课程大纲
一、数据库SQL
    1.数据库基本概念
    2.DDL 数据定义语言
    3.DML 数据操作语言
    4.单表查询
    5.多表查询
    6.Python 连接 SQL
二、Python编程基础Numpy，Pandas，数据可视化
    1.Python 标准数据类型
    2.控制流语句
    3.自定义函数
    4.异常和错误
    5.类与面向对象编程
    6.Numpy 数组操作
    7.用 Python 做数据分析，必会的库Pandas
    8.用 Pandas 做数据清洗与数据探索
    9.Python 数据可视化库（Matplotlib，Seaborn）
三、数学与统计学基础
    1.线性代数
    2.微积分
    3.描述性统计
    4.参数估计
    5.假设检验
    6.相关分析
    7.卡方分析
    8.一元线性回归理论推导
    9.多远线性回归理论推导
四、SQL
    1.数据库 MySQL 语句与实战
    2.Python 连接 SQL 数据库
    3.SQL 使用案例
    4.零售电商多表分析案例
五、指标体系与统计分析可视化
    1.分析基础——数据分析的概念、过程、能力
    2.指标体系的意义与构建
    3.常用指标体系示例
    4.统计分析可视化
    5.企业经营分析——指标体系
六、Pandas
    1.Python 基础与数据清洗可视化回顾
    2.Python 实操案例
    3.教育行业分析——学校学科教育可视化案例
    4.数据分析师岗位需求——lagou 数据处理及分析案例
七、方差分析线性回归
    1.统计分析（相关分析，方差分析）
    2.线性回归（模型的建立与估计）
    3.统计模型的检验
    4.识别分析——用户支出影响因素分析案例
八、逻辑回归主成分分析
    1.逻辑回归（模型的建立与估计）
    2.模型评估
    3.分类与回归的结合
    4.信息压缩——主成分分析与因子分析（数据降维）
    5.用户流失分析——员工流失预警案例
    6.因子分析——城市发展水平综合分析
九、标签体系与用户画像
    1.标签体系的设计原理
    2.用户标签的制作方法
    3.客群分析——标签体系与用户画像
    4.AB test 应用最广泛的对比分析方法
    5.应用用户画像——美国某企业用户画像实战案例
十、时间序列
    1.时间序列分析（ ARIMA 算法）
    2.Box-Jenkins 建模流程
    3.时间序列回归
    4.销售额预测——线上平台销售额预测实战案例
十一、聚类分析决策树应用
    1.层次聚类
    2.Kmeans 聚类
    3.聚类分析评价方法——决策树应用
    4.用户分群——零售行业运营案例
十二、数据采集与处理数据管理
    1.数据采集处理方法（数据采集，数据录入，数据清洗）
    2.特征工程基础（特征预处理，特征的选择与转换）
    3.数据管理（数据分类，数据建模）
    4.产品目标人群分析——市场数据的应用案例
十三、数字化工作方法最优化方法
    1.数字化工作方法
    2.运筹优化方法（线性规划与二次优化，基于业务流程的优化）
    3.数字化运营综合案例——某机构营销响应概率预测与风险预测案例
课程周期：
30课时（45分钟/课时）