​

​

Business Analytics专业是近几年兴起的热门留学专业，主要是以商科专业知识为基础，数理编程为手段，从数据分析的方向出发，以决策优化来创造价值的新兴专业。随着数据科学越来越热门，各大院校也纷纷开设起这项贴近实践运用的学科。除了一些实力雄厚的顶级院校，还有一些以工科、数理、商科见长的学校也逐步开始设置这些交叉学科项目。

 

Business Analytics之所以为越来越多的留学生所热捧，很大原因是大数据时代，科技公司如雨后春笋般涌现，因而数据收集和分析也越来越被行业所重视。

 

Business Analytics要求学生有编程语言基础，首推python（这个编程语言是很容易上手但是也是很有局限性的，但是似乎这个专业的要求也就这样），同时也注重学生的商业沟通能力，很多小伙伴选择这个专业就是为了进入咨询行业。

​

BA涉及领域

​

BA是数学（主要是统计学）、计算机和商业管理的交叉学科。该学科主要涉及以下一些专业领域：

 

• 统计（Statistics）

包括Applied Managerial Statistics，Statistical Computing and Data Visualization，Applied Modern Statistical Learning Methods等内容。

​

• 计算机（Computer）

包括Programming，Databases，Machine Learning等内容。

 

• 商业管理（Business）

包括Finance，Accounting，Business Analytics等内容

​

和其他板块不同，数据分析师的职位几乎遍布所有行业。数据分析师职位之所以受到广大求职者追捧，是因为它在北美求职市场上广泛的机会。无论是投行，四大，科技巨头，还是独角兽上市公司，初创公司，巨型企业，都需要数据分析师。在不同的企业，数据分析师可能兼任产品经理，商业分析师，数据科学家的职能。它是一个统称。数据分析师求职门槛较低，技术含量高，机会众多。

​

Business Analytics需要学生具备数据挖掘能力，决策建模能力，战略思维和商业沟通能力，在计算机背景方面最好能掌握Python，Tableau，SAS，SQL，R, 尤其是R语言，在很多学校的必修课中有专门涉及R语言的课程，如MIT，纽大，罗切斯特等；当然如果能涉及大数据技能，如机器学习（Machine Learning），数据挖掘等就更好了。

 

其次要对一个新接触的行业和客户在最短的时间内进行了解，熟悉客户专业名词和业务流程，有优秀的交流技能非常重要。

​

​

未来发展路径

​

数据分析师的职业发展和所在的公司有很大关系。比如在华尔街工作的数据分析师，一般会为大型的投资银行（Investment Banks），对冲基金（Hedge Funds）和私募公司（Private Equity）服务。 然而，很多数据分析师也会为大型的保险公司，信用机构、科技公司以及各产业的大型机构服务。像Facebook和Google一类的大型科技公司，都雇佣了大量的数据分析师。 对于大多数的公司，一般的职业路径是从数据分析师晋升到管理层，然后沿着管理层的路线晋升，比如从数据分析师晋升到分析部门的主管，从而往更高的职位晋升。 而对于科技公司来说，优秀的数据分析师们通常会获得更多的晋升机会来直接管理一个新的部门。对于想要通过从事数据分析走向人生巅峰的同学们而言，要对自己所处的行业和公司有更加深入的了解，从而寻找潜在的职业晋升路径。

​

咨询公司等的市场调研岗（市场研究事件和以消费者为中心的分析事件），IT公司等的数据挖掘或分析相关岗位，或一些投资公司量化策略分析相关岗等都是不错的选择。当然这些也是未来商业分析专业毕业生不错的就业方向。

 

只要有数据的地方就需要数据分析，目前国内IT、互联网、游戏、通信、金融、医药、咨询、零售等行业需求较多。

在不同的行业或许有不同的名称：市场调查员、数据分析师、咨询师、统计分析师、数据挖掘师等。 

 

总而言之，Business Analytics应该成为一个：深入了解商业模式又有技术背景的数据分析专家。

​

​

Technical Questions准备

​

对于BA岗位，准备Technical Questions并没有什么诀窍，就是提早准备，勤加练习。

 

Cap小助手这里给大家准备一些实战问题

​

例如：

1. What is the responsibility of a Data analyst?

2. What are the various steps in an analytics project?

3. What is data cleansing?

4. Explain what is logistic regression?

5. Explain what is KNN imputation method?

6. What are the data validation methods used by data analyst?

7. Explain what should be done with suspected or missing data?

8. Explain what is an Outlier?

9. What is a relational database, and what is SQL?

10. What are the different types of SQL JOIN clauses, and how are they used?

​

​