CDA Level Ⅱ：建模分析师。两年以上数据分析岗位工作经验，或通过CDA Level Ⅰ认证半年以上。在政府、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Level Ⅰ的基础之上深入掌握高级多元统计方法,并且拓展时间序列分析和主要数据挖掘的理论知识与业界运用；能够熟练使用SPSS Modeler、SAS、R、Pyhton等至少一个专业数据挖掘软件实现相关算法；具有按照数据挖掘标准流程进行项目需求分析、数据验证、建模与模型评估的能力。
CDA Level Ⅰ为基础薄弱的学员提供了入行的机会,能够结合业务完成基本的数据分析并作出数据报告。但企业想要在竞争激烈的市场中胜出，决策的速度和反应的效率尤为重要。根据调查显示，75%的企业在面临拟定策略时，常常无法获得实时且有根据的决策信息。什么样的数据、要通过什么样的方法，才能快速便捷的提供对决策有价值的信息，是现代企业所面临最迫切性的问题。因此,在CDA Level Ⅰ的基础上,CDA Level Ⅱ（建模分析师）即为企业决策提供及时有效、易实现、可信赖的数据支持。
在建模分析师中，数据挖掘(Data Mining)技术无疑是他们最强有力的核心竞争力。数据挖掘强调与现有信息系统的整合，以提供决策者做决策时所需的情报，或转化成经营智慧，以作为调整营运策略方针的辅助工具。以顾客关系管理(CRM)为例，数据挖掘是整个顾客关系管理的核心。其不但可以准确的定位目标市场，进行精准营销，还可以帮助业务人员了解客户深层需求，针对大量客户进行客制化，也就是所谓的一对一营销。
本课程的目的就是要针对数据挖掘整套流程，根据CDA Level Ⅱ大纲标准，以互联网、金融、电信、电商和零售业为案例背景，开设4个不同的专题课程，分别为：SPSS MODELER数据挖掘；PYTHON数据挖掘;SAS数据挖掘;R语言数据挖掘。学员可以根据自身的需求任选一个专题，培训中将软件与商业案例有效的结合，讲授如何在实际工作中搭建数据挖掘环境，制定分类数据挖掘的标准流程，让学员胜任全方位的数据挖掘运用场景。
(1)了解什么是顾客关系管理；(2)了解顾客关系管理系统的架构及其组成元素；(3)了解如何利用顾客关系管理系统来进行营销活动；(4)了解什么是数据挖掘(Data Mining)；(5)掌握数据挖掘技术的功能分类；(6)掌握数据挖掘技术的绩效增益；(7)了解数据挖掘技术的产业标准；(8)掌握如何利用数据挖掘技术来筛选关键变量(Key Attribute)；(9)掌握如何利用数据挖掘技术来进行交叉销售(Cross-Selling)；(10)掌握如何利用数据挖掘技术来评估客户的信用风险(Credit Risk)； (11)了解如何利用数据挖掘技术来分析顾客行为、产生商业智慧并发展营销策略。(12)掌握如何使用数据挖掘工具SPSS Modeler/SAS/PYTHON/R来完成上述的各项工作。（13）掌握构建信用打分卡的流程。
1.银行客户营销案例：某银行希望通过提供客户对的营销活动，在未来实现更多的获利。此案例的目的是想根据以往的促销活动，利用数据挖掘找出会对营销活动有响应的客户特征，并根据建模的结果产生要邮寄的促销客户名单。
2.信用评等案例：某银行希望根据客户过去的贷款数据，利用数据挖掘来预测新的贷款者，核贷后会逾期的机率，以做为银行是否核贷的依据，或提供给客户其他类型的贷款产品。3.电信客户分类(不同套餐选择)案例：某电信服务提供商通过客户使用服务的方式，将客户分为四类人。此案例的目的是想根据人口统计数据，利用数据挖掘找出这四类人的特征，并发掘这四类人的潜在新客户。4.电信客户流失案例：某电信服务提供商非常关注是否客户会流失到竞争对手。假如服务使用的数据可以用来预测哪些客户有可能被转移到另一个提供商，则此提供商可提供客制化的优惠，以尽可能留住客户。此案例的目的是想根据服务使用的数据，利用数据挖掘来预测客户的流失。5.新车设计案例：某汽车制造商开发两种新车(汽车及卡车)的原型。在将新车型引入至产品系列之前，该制造商想知道竞争对手已经上市的车辆中，哪些与这两款产品的原型最为相似，以确定这两种新车将与哪些车型展开竞争。
1.天气(Weather)案例2.玻璃制品(Glass)案例3.电信产品跨销售(Cross-Selling)案例4.药物治疗(Drag Diagnosis)案例5.糖尿病(Diabetes)案例6.乳癌(Breast Cancer)案例7.临床路径选择(Clinical Path)案例8.电离层雷达侦测(Ionosphere)案例9.寿险推销(Insurance Promotion)案例10.影像分类(Image)案例11.便利超商选点(Convenient Store)案例12.零售促销预测(Retail Promotion)案例13.房价(Home Price)预测案例14.汽车油耗(MPG)预测案例15.CPU效能(CPU Performance)预测案例16.银行客户购买金融商品(Financial Product)之关联分析(Association Analysis)案例17.文具(Stationery)及健康美容(Health & Beauty)用品之关联分析(Association Analysis)案例18.银行客户购买金融商品(Financial Product)之序列分析(Sequential Analysis)案例
李御玺，教授，国立台湾大学资讯工程博士，铭传大学资讯工程学系教授，铭传大学大数据研究中心主任，中华数据挖掘协会理事，云南财经大学信息学院客座教授，浙江大学城市学院客座教授，厦门大学数据挖掘中心顾问，中国人民大学数据挖掘中心顾问，IBM SPSS-China顾问，SAS-Taiwan顾问。在其相关研究领域已发表超过260篇以上的研究论文,。
服务过的客户包括：、中信银行、台新银行、联邦银行、新光银行、 新竹国际商业银行(现已并入渣打银行)、第一银行、永丰银行、远东银行、美商大都会人寿、嘉义基督教医院、台湾微软、零售业如赫莲娜(Helena Rubinstein)化妆品公司、特立和乐(HOLA)公司、航空公司如东方航空公司、中华航空公司、汽车行业如福特(Ford)汽车公司；政府行业如国税局等。
徐筱刚，男，高级数据分析师，具有深厚的数理统计与应用数据分析专业背景，上海某金融机构数据分析部门高级DA，具有八年数据分析、数据挖掘的从业经验，曾就职零售企业、咨询公司等，独立或带团队完成零售、电信、金融等多个大型数据挖掘项目。
常国珍，曾为德勤管理咨询高级数据挖掘咨询顾问，SAS官方培训资深讲师，2014年SAS软件大赛判卷人,曾以数据挖掘工程师身份就职于亚信科技（中国）有限公司市场部。具有八年的数据挖掘实战经验，主攻分类模型，涉及客户精准营销、信用评估、价值提升、欺诈侦测和流失预警等数据挖掘主题，尤其熟悉银行个人客户精准营销的建模工作。