導讀：BA（Business Analytics）這個專業，在近兩年可以說是越來越火。作為商學院少有的STEM（此外還有SCM, MIS, Fin的一些項目也會STEM），再搭上“BIG DATA”這個傳說中的風口，仿佛BA的一切都是那么的吸引人。以下內容主要來自平時遇到過的申請的同學問我的問題，包括BA到底學什么、做什么、就業情況、以及與別的專業之間的選擇等問題。主要適用于北美地區的BA項目及就業。

Q1. BA到底學什么？

顧名思義，BA就是對商業數據進行分析，來支持商業決策。

BA是一個交叉學科，包括business + coding + stats（這個說法來自某大學program director，深表認同）。Business是背景，重要的當然是對于商業數據的理解，比如你如果不知道CTR(click-through-rate)是什么，那么你也沒有辦法對他進行分析，不知道他上升多少下降多少代表了什么，也就不能探索指標變化背后的商業意義。Coding是工具，無論是SQL, R, Python，甚至于Excel，他們都只是你分析數據的工具。Stats是方法，包括了correlation analysis, A/B testing（理論基礎就是hypothesis testing），statistical modeling（也就是machine learning）等等。也就是說，我們需要做的是在商業環境下，用一些特定的工具，進行統計學意義上的分析，最終轉換回商業價值。

這里肯定會有很多人argue：BA的business學的不如MBA，coding不如CS，stats不如stas/DS，那么是不是很雞肋？不是。一個常見的錯覺叫做“越tech越好”/“coding越多越好”。BA之所以能夠存在，并且如此迅猛的發展，就是因為對于data analyst，公司所看重的正是你什么都懂一點，能夠在Business和tech之間架起一座橋梁。你的定位應該是：在business side最懂數據的 + 在analytics side最懂business的。目前的data analyst面試也都少不了問一些business case。嫌棄BA學的不夠tech的同學們，畢竟現在美國的大部分BA項目是以幫助你找到工作為目的的“職業培訓”，自然只教授成為一個DA/DS所最核心的那 些技能。如果你依然覺得碼代碼才是王道，那不如早日轉CS（是的CS工作還多，工資還更高呢）。。。

舉一個簡單的例子：A游戲是包月付費的，product manager找到analytics team希望通過分析、建模來預測每個用戶在下個月還會不會續費，這個問題我們通常稱之為churn prediction。那么對于這個問題，BA的做法可以簡化為：從公司的數據庫里面把用戶subscription的數據提出來，給他們標號——這個用戶X是第幾個包月周期了，同時提取這些用戶的關鍵數據，比如他們的性別年齡地區以及游戲的活躍程度（游戲時間，次數，頻率，買了多少東西，角色級別，裝備等等），然后針對這每一個用戶變量，分析不同的特點（比如性別）的churn rate的不同，甚至建立模型，來通過這些變量預測某個用戶下個月有多大的概率續費。當然這還不是這個問題的終點，因為你僅僅知道他很可能續費，并不能夠創造什么價值。

因此，通常對于那些續費概率較低但不是特別低的用戶，我們會給他們發放一些活動郵件或者折扣郵件來鼓勵他們續費。我們也會對不同版本的這些郵件進行A/B testing，來確定哪個版本的郵件能夠更好的激勵客戶續費。

Q2. BA到底用什么語言/工具？

BA用的語言/工具可以分成三方面：

1. 數據庫工具包括SQL和一些NoSQL的工具，主要是提取數據用的。通常是分析的第 一步——理解了問題就要去找對應的數據了。

2. 數據分析的工具最基礎的是Excel。然而Excel并未絕跡，或者說，Excel永遠都是analyst的基本功。比如你用SQL直接得到了一個summary table，那么接下來能用一個Excel pivot table搞定的事情，又何必大費周章去弄R和Python呢？高級一點的就是R和Python了（少數行業，比如金融業和醫療行業，會使用SAS）。一方面相對于Excel，他們可以處理的數據量更大，另一方面他們可以做一些更加靈活的處理，并且進行modeling等等工作。R和Python之間的話，基本上可以說是平分秋色，在數據分析上沒有明顯優劣。當然在數據量特別大的情況下你還可能會需要使用Spark等工具。

3. 數據可視化的工具同樣的，最基本的工具是Excel。但是當我們需要能夠自動更新的、方便共享的、更加flexible且fancy的dashboard的時候，現在使用最多的當屬Tableau。同類的還有PowerBI，R Shiny, d3.js等等。但是我依然要強調的是，這些工具都只是工具而已，BA更重要的是，你面對一個Business question的時候，你理解你需要解決的這個問題，心中有相應的目的，再去找達成目的需要的工具。那么在一個BA的項目是否可以學到以上的全部呢？一般而言可以覆蓋到大部分的重點（可能會著重于其中R和Python某一個）。但是必須要強調的是，由于這個行業的特殊性，一個BA的從業者要求的是持續性的自我學習。僅從R來講，各種package層出不窮，提供了便利也要求不斷的增加知識儲備。因此，僅僅是完成課程內容的話，通常都是不夠的。

Q3. BA在美國好就業嗎？

BA目前的就業當然還是好于商科的大部分其他專業（ACCT, Fin, ...），并且越來越多的美國公司開始建設自己的data analytics團隊。我有部分學生去了big name，比如Google, Amazon, Cisco, Yahoo!，VISA等等（但是現在不少big name的分析類崗位其實極少招fresh graduate，能進big name的概率其實也很低）。可以說在一個公司完成了傳統的optmization的部署之后，data analytics是他們進一步降低成本、提升價值的必要手段。但是我也不得不給大家澆一盆涼水——目前國際生在美國找工作的情況不容樂觀，而且看目前的狀況只怕會越來越不樂觀。一個國際生為了留美，在畢業季投上100+的簡歷幾乎是無法避免的，而這100+的簡歷，最 后能夠換來的面試可能只有10個不到（然后最 后你很有可能就會輸給一個美國人，僅僅因為他是美國人）。在目前政策極端不確定的情況下，愿意支付高昂的成本并且承擔風險為你抽H1B的公司是越來越少了。目前最常見的說法是，“希望畢業后能在美國工作2-3年”，然而這并不是像看上去那么容易實現的事情。你有STEM不等于你就可以留下來工作三年。

如果在OPT前60天+后90天的時間內你都沒有找到工作，那么遺憾，你不得不離開了（掛靠等其他手段暫且不提）。我和很多其他BA項目在讀的學生們聊過，幾乎每個學校都有找工作不上心以至于最 后沒找到不得不離開，或者即使很上心的找，投了幾百份簡歷，最 后也很遺憾的沒找到的情況（有時候運氣也很重要）。基本上除非你天賦異稟或者運氣超群，只有下定決心留美（而不是“啊我回國也可以”這種心態），扎扎實實的做好找工作的每一步，才能最 后留下來（即便如此，還要通過H1B這個真正考驗運氣的環節）。特別是對于十個月或者一年的BA項目的同學，必須是一入學就開始完善簡歷、進行networking、廣泛網申、準備面試。因此，留美工作的難度比申請要難上很多很多倍。而且找工作是非常personal的一件事情，申請上了一個好的項目絕 對不是你能夠留下來的**。請大家做好心理準備。

Q4. BA的就業方向主要是什么？（我想進金融業/咨詢，我適合讀BA嗎？）

根據個人觀察，BA的畢業生只有少數去了金融行業或者咨詢公司。有進金融行業做量化分析的嗎？有。但是很少。MFE的同學，我們確實有很多重合的課程以及skillset（比如Python,比如machine learning，比如excel solver...），然而不重合的那些很可能恰恰的對于金融行業至關重要的那些。因此如果你目標明確做量化的，并不建議讀BA。有進咨詢公司的嗎？有。但是同樣不多,Top tier的咨詢公司（主要指戰略咨詢）招人主要還是面向top Bschool MBA。如果想進咨詢，那么你需要一開始就走上一條和別人完全不同的道路——比如和MBA networking, 瘋狂準備case interview。那么到底BA畢業生都去干嘛了？答案是去各行各業做data analyst / data scientist之類的工作了。基本上BA可以適用于各類行業（科技, 制造業，娛樂業，...），關鍵是公司有沒有這方面的數據分析需求。

說到這里又不得不探討一下data analyst和data scientist的區別這個問題了。首先需要聲明的是，其實不同公司對于Data Analyst和Data Scientist有著全然不同的定義。有些公司DS做的事情就是別的公司DA做的，只是單純的稱謂不同。那么從一個大家比較認可的角度來講，DA主要是側重于數據的整理性分析，a/b testing，data viz，以及偏分析、應用性質的modeling。而DS主要側重于工業化modeling（把model實際生產化)。而那些專注modeling的ds職位，目前的行業趨勢是很多都需要Phd或者會有很多Phd來和你競爭，因此研究生要在大公司做DS可以說是越來越難了。相比之下，找dataanalytics title的工作會容易不少（當然工資上確實也會低）。非常不建議純商科背景，或者入學前幾乎不會coding/沒有接觸過machine learning的同學去找DS的工作。。。一方面你需要很努力的在這一到兩年的時間內學習課內外的DS相關的知識來達到DS職位的要求，另一方面，即使你能夠勝任DS的工作了，也很可能因為過去的相關背景太少，而過不了簡歷關。而DA的話具體又可以根據工作的部門/職能分類，比如product analyst, customer analyst, marketing analyst, ...。

但是萬變不離其宗，分析方法基本都是一致的，只是對于domain knowloedge的要求有所不同。比如有marketing經驗的同學就比較容易找到marketing analyst的工作，因為公司會看重你在這方面的商業經驗。

Q5. BA在美國就業的話，主要是在哪些城市？

其實目前BA在各個城市都有需求。之前也說了，BA不是特別局限于行業的一類職位。因此可以說需求和城市的發展程度成正比。比如SF有很多科技公司，那么這些科技公司就有很多data analyst的職位需求，而LA主要是娛樂業，但是這些娛樂業的公司也會有很多相關崗位（特別是marketing analyst）。因此可以說，BA需求較大的地區/城市包括：舊金山地區，洛杉磯地區，西雅圖，紐約，德州的奧斯汀+達拉斯，芝加哥，波士頓等等。

那么相應的，對于申請而言，如果你本身項目就在一個大城市，那么當然找工作會方便很多，而且很多公司也會傾向招本地學校的學生。但是就BA來講，有非常多的relocation的先例，因此也不必太過擔心學校太村這個問題（當然學校的career service要足夠給力，并且你能夠忍受飛來飛去進行Onsite interview）。

Q6. BA在美國找工作的方式主要是？

主要是網申！基本上找工作的渠道有三類：

1. 來自學校的渠道，比如就會有career advisor提供一些合作公司的崗位或者校友介紹的崗位，以及學校/學院各類的career fair。

2. 自己找人networking（主要是校友和朋友），然后找他們refer或者直接面試。這個很有效，但是對于中國學生而言，可能需要多多練習networking才能習慣這種方式。

3. 通過LinkedIn, Indeed, Glassdoor等網站網申，這個依然是大家用的最多的方式。前文也說了，大家一般會網投100+的申請。因此可以說，一份完美的簡歷+cover letter作為你網投的第 一步，是非常重要的。

Q7. BA的職位的面試流程是怎么樣的？

基本首先是HR的Phone screening，然后和hiring manager, team member之類的video interview，最 后final round很可能會要求Onsite（大部分情況下公司會包住宿機票）。全程至少會有2-3輪，最多可能有四五輪。BA崗位很可能在最開始還有data challenge一類的技術測試。不同公司的面試內容會有較大不同，但是大多數都免不了technical skills (SQL最常見), stats (a/b testing), product sense (business cases), project/work experience, 和behavioral questions。因此不需要和SDE一樣去刷算法題（最多刷一刷SQL）。

Q8. BA的日常工作做什么？

如果是data analyst的話，日常工作主要包括：

1. 基本就是和我Q1里面舉例的事情是同一類的事情。也就是別的部門提出了一個問題（例如市場經理，產品經理會有一些他們不能解答的，但是可以通過數據分析來解答的問題），然后我們來決定解決問題需要哪些數據，得到數據，然后進行分析/建模，最 后給出相應的分析結果。再舉幾個例子，例如分析各個頁面用戶的平均停留時間和用戶最喜歡去的下一個頁面來了解用戶行為以及確定各個頁面的側重點；例如分析checkout flow每一步的用戶流失率來決定如何進行優化；例如分析某一次marketing campaign前后各項指標的變化來判斷這次campaign的效果。

2. dashboard building在我們做分析的過程中，如果發現某一類的分析是價值高且需要定期反復觀測結果的，就會把它做成一個dashboard，讓相關的部門人員可以定期的打開dashboard直接看到最 新的結果，不需要我們反復的run analysis。

3. A/B testing依靠A/B testing來進行產品決策是現在科技公司的發展趨勢（尤其在灣區已經非常盛行）。通常我們想要確定兩個設計版本哪一個更好，或者一個新的feature能否增加user engagement的時候，我們就會做A/B testing。通常而言，analyst需要從頭至尾負責整個過程——test design, setup test together with engineers, QA test data, monitor test, analyze test result, provide recommendations based on test result。

4. 其他由于公司以及具體職能的不同，可能還會有daily reporting，data management（ETL）, modeling之類的工作。

Q9. BA的起薪有多少？

起薪這個問題其實在很大程度上取決于行業和地區。大家都應當知道，在美國，不同地區的消費水準和稅率是差別很大的。比如NYC和SF可以說是在生活成本上遙遙領 先。而華盛頓州和德州這種沒有州稅的地方可以說是不能更棒了。因此要說工資水平實在是很難一概而論。可能加州的90k和德州的70k最 后過的是差不多的。硬要說的話。基本上在灣區的話，Entry level的DA的base salary（不包括股票和各種bonus）最 高我知道有110k左右的，當然最 低也可能就50k左右，中位數在85k左右（不同公司的差距巨大）。

結論是——起薪整體水平較高，但是距離程序員還有一定差距。

Q10. BA/ MIS/ MFE我應該選什么？（同類問題還有BA v.s. MSF, BA v.s. MSA等等）

這。。不同專業。。。當然是取決于你的職業規劃啊！如上所述，如果你一心要做量化分析的，你就去讀MFE，如果你覺得data engineer挺合適，或者也想努力一把干脆去做software engineer，那可能MIS更好。MSF和MSA更是同理。畢竟研究生階段之后，想要再做career trainsit就需要付出更多的努力和更大的成本了。

如果你只是一心想要留美，并不在意什么career plan的話，那么BA, MIS, MFE >> MSF, MSA。（當然如果是WFU的MSA這個級別的。。也是很好的。。）

Q11. 我本科是金融/會計/市場營銷/...，我可以學BA嗎？

可以。現在商科本依然是申請BA的主力，也是BA在讀的主力。但是能不能學好BA就是一個非常因人而異的事情了。我非常建議每一位商科本的同學，不要因為就業好或者看上去比較有趣這樣的理由選擇BA。最 好大家能夠盡量去獲得一些相關的工作/項目經驗，或者是自己嘗試學習一下R和Python，**自己對于coding以及BA的思維是可以跟上的。否則，如果你發現BA和自己想的完全不一樣的話，或者發現自己對于編程實在是覺得很痛苦的話，可能就來不及了。。。

那么商科本對于碩士畢業后在美國找一份BA的工作有什么影響呢？不幸的消息是，商科本很可能會對你找特別tech的工作造成較大障礙。比如如果你是想要做DS的，那么公司會理所當然的更信任一個本科就是理工科的申請人，更不要說現在還有那么多理工科的Phd和你競爭（即便你其實可以勝任這份工作，也很可能過不了簡歷關）。

但是如果你的目標是data analyst，甚至是更加偏向business方面的職能，那么這個本科背景可以說并不存在什么劣勢，反而也是你懂得基本的商業原理的一種證明。

最 后給正在申請的同學們分享一個個人觀點：對于所有靠譜的BA項目來說，學生（尤其是國際學生）的就業率是衡量自己項目質量的重要指標，也是在各類排名中獲得一個高名次的必要條件。因此，學校招人的標準說白了并不是招成績更好的，而是更有可能找到工作的（這也是為什么有工作經驗的申請人總是占優勢的）。

對于中國申請人來說，很多時候同質化太嚴重了，那就讓AO只能根據分數來推斷申請人的學習能力進行篩選，最 后申請人們反而又陷入了刷分的怪圈。所以與其糾結于再刷高點兒分，準備申請材料的時候更應該考慮的是，根據你的申請材料，你看上去有多大的概率能夠在畢業后找到工作。