聊聊大（内）火（卷）的MSBA的申请和职业发展 - 完结撒花

芊蔚青青

先介绍一下自己的背景：本科985，GPA3.6，5年财务相关经验。因为目标学校仅一所，没有特别努力刷分（G670T100）。幸运的是当年开设MSBA专业的学校并不多，坑多萝卜少，靠大厂实习和networking顺利找到工作，摸爬滚打几年后刷进某FAANG，算是可以暂时躺平，有时间来分享一下自己对这行的感受。暂定下面几个话题，最近几天会持续更新，大家如果有兴趣也可以留言提问

个人感觉，在商学院的众多专业中，MSBA的ROI非常高。主要得益于这些年互联网和大数据的高速发展，伴随着行业红利，薪酬虽然比码农差，但比会计等传统的商学院专业，起薪几乎可以达到两倍，有的学校的MSBA program还能作为stem专业获得3年OPT，只能说一个字“香”！但是近年来这个专业越来越火，很多理工科选手转行降维打击，作为商学院背景的同学，如何施展自己的优势脱颖而出，在短短的1～2年内迅速收集技能点，就成为入学甚至申请时就要开始思考的问题。

版上大神众多，我从出国考试到读书工作，都受益匪浅。如果有说的不对的地方，也欢迎讨论指正。

关于选校/课 ---已更新至7楼

关于职业发展（BA/DA/DS…) ---已更新至10楼

关于在校期间要做的准备 --- ---已更新至11楼

关于各种套瓷（networking）----已更新至13楼

关于面试准备 --- 这部分内容比较多，需要花点时间整理自己的笔记，发在申请区也不太合适了，大概到时会另开帖子

k1ngqm

bd

kkeri1234

Mark一下！               

和蔼的南瓜车

看一下！               

steven

看一下！               

tmm镜生

Mark

芊蔚青青

关于选校/课
学校排名、就业率、奖学金、地理位置, 实习机会等都是大家熟知的选校因素，在这里单纯选课的角度去回答这个问题。
MSBA等课程大致可以分为几大类：
1.实操类 - R, python, SQL, tableau…
2.理论类 - 各种回归、因果推论、统计基础…
3.商业分析 - 各种数据与商科结合的方向，如price, marketing, risk ,strategy…
4.数据相关扩展 - 数据结构、Hadoop、AI…


其中课程可能会有交叉，比如回归放在R里面讲，或者放在统计里讲。这里仅针对进入商学院学习数据分析的同学，建议1、2类课程必须要有，因为这基本是数据分析类工作的必备技能点，也是自己之前简历上没有的；3考虑自己的背景及未来发展方向；4不是必须，因为寥寥几门课，只能学个皮毛，倒不如上几门网课了解一下，如果你确实对这些课很有兴趣，建议选择计算机学院下的数据分析。

有的同学说，1、2大部分program都有，那我该怎么选呢？我会建议去翻一下curriculum，看看理论类课程的比重，因为coding可以靠自己刷题和做项目练习，而一年的program，学完理论后基本就处于能听懂但说不清楚的阶段，但统计基础、AB实验这些都是面试必问，尤其是AB实验，如果没有实操，网课看个千百遍到面试也一头雾水（当然也不排除我比较笨）。所以如果能在学校打下好的基础，和同学做过case会特别有帮助。在这里特别感谢在论坛结识的小伙伴，一起在群里讨论case，弥补了我这方面的不足。

当然了，如果心仪的学校没有开设某些课程，也可以通过自学弥补，面试最终都是满满的套路，不怕你不会，就怕你不知道。说回选校的话题，对我来说去读master，就是简单直接以就业为导向，那么就业率、实习机会、是否stem等都是首要考虑的因素，然后在学校资源的基础上，通过课程设置攒技能点（完善简历/skill set），最终目的是过关打boss（面试拿offer）

vickywwa

看一下！               

sadcafe

cy

芊蔚青青

关于职业发展（BA/DA/DS…)
省略号代表的ML、DE等，超出了我的知识范畴，不班门弄斧了。关于BA/DA/DS的区别，大家可能已经读过不少文章，这里我用实际工作的内容来回答。
BA对tech skill的要求主要是SQL和tableau，希望能通过基本的数据处理发现insight或者回答商业问题。比如外卖订单量上升了，用订单量和降雨量绘制一张散点图，就可能发现正相关的趋势，结合common sense，BA同学认为这个推论是成立的，那么就可以根据这个结论去做一些策略用AB实验验证。

但是外卖订单量增加真的是降雨导致的么？比如这次疫情高峰恰好和雨季重合呢？这时候就需要DA的同学用建模的方式去论证，然后把结论present给业务部门。

而DS同学可以建立更准确的模型，不仅可以解答这次订单量上升的原因，还可以预估订单量，更侧重算法的优化。

这时候可能有同学要问，那显然结论准确性是DS>DA>BA，就直接让DS去分析好了。其实不一定，BA最贴近业务部门，对商业模式的理解最深刻，这样快速得到的结论未必不对。而DS属于不同部门，除了沟通和时间成本，远离业务也可能使DS得出数据准确但业务说不通的结论，同时业务部门也需要对DS有足够的信任才会使用DS的结论。而且不管是谁的结论，都需要通过AB实验去验证因果，再付诸行动。

DA的角色比较居中，有的公司直接挂在业务部门下，有的则独立于业务，和DS放在一起。所以工作的侧重点也会不太一样。越远离业务部门，需要的tech skill越多，换行业的竞争力越强，拿结果的难度越大；相反越贴近业务部门，对本公司/行业理解越深刻，tech能力越弱，拿结果越容易。
这里的拿结果是指产品/策略落地，也就是可以写到简历上的impact多大，给公司带来profit多少提升的部分。不管是换工作还是内部晋升，这点都非常重要。我自己两种组织架构的公司都工作过。介于中间位置的DA，如何推动自己initial的项目落地，如何与其他部门撕b推掉dirty work，以及如何预判项目的impact和落地可能性，这个话题恐怕需要另开一个帖子专门写。