【从BA毕业生的角度看BA】关于BA学习和在美国就业（2019.4有更新）

hzdy1994

【未经允许，不得转载】


首先自我介绍一下：
楼主于2016 Fall入学USC MS Business Analytics项目（项目介绍可以左转这个帖子https://forum.chasedream.com/thread-1241021-1-1.html）。2017年12月毕业，目前在SF工作(Analytics方向)。

发这篇贴子的初衷：
BA（Business Analytics）这个专业，在近两年可以说是越来越火。作为商学院少有的STEM（此外还有SCM, MIS, Fin的一些项目和极少数的ACCT项目也可能是STEM），再搭上“BIG DATA”这个传说中的风口，仿佛BA的一切都是那么的吸引人。而在CD，大部分的活跃用户都是申请人，而非毕业生，导致很多时候同学们了解到的或许并不是这个专业的全貌。因此在毕业后，工作前的这段间隙，我决定发这篇帖子，试图站在一个不一样的角度提供一些看法。并且会在工作后随着认知的提高持续更新。

以下内容主要来自平时遇到过的申请的同学问我的问题，包括BA到底学什么、做什么、就业情况、以及与别的专业之间的选择等问题。主要适用于北美地区的BA项目及就业。欢迎讨论。欢迎提问。
关于BA的国内就业情况，可以参见这篇帖子：https://forum.chasedream.com/thread-1321580-1-1.html

【未经允许，不得转载】
------------------------------------------------------------------------------------------------------------

Q1. BA到底学什么？
顾名思义，BA就是对商业数据进行分析，来支持商业决策。BA是一个交叉学科，包括business + coding + stats（这个说法来自我们program director，深表认同）。Business是背景，重要的当然是对于商业数据的理解，比如你如果不知道CTR(click-through-rate)是什么，那么你也没有办法对他进行分析，不知道他上升多少下降多少代表了什么，也就不能探索指标变化背后的商业意义。Coding是工具，无论是SQL, R, Python，甚至于Excel，他们都只是你分析数据的工具。Stats是方法，包括了correlation analysis, A/B testing（理论基础就是hypothesis testing），statistical modeling（也就是machine learning）等等。也就是说，我们需要做的是在商业环境下，用一些特定的工具，进行统计学意义上的分析，最终转换回商业价值。
这里肯定会有很多人argue：BA的business学的不如MBA，coding不如CS，stats不如stas/DS，那么是不是很鸡肋？不是。一个常见的错觉叫做“越tech越好”/“coding越多越好”。BA之所以能够存在，并且如此迅猛的发展，就是因为对于data analyst，公司所看重的正是你什么都懂一点，能够在Business和tech之间架起一座桥梁。你的定位应该是：在business side最懂数据的 + 在analytics side最懂business的。目前的data analyst面试也都少不了问一些business case。嫌弃BA学的不够tech的同学们，毕竟现在美国的大部分BA项目是以帮助你找到工作为目的的“职业培训”，自然只教授成为一个DA/DS所最核心的那些技能。如果你依然觉得码代码才是王道，那不如早日转CS（是的CS工作还多，工资还更高呢）。。。

举一个简单的例子：
A游戏是包月付费的，product manager找到analytics team希望通过分析、建模来预测每个用户在下个月还会不会续费，这个问题我们通常称之为churn prediction。那么对于这个问题，BA的做法可以简化为：从公司的数据库里面把用户subscription的数据提出来，给他们标号——这个用户X是第几个包月周期了，同时提取这些用户的关键数据，比如他们的性别年龄地区以及游戏的活跃程度（游戏时间，次数，频率，买了多少东西，角色级别，装备等等），然后针对这每一个用户变量，分析不同的特点（比如性别）的churn rate的不同，甚至建立模型，来通过这些变量预测某个用户下个月有多大的概率续费。当然这还不是这个问题的终点，因为你仅仅知道他很可能续费，并不能够创造什么价值。因此，通常对于那些续费概率较低但不是特别低的用户，我们会给他们发放一些活动邮件或者折扣邮件来鼓励他们续费。我们也会对不同版本的这些邮件进行A/B testing，来确定哪个版本的邮件能够更好的激励客户续费。


Q2. BA到底用什么语言/工具？
BA用的语言/工具可以分成三方面：
1. 数据库工具
包括SQL和一些NoSQL的工具，主要是提取数据用的。通常是分析的第一步——理解了问题就要去找对应的数据了。
2. 数据分析的工具
最基础的是Excel。然而Excel并未绝迹，或者说，Excel永远都是analyst的基本功。比如你用SQL直接得到了一个summary table，那么接下来能用一个Excel pivot table搞定的事情，又何必大费周章去弄R和Python呢？
高级一点的就是R和Python了（少数行业，比如金融业和医疗行业，会使用SAS）。一方面相对于Excel，他们可以处理的数据量更大，另一方面他们可以做一些更加灵活的处理，并且进行modeling等等工作。R和Python之间的话，基本上可以说是平分秋色，在数据分析上没有明显优劣。当然在数据量特别大的情况下你还可能会需要使用Spark等工具。
3. 数据可视化的工具
同样的，最基本的工具是Excel。但是当我们需要能够自动更新的、方便共享的、更加flexible且fancy的dashboard的时候，现在使用最多的当属Tableau。同类的还有PowerBI，R Shiny, d3.js等等。
但是我依然要强调的是，这些工具都只是工具而已，BA更重要的是，你面对一个Business question的时候，你理解你需要解决的这个问题，心中有相应的目的，再去找达成目的需要的工具。

那么在一个BA的项目是否可以学到以上的全部呢？一般而言可以覆盖到大部分的重点（可能会着重于其中R和Python某一个）。但是必须要强调的是，由于这个行业的特殊性，一个BA的从业者要求的是持续性的自我学习。仅从R来讲，各种package层出不穷，提供了便利也要求不断的增加知识储备。因此，仅仅是完成课程内容的话，通常都是不够的。。


Q3. BA在美国好就业吗？
BA目前的就业当然还是好于商科的大部分其他专业（ACCT, Fin, ...），并且越来越多的美国公司开始建设自己的data analytics团队。我有很多同学或者学姐学长去了big name，比如Google, Amazon, LinkedIn等等（但是现在不少big name的分析类岗位其实极少招fresh graduate，能进big name的概率其实也很低）。可以说在一个公司完成了传统的optmization的部署之后，data analytics是他们进一步降低成本、提升价值的必要手段。
但是我也不得不给大家浇一盆凉水——目前国际生在美国找工作的情况不容乐观，而且看目前的状况只怕会越来越不乐观。一个国际生为了留美，在毕业季投上100+的简历几乎是无法避免的，而这100+的简历，最后能够换来的面试可能只有10个不到（然后最后你很有可能就会输给一个美国人，仅仅因为他是美国人）。在目前政策极端不确定的情况下，愿意支付高昂的成本并且承担风险为你抽H1B的公司是越来越少了。
CD的申请人最常见的说法是，“希望毕业后能在美国工作2-3年”，然而这并不是像看上去那么容易实现的事情。你有STEM不等于你就可以留下来工作三年。如果在OPT前60天+后90天的时间内你都没有找到工作，那么遗憾，你不得不离开了（挂靠等其他手段暂且不提）。我和很多其他BA项目在读的同学们聊过，几乎每个学校都有找工作不上心以至于最后没找到不得不离开，或者即使很上心的找，投了几百份简历，最后也很遗憾的没找到的情况（有时候运气也很重要）。基本上除非你天赋异禀或者运气超群，只有下定决心留美（而不是“啊我回国也可以”这种心态），扎扎实实的做好找工作的每一步，才能最后留下来（即便如此，还要通过H1B这个真正考验运气的环节）。特别是对于十个月或者一年的BA项目的同学，必须是一入学就开始完善简历、进行networking、广泛网申、准备面试。因此，留美工作的难度比申请要难上很多很多倍。而且找工作是非常personal的一件事情，申请上了一个好的项目绝对不是你能够留下来的保证。请大家做好心理准备。此外如果想要具体了解master在美国就业的政策相关问题（F1 -> H1B），可以看这篇帖子：https://forum.chasedream.com/thread-1333507-1-1.html。


Q4. BA的就业方向主要是什么？ （我想进金融业/咨询，我适合读BA吗？）
根据个人观察，BA的毕业生只有少数去了金融行业或者咨询公司。
有进金融行业做量化分析的吗？有。但是很少。我也有和MFE的同学聊过，我们确实有很多重合的课程以及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对于金融行业至关重要的那些。因此如果你目标明确做量化的，并不建议读BA。
有进咨询公司（这里主要讨论战略咨询）的吗？有。但是同样不多（我们这届一个印度大哥就去了MBB，下一届也有一个中国妹子去）。top tier的咨询公司招人主要还是面向top Bschool MBA。如果想进咨询，那么你需要一开始就走上一条和别人完全不同的道路——比如和MBA networking, 疯狂准备case interview。
那么到底BA毕业生都去干嘛了？答案是去各行各业做data analyst / data scientist之类的工作了。基本上BA可以适用于各类行业（科技, 制造业，娱乐业，...），关键是公司有没有这方面的数据分析需求。
说到这里又不得不探讨一下data analyst和data scientist的区别这个问题了。首先需要声明的是，其实不同公司对于Data Analyst和Data Scientist有着全然不同的定义。有些公司DS做的事情就是别的公司DA做的（比如facebook的data scientist title就是这样），只是单纯的称谓不同。因此看JD是最好的方法。。。那么从一个大家比较认可的角度来讲，DA主要是侧重于数据的整理性分析，a/b testing，data viz，以及偏分析、应用性质的modeling。而DS主要侧重于工业化modeling（把model实际生产化)。而那些专注modeling的ds职位，目前的行业趋势是很多都需要Phd或者会有很多Phd来和你竞争，因此研究生要在大公司做DS可以说是越来越难了。相比之下，找data analytics title的工作会容易不少（当然工资上确实也会低）。非常不建议纯商科背景，或者入学前几乎不会coding/没有接触过machine learning的同学去找DS的工作。。。一方面你需要很努力的在这一到两年的时间内学习课内外的DS相关的知识来达到DS职位的要求，另一方面，即使你能够胜任DS的工作了，也很可能因为过去的相关背景太少，而过不了简历关。
而DA的话具体又可以根据工作的部门/职能分类，比如product analyst, customer analyst, marketing analyst, ...。但是万变不离其宗，分析方法基本都是一致的，只是对于domain knowloedge的要求有所不同。比如有marketing经验的同学就比较容易找到marketing analyst的工作，因为公司会看重你在这方面的商业经验。


Q5. BA在美国就业的话，主要是在哪些城市？
其实目前BA在各个城市都有需求。之前也说了，BA不是特别局限于行业的一类职位。因此可以说需求和城市的发展程度成正比。比如SF有很多科技公司，那么这些科技公司就有很多data analyst的职位需求，而LA主要是娱乐业，但是这些娱乐业的公司也会有很多相关岗位（特别是marketing analyst）。因此可以说，BA需求较大的地区/城市包括：旧金山地区，洛杉矶地区，西雅图，纽约，德州的奥斯汀+达拉斯，芝加哥，波士顿等等。
那么相应的，对于申请而言，如果你本身项目就在一个大城市，那么当然找工作会方便很多，而且很多公司也会倾向招本地学校的学生。但是就BA来讲，有非常多的relocation的先例，因此也不必太过担心学校太村这个问题（当然学校的career service要足够给力，并且你能够忍受飞来飞去进行Onsite interview）。


Q6. BA在美国找工作的方式主要是？
对于newgrad而言，主要是。。。网申！
基本上找工作的渠道有三类：1. 来自学校的渠道，比如就我们项目而言，会有career advisor提供一些合作公司的岗位或者校友介绍的岗位，以及学校/学院各类的career fair。2. 自己找人networking（主要是校友和朋友），然后找他们refer或者直接面试。这个很有效，但是对于中国学生而言，可能需要多多练习networking才能习惯这种方式。3. 通过LinkedIn, Indeed, Glassdoor等网站网申，这个依然是大家用的最多的方式。前文也说了，大家一般会网投100+的申请。因此可以说，一份完美的简历+cover letter作为你网投的第一步，是非常重要的。


Q7. BA的职位的面试流程是怎么样的？
基本首先是HR的Phone screening，然后和hiring manager, team member之类的video interview，最后final round很可能会要求Onsite（大部分情况下公司会包住宿机票）。全程至少会有2-3轮，最多可能有四五轮。BA岗位很可能在最开始还有data challenge一类的技术测试。不同公司的面试内容会有较大不同，但是大多数都免不了technical skills (SQL最常见), stats (a/b testing), product sense (business cases), project/work experience, 和behavioral questions。因此不需要和SDE一样去刷算法题（最多刷一刷SQL）。

【未经允许，不得转载】

Q8. BA的日常工作做什么？
如果是data analyst的话，日常工作主要包括：
1. ad-hoc analysis project
基本就是和我Q1里面举例的事情是同一类的事情。
也就是别的部门提出了一个问题（例如市场经理，产品经理会有一些他们不能解答的，但是可以通过数据分析来解答的问题），然后我们来决定解决问题需要哪些数据，得到数据，然后进行分析/建模，最后给出相应的分析结果。
再举几个例子，例如分析各个页面用户的平均停留时间和用户最喜欢去的下一个页面来了解用户行为以及确定各个页面的侧重点；例如分析checkout flow每一步的用户流失率来决定如何进行优化；例如分析某一次marketing campaign前后各项指标的变化来判断这次campaign的效果。
2. dashboard building
在我们做分析的过程中，如果发现某一类的分析是价值高且需要定期反复观测结果的，就会把它做成一个dashboard，让相关的部门人员可以定期的打开dashboard直接看到最新的结果，不需要我们反复的run analysis。
3. A/B testing
依靠A/B testing来进行产品决策是现在科技公司的发展趋势（尤其在湾区已经非常盛行）。通常我们想要确定两个设计版本哪一个更好，或者一个新的feature能否增加user engagement的时候，我们就会做A/B testing。通常而言，analyst需要从头至尾负责整个过程——test design, setup test together with engineers, QA test data, monitor test, analyze test result, provide recommendations based on test result。
4. 其他
由于公司以及具体职能的不同，可能还会有daily reporting，data management（ETL）, modeling之类的工作。


Q9. BA的起薪有多少？
起薪这个问题其实在很大程度上取决于行业和地区。大家都应当知道，在美国，不同地区的消费水准和税率是差别很大的。比如NYC和SF可以说是在生活成本上遥遥领先。而华盛顿州和德州这种没有州税的地方可以说是不能更棒了。因此要说工资水平实在是很难一概而论。可能加州的90k和德州的70k最后过的是差不多的。硬要说的话。基本上在湾区的话，Entry level的DA的base salary（不包括股票和各种bonus）最高我知道有110k左右的，当然最低也可能就50k左右，中位数在85k左右（不同公司的差距巨大）。
结论是——起薪整体水平较高，高于会计类，但是距离程序员还有一定差距。


Q10. BA/ MIS/ MFE我应该选什么？（同类问题还有BA v.s. MSF, BA v.s. MSA等等）
这。。不同专业。。。当然是取决于你的职业规划啊！如上所述，如果你一心要做量化分析的，你就去读MFE，如果你觉得data engineer挺合适，或者也想努力一把干脆刷个题去做software engineer，那可能MIS更好。MSF和MSA更是同理。毕竟研究生阶段之后，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的话，那么BA, MIS, MFE >> MSF, MSA。（当然如果是WFU的MSA这个级别的。。也是很好的。。）


Q11. 我本科是金融/会计/市场营销/...，我可以学BA吗？
可以。现在商科本依然是申请BA的主力，也是BA在读的主力。但是能不能学好BA就是一个非常因人而异的事情了。我非常建议每一位商科本的同学，不要因为就业好或者看上去比较有趣这样的理由选择BA。最好大家能够尽量去获得一些相关的工作/项目经验，或者是自己尝试学习一下R和Python，保证自己对于coding以及BA的思维是可以跟上的。否则，如果你发现BA和自己想的完全不一样的话，或者发现自己对于编程实在是觉得很痛苦的话，可能就来不及了。。。
那么商科本对于硕士毕业后在美国找一份BA的工作有什么影响呢？不幸的消息是，商科本很可能会对你找特别tech的工作造成较大障碍。比如如果你是想要做DS的，那么公司会理所当然的更信任一个本科就是理工科的申请人，更不要说现在还有那么多理工科的Phd和你竞争（即便你其实可以胜任这份工作，也很可能过不了简历关）。但是如果你的目标是data analyst，甚至是更加偏向business方面的职能，那么这个本科背景可以说并不存在什么劣势，反而也是你懂得基本的商业原理的一种证明。


Q12. BA的晋升路径是怎样的？（2018.3更新）
经常听到学弟学妹问我：BA是不是技术含量不够导致晋升困难/发展瓶颈？所以我觉得有必要谈一谈我对于BA的职业晋升路径的认识。
我也曾经和公司的一些前辈们探讨过这个问题，他们的回答也基本是一致的。基本上如果公司有一个成熟的data团队，就一定会有一个成熟的BA晋升路径。大体上BA的发展路径如下：
第一种，我就是喜欢做analytics，management之类的事情太烦了完全不想管！那么你可以从entry-level的data analyst做起，做到senior analyst, principal analyst（工资会一直上升，但是title基本就停留在这里）。
第二种，我想要稍往管理层发展一些，那么你可以选择成为analytics manager, senior manager, director of analytics，最后成为VP，甚至CDO。
第三种，我想要更加technical一些，那么你也完全可以往data scientist方向发展（当然需要在积累analyst的工作经验的同时，加深一些技术能力）。
第四种，我受够了coding了，我要完全靠向business那一边。那你可以去做product manager。
当然。。你随时都可以选择再去读个MBA，然后就一切都不一样了。

【未经允许，不得转载】
Q13. BA典型的一天是怎么样的？（2019.4更新）
转眼工作一年多了，来总结一下作为一个data analyst典型的一天（主要是基于个人经历，偏product analytics方向），希望能给大家一个更直观的对于这份工作的理解：

1. 早晨9-10点之间你到了公司，然后你去厨房弄了点早饭（牛奶麦片），拿了一瓶饮料，几包零食，回到了座位上（这不是重点）。
2. 你打开工作日历查看了一下今天有哪些会议（虽然通常我会在前一天晚上先检查一遍最早的会议时间，以防有人九点半给我约了个会议而我没有及时到公司）。你发现今天要和某个PM（产品经理）weekly 1:1（每周一次的一对一会议），需要就某几个项目的数据需求和data engineer, backend engineer开会，还要就某个分析报告给stakeholders做一个展示分享，还要去参加一个产品部门的会议听听PM们对于产品发展的想法和产品更新的时间规划，你甚至还有Analytics Team的weekly meeting（和别的analysts聊天/吐槽交流工作经验进度和心得），看起来今天会是忙碌的一天（通常而言，会议至少会占据你每周20%的工作时间）。
3. 确认完会议日程，你又思考了一下今天的工作有哪些需要完成——项目A的ddl就在明天了，优先级是最高的，项目B的要求来自大老板，虽然要的不急，但是优先级次之，因此你决定今天以这两个项目为主。通常而言DA的项目周期都很短，因为主要是辅助PM的商业决策或者衡量某个产品变化对用户造成的影响，所以会要求在较短的时间内（比如一周到两周）给出一个分析报告。虽然你今天的会议很多，但是你需要合理安排时间，在几个会议之间的碎片时间内尽可能多的写一点代码和分析报告（或者在开会的时候跑跑写好的SQL）。
4. 你早上的会议从10点开到了11点，所幸会议的情况都不错。PM对于你上周的工作成果很满意，但是也提出了一个新的项目C，于是你的to do list上又多了一个项目。。。当然你要把这个需求录入到公司的工作管理系统里面，这样才能让老板看到你做了什么/在做什么，让你的努力得到应有的认可。
5. 11点到12点之间，你把已经做了一半的项目A收尾，写好了分析报告的初稿，然后发给了你的mentor/manager，请他帮你把把关，这样在明天可以交出一份成熟的报告。顺便回了一波各类邮件。
6. 然后转眼就到了中饭时间，大家去厨房弄了点饭（你的vegetarian同事只拿了一盘沙拉，而你拿了一整盘的肉），然后你和同事们找了一个桌子坐下，开始聊天(social)。你们从上周末去了哪儿聊到下个周末去哪儿，甚至决定组个局一起打桌游/hiking。也有的时候你们会聊聊工作，或者一起吐槽PM。当然还有的时候你会忙于工作，把饭拿到自己的座位上，边吃饭边写代码。。。
7. 欢乐的时光总是短暂的，1点你回到座位开始继续工作。写了没几行代码，1点半你又要去开会了。听PM开会的时候你得知下个月公司计划推出某个新的产品功能X，于是你意识到自己即将变得更加忙碌起来，因为你要为这个新产品做一个A/B test的计划，并且做分析来决定这个新产品到底好不好/有多好。不过这也让你觉得自己仿佛很重要。
8. 你又开了几个会，转眼就到三点了，这时候你看到你的Mentor/manager给你回复了关于早上的项目A报告的一些意见和建议。你赶紧打开看了一下，虽然有一些修改的要求，但是还好没有很多。你总体的思路和分析结果都得到了认可，但是老板说在建议方面最好能够提供一些更加贴近我们的产品、更具有可行性的建议。于是你花了半小时进行修改定稿。然后你开心的又去拿了一点零食（误）。
9. 三点半到五点之间，你开始专注项目B。由于是大老板的需求，你做的很谨慎。期间你发了好几封邮件来确认自己对于一些产品定义/用户群体的理解是否是正确的，并且提出了自己的分析思路，保证你没有跑偏。
10. 很快到了五点。你跑完了手上的代码，看了一眼数据，收拾收拾回家了。

这就是作为一个data analyst典型的一天。在此我特别希望传达给大家的是——data analyst是一个商业和分析相结合的工作，要求你对产品有充分的理解。你和PM之间的沟通往往是：PM提出一个关于用户体验或者产品优化的问题，希望你用数字来解答，你把这个问题转化成一个分析问题，形成分析思路，然后再把自己的分析结果转化成商业语言反馈给PM。而且你在日常工作中还需要和UX designer, Engineer等等紧密合作，这样才能够更好的理解用户体验/产品架构/数据来源等等。


【未经允许，不得转载】

最后给正在申请的同学们分享一个个人观点：
对于所有靠谱的BA项目来说，学生（尤其是国际学生）的就业率是衡量自己项目质量的重要指标，也是在各类排名中获得一个高名次的必要条件。因此，学校招人的标准说白了并不是招成绩更好的，而是更有可能找到工作的（这也是为什么有工作经验的申请人总是占优势的）。对于中国申请人来说，很多时候同质化太严重了，那就让AO只能根据分数来推断申请人的学习能力进行筛选，最后申请人们反而又陷入了刷分的怪圈。所以与其纠结于再刷高点儿分，准备申请材料的时候更应该考虑的是，根据你的申请材料，你看上去有多大的概率能够在毕业后找到工作。

【未经允许，不得转载】

hzdy1994

自占沙发并且给自己加精hhh

偲酱kelly

为柳神打call~

Evening123

Mark一下！               

咸咸

看一下！               

badboy0000

看一下！               

呜哈哈哈琛

Mark一下！               

hellotherehere

从群里打来电话！

gradapplicant

看一下！               

Hyuk

看一下！