【篇一】大数据培训心得体会汇集

10月23日至11月3日，我有幸参加了管理信息部主办的“20xx年大数据分析培训班”，不但重新回顾了大学时学习的统计学知识，还初学了Python、SQL和SAS等大数据分析工具，了解了农业银行大数据平台和数据挖掘平台，学习了逻辑回归、决策树和时间序列等算法，亲身感受了大数据的魅力。两周的时间，既充实、又短暂，即是对大数据知识的一次亲密接触，又是将以往工作放在大数据基点上的再思考，可以说收获良多。由衷地感谢管理信息部提供这样好的学习机会，也非常感谢xx培训学院提供的完善的软硬件教学服务。

近年来，大数据技术如火如荼，各行各业争先恐后投入其中，希望通过大数据技术实现产业变革，银行作为数据密集型行业，自然不甘人后。我行在大数据分析领域，也进行了有益的探索，并且有了可喜的成绩。作为从事内部审计工作的农行人，我们长期致力于数据分析工作。但受内部审计工作性质的限制，我们也苦于缺少有效的数据分析模型，不能给审计实践提供有效的支持。这次培训，我正是带着这样一种期待走进了课堂，期望通过培训，打开审计的大数据之门。

应该说，长期以来，农业银行审计工作一直在大规模数据集中探索。但根据审计工作特点，我们更多的关注对行为数据的分析，对状态数据的分析主要是描述性统计。近年来火热的大数据分析技术，如决策树、神经网络、逻辑回归等算法模型，由于业务背景不易移植，结果数据不易解释，在内部审计工作中还没有得到广泛的应用。

通过这次培训，使我对大数据分析技术有了全新的认识，对审计工作如何结合大数据技术也有了一些思考。

一是审计平台技术架构可以借鉴数据挖掘平台。目前，审计平台采用单机关系型数据库。随着全行业务不断发展，系统容量不断扩充。超过45度倾角的数据需求发展趋势，已经令平台不堪重负。这次培训中介绍的数据挖掘平台技术架构，很好地解决了这一难题。挖掘平台利用大数据平台数据，在需要时导入、用后即可删除，这样灵活的数据使用机制，即节省了数据挖掘平台的资源，又保证了数据使用效率。审计平台完全可以借鉴这一思路，也与大数据平台建立对接，缓解审计平台资源紧张矛盾。

二是可尝试在部分场景应用大数据分析技术。目前，审计选样主要通过专家打分法。这次培训中介绍的逻辑回归和决策树算法，也是解决这一方面的问题。通过历史样本和历史底稿的数据，通过训练建立选样模型，将与底稿相关的主要风险特征选入模型，再将模型应用于验证样本。这样就可以应用大数据技术，为审计提供支持。

三是加强与管理信息部和软件开发中心的合作。本次培训中我们也看到，经过一段时间的积累，我行已经具备了一定的大数据分析经验，储备了一批具有相应经验的人才。作为业务部门，我们应加强与管理信息部和软件开发中心的对接，通过相互沟通和配合，确定业务需求，发挥各自优势推动大数据技术的落地。就像行领导所指出的那样，大数据技术哪个部门先投入，哪个部门先获益。目前，我行大数据技术应用正处于井喷前夕，我们应抓住这一有利时机，推动审计工作上一个新台阶。

这次培训对于我来说，只是打开了一扇窗，未来大数据分析的道路还很长、也一定很曲折，但我也坚定信念，要在这条路上继续努力，所谓“独行快、众行远”，有这样一批共同走在大数据分析路上的农行人陪伴，相信农业银行大数据之路必将有无限风光。

【篇二】大数据培训心得体会汇集

在目前互联网经济的时代，数据已成为企业的核心资产，对数据的应用、管理能力也已成为企业核心竞争力。在我们生活中大数据的应用也越来越广泛，比如网上购物、新闻推送等领域，银行业的大数据应用也具有巨大潜力，大数据分析的热度不断提升。基于市场形势及同业的快速发展，行领导对我行大数据体系的建设给予了高度的重视，董事长指示“大数据是商业银行极其重要的资产和资源，在银行经营管理中发挥越来越重要的作用。谁跟不上大数据发展的形势，谁就会被市场竞争所淘汰。”，赵行长也多次提到“大数据是一个金矿，哪个部门先用，哪个部门先受益”。为了将大数据分析有效应用到实际业务工作中，支持我部业务发展，本人参加了管理信息部牵头组织的本次培训。

前期在管理信息部的牵头组织下，我部申请将“贵金属交易潜在客户挖掘”项目为大数据分析示范项目，希望以贵金属业务为切入点，探索大数据分析在金融市场领域的应用。随着项目的推进，我对数据分析在贵金属业务领域的应用有了简单认识，但仍局限于对数据库表的统计、加工。通过本次的学习，加深了对我行大数据服务体系建设方案的了解，初步掌握了大数据分析的理论基础、方法流程，并尝试应用工具开展简单的分析工作，主要学习成果总结如下：

一、深入理解我行大数据体系建设方案

今年年初，行党委审议通过了大数据分析的总体思路和实施方式，即建设“一个平台、一套机制、一支队伍”，以数据分析示范项目为驱动，带动“一个平台、一套机制、一支队”滚动发展，逐步建立完善大数据分析服务体系。经管理信息部及软件开发中心2年的不懈努力下，我行大数据分析的基础平台已搭建完成，为数据分析人员提供了一站式数据服务基础，同时也初步形成了一套健全的运营管理机制保障高效优质的数据服务，包括分析用户管理、数据安全管理、项目管理等。而一支队伍则是本次培训的主要目的，也是大数据分析工作的的关键，即形成一支我行自有的专业的数据分析师团队。

二、初步掌握大数据分析的理论基础及方法

理论是支持实践的基础，可有效指导实践，大数据分析工作也不例外。数据分析的理论基础为概率论及数理统计，在大学时作为一门必修课，有一个学期的时间来学习，本次培训在讲师的带领下，则通过一天进行了回顾。同时也学习了统计学及常用统计模型，并结合实际简单案例了解应用场景，重点的学习模型包括Logistic回归、决策树、时间序列，这些模型后续如何应用到实际业务分析中仍需要不断的探索实验。

理论是支持实践的基础，可有效指导实践，大数据分析工作也不例外。数据分析的理论基础为概率论及数理统计，在大学时作为一门必修课，有一个学期的时间来学习，本次培训在讲师的带领下，则通过一天进行了回顾。同时也学习了统计学及常用统计模型，并结合实际简单案例了解应用场景，重点的学习模型包括Logistic回归、决策树、时间序列，这些模型后续如何应用到实际业务分析中仍需要不断的探索实验。

大数据分析工作也有一套方法、流程，一般数据分析的主要步骤包括业务理解、数据理解、数据准备、建模、评估/报告、应用、监测，在不断的循环迭代中加强数据对业务发展的支持。

三、尝试应用工具开展简单分析

工欲善其事，必先利其器。在了解大数据分析的理论基础后，本次培训还介绍了我行现有数据分析工具：woody、mole及sas，以及对应的sql、python及sas编程基础，也通过一些简单的案例开展数据处理、建模、模型训练、评估等操作，将理论知识有效的结合实践中，也为往后开展实际业务分析打下了基础。

四、确定后续学习方向及定位

两周的学习使我对大数据分析有了更加深入的认识，但仍局限于框架、概况，大数据分析的学习是持续的，而不同角色的分析人员需要关注的方向也不尽相同。正如孙总所提到的，数据分析师必须是复合型人才，作为业务部门的一名业务分析师，在加强对业务痛点理解的同时，后续仍需进一步学习分析工作所需的专业知识，不断自我提升php 处理大数据业务，包括掌握常用的统计模型，结合实际业务场景选取尽可能合适的模型，掌握python语言，灵活运用

来源【首席数据官】，更多内容/合作请关注「辉声辉语」公众号，送10G营销资料！