数据分析层次中哪个最高

⑴ 从用户角度看BI系统中数据分析模型的层次

从用户角度看BI系统中数据分析模型的层次
在BI商业智能系统中，面向分析的数据模型一般是多维数据分析模型，分析模型由相应分析领域的分析维度(见附1)和分析指标(见附2)组成。针对面向不同层级用户的需求，分析模型按照分析的粒度划分为不同的层次，这里以面向高层管理人员宏观管理及决策分析需求、面向中层管理人员及业务人员的日常经营分析及业务跟踪与监控需求为例，仅将分析模型划分为“经营层次的分析模型”、“管理层次的分析模型”两个层次。
1、经营层次的分析模型
经营层次的分析模型是按照业务环节(业务环节是业务流程中的业务事件、交易事务等业务操作单元)组织的多维分析数据模型，一般情况下每个业务环节包含一到两个分析模型，该层次的分析模型一般保存细节粒度的事实数据，以便满足该环节的未知分析需求对维度组合及数据聚合等方面的灵活要求，同时也能够避免当业务流程发生改变，仅通过对维度成员的标识与追加及对事实数据的横向及纵向扩充就能够适应，而非因维度梳理补全、事实粒度细节不够所导致的对既有模型及数据的摒弃与重建。
经营层次分析模型的例子有计划预算模型、客户拜访模型、营销活动模型、物料请购模型、采购分析模型、入库分析模型、库存分析模型、库存异动模型、出库分析模型、客户订单分析模型、临检分析模型、医院结算模型、成本分摊模型、客户价格分析模型、客户耗材模型、客服投诉模型、质控核查分析模型、凭证分析模型、科目分析模型、核算分析模型(含往来核算，即往来客户及应收应付数据)、人员结构与变动模型、薪资分析模型、人员培训模型、招聘模型等。
2、管理层次的分析模型
管理层次的分析模型是基于经营层次的分析模型构建的，一般通过提升粒度(如时间维度的最小周期提升到月)、降维(如财务及业务分析模型通过将维与预算模型融合为预算执行跟踪模型等)并通过一致性(公共)维度联合等手段，形成横跨多个业务单元的管理模型。
管理层次分析模型的例子有：计划预算跟踪模型、库存需求预测模型、产品销售跟踪与分析模型、账龄分析模型、财务报表及指标分析模型、综合财务绩效评价模型、人员绩效分析模型等。
附1：分析维度
分析维度类似于业务实体，类似企业管理及业务领域的主数据信息，每个维度都要根据业务需求，按照多个视角组织成不同的层级关系，并分别包含若干扩展属性。主属性用来组织维度的层次结构并作为主要标识，主属性和扩展属性都可以在在查询分析中使用。
以医学检验行业BI为例，维度的例子有时间、地区、机构与人员、医院、讲师、病人、项目(套餐)、设备、仓库、物料、供应商、线路、车辆等。
附2：分析指标
分析指标是指在企业业务过程各环节中(如采购、营销、检验、结算等)，产生的量化指标(直接产生的原始指标可成为度量值)。分析指标按照在各个维度上是否可以累加的特性区别，有全累加指标(如销售量、销售额)、半累加指标(如期末余额，在时间上不可累加，在其他维度上可累加)、非累加指标(如产品单价、各种比率等)。
在上层分析应用中使用的分析指标，一般是基于原始分析指标计算而来的衍生指标。
以医学检验行业BI为例，分析指标的例子有物料申购数量、库存量、待检数量、实收金额、分摊成本额、年初数量、期末余额等。

⑵ CDA数据分析体系怎样LEVEL 1 2 3分别指什么

CDA LEVELⅠ 是针对零基础或基础薄弱欲就业、转行从事数据分析岗位的初学者，也针对有础但不系统欲进一步完整提升技能的职场人员。培训后通过CDA考核认证，可获得CDA数据分析师LEVELⅠ资格证书，成为一名合格的”业务数据分析师“。

CDALevelⅠ：业务数据分析师。专指政府、金融、电信、零售等行业前端业务人员；从事市场、管理、财务、供应、咨询等职位业务人员；非统计、计算机专业背景零基础入行和转行就业人员。CDALevelⅠ业务数据分析师需要掌握概率论和统计理论基础，能够熟练运用Excel、SPSS、SAS等一门专业分析软件，有良好的商业理解能力，能够根据业务问题指标利用常用数据分析方法进行数据的处理与分析，并得出逻辑清晰的业务报告。

CDALevelⅡ：建模分析师。两年以上数据分析岗位工作经验，或通过CDALevelⅠ认证半年以上。专指政府、金融、电信、零售、互联网、电商、医学等行业专门从事数据分析与数据挖掘的人员。在LevelⅠ的基础上更要求掌握多元统计、时间序列、数据挖掘等理论知识，掌握高级数据分析方法与数据挖掘算法，能够熟练运用SPSS、SAS、Matlab、R等至少一门专业分析软件，熟悉使用SQL访问企业数据库，结合业务，能从海量数据提取相关信息，从不同维度进行建模分析，形成逻辑严密能够体现整体数据挖掘流程化的数据分析报告。

CDALevelⅡ：大数据分析师。两年以上数据分析岗位工作经验，或通过CDALevelⅠ认证半年以上。专指政府、金融、电信、零售、互联网、电商、医学等行业专门从事数据分析与云端大数据的人员。在LevelⅠ的基础上要求掌握JAVA语言和linux操作系统知识，能够掌握运用Hadoop、Spark、Storm等至少一门专业大数据分析软件，从海量数据中提取相关信息，并能够结合R python等软件，形成严密的数据分析报告。

CDALevelⅢ：数据分析专家。五年以上数据分析岗位工作经验，或通过二级认证半年以上。专指从事各行业、企业整体数据资产的整合、管理的专业人员，面向用户数据创造不同的产品与决策，一般指首席分析师（CA）。数据分析专家需要掌握CDALevelⅡ的所有理论及技术要求，还应了解计算机技术，软件开发技术，大数据分析架构及企业战略分析方法，能带领团队完成不同主题数据的有效整合与管理。对行业、业务、技术有敏锐的洞察力和判断力，为企业发展提供全方面数据支持。

⑶ 数据分析的三大组成部分

数据分析由三大重要部分组成：

1.数据采集。它是我们的原材料，因为任何分析都是需要数据源；

2.数据挖掘。它可以说是最“高大上”的部分，也是整个商业价值所在。数据挖掘的核心是挖掘数据的商业价值，也就是我们所谈的商业智能BI

3.数据可视化。它可以说是数据领域中万金油的技能，可以让我们直观的了解到分析数据的结果。

下面总结详解这三大部分的内容：

一、数据采集

采集工具：八爪鱼，自动抓取的神器，它可以帮你抓取 99% 的页面源。

python爬虫：可编写，采集，存储数据，以及自动化采集设计。

相关推荐：《Python视频教程》

二、数据挖掘

它可以说是知识型的工程，相当于整个专栏中的“算法”部分。首先要知道他的基本流程，算法，以及底层的数学基础。

基本流程：商业理解，数据理解，数据准备，模型建立，模型评估，上线发布。

算法:分类算法，聚类算法，关联分析，连接分析。

数学基础：概率论和数据统计，线性代数，图论，最优化方法。

三、数据可视化

当数据量大的时候很难理解，可视化可以帮我们很好地理解这些数据的结构，以及分析结果的视觉呈现。

数据可视化有两种方法(并不是全部)：

1.python第三方库：Matplotlib，Seaborn等

2.第三方工具:如果生成了csv格式文件，想要采用所见即得的方式进行呈现，可以采用微图，DataV，Data GIF Maker等第三方工具。

⑷ 定义数据处理核心逻辑的层次是什么层

摘要 据抽象分为三种不同的抽象，它们分别是：

⑸ 用户行为数据分析有哪三个层次

做用户行为分析的基础是获得用户行为数据，例如用户页面停留时间、跳转来源等等。这些信息有些能直接拿到，有些是需要做一些计算才能拿到的。一般来说用户访问时的一些信息都是以日志的形式打到web容器的日志空间中去，这其中包含了最通用的一些访问信息以及一些自定义的日志打点。

题主提到了大数据技术中对用户行为进行分析，那么可以假定网站或者App的访问量是比较傲多的。由于系统流量比较大，计算维度又比较多，后续数据消费者的需求增长比较快，所以对计算分析平台有了一定的要求。具体表现为：
1.负载能力。流量增大以后带来的压力是多方面的，比如网络带宽的压力、计算复杂度带来的压力、存储上的压力等等。一般来说这些都是比较显而易见的，会对产生比较直接的影响，比如计算实时性下降、消息出现了堆积、OOM等等。为了解决这一现象，一般来说会选择一些分布式的框架来解决这个问题，比如引入分布式计算框架storm、spark，分布式文件系统hdfs等。
2.实时性。在系统资源捉襟见肘时消息的实时性会立即受到严重影响，这使得部分算法失效（例如对计算和收集上来的数据进行行为分析后，反馈到推荐系统上，当整体响应时间过场时会严重影响推荐效果和准确度）。对于这个情况来说可能会选择storm这种具有高实时性的分布式流式计算框架来完成任务。
3.系统管理和平台化相关技术手段。在大数据情景下，企业内数据环境和应用环境都是比较复杂的，用户行为分析应用不是一成不变的，那么就要求用户行为分析这种多变的应用在复杂环境中能有效生存，这包括算法数据材料的获得、系统运维、系统任务调度、系统资源调度等等，相关的技术很多时候要求团队自研，但也有ganglia、yarn、mesos这类开源系统可以参考或者直接使用。
4.数据链路。企业技术环境一般来说是非常复杂的，一层一层交错在一起，远不是一句MVC三层架构能够概括得了的，为了避免消息流通呈复杂的网状结构，一般会考虑应用服务化、企业服务总线（ESB）及消息总线来做传输，有兴趣的话题主可以网络一下这几个方向的技术和开源工具。
5.应用快速生成工具。我个人认为在大数据环境下应用都摆脱不了一个快速开发的要求，用户行为分析也是如此，这时候要考虑对接一些开源的分布式数据分析算法库而不是通过自己去实现，比如像spark ml，mahout这类的库用得好能减少很多工作量。

⑹ 完整的数据分析流程

1、业务建模。2、经验分析。3、数据准备。4、数据处理。5、数据分析与展现。6、专业报告。7、持续验证与跟踪。
方法/步骤
作为数据分析师，无论最初的职业定位方向是技术还是业务，最终发到一定阶段后都会承担数据管理的角色。因此，一个具有较高层次的数据分析师需要具备完整的知识结构。
1. 数据采集
了解数据采集的意义在于真正了解数据的原始面貌，包括数据产生的时间、条件、格式、内容、长度、限制条件等。这会帮助数据分析师更有针对性的控制数据生产和采集过程，避免由于违反数据采集规则导致的数据问题；同时，对数据采集逻辑的认识增加了数据分析师对数据的理解程度，尤其是数据中的异常变化。
比如：
Omniture中的Prop变量长度只有100个字符，在数据采集部署过程中就不能把含有大量中文描述的文字赋值给Prop变量（超过的字符会被截断）。
在Webtrekk323之前的Pixel版本，单条信息默认最多只能发送不超过2K的数据。当页面含有过多变量或变量长度有超出限定的情况下，在保持数据收集的需求下，通常的解决方案是采用多个sendinfo方法分条发送；而在325之后的Pixel版本，单条信息默认最多可以发送7K数据量，非常方便的解决了代码部署中单条信息过载的问题。（Webtrekk基于请求量付费，请求量越少，费用越低）。
当用户在离线状态下使用APP时，数据由于无法联网而发出，导致正常时间内的数据统计分析延迟。直到该设备下次联网时，数据才能被发出并归入当时的时间。这就产生了不同时间看相同历史时间的数据时会发生数据有出入。
在数据采集阶段，数据分析师需要更多的了解数据生产和采集过程中的异常情况，如此才能更好的追本溯源。另外，这也能很大程度上避免“垃圾数据进导致垃圾数据出”的问题。
2.数据存储
无论数据存储于云端还是本地，数据的存储不只是我们看到的数据库那么简单。
比如：
数据存储系统是MySql、Oracle、SQL Server还是其他系统。
数据仓库结构及各库表如何关联，星型、雪花型还是其他。
生产数据库接收数据时是否有一定规则，比如只接收特定类型字段。
生产数据库面对异常值如何处理，强制转换、留空还是返回错误。
生产数据库及数据仓库系统如何存储数据，名称、含义、类型、长度、精度、是否可为空、是否唯一、字符编码、约束条件规则是什么。
接触到的数据是原始数据还是ETL后的数据，ETL规则是什么。
数据仓库数据的更新更新机制是什么，全量更新还是增量更新。
不同数据库和库表之间的同步规则是什么，哪些因素会造成数据差异，如何处理差异的。
在数据存储阶段，数据分析师需要了解数据存储内部的工作机制和流程，最核心的因素是在原始数据基础上经过哪些加工处理，最后得到了怎样的数据。由于数据在存储阶段是不断动态变化和迭代更新的，其及时性、完整性、有效性、一致性、准确性很多时候由于软硬件、内外部环境问题无法保证，这些都会导致后期数据应用问题。
3.数据提取
数据提取是将数据取出的过程，数据提取的核心环节是从哪取、何时取、如何取。
从哪取，数据来源——不同的数据源得到的数据结果未必一致。
何时取，提取时间——不同时间取出来的数据结果未必一致。
如何取，提取规则——不同提取规则下的数据结果很难一致。
在数据提取阶段，数据分析师首先需要具备数据提取能力。常用的Select From语句是SQL查询和提取的必备技能，但即使是简单的取数工作也有不同层次。第一层是从单张数据库中按条件提取数据的能力，where是基本的条件语句；第二层是掌握跨库表提取数据的能力，不同的join有不同的用法；第三层是优化SQL语句，通过优化嵌套、筛选的逻辑层次和遍历次数等，减少个人时间浪费和系统资源消耗。
其次是理解业务需求的能力，比如业务需要“销售额”这个字段，相关字段至少有产品销售额和产品订单金额，其中的差别在于是否含优惠券、运费等折扣和费用。包含该因素即是订单金额，否则就是产品单价×数量的产品销售额。
4.数据挖掘
数据挖掘是面对海量数据时进行数据价值提炼的关键，以下是算法选择的基本原则：
没有最好的算法，只有最适合的算法，算法选择的原则是兼具准确性、可操作性、可理解性、可应用性。
没有一种算法能解决所有问题，但精通一门算法可以解决很多问题。
挖掘算法最难的是算法调优，同一种算法在不同场景下的参数设定相同，实践是获得调优经验的重要途径。
在数据挖掘阶段，数据分析师要掌握数据挖掘相关能力。一是数据挖掘、统计学、数学基本原理和常识；二是熟练使用一门数据挖掘工具，Clementine、SAS或R都是可选项，如果是程序出身也可以选择编程实现；三是需要了解常用的数据挖掘算法以及每种算法的应用场景和优劣差异点。
5.数据分析
数据分析相对于数据挖掘更多的是偏向业务应用和解读，当数据挖掘算法得出结论后，如何解释算法在结果、可信度、显着程度等方面对于业务的实际意义，如何将挖掘结果反馈到业务操作过程中便于业务理解和实施是关键。
6.数据展现
数据展现即数据可视化的部分，数据分析师如何把数据观点展示给业务的过程。数据展现除遵循各公司统一规范原则外，具体形式还要根据实际需求和场景而定。
基本素质要求如下：
工具。PPT、Excel、Word甚至邮件都是不错的展现工具，任意一个工具用好都很强大。
形式。图文并茂的基本原则更易于理解，生动、有趣、互动、讲故事都是加分项。
原则。领导层喜欢读图、看趋势、要结论，执行层欢看数、读文字、看过程。
场景。大型会议PPT最合适，汇报说明Word最实用，数据较多时Excel更方便。
最重要一点，数据展现永远辅助于数据内容，有价值的数据报告才是关键。
7.数据应用
数据应用是数据具有落地价值的直接体现，这个过程需要数据分析师具备数据沟通能力、业务推动能力和项目工作能力。
数据沟通能力。深入浅出的数据报告、言简意赅的数据结论更利于业务理解和接受，打比方、举例子都是非常实用的技巧。
业务推动能力。在业务理解数据的基础上，推动业务落地实现数据建议。从业务最重要、最紧急、最能产生效果的环节开始是个好方法，同时要考虑到业务落地的客观环境，即好的数据结论需要具备客观落地条件。
项目工作能力。数据项目工作是循序渐进的过程，无论是一个数据分析项目还是数据产品项目，都需要数据分析师具备计划、领导、组织、控制的项目工作能力。

⑺ 数据分析师的三个等级是什么意思

数据分析师的三个等级的意思是：

CDA Level I ：业务数据分析师

就是指互联网、电信、政府等行业领域前端业务人员；或者是从事市场、咨询、BI、管理、财务、数据分析等职位业务人员；也可能是一些非统计、计算机专业背景零基础入行和转行就业人员。

CDA Level II：大数据分析师

有着一年以上数据分析岗位工作经验，或者是通过CDA Level Ⅰ认证。就是专指政府、电信、零售、电商、医学等行业专门从事数据分析与云端大数据的人员。

CDA Level III：数据科学家

有着三年以上数据分析岗位工作经验，或者是通过任意一门CDA Level II认证的。就是专指政府、电信、零售、互联网、电商、医学等行业数据分析的资深人员。

如果想要考取数据分析师资格证，可以到CDA数据分析认证中心咨询一下。 CDA考试遍布全国，旨在加强全球范围内科学化、专业化、体系化的大数据及数据分析人才队伍建设， 进一步提升数据分析师的职业素养与能力水平，促进数据科学行业应用的高质量持续快速发展。

⑻ 数据分析和数据挖掘的区别是什么如何做好数据挖掘

数据分析和数据挖掘都是从数据库中发现知识、所以我们称数据分析和数据挖掘叫做数据库中的知识发现。但严格意义上来讲，数据挖掘才是真正意义上的数据库中的知识发现（Knowledge Discovery in Database，KDD）。

数据分析是从数据库中通过统计、计算、抽样等相关的方法，获取基于数据库的数据表象的知识，也就是指数据分析是从数据库里面得到一些表象性的信息。数据挖掘是从数据库中，通过机器学习或者是通过数学算法等相关的方法获取深层次的知识（比如属性之间的规律性，或者是预测）的技术。

⑼ 商业数据分析都有哪些层次

1.描述性分析

描述性分析主要是对已经发生的事实用数据做出准确的描述。目前的BI分析基本上是在这个层面上，不管是大屏分析还是交互式分析都是在描述发生了什么。

2.诊断性分析

诊断性分析也叫判断性分析，其作用是知道到底发生了什么，对我们的帮助不大，更重要的是，我们要明白为什么发生。了解数据发生的起源。

3.预测性分析

基于上述两个层次的分析，我们发现了其中的规律，通过建模，我们可以预测，预测分析已经属于数据挖掘的范畴，不是BI的范畴，需要了解统计知识，搭建统计模型。

4.处方性分析

有了预测性分析的结果后，我们就要对预测结果进行相应的行为措施，提前做好防范措施。做到真正的运筹帷幄。

关于商业数据分析都有哪些层次，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。

⑽ 数据分析成熟度模型,你处在哪个阶段

数据分析成熟度模型,你处在哪个阶段_数据分析师考试

一项由人力资源研究机构Bersin by Deloitte进行的研究表明：超过60%的企业把很多钱花在大数据分析工具上，希望这些工具能帮助他们的HR部门更多地依靠数据做出决策。但真正成功做到这一点的企业寥寥可数。

一条硕大的鸿沟

通过对480家企业进行调研，我们发现它们当中只有4%实现了对员工的“可预测分析(predictive analytics)”。也就是说，只有极少数的公司能够真正了解影响员工绩效和留存率(retention)的因素，知道如何用数据来确定招聘对象，并懂得如何分析绩效与薪资间的相关性。在我们的研究中，只有14%的企业对员工数据做过实质意义上的数据分析。

那么剩下的84%究竟在干嘛???

在各种应接不暇的报告中凌乱。这些企业依旧困惑于如何有效管理数据，并在整理数据上步履艰难。面对接踵而至的数据报告，它们仍无法生成标准化的可操作指标，以此来实现数据的真正利用。

事实上，很多企业在运用数据方面，仍处在比较初级的阶段。

数据分析成熟度模型

工欲善其事，不只要利其器

想要能够在大数据应用方面如鱼得水，软件和工具固然重要，但不能忽略其他方面的投入：高效的数据管理模式，以提供高质量的数据来源;商业咨询能力，以便能够一针见血识别问题和需求;与财务及运营分析部门的紧密联系;视觉设计和沟通能力。这些技能的重要性不亚于统计学知识、数据分析技术和数学应用能力。

实际上，大多数HR团队指出，找一个统计人员对他们来说不难，难的是找一个能将数据和商务应用结合起来，并能够将研究结果转化成落地方案的项目经理。

从职能层面来说，高效的分析技术团队都有很好的多学科能力，包括商务理解、咨询技巧、数据可视化技术、数据管理能力、统计学知识和领导能力。他们不仅要诊断和解决企业在业务上的问题，还要经常给管理层提供新鲜及时的讯息。

在企业运用大数据的过程中，最大的难题之一就是如何让人们在有了数据之后改变自己固有的行为方式。大多数管理人员都有着很多年积累的“思维体系”和所谓“经验模式”。这些都是阻碍决策者去相信并利用数据的因素。

“明知故犯”的HR经理们

研究对象中有一间公司以薪资涨幅作为变量，对员工的流失率和留存率做了分析。他们之前的薪资水平大致符合一个正太分布，绩效较好的员工得到的工资涨幅略高于绩效稍逊的员工。报告中是这样写的：

“同我们的其他研究结果显示的一样，该公司现行的薪资正太分布是一个错误。那些处于第二、第三分位段的员工(优绩效员工)即便在他们的薪资涨幅只有平均水平的91%时依然会选择留在公司。也就是说，这些人拿多了。

另一方面，那些处在正太分布最右端的员工只有在薪资涨幅高于平均水平15%-20%的时候才会继续留下。”

大多数经理人认为，顶尖员工的绩效高出中等员工很多。假如能让这些人留在公司，付给他们高薪实际上对公司来说是极为有利的。因此，他们即便在得知了研究结果的情况下，依然沿用之前的方式对员工发放薪水。因此该公司不得不推出一套培训项目和新的软件工具来纠正管理者们固有的思维方式，让他们能更多依据数据来决定薪资及奖励分布。

仅有14%的企业真正用对大数据

有太多例子证明依靠数据支撑的HR决策能带来更高的投资回报率。

但遗憾的是，太多的公司尚未涉足该领域，以至于他们无法从中获利。

如果不能将数据分析能力整合到HR策略中，并生成一套以大数据作为支撑的内部管理和薪酬分配系统，那么沦为败者的命运就在所难免。

以上是小编为大家分享的关于数据分析成熟度模型,你处在哪个阶段的相关内容，更多信息可以关注环球青藤分享更多干货