网红专业BA/DS，你需要拥有这样的背景来换

随着更多企业意识到 数据分析 的重要性，越来越多的工作岗位开始需要申请者具备过硬的 数据分析能力。与此同时，越来越多的大学开始开设数据科学 和 商业分析 等相关项目，为了更好的提升数据分析 求职的竞争力。那么问题来了

申请BA/DS需要做哪些背景提升？

我做这段实习/这段科研

对申请 有帮助吗 ？

那么今天我会从 课业项目 实习 科研 三个角度为大家剖析 申请数据类研究生所需要的 相关经历。

课业项目：

善用网络资源  通过实践运用理论知识

对于 本科专业不相关 或 还未入门 与数据分析的同学，一个简单地提升相关经历的方法就是从 学校里或网络上的课业项目 入手，通过数据分析项目来 熟悉各种工具 的使用，提高自己的 实践能力 。如果在学校选课比较自由的话，建议从 统计 相关的内容开始学习， 线性回归 分析（Linear Regression）和 时间序列 分析（Time Series Analysis）都是比较好的选择。这些课程不仅可以讲解常用的数据分析方法，还会提供 挖掘 实际数据的机会，不论是作业还是学期项目都是可以写在 简历 里面的素材。网课方面， Coursera 等平台有很多选择，不论是常规的 机器学习 还是进阶的 深度学习 ， NLP 等课题都有资源，而且这些课程通常都有配套的 Python，R 和机器学习相关Package/Library的培训，能在短时间内熟悉工业界常用的工具。

如果课程项目已经不能满足需求，那么另一个很好的提升分析能力的方式就是参加各类 数据分析竞赛 。不论是最常见的 Kaggle 还是各类 企业 （京东，阿里等）和 学术会议 （KDD等）组织的 数据挖掘比赛 都提供了大量 数据和商业问题 供参赛者解决。这样的比赛可以很好的锻炼 独立思考能力 ，更能模拟实习和科研经历当中需要用自己学过的各种知识并通过 团队合作解决未知问题 的情景，如果能够 取得名次 ，那么这段经历甚至可以成为研究生申请当中的一个 亮点 。

实习经历：

相关实习极为关键  锻炼思维与实际应用能力 

由于数据分析工作是一个对 专业技能 和 分析总结能力 要求较高的职业，同学本科阶段申请数据科学家的岗位都会感受到实习岗位 面试难度 之高， 竞争 之激烈。但如果条件允许，一段与数据分析相关的且时间足够（两个月以上）的 实习经历 是申请顶尖硕士项目 必备的敲门砖 。

从申请难度和对硕士申请加分的角度出发，最简单， 帮助较小 的实习经历大多是和数据分析 堪堪沾边 的岗位，例如在银行/投资机构分析财务数据，或是在其他企业做以 提取数据，整理数据 为主的工作。这些实习经历虽然可以体现申请者对于数据领域的了解，但由于 “分析”的环节较少 ，很难展示出自己的 思维能力 。

另外一种比较常见的实习经历则是在咨询公司或互联网公司做与 数据可视化 （Tableau, Power BI）和 商业智能 （Business Intelligence）有关的工作。这个类型的实习很适合本科专业和经历以 商科 为主（经济，金融，统计）的同学申请，工作内容会比较注重 利用数据 帮助企业更好的支持运营和 战略方面的 决策 。以互联网公司举例，实习生可能会参与到用数据 可视化工具 制作实时 监测产品流量 的看板，或是通过 A/B实验 和 统计分析 判断产品设计这样的项目。这类实习能够很好的体现出用数据分析 解决实际问题 的能力，对于申请 商业分析类 的硕士项目非常有帮助。

对于 技术背景 比较强的同学（计算机，数据科学，各类工程专业等）和目标申请数据科学专业硕士的同学，一份跟 机器学习应用 和 数据挖掘算法开发 相关的实习会是最合适的选择，通常互联网公司的算法开发或数据咨询公司的 分析师岗位 都能提供这样的锻炼机会。这样的实习机会由于技术要求较高，可以很好的展示申请者对于业界常用的 数据分析工具的使用经验 以及各种 机器学习算法的开发和应用能力 。如果能在实习期间参与到一个 实际上线的项目 的开发或是一个 面向客户 的数据资讯项目，那么这段经历不论对研究生申请还是后续求职都会起到 关键 性的作用。

科研经历：

区分应用类和理论类  找到合适自己的道路

和实习类似，数据分析相关的科研项目也分成 应用类 和 理论类 两种，应用类的科研项目大多注重用数据科学的分析方法解决 不同领域里的新问题 ，例如预测新冠疫情在不同地区的扩散速度，理论类的科研项目则注重 开发新的数据分析方法 ，例如研究更好的深度学习架构，或是更好的解释已有模型的结果和参数等等。不同的科研项目对于参与者的要求也有所区别，应用类项目需要 掌握并深入的理解 需要解决的 问题领域 ，了解如何 寻找合适的数据 ，这类科研项目与 商业分析 的过程更加贴近；而理论类的项目则需要扎实的 数学，统计，和编程基础 ，能够懂得如何 改进 已有的方法并通过编程语言实现新的算法，对于申请 机器学习和数据科学 硕士更加有价值。

总结

不论是可操作性更强的 课业项目 ，还是需要经过申请和套磁才能拿到的 实习/科研机会 ，这些经历本质上都是为了在研究生申请时证明自己在申请领域有一定的 经验和专业积累 ， 了解这个行业 能做什么，对 未来的就业和职业发展 有清楚的认知。数据分析方向的硕士大多有 非常强的就业属性 ，大部分学生在毕业后会直接进入职场，因此在申请的准备过程中需要仔细的总结自己 本科阶段积累 的各项经历，体现出自己在 数据分析 方面的能力。做好这一点，离收获理想的offer一定会更进一步。