商务数据分析与应用是冷门专业吗（新兴专业BAbusiness）

罗村 BA 在读，忍不住来答，字比较多，尽量写全。先放一个本答案大概内容目录～

：）

1. 什么是BA？

2. 申请条件？

3. 如何择校？

4. BA到底学什么？

5. BA就业情况如何？

1、什么是BA，为什么BA会这么火？

通俗来说，BA是一个收集数据（data collection），对数据进行清理（data cleaning），分析数据（data analysis），从数据中提取商业见解（business insights）的过程。

商业分析，顾名思义，他是怎么分析的？

最常见的分析有三种:

• 描述性分析（descriptive analysis）

——将一行行数据总结成能够容易看懂的可视化图形或者表格，如将一个数据文件可视化成条形图、饼图等。

• 预测性分析（predictive analysis）

——给定某些特定的独立变量（independent variable）去预测一个依靠变量（dependent variable），如预测某品牌下一季度销量或是预测消费者是否会继续选择某品牌。

• 因果分析（causal analysis）

——改变某一个变量将会如何影响结果，如是否在广告投放上的增加会带来销量上的增加。

而BA这个专业，他的课程上的设置，也几乎是围绕这三种分析来进行的。

题主问为啥这么多大学都开设了这个专业，因为他火啊！

这也和当下互联网时代的发展息息相关，数据正在越来越渗透到人们的日常生活和工作中，人们已经进入到了大数据时代，因此若是有着数据分析相关的技能，就能更好地适应时代的发展。

BA呢，不管是在课程设置、还是未来职业发展上，都是紧扣这一热点。

而相对于更多开设在各工程学院下面的数据科学（Data Science）专业，BA更多的是在各高校的商学院下面，不管是在申请的先决条件限制方面，抑或是学院在商业方面的资源上，BA相比DS专业都更易于申请，因此也受到更多申请者的青睐。

而几乎所有BA专业在美国都是STEM认证的，也就是说国际生在毕业后可以拥有最长三年的OPT工作时长，相比非STEM专业，在求职时更具有优势。此外在薪资结构方面，BA专业的起薪也逐年增高。

2、BA专业的申请条件有哪些？

专业：

对于，这个专业它对申请者的本科背景，没有太大的限制。

• 对于许多本科纯文科专业的同学来说，只要在本科时有修过相关课程并有相关实习经历，都可以尝试申请；

• 而对于商学院中原本会计或金融背景的同学，会更加友好。若是想申请BA，只要在申请文书中表明自己的想法和热情，也不会成为申请的一个门槛；

• 对于其他理工科专业的同学，也比较友好。但是吧，理工科申请BA还是少数，如CS专业的同学一般会更多继续深造本专业，数学等专业的会选择统计学、数据科学等更专的专业。

总之呢，在专业基础这一方面，一般各高校都会要求申请者本科时修过统计学、线性代数等课程。若是在申请过程中，你发现自己并没有上过这些课，可以和申请学校沟通，看看是否能用Coursera等网课的形式取得证明。

而对于BA学习中最常见的编程软件、可视化软件等（比如SAS, Python 以及一些语言比如 R 语言）。若在本科时有使用操作过会属于加分项，但不会这些常用软件也不会成为一个障碍。

标化成绩：

若想进入Tier 1 or 2的BA项目，托福100 ，GRE320 （或GMAT 700 ），GPA 3.5 也基本属于标配。

实习：

需要和BA专业相关，是你需要在非常早期的阶段（如大二）就需要开始考虑的，而大学教授的BA方面的课题研究，若是能够参与，也会给自己的申请加分。

在实习或课题经历中，也需要和自己的监督者多交流沟通、保持良好关系，为自己以后向他们请求一封推荐信打下基础。

3、申请BA专业时，有哪些学校的哪些项目可以选择，在选择学校时要关注到哪些方面？

美国Top 50的学校中，有一半以上都开设了该专业，以下将列举一些热门学校的项目。

Tier 1：

• 麻省理工大学（MIT）的Master of BA (MBAn)

• 卡耐基梅隆大学（CMU）的MSIT: Business Intelligence & Data Analytics (BIDA)

• 西北大学的Master of Science in Analytics (MSiA)

• 哥伦比亚大学的Master of Science in BA

• 德州大学奥斯丁分校（UT Austin）的Master of Science in BA

• 圣路易斯华盛顿大学（WUSTL）的Master of Science in BA

• 明尼苏达大学的Master of Science in BA

• 南加州大学（USC）的Master of Science in BA

• 杜克大学的Master of Quantitative Management等

Tier2 ：

• 威廉玛丽学院

• 加州大学圣地亚哥分校

• 加州大学尔湾分校

• 罗切斯特大学

• 马里兰大学

• 凯斯西储大学等

在选择学校时，应该根据自身水平，对比各高校官网所列举的录取标准来进行有目的性的择校。而需要关注的角度也是多方面的。

如果你有在自己试着去查询适合的院校，那么可以根据以下的因素来进行考量：

• 录取标准。

一般而言，录取标准是和项目的总体质量成正比，也就是说项目总体质量越好，录取标准就越严格。因此当遇到某个项目广发offer时，就需要考虑其项目自身质量和是否值得去了。

• 该项目的校友资源情况。

许多新开设的项目，它可能并不具有非常成熟的校友资源网络，在之后求职和networking的过程中可能会稍有障碍。而某些成熟的项目有着极为广泛的校友资源网，求职时一般而言校友更愿意refer自己同学校的学生到某个岗位。

• 学院的声誉和知名度。

不要把目光仅仅局限于排名之上，可以在网上多做些research看看他人对学院和项目的评价如何，再做定夺。

• 学院的求职中心（career center）设立情况。

由于该项目基本都为就业导向，因此要考虑学院是否有单独的求职中心，是否有全职的就业指导师（career coach），是否会给学生在求职过程中提供足够的指导和training。

• 学院是否和各种大公司有合作关系？

许多优秀的学院是大公司的target school，因此在求职过程中，简历关卡或初次面试时相比其他学院也往往更有优势。此外若是学院和大公司有合作关系的话，大公司往往也会来到学院进行宣讲会或是学院会组织规模较大的career fair。

• 往届的就业情况。

大多数高校官网都有上一年度的就业报告（employment report）提供下载，可以参考下往届的毕业后就业率、起薪、行业等情况，同时也可以在LinkedIn上搜索校友的去向。

• 课程。

课程设置的是否合理，往往直接影响到了一个项目的总体质量，因此可以提前了解所学的课程内容，看是否是自己需要的，对就业是否有价值，具体课程分析将在之后的板块详细阐述。

4、BA专业到底在学什么？

BA 既会有较多的technical课程，去锻炼学生的technical skills，如R、Python、SQL、Tableau等，也会辅以传统的business课程，以培养学生的商业敏感度。

详细来说，BA的学习内容包括以下几点：

• R/Python：

R更适合具备有统计学背景的同学运用，而Python则更适合用于机器学习、网络爬虫、人工智能等领域。两者初学的话难度差不多，因此根据个人偏好需要至少掌握其中一门语言。

R/Python都只是一门工具，因此不要过于纠结某个任务用这两者中的哪个去完成，重要的是自己能用这两个工具完成什么事，只要能达到目的即可。

• SQL：

可以说SQL是数据分析或者商业智能领域最重要的一个工具，数据库的概念也被更多的公司所接纳，学习好SQL会对未来工作有着很大的帮助，不仅要学会掌握基本的查找语句、GROUP BY、SUBQUERY、JOIN等常见语句，若有能力还需学会WINDOW FUNCTION、Dynamic SQL等更高端的SQL语句。

同时SQL也是在未来求职面试中最容易被考倒的问题之一，因此SQL的重要性不言而喻。除去学校内学习的SQL内容外，还十分推荐刷Leetcode上的SQL问题，若是能够全部独立完成，那么也可以说是精通SQL了。

• Tableau/Power BI：

这两者都是数据可视化工具。在商业环境中，数据可视化也是一个非常重要的组成部分，通过数据可视化可以清晰地呈现给管理层一些仅通过看数字无法得到的商业见解，Tableau在真实商业环境中的运用更为广泛，而数据可视化工具也不是特别难学，因此掌握的难度不是很大。

此外，这两者都可以将不同的可视化图形整合起来，做成一个仪表盘，加入不同的交互性操作，更易于给上司或管理层留下一个较深刻的印象。

• 机器学习：

机器学习是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。机器学习分为监督学习（supervised learning），如回归分析（regression）和分类（classification），另一个则是非监督学习（unsupervised learning），如聚类分析（cluster）。

BA基本都会覆盖到以上的内容，而其背后的原理和如何解释不同的模型也需要同学在学习过程中掌握。

• 自然语言处理（Natural Language Processing）：

由于现在社交媒体的高速发展，分析从「传统的仅仅分析数字」到了分析「社交媒体上的文字内容」。自然语言处理就是在机器语言和人类语言间进行信息的“翻译”。

该领域的学习是一块新大陆，在BA项目中并不是所有学院都会开设改课程，开设的学院也大多是以选修课的形式呈现，然而该学习内容确实是非常具有价值值得深入学习的。

自然语言处理的知识点也主要包括了分词（tokenization）、词性标注（part of speech）、命名实体识别（named-entity recognition）、词干提取（stemming）、词性还原（lemmatization）、聚类分析（clustering）、主题模型（topic modeling）等。

• 统计学：

统计学属于BA的基础课程，是一切分析的起点，虽然不需要学的很深入，但最基本的如不同种类的分布、相关性、总体与样本、如何解释回归分析、和回归分析中的一些常见元素如p-value等的概念都要理解并掌握。而统计学中的概念也是在未来求职面试过程中很容易被问到的知识点。

此外还有许多传统商学院的课程，如经济学、市场调研、消费者心理及行为分析、定价策略等，不同的BA项目都会有偏重地涉及。

5、最后要提到的就是专门的communication课程

communication在商学院中有着很高的地位，而作为BA，将学生培养的目的不仅是仅仅会操作一些工具，更要将从分析中得到的见解呈现给他人，因此培养学生的communication技能的重要性不言而喻。在整个项目过程中，学生大多会经历数次presentation，锻炼自己沟通、传递信息的能力。

由上可见，BA整个项目学习的内容是非常紧凑而充实的，要在短时间内学习掌握到学多不同的知识点和工具，对于还处于申请阶段的或是未来目标申请的同学，也可以早做打算，自学相关内容，在真正进入项目后的学习过程中也能得心应手。

而在真正进入项目后，由于受到项目时间短的影响，在课堂上并不太会把所有职场上所需要的技能全部学习精通，因此更需课后努力探索，力争将某个技能学精学专、才能在实战过程中游刃有余。

总体而言，BA专业受到总体项目质量设置十分优秀，并且顺应了大数据时代发展的加成，无论是在国内还是在美国求职都是相对不那么困难的。

作为学生只需要早有明确目标，按照自己的梦想公司对人才的需求进行努力，还是有较大机会梦想成真的。而虽然BA市场需求正在趋于饱和，但它依旧会是在未来很长一段时间内非常被看好且非常值得学习的项目。

今天的BA分享就到这里啦～码字不易，有帮助的话还请点个赞呀～～

作者：棕榈大道来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

,