干貨：關(guān)于BusinessAnalytics在美的學(xué)習(xí)和就業(yè)

導(dǎo)讀：BA（Business Analytics）這個(gè)專業(yè)，在近兩年可以說是越來越火。作為商學(xué)院少有的STEM（此外還有SCM, MIS, Fin的一些項(xiàng)目也會(huì)STEM），再搭上“BIG DATA”這個(gè)傳說中的風(fēng)口，仿佛B(yǎng)A的一切都是那么的吸引人。以下內(nèi)容主要來自平時(shí)遇到過的申請(qǐng)的同學(xué)問我的問題，包括BA到底學(xué)什么、做什么、就業(yè)情況、以及與別的專業(yè)之間的選擇等問題。主要適用于北美地區(qū)的BA項(xiàng)目及就業(yè)。

Q1. BA到底學(xué)什么？

顧名思義，BA就是對(duì)商業(yè)數(shù)據(jù)進(jìn)行分析，來支持商業(yè)決策。

BA是一個(gè)交叉學(xué)科，包括business + coding + stats（這個(gè)說法來自某大學(xué)program director，深表認(rèn)同）。Business是背景，重要的當(dāng)然是對(duì)于商業(yè)數(shù)據(jù)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(duì)他進(jìn)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(biāo)變化背后的商業(yè)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(shù)據(jù)的工具。Stats是方法，包括了correlation analysis, A/B testing（理論基礎(chǔ)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(yè)環(huán)境下，用一些特定的工具，進(jìn)行統(tǒng)計(jì)學(xué)意義上的分析，最終轉(zhuǎn)換回商業(yè)價(jià)值。

這里肯定會(huì)有很多人argue：BA的business學(xué)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(gè)常見的錯(cuò)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(fā)展，就是因?yàn)閷?duì)于data analyst，公司所看重的正是你什么都懂一點(diǎn)，能夠在Business和tech之間架起一座橋梁。你的定位應(yīng)該是：在business side最懂?dāng)?shù)據(jù)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(xué)的不夠tech的同學(xué)們，畢竟現(xiàn)在美國(guó)的大部分BA項(xiàng)目是以幫助你找到工作為目的的“職業(yè)培訓(xùn)”，自然只教授成為一個(gè)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(zhuǎn)CS（是的CS工作還多，工資還更高呢）。。。

舉一個(gè)簡(jiǎn)單的例子：A游戲是包月付費(fèi)的，product manager找到analytics team希望通過分析、建模來預(yù)測(cè)每個(gè)用戶在下個(gè)月還會(huì)不會(huì)續(xù)費(fèi)，這個(gè)問題我們通常稱之為churn prediction。那么對(duì)于這個(gè)問題，BA的做法可以簡(jiǎn)化為：從公司的數(shù)據(jù)庫(kù)里面把用戶subscription的數(shù)據(jù)提出來，給他們標(biāo)號(hào)——這個(gè)用戶X是第幾個(gè)包月周期了，同時(shí)提取這些用戶的關(guān)鍵數(shù)據(jù)，比如他們的性別年齡地區(qū)以及游戲的活躍程度（游戲時(shí)間，次數(shù)，頻率，買了多少東西，角色級(jí)別，裝備等等），然后針對(duì)這每一個(gè)用戶變量，分析不同的特點(diǎn)（比如性別）的churn rate的不同，甚至建立模型，來通過這些變量預(yù)測(cè)某個(gè)用戶下個(gè)月有多大的概率續(xù)費(fèi)。當(dāng)然這還不是這個(gè)問題的終點(diǎn)，因?yàn)槟銉H僅知道他很可能續(xù)費(fèi)，并不能夠創(chuàng)造什么價(jià)值。

因此，通常對(duì)于那些續(xù)費(fèi)概率較低但不是特別低的用戶，我們會(huì)給他們發(fā)放一些活動(dòng)郵件或者折扣郵件來鼓勵(lì)他們續(xù)費(fèi)。我們也會(huì)對(duì)不同版本的這些郵件進(jìn)行A/B testing，來確定哪個(gè)版本的郵件能夠更好的激勵(lì)客戶續(xù)費(fèi)。

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(shù)據(jù)庫(kù)工具包括SQL和一些NoSQL的工具，主要是提取數(shù)據(jù)用的。通常是分析的第 一步——理解了問題就要去找對(duì)應(yīng)的數(shù)據(jù)了。

2. 數(shù)據(jù)分析的工具最基礎(chǔ)的是Excel。然而Excel并未絕跡，或者說，Excel永遠(yuǎn)都是analyst的基本功。比如你用SQL直接得到了一個(gè)summary table，那么接下來能用一個(gè)Excel pivot table搞定的事情，又何必大費(fèi)周章去弄R和Python呢？高級(jí)一點(diǎn)的就是R和Python了（少數(shù)行業(yè)，比如金融業(yè)和醫(yī)療行業(yè)，會(huì)使用SAS）。一方面相對(duì)于Excel，他們可以處理的數(shù)據(jù)量更大，另一方面他們可以做一些更加靈活的處理，并且進(jìn)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(shù)據(jù)分析上沒有明顯優(yōu)劣。當(dāng)然在數(shù)據(jù)量特別大的情況下你還可能會(huì)需要使用Spark等工具。

3. 數(shù)據(jù)可視化的工具同樣的，最基本的工具是Excel。但是當(dāng)我們需要能夠自動(dòng)更新的、方便共享的、更加flexible且fancy的dashboard的時(shí)候，現(xiàn)在使用最多的當(dāng)屬Tableau。同類的還有PowerBI，R Shiny, d3.js等等。但是我依然要強(qiáng)調(diào)的是，這些工具都只是工具而已，BA更重要的是，你面對(duì)一個(gè)Business question的時(shí)候，你理解你需要解決的這個(gè)問題，心中有相應(yīng)的目的，再去找達(dá)成目的需要的工具。那么在一個(gè)BA的項(xiàng)目是否可以學(xué)到以上的全部呢？一般而言可以覆蓋到大部分的重點(diǎn)（可能會(huì)著重于其中R和Python某一個(gè)）。但是必須要強(qiáng)調(diào)的是，由于這個(gè)行業(yè)的特殊性，一個(gè)BA的從業(yè)者要求的是持續(xù)性的自我學(xué)習(xí)。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(shí)儲(chǔ)備。因此，僅僅是完成課程內(nèi)容的話，通常都是不夠的。

Q3. BA在美國(guó)好就業(yè)嗎？

BA目前的就業(yè)當(dāng)然還是好于商科的大部分其他專業(yè)（ACCT, Fin, ...），并且越來越多的美國(guó)公司開始建設(shè)自己的data analytics團(tuán)隊(duì)。我有部分學(xué)生去了big name，比如Google, Amazon, Cisco, Yahoo!，VISA等等（但是現(xiàn)在不少big name的分析類崗位其實(shí)極少招fresh graduate，能進(jìn)big name的概率其實(shí)也很低）?？梢哉f在一個(gè)公司完成了傳統(tǒng)的optmization的部署之后，data analytics是他們進(jìn)一步降低成本、提升價(jià)值的必要手段。但是我也不得不給大家澆一盆涼水——目前國(guó)際生在美國(guó)找工作的情況不容樂觀，而且看目前的狀況只怕會(huì)越來越不樂觀。一個(gè)國(guó)際生為了留美，在畢業(yè)季投上100+的簡(jiǎn)歷幾乎是無法避免的，而這100+的簡(jiǎn)歷，最 后能夠換來的面試可能只有10個(gè)不到（然后最 后你很有可能就會(huì)輸給一個(gè)美國(guó)人，僅僅因?yàn)樗敲绹?guó)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(dān)風(fēng)險(xiǎn)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(yè)后能在美國(guó)工作2-3年”，然而這并不是像看上去那么容易實(shí)現(xiàn)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(shí)間內(nèi)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(xiàng)目在讀的學(xué)生們聊過，幾乎每個(gè)學(xué)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(jiǎn)歷，最 后也很遺憾的沒找到的情況（有時(shí)候運(yùn)氣也很重要）?；旧铣悄闾熨x異稟或者運(yùn)氣超群，只有下定決心留美（而不是“啊我回國(guó)也可以”這種心態(tài)），扎扎實(shí)實(shí)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(gè)真正考驗(yàn)運(yùn)氣的環(huán)節(jié)）。特別是對(duì)于十個(gè)月或者一年的BA項(xiàng)目的同學(xué)，必須是一入學(xué)就開始完善簡(jiǎn)歷、進(jìn)行networking、廣泛網(wǎng)申、準(zhǔn)備面試。因此，留美工作的難度比申請(qǐng)要難上很多很多倍。而且找工作是非常personal的一件事情，申請(qǐng)上了一個(gè)好的項(xiàng)目絕 對(duì)不是你能夠留下來的**。請(qǐng)大家做好心理準(zhǔn)備。

Q4. BA的就業(yè)方向主要是什么？（我想進(jìn)金融業(yè)/咨詢，我適合讀BA嗎？）

根據(jù)個(gè)人觀察，BA的畢業(yè)生只有少數(shù)去了金融行業(yè)或者咨詢公司。有進(jìn)金融行業(yè)做量化分析的嗎？有。但是很少。MFE的同學(xué)，我們確實(shí)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(duì)于金融行業(yè)至關(guān)重要的那些。因此如果你目標(biāo)明確做量化的，并不建議讀BA。有進(jìn)咨詢公司的嗎？有。但是同樣不多,Top tier的咨詢公司（主要指戰(zhàn)略咨詢）招人主要還是面向top Bschool MBA。如果想進(jìn)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(zhǔn)備case interview。那么到底BA畢業(yè)生都去干嘛了？答案是去各行各業(yè)做data analyst / data scientist之類的工作了。基本上BA可以適用于各類行業(yè)（科技, 制造業(yè)，娛樂業(yè)，...），關(guān)鍵是公司有沒有這方面的數(shù)據(jù)分析需求。

說到這里又不得不探討一下data analyst和data scientist的區(qū)別這個(gè)問題了。首先需要聲明的是，其實(shí)不同公司對(duì)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(gè)大家比較認(rèn)可的角度來講，DA主要是側(cè)重于數(shù)據(jù)的整理性分析，a/b testing，data viz，以及偏分析、應(yīng)用性質(zhì)的modeling。而DS主要側(cè)重于工業(yè)化modeling（把model實(shí)際生產(chǎn)化)。而那些專注modeling的ds職位，目前的行業(yè)趨勢(shì)是很多都需要Phd或者會(huì)有很多Phd來和你競(jìng)爭(zhēng)，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(huì)容易不少（當(dāng)然工資上確實(shí)也會(huì)低）。非常不建議純商科背景，或者入學(xué)前幾乎不會(huì)coding/沒有接觸過machine learning的同學(xué)去找DS的工作。。。一方面你需要很努力的在這一到兩年的時(shí)間內(nèi)學(xué)習(xí)課內(nèi)外的DS相關(guān)的知識(shí)來達(dá)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?yàn)檫^去的相關(guān)背景太少，而過不了簡(jiǎn)歷關(guān)。而DA的話具體又可以根據(jù)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(duì)于domain knowloedge的要求有所不同。比如有marketing經(jīng)驗(yàn)的同學(xué)就比較容易找到marketing analyst的工作，因?yàn)楣緯?huì)看重你在這方面的商業(yè)經(jīng)驗(yàn)。

Q5. BA在美國(guó)就業(yè)的話，主要是在哪些城市？

其實(shí)目前BA在各個(gè)城市都有需求。之前也說了，BA不是特別局限于行業(yè)的一類職位。因此可以說需求和城市的發(fā)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(yè)，但是這些娛樂業(yè)的公司也會(huì)有很多相關(guān)崗位（特別是marketing analyst）。因此可以說，BA需求較大的地區(qū)/城市包括：舊金山地區(qū)，洛杉磯地區(qū)，西雅圖，紐約，德州的奧斯汀+達(dá)拉斯，芝加哥，波士頓等等。

那么相應(yīng)的，對(duì)于申請(qǐng)而言，如果你本身項(xiàng)目就在一個(gè)大城市，那么當(dāng)然找工作會(huì)方便很多，而且很多公司也會(huì)傾向招本地學(xué)校的學(xué)生。但是就BA來講，有非常多的relocation的先例，因此也不必太過擔(dān)心學(xué)校太村這個(gè)問題（當(dāng)然學(xué)校的career service要足夠給力，并且你能夠忍受飛來飛去進(jìn)行Onsite interview）。

Q6. BA在美國(guó)找工作的方式主要是？

主要是網(wǎng)申！基本上找工作的渠道有三類：

1. 來自學(xué)校的渠道，比如就會(huì)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(xué)校/學(xué)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r(jià)efer或者直接面試。這個(gè)很有效，但是對(duì)于中國(guó)學(xué)生而言，可能需要多多練習(xí)networking才能習(xí)慣這種方式。

3. 通過LinkedIn, Indeed, Glassdoor等網(wǎng)站網(wǎng)申，這個(gè)依然是大家用的最多的方式。前文也說了，大家一般會(huì)網(wǎng)投100+的申請(qǐng)。因此可以說，一份完美的簡(jiǎn)歷+cover letter作為你網(wǎng)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(huì)要求Onsite（大部分情況下公司會(huì)包住宿機(jī)票）。全程至少會(huì)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(shù)測(cè)試。不同公司的面試內(nèi)容會(huì)有較大不同，但是大多數(shù)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(gè)問題（例如市場(chǎng)經(jīng)理，產(chǎn)品經(jīng)理會(huì)有一些他們不能解答的，但是可以通過數(shù)據(jù)分析來解答的問題），然后我們來決定解決問題需要哪些數(shù)據(jù)，得到數(shù)據(jù)，然后進(jìn)行分析/建模，最 后給出相應(yīng)的分析結(jié)果。再舉幾個(gè)例子，例如分析各個(gè)頁面用戶的平均停留時(shí)間和用戶最喜歡去的下一個(gè)頁面來了解用戶行為以及確定各個(gè)頁面的側(cè)重點(diǎn)；例如分析checkout flow每一步的用戶流失率來決定如何進(jìn)行優(yōu)化；例如分析某一次marketing campaign前后各項(xiàng)指標(biāo)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(fā)現(xiàn)某一類的分析是價(jià)值高且需要定期反復(fù)觀測(cè)結(jié)果的，就會(huì)把它做成一個(gè)dashboard，讓相關(guān)的部門人員可以定期的打開dashboard直接看到最 新的結(jié)果，不需要我們反復(fù)的run analysis。

3. A/B testing依靠A/B testing來進(jìn)行產(chǎn)品決策是現(xiàn)在科技公司的發(fā)展趨勢(shì)（尤其在灣區(qū)已經(jīng)非常盛行）。通常我們想要確定兩個(gè)設(shè)計(jì)版本哪一個(gè)更好，或者一個(gè)新的feature能否增加user engagement的時(shí)候，我們就會(huì)做A/B testing。通常而言，analyst需要從頭至尾負(fù)責(zé)整個(gè)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(huì)有daily reporting，data management（ETL）, modeling之類的工作。

Q9. BA的起薪有多少？

起薪這個(gè)問題其實(shí)在很大程度上取決于行業(yè)和地區(qū)。大家都應(yīng)當(dāng)知道，在美國(guó)，不同地區(qū)的消費(fèi)水準(zhǔn)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(lǐng) 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(shí)在是很難一概而論?？赡芗又莸?0k和德州的70k最 后過的是差不多的。硬要說的話?；旧显跒硡^(qū)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(dāng)然最 低也可能就50k左右，中位數(shù)在85k左右（不同公司的差距巨大）。

結(jié)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(yīng)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(yè)。。。當(dāng)然是取決于你的職業(yè)規(guī)劃??！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(dāng)然如果是WFU的MSA這個(gè)級(jí)別的。。也是很好的。。）

Q11. 我本科是金融/會(huì)計(jì)/市場(chǎng)營(yíng)銷/...，我可以學(xué)BA嗎？

可以?，F(xiàn)在商科本依然是申請(qǐng)BA的主力，也是BA在讀的主力。但是能不能學(xué)好BA就是一個(gè)非常因人而異的事情了。我非常建議每一位商科本的同學(xué)，不要因?yàn)榫蜆I(yè)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(guān)的工作/項(xiàng)目經(jīng)驗(yàn)，或者是自己嘗試學(xué)習(xí)一下R和Python，**自己對(duì)于coding以及BA的思維是可以跟上的。否則，如果你發(fā)現(xiàn)BA和自己想的完全不一樣的話，或者發(fā)現(xiàn)自己對(duì)于編程實(shí)在是覺得很痛苦的話，可能就來不及了。。。

那么商科本對(duì)于碩士畢業(yè)后在美國(guó)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(huì)對(duì)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(huì)理所當(dāng)然的更信任一個(gè)本科就是理工科的申請(qǐng)人，更不要說現(xiàn)在還有那么多理工科的Phd和你競(jìng)爭(zhēng)（即便你其實(shí)可以勝任這份工作，也很可能過不了簡(jiǎn)歷關(guān)）。

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

最 后給正在申請(qǐng)的同學(xué)們分享一個(gè)個(gè)人觀點(diǎn)：對(duì)于所有靠譜的BA項(xiàng)目來說，學(xué)生（尤其是國(guó)際學(xué)生）的就業(yè)率是衡量自己項(xiàng)目質(zhì)量的重要指標(biāo)，也是在各類排名中獲得一個(gè)高名次的必要條件。因此，學(xué)校招人的標(biāo)準(zhǔn)說白了并不是招成績(jī)更好的，而是更有可能找到工作的（這也是為什么有工作經(jīng)驗(yàn)的申請(qǐng)人總是占優(yōu)勢(shì)的）。

對(duì)于中國(guó)申請(qǐng)人來說，很多時(shí)候同質(zhì)化太嚴(yán)重了，那就讓AO只能根據(jù)分?jǐn)?shù)來推斷申請(qǐng)人的學(xué)習(xí)能力進(jìn)行篩選，最 后申請(qǐng)人們反而又陷入了刷分的怪圈。所以與其糾結(jié)于再刷高點(diǎn)兒分，準(zhǔn)備申請(qǐng)材料的時(shí)候更應(yīng)該考慮的是，根據(jù)你的申請(qǐng)材料，你看上去有多大的概率能夠在畢業(yè)后找到工作。