微信扫一扫
美国互联网数据中心指出，互联网上的数据每年增长50%，每两年便将翻一番，目前世界上90%以上的数据是最近几年才产生的。除了跟普通人的生活息息相关以外，在商业社会中，数据就是金矿，谁掌握了数据，并加以巧妙运用，谁就能在风起云涌的商业竞争中掌握主动权，寻求更广更好的商业发展机遇。
那么问题来了，人类社会每时每刻都有大量数据被生产和存储下来，要想把这些看似没有联系的大量数据联系起来，转换为有价值的商业信息，就需要专业的人才对这些数据进行分析。处理这些数据需要运用到计算机、统计和商业三门学科的知识和技能，但在传统的教育下，计算机方面的人才可能缺乏足够的商业和统计知识储备，学商科的毕业生对于数据存储系统和数据分析软件等较为陌生，而学习统计的同学对于商业、消费者商业习惯等不够了解。所以近几年，站在各学科理论世界前沿并乐于尝试新的教育模式的美国院校，顺应信息时代的发展，陆续开设了相关新兴交叉学科的硕士项目—Master of Science in Business Analytics（有的院校也叫做Analytics、Data Analytics等）。
与传统的设置在MBA 下面的BusinessAnalysis有所不同，Business Analytics的核心是数据挖掘和数据分析，与当今的互联网及大数据（Big Data）相联，主要是利用高深的技术、模型和算法进行数据挖掘和商业分析，服务的公司大多是像IBM、Google、百度、腾讯、阿里这类互联网公司。而传统的Business Analysis主要是分析整个公司的运营流程、开展的业务等方面，偏向于案例分析，以简单的数据分析为辅助。
1. 描述性分析（DescriptiveAnalytics）: 通过报告、记分卡、聚类等历史数据的呈现和分析，发现商业问题和机遇；
2. 预测性分析（PredictiveAnalytics）: 通过对历史数据进行建模，对未知情况和状况进行准确的预测；
3. 规范性分析（PrescriptiveAnalytics）: 通过模拟和优化等找出最佳商业决策。
商业分析VS统计
传统的统计主要是对实验结果做显著性的检验，比如对小白鼠进行控制变量的药物实验，比较实验结果是否存在显著性的差别。而传统商业中大量运用统计的是市场调研机构：一组消费者看了广告，另一组消费者没看广告，哪组对品牌认知度高？有没有显著性差别？在这些统计中，由于样本数量大无法一一访问，调查者往往会采取抽样的方法，而抽样则必然存在误差。现代企业中的数据分析，较这些传统的统计方法，有了很大的改变。Business Analytics主要学习如何建立和评估多变量的统计模型，其中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只占一部分内容，而在Business Analytics中几乎是全部。除了回归分析（包括逻辑回归），其他BusinessAnalytics中的统计知识如相关系数、时间序列之类，只占一小部分。传统统计中的显著性检验、抽样方法则不在BusinessAnalytics的范围内。
商业分析项目的课程分析
1）课程覆盖技能
不同的课程涉及不同的技能，所需要学习的软件也不同：
• 在数据抓取和清理方面，Python是很流行的编程软件；
• 在数据存储和调用方面，各种数据库软件如My SQL, Oracle, No SQL备受青睐;
• 关于统计建模和machine learning，R和SAS多为主导；
• 数据可视化则是R和Tableau多被使用；
• 分布式计算方面，Spark和Hadoop为主流。
比较有技术含量的项目，上述的几种技能和软件都会涉及，但同时对个人编程的基础要求也会高一些（基础越强越好）。偏商的项目可能在machine learning、分布式计算、甚至数据库方面涉及的深度相对浅一些。
2）业界联系&就业
•项目是否与业界联系紧密，对同学有一定的就业指导。比如有些学校会包括capstone project、practicum或者internship。本质上这三种形式都意味着学生要在项目中的某段时间内（一般为一到两个学期）使用公司提供的数据进行分析，并最终向公司提供一定的政策建议。再比如学校是否会帮助学生network，并提供强大的就业支持，这对于国际学生是尤其重要的。
3）Special Track
就业方向
1. 投行的金融或者技术部门，比如Goldman Sachs、Barclays、JP.Morgan等：投行的数据分析师通常会处理金融交易数据，包括外汇、股票、大宗贸易数据，你需要和贸易方、销售、风控师、运营和银行打交道。
它的好处是很容易转到利润导向的前台部门，身边的同事通常也很聪明。它的缺点是压力很大，你需要长时间的工作。比如很多投行的数据分析师需要很频繁地顺应时差开国际会议。
2. 保险公司的数据科学部，比如AIG、METLIFE、CIGNA等：
通常这个岗位的工作是利用机械学习的技术以及统计模型简历估值模型。
它的好处是保险公司普遍福利好，工作和生活能够平衡，不需要过强的软实力。而缺点就是工作可能比较封闭，需要长时间的坐办公室。
3. 四大的咨询部：
四大的咨询需要和客户沟通，你需要用数据帮他们解决具体的问题。
如果你在四大工作，你会得到很好的项目管理锻炼，这可以提升你的多任务推动能力以及帮助你快速累积不同行业的相关知识。比如一年里三个月了解健康行业，另外三个月转向科技行业等。薪水一般也在行业平均水准以上。但是它的项目和客户是不定期的，所以时间将会非常的紧凑。
4. 基金公司的金融数据分析岗，通常需要做很多的量化工作：
数据分析在它们中的工作包括会计、客户管理、风控、业务方面的数据，它取决于你的具体业务，同时还包括数据研究以及提供解决方案等。
在这里从事数据分析的好处是时间比较灵活，同事一般情况下都是大牛，福利也特别棒。但同时门槛也比较高，你必须要有足够的投资管理知识和过硬的技术。
5. 技术公司的数据分析岗位
比如Google的数据分析，与金融公司相比，技术公司往往更加注重于用户的行为数据分析，包括聚类、分类分析，去解析用户的行为习惯。
