用GPT辅助数据分析报告的撰写 数据清理和文本预处理的基本方法、数据分析报告的组成结构和要素 |
||
| 数据清洗、文本预处理文本生成和报告撰写 |
描述数据清理和文本预处理的基本方法，如何使用GPT数据清洗和预处理 使用GPT生成自然语言文本 |
|||
| 实际案例分析 |
分享一些使用GPT辅助数据分析报告撰写的实际案例 探讨如何使用GPT改善数据分析报告的质量和效率 |
|||
| 最佳实践和注意事项 |
总结GPT在数据分析报告中的应用优势和不足，提供一些最佳实践和 注意事项，帮助学员更好地应用GPT完成数据分析报告撰写 |
|||
| 利用Tableau进行自助式商业分析 | 1.tableau安装 | 6.tableau数据可视化案例 | ||
| 2.数据字段管理 | 实战：利用Tableau进行电商产品分析 | |||
| 3.函数与公式计算 | 实战：利用Tableau进行客户分析 | |||
| 4.图表制作 | 实战：利用Tableau进行营销效果分析 | |||
| 5.仪表盘制作 | 实战：利用Tableau进行商品评论分析 | |||
| GPT（专题五）GPT项目实战BI+GPT项目实战 | 简介GPT技术 | BI数据分析的应用场景和挑战 | ||
| GPT与BI的初步操作 | 讲解如何使用GPT结合BI工具进行数据预处理和文本生成 | |||
| GPT与BI的应用场景 | 探索GPT在BI数据分析中的应用场景／分析GPT与BI工具结合的优势和不足 | |||
| 借助GPT改善BI数据分析报告 |
描述如何使用GPT生成自然语言报告 如何将生成的文本应用于BI数据分析报告的撰写和呈现 |
|||
| 应用案例 |
分享—些GPT辅助BI数据分析的实际案例 探讨如何使用GPT改善BI数据分析的效率和质量 |
|||
| 总结与展望 | 总结GPT在BI数据分析中的应用优势和局限性 展望未来GPT在BI数据分析领域的更多机会和挑战 |
|||
| 利用SQL进行复杂数据分析 | 1.初识MySql (安装MySql、使用CMD登录等） | 10.行列转换、视图与存储过程、应用子查询处理业务 | ||
| 2.缺失值处理：对缺失数据行进行删除或填充 | 11.业务数据表关联查询及查询 | |||
| 3.重复值处理：重复值的判断与删除 | 12.结果纵向融合、日常业务需求数据宽表构建 | |||
| 4.异常值处理：清除多余的空格和极端、异常数据 | 13.窗口分析函数及案例实战 | |||
| 5.利用SQL进行简单的业务数据查询 | 14.SQL中利用正则表达式进行数据抽取 | |||
| 6.利用SQL完成复杂条件查询 | 15.利用SQL解析Json格式的数据 | |||
| 7.利用多表关联完成复杂业务查询 | 16.MySQL8新语法特性(CTE表达式/ON/USING) | |||
| 8.利用嵌套子查询完成复杂业务数据分析 | 17.跨表更新 | |||
| 9.聚合、分组、排序函数 | 18.MySQL企业面试题讲解 | |||
| GPT（专题六）如何让GPT成为你的贴身学习助理 | 训练GPT成为你的AI学习助手 |
查找资料，解释代码，提供解题思路与方法……不懂就问， 有问必答，24小时不知疲惫，贴心陪伴 |
||
| 训练GPT成为你的学习陪练 | 利用GPT自练、自测。它出题你来答，你出题它来答。你回答它评判，科学评估，让你随时了解自己的学习状况与学习效果 | |||
| 训练GPT成为你的学习顾问+AI学习教练 |
私人定制学习计划科学指导 训练纠错、评估与总结 |
|||
| SQL项目实战：亿级电商网站流量指标SQL数据分析 | 项目简介 |
项目借分析“淘宝用户行为数据集”为案例，梳理一遍的数据分析技能。 本项目通过对“淘宝用户行为数据集”全过程的分析展示数据分析的全过程 －使用工具：MySQL, Excel, Navicat, PowerBI －数据来源：阿里天池实验室淘宝用户行为数据集 －数据量级：百万级 |
||
| 涉及知识点 |
1.SQL统计分析函数、SQL关联多表查询 2.SQL自定义函数与视图 3. 分析类型：描述分析，诊断分析 4.分析方法：漏斗分析，用户路径分析 5.RFM用户价值分析，活跃／存留分析 6帕累托分析，假设验证分析 |
|||
| SQL性能优化精讲（选修） | 1.为什么需要进行SQL优化？ | 5.SQL多表关联的优化 | ||
| 2.mysql的编写过程和解析过程 | 6.SQL查询的优化 | |||
| 3.SQL引擎的运行原理 | 7.SQL的其他优化注意事项 | |||
| 4.索引的原理与索引优化 | ||||
| FineBI国产商业智能 & FineReport报表开发 | 1.FineBI国产商业智能概述 | -FineBI与FineReport的整合应用及整合案例分享 | ||
| 2.FineBI国产商业智能高级技巧 | -FineBI和FineReport的整合应用场景与优势 | |||
| 3.ineBI综合项目实战（旅游/物流可视化大屏制作） | -FineBI和FineReport的数据互通技巧与实例 | |||
| 4.FineReport报表开发概述 | 综合实战01: 某科室医护患比月度趋势分析 | |||
| 5.FineReport数据决策分析 | 综合实战02: 国家标配与现状对比分析 | |||
| －初识FineReport/FineReport多报表设计＆数据 | 综合实战03: 病床利用率达标及某科室月度趋势分析 | |||
| 分析计算/FineReport可视化制作＆大屏概述及制作 | 综合实战04: 住院收入月度趋势分析 | |||
| 项目实战：基于FineBI实现的金融数据分析 | 任务一、风险分析 | 任务三、资产负债分析 | ||
|
1.1风险指标分析 1.2贷款不良率分析 1.3贷款五级分类清况分析 1.4项目小结 |
3.1资产结构分析 3.2负债及所有者权益分析 3.3项目小结 |
|||
| 任务二、效益分析 | 任务四、股票走势分析 | |||
| 2.1企业营业收入分析 2.2企业营业支出分析 2.3项目小结 |
4.1股票走势分析 4.2未来趋势分析 4.3项目小结 |
|||
| GPT（专题七）SQL+GPT项目实战 | GPT和SQL简介 |
GPT和SQL的定义 GPT和SQL的主要应用领域 |
||
| GPT在ETL数据中的应用 | 描述ETL数据工程的流程\引入GPT解决编写SQL语句的挑战\GPT的优势和局限性 | |||
| 如何训练GPT生成SQL提示语 |
准备SQL语句数据集 对数据进行预处理和嵌入 训练GPT模型 微调模型以优化结果 |
|||
| 如何使用GPT辅助编写SQL语句 |
定义输入格式、输入样例并从模型中获取输出 解择输出并将其转换为相应的SQL语句、消除歧义和错误 |
|||
| 实例演示 |
演示一个使用GPT编写SQL语句的实例 分析该实例的关键步骤和注意事项 |
|||
阶段三：业务数据分析篇
| 培训目标 | 通过对主流的数据思维数据分析方法、数据分析体系及主流行业的商业运行指标等 | |||
| 训练学员数据思维能力，发现问题分析问题及解决问题的能力 | ||||
| 学完后胜任的工作岗位 | 业务数据分析师 电商数据分析师 运营数据分析师 | |||
| 从产品思维到－数据思维数据分析转变篇 | 1.中小企业的决策常态 | 11.数据分析的场景 | ||
| 2.中小企业的数据困顿 | 12.数据分析的能力模型 | |||
| 3.数据分析的目的 | 13.依据时间维度 | |||
| 4.是什么在支撑产品设计 | 14.依据空间维度 | |||
| 5.是什么在支撑产品运营 | 15.依据综合维度 | |||
| 6.是什么在支撑产品迭代 | 16.对比分析法 | |||
| 7.企业想要的数据分析师 | 17.分类分析法 | |||
| 8.解决方案的梯度 | 18.分布分析法 | |||
| 9.DMAIC的概念 | 19.相关分析法 | |||
| 10.DMAIC的流程展开 | ||||
| 数据人必须了解的数据埋点技术 | 1.数据人必须了解的数据埋点技术概述 | 5.数据埋点技术 | ||
| 2.数据埋点简介 | 6.数据埋点流程 | |||
| 3.数据埋点分类 | 7.数据埋点方案设计 | |||
| 4.主流的数据上报技术 | 8.数据埋点案例 | |||
| 干货：神策数据埋点体系搭建方法与实践经验分享 | 1.课程背景简介 | 4.如何规范埋点业务 | ||
| 2.理解埋点采集对数据分析的重要性 | －确认埋点业务的组织架构和关键决策人 | |||
| 3.如何高效准确地实现埋点设计 | －埋点业务职能角色以及工作流程 | |||
| －埋点设计思路与方法／埋点采集方式和触发时机 | －埋点采集全流程总览 | |||
| 数据分析师核心能力指标体系搭建 | 1.指标与指标体系 | 5.如何搭建指标体系1) OSM模型 | ||
| 2.为什么需要指标与指标体系 | 2) AARRR 模型 3) UJM 模型 | |||
| 3.如何读懂数据指标 | 4) MECE原则 5)北极星法 | |||
| 4.数据指标体系搭建实例 | ||||
| 用户画像与数据分析经典指标、模型剖析 | 1.SW2H模型 | 9.什么是标签体系 | ||
| 2.PEST模型 | 10.数据类型的场景 | |||
| 3.SWOT模型 | 11.如何定义标签 | |||
| 4.PSM模型 | 12.四阶用户画像 | |||
| 5.产品运营类指标 | 13.用户画像的意义 | |||
| 6.产品会员类指标 | 14.用户画像的微观示例 | |||
| 7.成本控制类指标 | 15.用户画像的标签建设 | |||
| 8.收益控制类指标 | ||||
| 数据分析师必须了解的电商运营分析工具“生意参谋” | 生意参谋是什么? 1) 提升店铺分析目标寻找机会 | 5）服务视窗：服务体验、咨询看板、退款看板 | ||
| 生意参谋怎么用? | 6）实时：实时榜单 | |||
| 1）主页－实时概况 2）主页－店铺排名 | 7）流量：看板、访客人数、访客分析、特征分布 | |||
| 3）运营视窗(1)-整体、流量看板、转化看板 | 8）品类－宏观监控 服务－体验诊断售后评价 | |||
| 4）运营视窗(2)-内容看板、竞争情报 | 总结数据分析面试时面试官喜欢问的数据参谋问题 | |||
| 数据化运营 | 1.运营的江湖地位 | 6.规避运营黑天鹅 | ||
| 2.内容运营基础 | 7.数据化运营的探索创新 | |||
| 3.活动运营基础 | 8.互联网运营的进阶之路 | |||
| 4.用户运营基础 | 9.如何创建一支运营团队 | |||
| 5.数据化运营本质 | ||||
| 行业竟品分析与数据可视化报告撰写 | 1.什么是竞品分析 | 7.数据可视化的对比与分类 | ||
| 2.为什么要做竞品分析 | 8.数据可视化图表举例 | |||
| 3.无目的有目的的竞品分析 | 9.数据可视化应用领域 | |||
| 4.结论的呈现 | 10.数据可视化步骤&工具梯度 | |||
| 5.数据可视化的概念 | 11.图表呈现流程 | |||
| 6.数据可视化的意义 | 12.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 | 1.了解电商业务背景 | |||
| 2.以客户分析为应用场景，对数据进行加载、清洗、分析及模型建立 | ||||
| 3.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 | ||||
| 4.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 | ||||
| 5.根据业务实际背景做舆情分析 | ||||
| 6.将分析结果及建议制成报告进行发布 | ||||
| GPT（专题八）如何借助GPT高效完成毕业设计 | 如何借助GPT选择一个合适的主题 | GPT可以帮助您生成有关许多不同主题的文章或段落。如果您需要一些启发，您可以与GPT进行对话，以获取一些可能感兴趣的主题 | ||
| 如何借助GPT收集相关文献资料及找寻相关数据 | GPT也可以帮助您搜索和解析大量的文献资料。您可以通过与GPT交谈来获得有关所选主题的最新研究和发现，还能帮助您了解该主题背景信息。 | |||
| 如何借助GPT建立自己的模型 | 如果您的毕业设计涉及机器学习或自然语言处理等领域，则可以使用GPT作为基础，对其进行微调，以创建自己的模型。这将需要一些编程技能，但GPT会为您提供必要的API和示例代码。 | |||
| 如何借助GPT对毕业设计作品进行测试和评估 | 完成模型后，您需要对其进行测试和评估。这将需要一些数据集和度量标准。您可以与GPT交谈，以获取有关如何正确评估模型性能的建议和指导。 | |||
| 借助GPT撰写毕设 | 过程中如何向GPT询问技术难点，如何向GPT询问业务流程，如何向GPT询问编写数据分析报告 | |||
阶段四：数仓基础与建模分析
| 学完后胜任的工作岗位 | ETL数据工程师、数据挖掘工程师（基础岗）、数仓开发工程师（基础岗） | |||
| 数据仓库基础教程 | Part-01 : 数仓扫盲 | Part-02: 认识数仓 | ||
| 1)什么是数据仓库 | 1)从曲型的数据工作流程看数仓工作内容与地位 | |||
| 2)数仓的用途--数仓要解决的问题 | 2)数仓经典架构、数仓发展历史、数仓分层设计 | |||
| 3)数仓涉及的技术 | Part-03: 数仓未来发展趋势 | |||
| 4)数仓涉及的职位 | 1)数据湖＆数据中台 | |||
| 5)消除几个对数仓的误解 | 2)湖仓—体 | |||
| ETL工具利用Kettle进行数据转换与处理 | Part-01 : ETL扫盲 | Part-03: 使用Kettle对数据进行处理 | ||
| 什么是ETL? /为什么需要ETL/ETL工作内容 | 1)Kettle处理csv格式的数据/Excel格式的数据 | |||
| ETL工程师的技术与能力要求／如何去做ETL | 2)Kettle处理关系型数据库数据 | |||
| Part-02: Kettle快速上手 | 3)利用Kettle进行数据清洗 | |||
| 1)什么是Kettle | 4.1null值处理 4.2重复值处理 | |||
| 2)Kettle的安装与配置 | 4.3异常值处理 4.4过滤与分组排序 | |||
| 3)Kettle快速上手体验 | ETL综合案例：职位分析与人才画像之构建城市数据字典 | |||
| SPSS与SPSS Modeler数据建模分析 | 1.课程规划与简介 | 6.商业分析基础简介 | ||
| 2.数据挖掘项目生命周期 | 7.回归模型／决策树模型 | |||
| 3.简单必备的统计学基础 | 8.支持向量机 | |||
| 4.用Modeler进行数据挖掘 | 9.聚类模型 | |||
| 5.数据挖掘的知识类型 | 10.关联规则 | |||
| 数据挖掘项目实战银行客户信用评分卡建模分析 | 涉及技术 |
1)数据预处理：数据审核、缺失值处理特征变量构建、数据分箱 2)单因素分析：卡方检验、方差分析 3)预测建模：分类模型基本概念、Logistic回归模型、决策树模型等常用模型 4)模型评估：分类模型常用评估指标、混淆矩阵、正确率、召回率 5)金融行业相关指标：信用评分指标、WOE |
||
| GPT（专题九）如何让GPT帮你美化简历 | 1.优秀简历的标准 | 7.如何使用GPT生成一份简历? | ||
| 2.GPT帮你挖掘经历的价值 | 8.GPT提示关键词（指令） | |||
| 3.GPT助您雕刻理想职业简历 | 9.利用GPT生成简历 | |||
| 4.使用GPT撰写简历：开始的几个步骤 | 10利用GPT全面优化简历 | |||
| 5.确定您的需求 | 11.实例演示 | |||
| 6.了解GPT需要什么信息 | ||||
| GPT（专题十）如何让GPT成为你的专职AI面试官 | 简介GPT技术面试岗位和技能要求分析 |
分析当前AI相关岗位企业所需的技能和能力要求 描述如何准备和规划面试过程以满足企业的招聘要求 强调GPT如何协助实现这些目标如何设计和实现模拟人类面试官的模型 |
||
| GPT面试官的设计和实现 |
介绍如何设计和实现一个能够模拟人类面试官的GPT模型 展示如何训练GPT面试官模型，并调整模型参数以提高性能 |
|||
| GPT面试官的设计和实现、面试官的应聘 |
讨论如何使用GPT面试官来测试和评估AI相关岗位的候选人的技能水平 探索如何使用GPT面试官来生成企业面试题 对候选人进行模拟面试，并给出针对性的评价和改进意见 |
|||
| GPT面试官的最佳实践和案例 | 提供最佳实践，包括如何选择合适的GPT面试官模型、如何准备数据进行 训练以及如何评估GPT面试官的效果，分亨GPT面试官应用的成功案例 | |||
| GPT面试官演示 |
演示一个使用GPT面试官对候选人进行实际模拟面试的场景 分析该演示的关键步骤和注意事项 |
|||
| GPT（专题十一）GPT赋能面试让你成为“面霸” | 开篇词+GPT如何赋能面试让你成为“面霸” |
2.1 GPT在企业面试中起到的作用和担当角色 2.2如何给到GPT更好的问题 2.3如何让GPT给到你更准确的答案 2.4如何调教GPT(技巧与方法） |
||
| 实战：如何利用GPT帮你顺利搞定人面 |
3.1请问你的兴趣爱好是什么? 3.2请问你为何从上一家辞职？ 3.3请说出你三个优点与三个缺点? 3.4你期望的工资＆接受加班和出差么？ |
|||
| 实战：如何利用GPT帮你顺利通过技面 |
4.1GPT赋能高效解决mysql面试题 4.2GPT高效解决数据分析业务题 4.3GPT赋能高效解决python面试题 4.4GPT高效解决机器学习面试题 |
|||
阶段五：精英项目实战篇
| 培训目标 | 借助六大商业级项目实战，让学员对数据分析、数据挖掘、商业智能应用有全面的理解与认识，让学员在工作中有机会冲击高级数据分析师工作岗位 | |||
| 学完后胜任的工作岗位 | BI数据分析师、商业数据分析师、BI工程师等 | |||
| 毕业项目实战基于猎聘网的职位分析与人才画像 | 1)能够根据业务需求完成网络数据的抓取 | |||
| 2)能够借助相关技术完成数据清洗转换处理操作 | ||||
| 3)能够从关系型数据库进行取数及复杂数据统计功能 | ||||
| 4)能够使用BI工具完成可视化大屏看板需求 | ||||
| 5)能够独立完成数据分析可视化报告撰写 | ||||
| 电商数据分析分析方式之漏斗模型及数据量化 | 1.数据分析方法 | 4.AARRR模型 | ||
| 2.电商行业视角 | 5.销售漏斗模型 | |||
| 3.电商通用指标体系 | ||||
| 用户行为与营销模型实战 | 1.数据分析思路的4W模式、企业数据分析流程、电商用户行为分析常见指标 | |||
| 2.营销推荐模型、CRISP数据挖掘流程、随机森林与决策树、Python代码实现 | ||||
| 金融风控模型的构建与分析实战 | 1.数据挖掘工具：SAS、modelbuilder | |||
| 2.常用模型：逻辑回归随机森林、LGBM、GBDT、XGBOOST | ||||
| 3.编程语言：Python | ||||
| 展会电话邀约项目数据分析实战 | 1.电话邀约核心指标分析 | 3.Excel BI数据转换 | ||
| 2.Excel数据处理 | 4.透视表、可视化图表分析 | |||
| 零售行业数据分析 | 1.数据分类、数据治理、数据管理流程、数据清洗、数据分析与可视化 | |||
| 2.零售业的基本思维方式、零售业的常用分析指标、零售业指标 | ||||
| GPT（专题十二）进入职场后GPT的“七十二”种玩法 | 一、普通人利用GPT变现（赚钱）的10+场景与最佳实践 | |||
| 变现场景：卖号、代问答、知识付费（卖资料）、文字创作、AI绘画、短视频创作、客服、翻译等 | ||||
| 二、技术人利用GPT变现（赚钱）的10+场景与最佳实践 | ||||
| GPT变现场景—：卖号 | ||||
| GPT变现场景二：知识付费（卖视频写技术文章） | ||||
| GPT变现场景三：数据分析与预测 | ||||
| GPT变现场景四：技术方案 | ||||
| GPT变现场景五：搭建企业内部的GPT | ||||
| GPT变现场景六：搭建微信小程序版GPT (企业公众号开发） | ||||
| GPT变现场景七：利用X-GP实现的智能聊天机器人 | ||||
| GPT变现场景八：开发嵌入GPT的PC端、App端、嵌入式端应用 | ||||
| GPT变现场景九：行业GPT提示词专家与培训工作者 | ||||
| GPT变现场景十：成为GPT提志词工作者 | ||||
项目一 基于Power BI 实现的移动终端数据销售情况分析
项目涉及内容
- 1、数据理解：5W2H分析法、一维表二维表、行列操作
- 2、数据处理：数据清洗基础及相关操作
- 3、数据建模分析：业务知识一站通、对比及多维度分析法（穿插业务）
- 4、数据可视化：基本图表使用、项目数据看板制作
- 5、该项目利用Excel，Excel BI+Power BI 贯穿教学全程实现
项目二 用 Tableau 进行自助式商业分析
项目涉及内容
- 1、基于Tableau的营销主题分析如何衡量媒体的营销价值
- 2、电商数据货品分析项目实战（波士顿矩阵分析、四象限分析法）
- 3、基于Tableau的保公司索赔情况分析
- 4、中国高校整体资源情况分析
- 5、零售行业数据分析
项目三 电商网站流量指标SQL数据分析
项目涉及内容
- 1、SQL统计分析函数、SQL关联多表查询
- 2、SQL自定义函数与视图
- 3、分析类型：描述分析，诊断分析
- 4、分析方法：漏斗分析，用户路径分析
- 5、RFM用户价值分析，活跃/存留分析
- 6、帕累托分析，假设验证分析
项目四 医院决策分析 FineBI 大屏可视化解决方案
项目涉及内容
- 本案例通过一个医院的真实脱敏数据利用 FineBI(帆软BI)+FineReport 结合进行大屏可视化数据分析报 表展示，具体如下：
- 1、提供多维分析引擎，操作简便，交互性友好，并支持WEB页面上的拖拉拽操作的BI设计和展示工具。
- 2、具备内建周期的环比、同比、期间指定的功能。
- 3、提供丰富的统计图类型和样式，类型包括：柱状图、饼图、折线图、面积图、条形图、雷达图、散点图、走势 图、仪表盘、汽泡图等等;丰富的统计图类型和样式可以让用户定义出各种美观的报表和领导驾驶舱。
项目五 大型互联网电商 BI商业数据分析全流程项目实战
项目涉及内容
- ⸺从业务到技术再到可视化分析报告一站式解决方案
- 对于零售或者电商企业而言，决策者对市场的预判对企业的发展起到关键性的作用。《孙子兵法》有云： “知己知彼，百战不殆”。在企业进入或者开展营销活动之前对市场进行分析，有助于决策者根据市场环境 进行有效决策，从而避免决策失误。数据分析师、店长或者运营人员需要提供给企业决策者对应的分析报 告，在提供报告前需要讲数据进行分析建模。
众多学员就业单位真实可查
