|
这是商业分析硕士项目申请的第3篇文章~~ 本篇主题：文书写作黄金法则
在正式开始前，先介绍一下自己吧 我是18年毕业于南加州大学商业分析项目的，目前留美做data scientist，对于商业分析留学及留美工作方面比较了解。这篇文章结合了大家经常私信我的问题，以及我当时申请时遇到的各种纠结时刻，相信会解答大家关于这个专业大部分的问题。纯手码，觉得不错的话记得点个赞让更多人看到哦。
另，该文在知乎/小红书平台均有发布过(我用户名：0100), 留学机构号请勿转载！
嘿，看到这块的你，现在是否已经在着手文书啦？ 在你开始写文书前，想和你分享一个经过多次实践证明，并且别的地方一定不会看得到的文书黄金攻略。文书的重要性你应该已经了解啦，但你是否知道，文书写的好，是可以做到‘逆天改命’的哦~~
先和你分享两个真实的例子吧。一个是我，一个是学妹。
我当年申请商业分析硕士时，GPA 3.8 + 托福102 + GMAT 730, 没有什么硬核的实习，也许你会说这个三围背景还不错啊~ 但是，我后来才知道，我们那届录取的学生平均托福107，平均GMAT 750，个个都有跨国大公司的硬核实习，可以说，我除了GPA达到录取学生平均水平外，其他没一个达标的，但我为什么也能录到USC的MSBA项目吗？ -- 靠文书
如果说我的栗子还不够震撼的话，那下面这位学妹的例子会让你惊到。学妹GPA 3.36 + GRE 312 免托福，唯一的实习实在自己家公司帮忙。这个背景，按常理说很难申请到牛校的MSBA项目，但是她斩获了哪些offer呢？ UCSD 的MSBA + UCI 的MSBA+ UCD的MSBA + Rochester 的MSBA+ Casewestern的MSBA + JHU的finance + NYU的management + 乔治华盛顿大学的经济 + 东北大学的经济。 一共申请了十所，已经拿到了九所的offer，还有一所BU的MSBA正在面试。她凭什么能拿到这么多offer呢？- 还是靠文书。
从上面两个例子中，你或许已经意识到，文书不仅是一个必要的申请材料，更是一个能够’逆天改命‘的材料。
这边有一个文书写作的黄金法则分享给你，内容很精简，三个词：
Model + Programming + Quantity
字虽少，但是内涵丰富，就像武功秘籍，最厉害的武功，往往来自于最简单的诀窍，但是能理解并且使用出诀窍的人，却是少之又少，而只有那最少的一部分尖尖儿，才能成为武林高手~ 扯远了，扯回来，拿着这份技巧，你能秒杀大大小小七七八八的竞争者们，即使他们三围背景比你厉害很多，但是按照这个技巧来写文书，保证你被招生官们一眼就相中。
为什么呢？ 因为商业分析专业不管是将来课堂上学习的，还是毕业后工作中做的，都是在做数据分析。既然是数据分析，那么你怎么处理数据的？用什么模型分析的？在什么编程语言上分析的？分析后得到了什么结果？ 这些问题都是至关重要的。
问个问题，你觉得招生官招人时，看中什么指标呢？
看中三围成绩？ 那为什么招生官那么在乎三围成绩呢？ 看中申请人的学习能力和潜力？ —— 快要接近答案了！ —— 其实，招生官，乃至整个项目，乃至整个学院整个学校，最最在乎的是学校的reputation，在乎学校明年的整体排名能不能上升。 那排名和什么有关呢？ —— 和毕业生就业数据、校友捐赠等强相关
招生官审阅申请人材料时，底层逻辑是：要考量这个申请者以后能不能快速找到好工作，能不能成为牛人，能不能给学校捐款。
作为一个申请人，如果你有着极强的数据分析能力，毕业后有很大的概率能有不错的就业，能够提升整个项目的名声，那你说，招生官TA会不会立即把你招进来？ 答案是肯定的！
所以，在文书中凸显：模型（专业词汇） + 编程语言 + 量化，就相当于告诉招生官：招我招我！ 我很厉害的！招我进来后我很快就能找到好工作，给项目带来好名声！
把底层逻辑搞清楚了，那下面咱们就一个一个来介绍这三个技巧，我会配合着具体的文书案例来介绍，这样你一下子就能明白其中的奥义啦~
01 模型 —— 可以理解成专业词汇
你要在文书里面，凸显出你使用的模型的专业名词，比如multiple linear regression, xgboost, random forecast, decision tree, time series, ARIMA, exponential smoothing.... 等等等等
接下来咱们来看两个具体例子，假设你现在就是招生官，两个例子你对比着感受下，看看写具体模型和不写模型，你会青睐哪个：
一号选手： During the last three years, I kept carrying out solutions to my fathers’ business and brought in a ¥500k increase in annual revenue. I built the ARIMAX and exponential smoothing model in R to predict the product demand to arrange the labor force in advance. I learned that the features are more important than models. Additionally, I built dynamic programming algorithms to optimize product demand to arrange the labor force in advance.
二号选手： During the last three years, I kept carrying out solutions to my fathers’ business and brought in a ¥500k increase in annual revenue. I predict the product demand to arrange the labor force in advance. I learned that the features are more important than models. Additionally, I optimize product demand to arrange the labor force in advance.
作为招生官，看到一号选手会时间序列模型ARIMAX和exponential smoothing model，还有模型优化中的动态规划模型，登时觉得这位申请人很棒棒，不招他来是项目的损失；而对于二号选手，说自己’predict'，却不说怎么预测的，没法让人信服。
或许你会问：可是上面说的这些模型我都没用过，我实习或者科研就做过一些做基本的事情，比如说设计问卷啊，和潜在客户聊聊天啊之类的,分析分析市场情况啊之类的。
不要着急~ 请相信： 万物皆可模型
什么意思呢？就是说，你做的哪怕是最最简单基础的一件事，也会有对应的专业的模型名词。
咱们举个栗子： 比如你设计了问卷，那你想想，做问卷的目的是不是就是为了搜集用户的一些基本信息，比如年龄、性别、职业、收入等等，以及他们对某个东西的偏好等。 那这个过程，就是一种做模型分析的过程，专业化表述叫什么呢？ - Analyze the user segmentation(e.g. age, gender, income) and their preferences for our product. 相信我，这句话往简历或者文书上一放，逼格立马上去~ 为什么呢? 因为 user segmentitions （用户分类）这种词，工作中很常见，但本科刚毕业，没有工作经验的学生，是不怎么会熟悉这种专业词的，所以当招生官看到你文书里出现了这种表述后，立即回觉得：嚯哟，这个申请人不得了，有经验！
咱们继续哈，那你问卷收集回来后，假设你接下来会把问卷填写人按照年龄和性别分成四类（30以上的男性+30以下的男性+30以上女性+30以下女性），然后分别看这四部分人的偏好，那这个过程叫什么呢？ - Apply the classification on users and divide them into 4 groups. 这里的classification可不仅仅是字面上的’分类‘，这是当下最火的机器学习的一种分类模型，招生官看到你把classification这种词往文书里一些，顿时就觉得：OMG！还懂机器学习，招TA！ 必须招TA！再不招他就要被别的学校抢走啦！ （当然啦，实际上你到底会不会机器学习已经不重要了，哪怕你是手动干了分类的事情，但专业名词一放，你在招生官心中的形象已经高大起来了）
所以说，在文书中，要凸显出一些具体的专业名词。这样招生官一看就想把你招进来给项目增光。
02 编程语言
这点很好理解了，商业分析学什么编程语言，你就在文书里体现什么编程语言，比如SQL, Python, R。为什么呢？当招生官看到一个申请者已经具备了一定的编程基础了，TA会觉得：哎呀，这个人以后来了教授们教起来肯定很省心，而且申请人现在就具备一定编程基础了，那来了我们项目后很快就能找到好工作，哎呀美滋滋，我们项目的排名又要提高了！
也许你会说，哎呀这些语言我一个都不会呀，可怎么办呀？
别着急，两个办法：实打实上一门网课 OR 急救方法
咱们先说实打实的方法吧：Coursera上一门编程课，这些课学习时间大概三周到五周不等，上完了Coursera会生成一张有你自己专属编码的certificate也就是证书，Coursera上的证书都是受到美国高校认证的，也就说写在application里和你本科学校里学的课是等效的。
另一个呢，是急救方法，一般人我不告诉的，但是既然你已经看到这了~~ 来吧，那请收下我已经整理好的一份编程语言package大全： - SQL: 没有具体的package，'SQL’这个词往文书里一放，就足够了
- R语言：dplyr, tidyr, tidyverse, lubridate, ggplot2, shiny, forecast
- Python: numpy, pandas, matplotlib, scipy, Scikit-Learn
也许你会说，这些package，我没听过呀？不要慌，简单一句话：你拿着这些package往上文书里怼就是了。
具体怎么用呢？上述每个语言里，你从中各自选一两个package，咱们举个栗子： 假设你想表达：我分析了1000份用户数据，做了数据处理后，得到一个结论：这1000个用户里男性比女性更容易成为我们的目标客户。
那使用我介绍的方法怎么写呢？ - I collected 1k users' demographic information by conducting SQL query.
- By using dplyr and tidyr package in R, I applied the data cleaning and analysis process. Finally, I proposed the suggestions to the management level that we should target males since they're more likely to become our customers.
当然啦，你写的时候如果不确定的话，可以来问一下我确认下自己写的编程语言是正确的，毕竟我已经工作一年多啦，对这些专业的东西比较了解了。
03 量化
‘不谈数字的文书，都是耍流氓’！ 量化的目的是为了让你的文书更可信一点。
来看下面这两份文书：
一号选手： During the last three years, I kept carrying out solutions to my fathers’ business and brought in a $500k increase in annual revenue. I applied time series forecasting for the mine demanding on 31 cities of China in the future 3 years. My model accuracy is more than 90%. Combined with government policies and transportation costs, three cities were selected every year for developing new customers and increasing sales.
二号选手： In the past years, I kept carrying out solutions to my fathers’ business and brought in an increase in annual revenue. I applied time series forecasting for the mine demanding on few cities of China in the future few years. My model accuracy isvery high. Combined with government policies and transportation costs, several were selected every year for developing new customers and increasing sales
你是招生官，你更相信谁说的？ 两个人要表达的内容是一样的，但一号选手每个关键点都是用了量化：给公司带来了$500K的收入；做的模型对未来三年的31个城市做了预测；模型精度高达90%； 最后的结果是选择了3个城市。 而二号选手，泛泛而谈，特别敷衍，实在是没有可信度。对于一份不可信的文书，你作为招生官还会继续阅读下去吗？都不想看下去了，更别说给二号选手发offer了。
所以量化具体可以量化哪些地方呢？
你可以从以下的内容出发： - 你的方法带来了具体多少年收益？
- 你的模型的准确度多高？error多大？
- 你的strategy带来了多少新用户？
- 你的提议能使公司产品的转化率提高多少？
所以总结一下，三个关键词：模型（专业词汇） + 编程语言 + 量化请大家一定一定要运用在自己文书中。那咱们最后看一份集合了这三者的一份文书吧，大家来感受下，这段摘取自给某位学弟写的简历：
- Increased the acquisition rate of women aged between 30 to 45 by 4% via data analysis using R
- Investigated user engagement (DAU, ctr, time spent) and demographic information to divide customers into 8 segments, and analyzed the attributes of each segmentation
- Proposed pricing strategies and marketing campaigns to target the women in a certain age range
- Increased click-through rateby 2% and total revenue by 5% for the mobile app via A/B testing
- Analyzed customers’ behavior and conducted focus groups with 30 users to collect their opinions on the product
- Designed and implemented A/B testing for 3 times to increase the click-through rate and total revenue
- Built and presented weekly KPI (DAU, ctr, ROI) reports directly to the VP of the marketing team using Tableau
上文用了哪些模型/编程语言/量化呢？ - 模型（专业词汇）：acquisition rate, user engagement (DAU, ctr, time spent), demographic information, segments, attributes of each segmentation, click-through rate, A/B testing, focus groups, weekly KPI (DAU, ctr, ROI) reports
- 编程语言: R, Tableau
- 量化: aged between 30 to 45, by 4%, 8 segments, by 2%, by 5%, 30 users, A/B testing for 3 times
看完这个简历的节选是什么感受？ ——这位申请者会R，还会Tableau, 而且非常专业，还多次会公司直接带来利益。这可不就是我们项目要招的人嘛！ 赶紧招进来！！ 快发offer，不发他就要被别的学校抢走了！
于是~ 叮~~~ 你的坐收offer叭！ 大家看完了别忘了点个赞哟！ 这样我会有动力继续分享优质内容啦~ 关于文书这块有任何问题，欢迎随时交流~
| 
[复制链接]
京公网安备11010202008513号 京ICP证101109号 京ICP备12012021号
发表于 2020-2-29 06:22:08
收藏
收藏
来自 50#
楼主
XIN: dududong9595
