一、案例綜述

案例編號：

101003

案例名稱：

財務管理領域的應用——上市公司財務指標綜合分析

作者姓名（或單位、或來源）：

劉莎莎

案例所屬行業：

69 證券

案例所用軟件：

SPSS

案例包含知識點：

因子分析  度量尺度變量轉化為有序尺度變量、對應分析回歸分析   OLS  VIF  方差膨脹因子 多重共線性個案選擇  logistic回歸分析   二元選擇模型  離散因變量模型 逐步回歸 多重貢獻性 樣本外預測  樣本內預測 模型預測 隨機選擇樣本  過濾變量的生成

案例描述：

財務管理是指在一定的整體目標下，關于資產的購置（投資），資本的融通（籌資）和經營中現金流量（營運資金），以及利潤分配的管理。財務管理是現代企業管理的重要組成部分，它是根據財經法規制度，按照財務管理的原則，組織安排企業財務活動，處理財務關系的一項經濟管理工作。

在財務管理領域的專業高效數據分析可以使企業經營決策者充分地利用企業財務資源，了解企業經營現狀，獲得進一步做出正確的經營決策的依據, 進而加強企業成本控制、改善財務狀況、提高企業經營效益以增強企業市場競爭力。

本案例的數據文件說明：數據文件名字為caiwu.sav。該數據為2014年49家公司的年報財務指標。變量包括st狀態、股票代碼，公司簡稱、公司全稱、包括資產負債率、流動比率、速動比率、產權比率、加權凈資產收益率、攤薄總資產報酬率、毛利率、凈利率、總資產周轉率、應收賬款周轉天數、存貨周轉天數、營業收入增長率、總資產增長率、資本積累率、觀測值編號。

選取的49家公司里面既有st公司又有非st公司，這樣選取的目的是為了能夠使得數據適合建立logistic回歸模型，進而起到預測的目的。本案例的分析目的是用現在擁有的一些上市公司財務指標數據起到探索指標間的關系及預測的目的。

本案例共包含四個知識點:

第1個知識點用因子分析對14個財務指標進行降維，將14個財務指標降為4個因子（盈利能力、發展能力、資本結構、資本周轉），計算各個因子的得分形成四個新的變量。

第2個知識點用第一個知識點中得到的盈利能力、發展能力兩個因子進行對應分析。通過對應分析發現，盈利能力高的公司，可能發展能力只是中上水平。盈利能力中上的企業，發展能力可能比較差。盈利能力中下的企業可能發展能力更強。盈利能力差的發展能力也較差。

第3個知識點用線性回歸分析方法研究其他財務指標對凈利率的影響。首先把“資產負債率、流動比率、速動比率、產權比率、總資產周轉率、應收賬款周轉天數、存貨周轉天數”幾個變量全部作為解釋變量加入到回歸方程里面，接著根據變量的顯著性和方差膨脹因子判定多重共線性問題，然后去掉可能引起共線性的變量，最終得到一個比較簡潔的方程。發現資產負債率和存貨周轉天數對凈利率影響為正，產權比率和應收賬款周轉天數對凈利率影響為正。

第4個知識點從49個公司樣本中，用隨機抽樣，抽取80%的公司樣本（45個公司）作為建模樣本，用logistic回歸方法進行模型估計，研究各財務指標對公司st狀態的影響，進而對參與建模的45個公司和未參與模型估計的4個公司的st狀態均作出預測（對45個公司的預測稱為樣本內預測，對4個公司的預測稱為樣本外預測）。然后對兩類樣本的預測效果作出評價。樣本內預測的準確率為88.9%，樣本外預測的準確率為75%。

案例執行形式：

單人上機

二、案例知識點

知識點1：

知識點名稱：基于因子分析的財務指標的隱藏因素挖掘

知識點所屬工作角色：

數據分析

知識點背景：

因子分析是一種從大量數據中由表及里、去粗取精尋找隱性解釋變量的統計分析技術。

知識點描述

我們可以使用因子分析來對多個相關性比較強的指標進行數據降維、分析挖掘潛在變量。

知識點關鍵詞：

因子分析

知識點所用軟件：

Spss

操作目的：

對數據進行降維分析，將多個相關性比較強的指標濃縮為比較少的幾個指標。

知識點素材（包括數據）：

caiwu.sav

操作步驟:

? 執行“分析”，“降維”，“因子分析”命令，彈出“因子分析”對話框；

? 將資產負債率變量到資本積累率變量拉入“變量”選擇框里，點擊“抽取”選項，保持默認設置，即公因子提取方法為主成分法。按照特征值大于1的原則來提取主因子個數，點擊“繼續”按鈕；點擊“旋轉”選項，是對主因子進行旋轉，目的是公因子的含義更加明確。選擇“最大方差法”，勾選“載荷圖”，點擊“繼續”按鈕；

? 點擊“得分”選項卡，勾選“保存為變量”，方法選擇“回歸”，勾選“顯示因子得分系數矩陣”，可以看到因子的得分系數。也可以不看，我們這里不勾選，點擊“繼續”按鈕；

? 點擊“確定”按鈕。

 

圖4 總方差解釋圖

可以看到按照特征根大于1的原則來提取主因子，共提取了4個因子，但是在因子分析的過程中，提取的主因子的累計貢獻率一般需要達到85%，但是在分析不同的問題時可以按照分析目的稍微調整，能夠達到分析目的的要求即可。若是要求必須在85%以上，則在SPSS操作中可通過自行設置主因子的個數，使其累計貢獻率達到85%。這里我們僅按照特征值大于1的規則提取四個因子。

圖5 成分矩陣

圖5輸出結果是因子載荷矩陣，表示四個因子在各個變量上的載荷。數值絕對值越大說明這個因子負載的某個變量的信息越多。

 

圖6 旋轉后的成分矩陣

上述輸出結果是旋轉之后的各個變量與四個主因子之間的關系，前面已經提到，進行旋轉的目的是為了是各個因子的系數盡量接近于0或者是1，以期能夠得到含義更加明確的因子的意義。

 

圖7 因子得分系數矩陣

上表為因子得分系數矩陣，是用來計算各因子的得分的，因為更多的時候我們需要將公因子表達為各變量的線形形式。主因子1就可表示為：F1= -0.271*流動負債率-0.094*流動比率-0.1*速動比率-0.382*產權比率+0.284*加權凈資產收益率+0.075*攤薄總資產報酬率+0.038*毛利率+0.171*凈利率+0.081*總資產周轉率+0.054*應收賬款周轉天數+0.156*存貨周轉天數-0.191*營業收入增長率-0.196*總資產增長率+0.134*資本累積率

SPSS中勾選了“保存為為變量”這一選項，在原始的數據中，四個因子的名字自動存為FAC1_1、FAC2_1、FAC3_1、FAC4_1， 第一個因子可以定義為盈利能力因子，第二個公因子主要反映了公司未來增長和發展趨勢的，因此可以定義為發展能力因子，第三個因子為公司資本結構因子，第四個因子定義為資本周轉因子。

操作結果：

將上面生成的因子得分變量保存在文件夾中存為caiwu1.xlsx，以備后續使用。

知識點小結：

因子分析的目的主要是為了降維，把比較多的變量變成比較少的變量，如果變量之間的相關性比較強才適合進行因子分析。通過觀察第一因子得分發現南寧化工股份有限公司、云南景谷林業股份有限公司、上海超日太陽能科技股份有限公司這三家公司的得分負值比較大，確實這幾家公司的盈利能力比較差。

知識點2：

知識點名稱：公司的盈利能力和發展能力的對應分析

知識點所屬工作角色：

數據分析

知識點背景：

如果想要對兩個分類變量或者是兩個定序尺度變量的相關性進行分析則可以采用對應分析。

知識點描述

對應分析是研究兩個分類變量之間的關系，主要是采用圖形化展示結果。

知識點關鍵詞：

度量尺度變量轉化為有序尺度變量、對應分析

知識點所用軟件：

SPSS

操作目的：

對兩個定序尺度變量進行對應分析。

知識點素材（包括數據）：

Caiwu1.sav

數據中的FAC1_1、FAC2_1、FAC3_1、FAC4_1四個變量，分別為為盈利能力因子、發展能力因子、公司資本結構因子、資本周轉因子。

操作步驟:

操作步驟：

? 打開caiwu1.sav

? 將度量尺度變量轉化為名義尺度變量。

我們根據因子分析部分提取的公因子FAC1_1，對個案進行分類，共分成4類，FAC1_1<-0.5為類別1，-0.5=0.5為類別4?？梢钥吹筋悇e4的第一因子得分>類別3的第一因子得分>類別2的第一因子得分>類別1的第一因子得分。這是我們設定的第一個分類變量，起名為盈利能力。

我們根據因子分析部分提取的公因子FAC2_1，對個案進行分類，共分成4類，FAC1_1<-0.5為類別1，-0.5=0.5為類別4?？梢钥吹筋悇e4的第一因子得分>類別3的第一因子得分>類別2的第一因子得分>類別1的第一因子得分。這是我們設定的第二個分類變量，起名為發展能力。

? 執行“轉換”，“重新編碼為不同的變量”命令；

? 將FAC1_1選入右側框中，將輸出變量的名稱框里寫上盈利能力。然后點擊“更改”

 

 

 

? 點擊“舊值和新值”按照FAC1_1<-0.5為類別1，-0.5=0.5為類別4，將FAC1_1的輸出變量名定義為盈利能力；

? 點擊繼續

? 將FAC1_1選入右側框中，將輸出變量的名稱框里寫上盈利能力。然后點擊“更改”

? 

? 點擊“舊值和新值”按照FAC2_1<-0.5為類別1，-0.5=0.5為類別4，將FAC2_1的輸出變量名定義為發展能力，進行舊值與新值的替換。

? 點擊“繼續”

 

? 點擊“確定”

? 可以看到盈利能力和發展能力兩個變量生成成功。

? 執行“分析”，“降維”，“對應分析”命令；

? 將盈利能力變量選入“行”框里，發展能力選入“列”框里。

 

圖10 對應分析

? 點開“行”下面的“定義范圍”，最小值設定為1，最大值設為4，點擊“更新”按鈕；

? 點擊“繼續”按鈕；

? 點擊“列”下面的“定義范圍”，最小值設定為1，最大值設為4，點擊“更新”按鈕；

? 點擊“繼續”按鈕；

點擊“statistics”選項，勾選“行點概覽”及“列點概覽”選項，其他默認，點擊“繼續”按鈕，然后點擊“確定”，輸出結果如下：

 

圖11 對應表

上述輸出的是對應表，即兩變量的行*列表。對應分析后續的計算就是基于這個表格進行的。

圖14摘要

上述輸出的是對應分析的結果匯總表，給出所提取的每個維度所攜帶的信息量，從而幫助確定需要使用多少個維度對結果進行解釋。從左到右的前6個指標依次是維數、奇異值、慣量、總的卡方檢驗及P值、方差解釋比例。

奇異值的平方就等于慣量，相當于因子分析中常說的特征根，用于說明對應分析各個維度的結果能夠解釋列表中兩變量聯系的程度。所有維度慣量的總和可以用來表示總信息量的大小。

卡方檢驗及P值用來檢驗行變量與列變量指甲是否存在關聯，被看作是對應分析適用條件的檢驗，只有放行變量與列變量有關聯時，才需要使用對應分析進行詳細分析。這里我們的卡方統計量對應的相伴概率為0.19，說明兩個變量的相關性不是很強，不是特別適合進行對應分析。

圖 行點總覽結果圖

上述輸出結果為行變量盈利能力的各類別的分析結果概況。上述輸出結果為行變量（盈利能力）各類別的分析結果概況，主要給出了各類別在各維度上的評分，以及相應的信息貢獻量兩大類信息。Mass（質量）是指行變量各類別的構成比，例如類別1占總數的比為16.3%；Score in Dimension（維中的得分）給出行變量各類別在相關維度上的評分，也就是行變量各狀態在二維圖中的坐標值；Inertia（慣量）反映的是總慣量中分別由各行變量類別所提供的部分，數值越大，說明該類別對總慣量的貢獻越大；Contribution（貢獻）分為點對維數的慣量和維數對點的慣量。點對維數的慣量說的是行變量各類別對每一個維度特征值的貢獻。維數對點的慣量說的是每一個維度對行變量各類別特征值的貢獻。由此可以更好的理解維度的來源及意義。

比如從點對維數的慣量部分，我們看到第一維度的信息主要被2類別和4類別攜帶，即這兩個類別在第一維度上的區分度較好。我們看到第二維度的信息主要被1類別和3類別攜帶，即這兩個類別在第二維度上的區分度較好。

比如從維數對點的慣量部分，我們看到第一維度對3 4兩個類別貢獻比較大（或者說第3 4兩個類別的大部分信息由第一維度解釋），第二維度對2類別貢獻比較大，2個維度對類別2總的解釋度只能達到70.2%，可以考慮是否加入第三維度。兩個維度對類別1的貢獻度差異不大。

圖列點總覽表結果圖

上述輸出結果為列變量（發展能力）各類別的分析結果概況，主要給出了各類別在各維度上的評分，以及相應的信息貢獻量兩大類信息。

Mass（質量）是指列變量各類別的構成比，例如類別1占總數的比為34.7%；Score in Dimension（維中的得分）給出列變量各類別在相關維度上的評分，也就是列變量各狀態在二維圖中的坐標值；Inertia（慣量）反映的是總慣量中分別由各列變量類別所提供的部分，數值越大，說明該類別對總慣量的貢獻越大；Contribution（貢獻）分為點對維數的慣量和維數對點的慣量。點對維數的慣量說的是列變量各類別對每一個維度特征值的貢獻。維數對點的慣量說的是每一個維度對列變量各類別特征值的貢獻。由此可以更好的理解維度的來源及意義。

比如從點對維數的慣量部分，我們看到第一維度的信息主要被類別和4類別攜帶，即這兩個類別在第一維度上的區分度較好。我們看到第二維度的信息主要被1類別和2類別攜帶，即這兩個類別在第二維度上的區分度較好。

比如從維數對點的慣量部分，我們看到第一維度對3 4兩個類別貢獻比較大，第二維度對2類別貢獻比較大。兩個維度對類別1的貢獻度差異不大。前兩個維度對每個類別的解釋程度都超過了95%，說明兩個維度對各類別的解釋度是比較大的，不需要加入第三維度。

散點圖

上圖中各類別散點在空間中的距離和位置就反映了各自間的關系，多數分析報告均只使用這張圖進行描述。從上面的圖形可以看出，盈利能力最高的公司，可能發展能力只是中上水平。盈利能力中上的企業，發展能力可能最差。盈利能力中下的企業可能發展能力最強。盈利能力最差的發展能力中下。

操作結果：

將上面整理的結果保存在文件夾中存為caiwu2.xlsx，以備后續使用。

知識點小結：

如果想對連續變量進行對應分析先要將變量轉化為定序尺度變量或者名義尺度變量，再進行對應分析。如果兩個變量本來就是名義尺度變量則可以直接進行對應分析操作。

知識點3：

知識點名稱：凈利率的影響因素分析

知識點所屬工作角色：

數據分析

知識點背景：

想研究哪些因素對公司凈利率有影響，可以進行回歸分析建模。

知識點描述

研究多個變量對一個變量的影響分析。

知識點關鍵詞：

回歸分析   OLS  VIF  方差膨脹因子 多重共線性

知識點所用軟件：

SPSS

操作目的：

對數據進行回歸分析，并進行顯著性檢驗。具體`來講我們研究資產負債率，流動比率、速動比率、產權比率、總資產周轉率、應收賬款周轉天數、存貨周轉天數對凈利率的影響。

知識點素材（包括數據）：

Caiwu.sav

操作步驟:

操作步驟：

? 啟動spss

? 打開caiwu.sav

? 執行“分析”,“回歸”，“線性”命令； 

? 將凈利率拉入“因變量”框里；

? 將“資產負債率、流動比率、速動比率、產權比率、總資產周轉率、應收賬款周轉天數、存貨周轉天數”拉入“自變量”框里，其他默認；

? 點擊“statistics”選項，選中“共線性診斷”，點擊“繼續”按鈕。點擊“確定”按鈕。

圖18 方差分析結果圖

由上述分析結果可知，回歸方程整體顯著性的統計檢驗量F值為12.098，其相應的P值遠小于0.05，表明在0.05的顯著性水平下，整個回歸方程是顯著的。 

圖19系數輸出結果

上述的輸出結果為各個變量的系數顯著性t檢驗以及系數值。由輸出結果可知，資產負債率、流動比率、速動比率、總資產周轉率這幾個變量都不顯著，但是上一步的輸出結果表明，整個方程又是顯著的，分析原因可能是多重共線性引起的，因為這幾個解釋變量的方差膨脹因子（VIF）比較大，一般VIF值超過10，就表明存在共線性。解決的方案是：將變量速動比率、流動比率、總資產周轉率按照VIF值的大小，首先將VIF值最大的變量從方程中去掉，重新估計方程，直到所有的變量都顯著為止。除了直接刪除變量之外，存在多重共線性的情況下，還可以使用偏最小二乘估計，嶺回歸、lasso等方法進行處理。我們在這里采用的是刪除變量的方法。結合變量的經濟意義，經過反復修改，我們最終得到的模型結果如下：

   圖20 方差分析結果

 

圖21 系數結果圖

上述輸出結果為最終的回歸結果，可以看出，整個方程通過了顯著性檢驗，所有的變量都通過了系數的顯著性檢驗，資產負債率前面的系數為正，說明資產負債率越高，則凈利率越高。產權比率前面的系數為負，說明產權比率越高，則凈利率越低，應收賬款周轉天數越長，則凈利率越低，存貨周轉天數越長，則凈利率越高。系數的解釋為：在其他條件不變時，每增加1單位的資產負債率，則凈利率平均增加0.408個單位。其他變量的解釋均可以以此類推。

操作結果：

該知識點的操作沒有產生新的變量。

知識點小結：

如果解釋變量是數值變量可以直接加入到回歸模型中進行回歸分析，如果模型存在嚴重的共線性問題，可以采用刪除變量的方法克服共線性問題。

知識點4：

知識點名稱：上市公司ST狀態預測——Logistic回歸

知識點所屬工作角色：

數據分析

知識點背景：

如果模型被解釋變量是0 1變量即被解釋變量只有兩個取值，則不適合建立普通回歸模型，建議建立logistic回歸模型。

知識點描述

如果被解釋變量只有0，1兩個取值，這樣的離散被解釋變量不再適合普通的回歸，需要采用logistic回歸進行分析，在本案例中，被解釋變量為st狀態，0表示非st狀態，1表示st狀態。

知識點關鍵詞：

個案選擇  logistic回歸分析   二元選擇模型  離散因變量模型 逐步回歸 多重貢獻性

樣本外預測  樣本內預測 模型預測 隨機選擇樣本  過濾變量的生成

知識點所用軟件：

SPSS

操作目的：

研究資產負債率、流動比率、速動比率、產權比率、加權凈資產收益率、攤薄總資產報酬率、毛利率、凈利率、總資產周轉率、應收賬款周轉天數、存貨周轉天數、營業收入增長率、總資產增長率、資本積累率等指標對公司st狀態的影響。

知識點素材（包括數據）：

Caiwu.sav

操作步驟:

? 啟動spss

? 打開caiwu.sav

? 依次點擊“數據”，“選擇個案”，在選擇欄的“隨機個案樣本”對話框中改為大約80所有個案的%，在輸出欄中選擇“過濾掉未選定的個案”，點擊“確定”；

? 然后再次點擊“數據”，“選擇個案”，在選擇欄中選擇“全部個案”，點擊“確定”；

? 依次點擊“分析”，“回歸”，“二元logistic回歸”，將ST狀態拉入“因變量”框里, “資產負債率、流動比率、速動比率、產權比率、加權凈資產收益率、攤薄總資產報酬率、毛利率、凈利率、總資產周轉率、應收賬款周轉天數、存貨周轉天數、營業收入增長率、總資產增長率、資本積累率”拉入“協變量”框里?？紤]到解釋變量之間可能存在多重共線性問題，在“方法”選項框后選擇“向前LR”方法，將“大約個案的80%(sample)[filter_$]”拉入“選擇變量”框里，點擊規則按鈕，值改為1，點擊“繼續”；

? 點擊“保存”按鈕，勾選“概率”和“組成員”，點擊“繼續”

? 點擊“確定”按鈕。

回歸經過4步的變量添加，最終得到的方程step3,模型中僅包含攤薄總資產報酬率、存貨周轉天數、營業收入增長率三個變量?；貧w結果見圖23。

圖23 方程式中的變量

我們只需要看圖23步驟3對應的回歸分析結果（因為從步驟0到步驟3是一個逐步添加變量的過程），從這個回歸結果可以看出，最終選擇的3個變量的系數2個通過了顯著性檢驗，存貨周轉天數雖然沒有通過顯著性檢驗，但是也被保留下來，說明其在提高模型擬合度上起了一些作用。攤薄總資產報酬率前面的系數在1%顯著性水平下顯著為負，說明攤薄總資產報酬率越大，則被st的可能性越小。營業收入增長率前面的系數在1%顯著性水平下顯著為負，說明營業收入增長率越大，則被st的可能性越大。雖然有的變量前面的系數符號和單個變量的相關性的系數符號可能不一樣，但是我們考慮的是方程的整體性，因此這種差異是可以接受的。

觀察數據集會發現數據中多了一個變量PGR_1,這是對st狀態的預測。我們還可以在輸出結果部分看到模型的預測效果，見圖24。

圖24 模型預測效果

從圖24可以看出,從步驟1到步驟3，模型的樣本內預測效果不斷提升，分別為84.4%、86.7%、88.9%。模型樣本內的預測效果確是步驟1的準確率達到100%，步驟2和3準確率反而有所下降將為了75%。原因為我們的4個樣本的挑選有一定的隨機性，隨著預測樣本的增加，這種情況會明顯好轉的。整體來看，無論是樣本內還是樣本外我們的預測效果都是比較好的。        

操作結果：

將上面生成的過濾變量和預測結果變量保存在文件夾中存為caiwu4.xlsx，以備后續使用。

知識點小結：

如果被解釋變量只有兩個取值，則可以建立二元選擇模型，如果模型存在嚴重的共線性問題，可以采用逐步回歸的方法克服共線性問題。為了檢驗模型的樣本外預測能力，可以將數據分成兩部分，一部分作為訓練集，一部分作為測試集，訓練集用來估計模型參數，測試集用來檢驗模型的樣本外預測效果。將數據分成兩部分的時候可以用隨機選擇樣本的方式生成一個過濾變量。

學數據分析技能一定要了解的大廠入門券，CDA數據分析師認證證書！

CDA（數據分析師認證），與CFA相似，由國際范圍內數據科學領域行業專家、學者及知名企業共同制定并修訂更新，迅速發展成行業內長期而穩定的全球大數據及數據分析人才標準，具有專業化、科學化、國際化、系統化等特性。

同時，CDA全?？荚嚥季趾驼J證體系已得到教育部直屬中國成人教育協會認可，并由為IBM、華為等提供全球認證服務的Pearson VUE面向全球提供靈活的考試服務。

報名方式

登錄CDA認證考試官網注冊報名>>點擊報名

報名費用

Level Ⅰ：1200 RMB

Level Ⅱ：1700 RMB

Level Ⅲ：2000 RMB

考試地點

Level Ⅰ：中國區30+省市，70+城市，250+考場，考生可就近考場預約考試 >看看我所在的地哪里報名<

Level Ⅱ+Ⅲ：中國區30所城市，北京/上海/天津/重慶/成都/深圳/廣州/濟南/南京/杭州/蘇州/福州/太原/武漢/長沙/西安/貴陽/鄭州/南寧/昆明/烏魯木齊/沈陽/哈爾濱/合肥/石家莊/呼和浩特/南昌/長春/大連/蘭州>看看我所在的地哪里報名<

報考條件

業務數據分析師 CDA Level I >了解更多<

? 報考條件：無要求。

? 考試時間：隨報隨考。

建模分析師 CDA Level II >了解更多<

? 報考條件（滿足任一即可）：

1、獲得CDA Level Ⅰ認證證書；

2、本科及以上學歷，需從事數據分析相關工作1年以上；

3、本科以下學歷，需從事數據分析相關工作2年以上。

? 考試時間：

一年四屆 3月、6月、9月、12月的最后一個周六。

大數據分析師 CDA Level II >了解更多<

? 報考條件（滿足任一即可）：

1、獲得CDA Level Ⅰ認證證書；

2、本科及以上學歷，需從事數據分析相關工作1年以上；

3、本科以下學歷，需從事數據分析相關工作2年以上。

? 考試時間：

一年四屆 3月、6月、9月、12月的最后一個周六。

數據科學家  CDA Level III >了解更多<

? 報考條件（滿足任一即可）：

1、獲得CDA Level Ⅱ認證證書；

2、本科及以上學歷，需從事數據分析相關工作3年以上；

3、本科以下學歷，需從事數據分析相關工作4年以上。

? 考試時間：

一年四屆 3月、6月、9月、12月的最后一個周六。

（備注：數據分析相關工作不限行業，可涉及統計，數據分析，數據挖掘，數據庫，數據管理，大數據架構等內容。）

——熱門課程推薦：

想學習PYTHON數據分析與金融數字化轉型精英訓練營，您可以點擊>>>“人才轉型”了解課程詳情；

想從事業務型數據分析師，您可以點擊>>>“數據分析師”了解課程詳情；

想從事大數據分析師，您可以點擊>>>“大數據就業”了解課程詳情；

想成為人工智能工程師，您可以點擊>>>“人工智能就業”了解課程詳情；

想了解Python數據分析，您可以點擊>>>“Python數據分析師”了解課程詳情；

想咨詢互聯網運營，你可以點擊>>>“互聯網運營就業班”了解課程詳情； 

想了解更多優質課程，請點擊>>>