Python商业大数据分析师就业培训班

收藏

微信扫描二维码分享

  • 课程介绍
  • 大纲
  • 课程1:数据分析师先导篇
    1、数据分析的概念
    2、数据分析的作用
    3、数据分析六部曲
    4、数据分析的三大误区
    5、数据分析师的发展和职业要求
    6、数据分析师的职业素质
    课程2:逻辑为先——XMIND
    1、xmind简介
    2、xmind作用
    3、xmind模板的制作和下载
    4、xmind内容制作
    5、导入及导出
    6、学习方法课堂案例
    7、滴答拼车实战演练
    8、其他思维导图介绍
    课程3:流程主导——VISIO
    1、VISIO的基本布局和功能模块
    2、流程图结构说明
    3、DO&DONOT业务流程图注意事项
    4、项目实战:制作简单流程图
    5、使用Visio画UML序列图
    6、使用Visio画UML类图
    7、使用Visio画UML用例图
    8、使用Visio画UML状态图
    课程4: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



    阶段二:商业数据分析篇
    本课程为数据分析的初级应用阶段,主要、Excel、Power BI、My SQL、Tableau等可视化工具进行对数据的预处理,让学员能够在拿到数据后对数据进行清洗,转换等处理,为接下来的数据建模打下基础。

    学完后能达到什么水平?
    针对初级数据分析师的职位发展要求

    课程1:Excel数据处理与分析实战
    1、用Excel实现数据清洗和转化
    2、用Excel之Power Query实现数据转换和清洗
    3、数据分析和建模(power query和power pivot的使用)
    4、数据展现之基本统计图介绍及简单制作
    5、数据展现之利用Excel实现基本数据透视表
    6、数据展现之利用Power View实现高级透视表
    7、数据展现之利用Power Map实现bing地图
    8、宏与VBA
    9、Excel解决某公司财务报表动态生成

    课程2:Power BI 商业数据可视化分析
    1、微软Power BI简介
    2、通过power pivot报告快速上手power bi
    3、Power BI Desktop界面介绍和数据导入整理
    4、Power BI Desktop建立数据分析模型
    5、Power BI Online Service(在线版)特有功能
    6、Power BI Online Service 报告的分享与写作
    7、power bi和Excel的配合
    8、数据的刷新
    9、仪表板的制作原则
    10、常用可视化图表介绍
    11、Power BI 之巧用地图

    课程3:利用 Tableau 进行自助式商业分析(电商行业)
    1.tableau安装
    2.数据字段管理
    3.函数与公式计算
    4.图表制作
    5.仪表盘制作
    6.tableau数据可视化案例
    实战:利用Tableau进行电商产品分析
    实战:利用Tableau进行客户分析
    实战:利用Tableau进行营销效果分析
    实战:利用Tableau进行商品评论分析

    课程4:利用SQL进行复杂业务数据分析
    1.初识My Sql(安装My Sql、使用CMD登录My Sql、数据库数据类型、约束、Navicat介绍、Navicat创建数据库、Navicat填充数据)
    2.缺失值处理:对缺失数据行进行删除或填充
    3.重复值处理:重复值的判断与删除
    4.异常值处理:清除不必要的空格和极端、异常数据
    5.利用SQL进行简单的业务数据查询
    6.利用SQL完成复杂条件查询
    7.利用多表关联完成复杂业务查询
    8.利用嵌套子查询完成复杂业务数据分析
    9.聚合、分组、排序
    10.函数
    11.行列转换
    12.视图与存储过程
    13.业务数据表关联查询及查询
    14.结果纵向融合
    15.⽇常业务需求数据宽表构建
    16.应⽤⼦查询处理复杂业务

    阶段三:业务数据分析篇
    此阶段为我们整个课程的第三阶段,侧重于业务数据分析的学习。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的学习,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,此部分是做为一个数据分析专业人士必备的技能。本部分内容将会贯穿于本套课程始终,并最终通过项目案例实战验证。

    学完后能达到什么水平?
    学完后胜任的工作岗位是:
    业务数据分析师
    电商数据分析师
    运营数据分析师
    …..
    课程1: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
    2 、中小企业的数据困顿
    3 、数据分析的目的
    4 、是什么在支撑产品设计
    5、 是什么在支撑产品运营
    6 、是什么在支撑产品迭代
    7 、企业想要的数据分析师
    8、解决方案的梯度
    9、DMAIC的概念
    10、DMAIC的流程展开
    11、数据分析的场景
    12、数据分析的能力模型
    13、依据时间维度
    14、依据空间维度
    15、依据综合维度
    16、对比分析法
    17、分类分析法
    18、分布分析法
    19、相关分析法

    课程2:用户画像与数据分析经典指标、模型剖析
    1 、5W2H模型
    2 、PEST模型
    3 、波特五力模型
    4 、兰查斯特战略模型
    5、 SWOT模型
    6 、GE矩阵模型
    7 、德尔菲分析模型
    8、 KANO模型
    9、 PSM模型
    10、产品运营类指标
    11、产品会员类指标
    12、成本控制类指标
    13、收益控制类指标
    14、什么是标签体系
    15 、数据类型的场景
    16 、如何定义标签
    17 、四阶用户画像
    18、 用户画像的意义
    19、用户画像的微观示例
    20、用户画像的标签建设

    课程3:数据化运营
    1、运营的江湖地位
    2、内容运营基础
    3、活动运营基础
    4、用户运营基础
    5、数据化运营本质
    6、规避运营黑天鹅
    7、数据化运营的探索创新
    8、互联网运营的进阶之路
    9、如何创建一支运营团队

    课程4:行业竞品分析与数据可视化报告撰写
    1 、什么是竞品分析
    2 、为什么要做竞品分析
    3 、无目的的竞品分析
    4 、有目的的竞品分析
    5、 结论的呈现
    6、 数据可视化的概念
    7、 数据可视化的意义
    8 、数据可视化的对比
    9 、数据可视化的分类
    10、数据可视化图表举例
    11、数据可视化应用领域
    12、数据可视化步骤
    13、数据可视化工具梯度
    14、图表呈现流程
    15、数据报告撰写

    课程5: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

    阶段四:Python数据分析篇
    此阶段为我们整个课程的第四阶段,Python数据分析。将主要侧重Python语言及数据分析包的学习。通过对Python语言、Python数据处理、分析包及可视化包的学习,训练学员掌握必备的基本编码能力,为后续更高级的内容打下坚实且必要基础。

    学完后能达到什么水平?
    学完后胜任的工作岗位是:Python数据分析师

    课程1:数据分析编程基础——Python
    1.Python语言开发要点详解
    2.Python开发环境搭建
    3.Python数据类型和常见算法
    4.Python函数式编程
    5.Python文件处理
    6.Python类、异常处理
    7.Python中的集合,泛型,元组,字典
    8.Python网络编程、多线程 、正则表达式
    9.Python面向对象编程

    课程2:数据收集– Python 爬虫技术
    1.Python爬虫原理与入门
    2.利用requests及BeautifulSoup爬取数据
    3.Beautiful Soup库的使用
    4.利用及BeautifulSoup爬取数据
    5.利用Scrapy框架爬取数据
    6.爬虫综合项目实战

    课程3:Python科学计算库
    1.NumPy 简介、程序包、简单的Numpy程序
    2.Ndarray的文件操作
    3.操作多维数组ndarray、索引、索引数组、布尔数组
    4.改变ndarray的形状
    5.ndarray的基本运算
    6.numpy进阶
    7.numpy高级:广播、复制与视图

    课程4:Python数据分析库
    1.Pandas 简介\PANDAS程序包安装
    2.简单的PANDAS程序\Series类说明
    3.Series的bool运算选择\SERIES的复杂操作
    4.DataFrame的常用构造方式与操作
    5.分组求和(聚合操作)\列与列之间的四则运算
    6.删除某一列\按位置选定指定的行和列
    7.深复制&浅复制
    8.DataFrame与DataFrame之间的join操作

    课程5:Python数据分析可视化
    1.Matplotlib简介
    2.matplotlib程序包安装
    3.简单的matplotlib程序
    4.Matplotlib主要绘图类型(上)
    5.Matplotlib主要绘图类型(下)
    6.Matplotlib主要绘图参数
    7.Matplotlib主要绘图装饰函数
    8.Matplotlib文字标注与注释
    9.利用seaborn库进行数据可视化
    10.利用pyecharts库进行数据可视化

    阶段五:大数据分析篇
    此阶段为我们整个课程的第五阶段,不需要学员具备Java基础知识,也不需要学员了解大数据环境,只需要学员有Linux及数据库基础知识,便可以学习此部分内容。此部分内容,老师将会直接给到学员一个真实的大数据开发环境,直接在这个真实的开发环境里t利用hive的HQL语言完成大数据分析的具体应用,这是目前大据分析师工作的主要内容,干货满满!
    学完后能达到什么水平?
    学习完成后能够胜任的工作岗位:
    1、ETL工程师
    2、数据仓库工程师
    3、数据清洗工程师
    4、Python大数据分析师
    5、Hive大数据分析师

    课程1:大数据分析基础——Linux
    1、Linux发展及介绍
    2、Vmvare与Centos7.x的安装部署
    3、Linux文件管理及用户管理
    4、Linux权限管理与常用工具命令
    5、Linux网络管理与系统管理
    7、Linux软件管理与正则表达式
    8、Shell编程应用
    9、Linux定时任务Crontab

    课程2:ETL数据仓库——数据清洗与处理
    1、数据科学过程
    2、数据清洗定义
    3、数据清洗任务
    4、数据清洗流程
    5、数据清洗环境
    6、数据清洗实例说明
    7、数据标准化
    8、数据格式与编码
    9、数据清洗常用工具
    10、数据清洗基本技术方法
    11、数据抽取
    12、数据转换与加载
    13、利用Excel进行数据清洗与处理
    14、利用Kettle进行数据清洗与处理

    课程3:Hive大数据分析
    1.大数据概述
    2.⼤数据集群 Hadoop 架构
    3.Hive开发环璄搭建
    4.从MySQL中导入数据到Hive
    5.从Hive导出数据到MySQL
    6.Hive数仓
    7.HQL 数据查询基础语法
    8.从MySQL中导入数据到Hive
    9.从Hive导出数据到MySQL
    10.分区表、分桶表、关联表
    11.数据查询
    12.常⽤内置函数及开窗函数
    13.特殊类型数组查询⽅式
    14.HQL 查询语句优化技巧

    阶段六:数据挖掘篇
    此阶段为我们整个课程的第六阶段,数据挖掘篇。侧重于数据的分析和建模。通过对基本的数理统计知识的学习,达到利用高级分析工具及方法对业务分析预测的目的。
    学完后能达到什么水平?
    学完后胜任的工作岗位是:
    数据挖掘/分析师

    课程1:数据分析—数理统计基础
    1、概率
    2、样本与抽样
    3、描述数据(统计量)
    4、正太分布
    5、统计推断
    6、实验设计
    7、变量之间的关系
    8、回归分析
    9、聚类分析

    课程2:SPSS建模分析
    01、课程规划与简介
    02、数据挖掘项目生命周期
    03、简单必备的统计学基础
    04、用Modeler试手挖掘流程
    05、数据挖掘的知识类型
    06、商业分析基础简介
    07、回归模型
    08、决策树模型
    09、支持向量机
    10、聚类模型
    11、关联规则

    课程3:SAS建模分析
    01、SAS概述:SAS简介与教育版安装
    02、SAS概述:教育版基本使用
    03、SAS编程基础
    04、SAS编程基础7-循环
    05、SAS数据集操作1-合并
    06、SAS数据集操作2-排序与对比
    07、SAS数据集操作3-查重与筛选
    项目案例: 商品管理系统分析案例解析

    阶段七:人工智能/机器学习
    此阶段为我们整个课程的第七阶段,属选修内容。需要学员具备比较强的算法数学能力及一定的Python编程能力,主要介绍了人工智能机器学习的入门知识及必备算法能力,通过具体的项目演示了人工智能/机器学习在实际工作中运用,会将来更进一步的深入人工智能学习打下良好的基础。
    学完后能达到什么水平?
    学习完成后能够胜任的工作岗位:
    人工智能应用开发工程师

    课程1:机器学习入门
    1.机器学习扫盲
    2.数据挖掘和机器学习概述
    3.快速理解数据挖掘和机器学习
    4.数据挖掘的六大任务
    5.数据挖掘方法论(CRISP-DM)
    6.预测模型的构建和应用流程
    7.机器学习算法及分类.
    8.数据挖掘与数据仓库和OLAP
    9.数据挖掘和机器学习应用案例
    10.如何成为一名优秀的数据科学家

    课程2:人工智能:实战十大预测数据算法
    01、sk-learn机器学习库
    02、十大预测算法原理与使用场景
    03、算法调用、参数设置
    04、特征选择、特征工程
    05、回归预测模型实战
    06、分类预测试模型实战
    07、聚类模型实战
    08、集成学习
    09、模型优化

    阶段八:精英项目实战篇
    此阶段为我们整个课程的第八阶段,精英项目实战篇。借助五大商业级项目实战,让学员对数据分析、数据挖掘、人工智能应用有一个全面的理解与认识,让学员在工作中有机会冲击高级数据分析师工作岗位,从而成为这个领域的专家
    学完后能达到什么水平?
    学习完成后能够胜任的工作岗位:
    Python高级数据分析师、数据挖掘工程师、人工智能机器学习开发工程师

    课程1: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
    2、电商行业视角
    3、电商通用指标体系
    4、AARRR 模型
    5、销售漏斗模型

    课程2: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

    课程3: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

    课程4: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
    2、Excel数据处理
    3、Excel BI数据转换、
    4、透视表、可视化图表分析

    课程5:零售行业数据分析
    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

讲师

  • 童金浩

    资深教育专家

    中科大计算机专业,工信部大数据专家评委,十年技术开发经验,十年教学管理经验,中国最早的一批在线教育践行者。近些年专注于大数据、人工智能及区块链等方面的研究与落地教学实践工作。长期与企业一线技术总监、项目经理,互联网企业接触合作进行课程联合研制,产品的落地实践工作,对技术、架构和教育与商业有极深的理解和敏锐洞察力。

扫描二维码查看手机版

尊敬的用户,请留下您的报名信息

稍后会有专人与您详细沟通课程事宜

姓名: 最多输入10个中文字符

手机号: 请输入正确的手机号码

报名成功

稍后会有专人与您详细沟通课程事宜