美国热门Business Analytics

前言：对于留学圈近两年最热top5的专业，说"Business Analytics"占据一席之地，估计没人会投反对票。大家别看BA这么热，但其实"Business Analytics"作为一门单独的学科项目，也不过经历了短短的10年多一点的时间。 本文为The One系列Business Analytics（商业分析）第一篇，用另一个视角看BA这个专业，通过“在全球”（多国发展）、“在起源”（其他专业衍生）、在专业（BA学什么）、在学校（项目分析）、在职场（BA求职）带给你知道或者不知道的BA专业学习以及留学申请视角。

BA：美国2007年北卡州立North Carolina State University (ncsu)在全美第一个开始设立Analytics招生后，直到3年后2010年康奈尔也开设了Data Analytics项目硕士的招生，紧随其后2011年，卡梅、西北等陆续开设了Analytics相关的专业。之后15-17年又有大量的学校陆续都开设了Analytics相关的专业。这个热度可以说一直在持续发展在北美的学术圈（这个学术圈指的比较广义，非狭义方面做科研研究理论研究的学术圈），一直不断的有不同的学校不同的院系在开设同名或者类同名的项目,美国top150学校现在有近60个相关项目。

统计与BA

传统的统计，主要是对实验结果做显著性检验，比如 AB 测试：一队小白鼠吃药，一队小白鼠不吃药，谁的身体特征会更好？有没有显著性的差别？以及过一段时间后各个指标状态的分析。这在之前的市场调查机构以及科研测试组中是非常容易出现的方式方法。 同时在统计中，非常讲究的抽样，消费者无法逐一访问，就需要抽样调查，于是就要看样框的覆盖率以及抽样的合理性。 现代企业中的数据分析，和这些传统的统计方法，有了很大的改变。 Business analytics 的统计知识，主要是学习如何建立和评估多变量的统计模型，最典型的例子就是回归分析模型。回归分析在传统的统计中，可能只是重要的一块而已，而在 business analytics 的教育中的统计部分，几乎是全部。除了回归分析（包括逻辑回归），其他 business analytics 中要学的统计知识差不多也就是相关系数、时间序列之类，也都是小头。传统统计中的显著性检验、抽样方法， business analytics 就基本不教了。

BA与DS

同 business analytics 一样， data science 的诞生时间也不长，然而同样发展势头迅猛。两者的起源都是现代商业组织 / 企业在决策中对数据的依赖所带来对 数据分析的需求。与 BA 基本设置在商学院下不同， DS 比较常见的是设置在工程学院的 computer science department ，也有专门的 center 和 institute 的会有 data science 项目。 DS 是由计算机科学为基础，进化而来，其理论基础包括工程学、计算机工程和计算机科学。 DS 涉及到的专业知识还包含了 Machine Learning/Cloud Computing/Optimization 等。

BA在专业

BA 对于申请人的背景要求没有过多限制，文科、商科、理工科背景的同学都可以申请，也正因为对于背景没有限制以及很好的就业出路和起薪，让越来越多的申请者趋之若鹜，申请极为激烈。但实际上，虽然对于申请者的专业背景限制不大，但最理想的申请人还是最好可以掌握编程、 R 、 Python 等基本技能，修过微积分，概率论和统计课，上过一些基础的商科课程。

具体来说，数理和统计需要的背景为 Calculus, Linear algebra, Probability & Statistics, R, Stata; 计算机部分需要 SQL , Matlab, Python 一个或者二个比较擅长的，商业部分需要的相关背景为 Finance, Accounting, Marketing, Operations Management 。这样对于数理计算机较弱的文科生来说就有些不太友好。所以各位朋友，申请前最好将自己比较薄弱的环节进行补充，优势的特点将以放大。

BA：技能点

第一就是数据库和SQL，因为企业里面数据都是储存在系统里面的。你要分析数据，首先要知道怎么把数据按照你要的方式提取出来。这就是用SQL写代码提取数据。学校一般不会花很多时间去教你，但是这个是学、做analytics的基础的基础。 第二就是学习怎么在统计软件中进行编程, 以前提到分析数据，国内最熟悉的是SPSS，像Excel一样拖拖拽拽就行了。但其实对于之前做的Z级别的数据量来说，还是需要通过写代码的方式进行操作，最典型的工具就是R和Python。 第三要学的就是现在最流行的机器学习。随着大规模的机器学习（ML）应用和小规模的深度学习（DL）应用已经开始进入市场，企业将越来越依赖于BI系统强大的自动化数据分析功能（所谓的高级分析）。在统计建模里面，数据引导我们去选择随机模型，来形成对不同问题概率的抽象表达，例如假设、预测和预报。而在机器学习里，数据驱动的是对分析技术的选择，这是数据训练算法。近年来机器学习做的就是让数据驱动基于神经网络算法的系统，去学习具体任务，系统可以自动判定数据常量规则。在训练神经网络数据的过程中，系统逐渐学习到执行任务。