“大数据”一词时下的热门程度无需赘言，这一两年来互联网相关的任何活动、会议必不可少“大数据”板块。刚刚结束的第13届“中国互联网大会”也专设了大数据论坛。

对于任何一个大数据的从业者或初接触者，或许都会有个共同的感触：大数据很有用！大数据该怎么用？

关于大数据的著作和文章铺天盖地，似乎也共同在传递一个信息：越来越多的行业、人士开始关注并实际探索大数据的应用，我们正在一起描绘着大数据巨大效用的蓝图，但在实践的路上，我们都还在起步阶段小步前行。

大数据时代，几个例子告诉你什么是大数据

工具类厂商蓄意炒作大数据，

以达到售卖产品的目的，

但导致的结果是很多人对大数据这一概念云里

雾里。实际上，大数据就发生在你我身边，虽然你看不到它，但它却时时影响着我们的生活。

现阶段，和大数据相关的企业有三种。一种是工具类公司，他们宣传得最卖力，并且把大数据吹

出了泡沫，原因是它们希望把自己的产品卖给企业；一种是依托于大数据从事咨询服务类的企业；还

有一种就是实实在拥有大数据的公司，它们和我们休戚相关，也就是下面的小故事所要阐述的内容。

第一个故事，百货公司知道女孩怀孕

美国的

Target

百货公司上线了一套客户分析工具，

可以对顾客的购买记录进行分析，

并向顾客进

行产品推荐。一次，他们根据一个女孩在

Target

连锁店中的购物记录，推断出这一女孩怀孕，然后开

始通过购物手册的形式向女孩推荐一系列孕妇产品。

这一作法让女孩的家长勃然大怒，

事实真相是女

孩隐瞒了怀孕消息。

点评：看似杂乱无章的购买清单，经过对比发现其中的规律和不符合常规的数据，往往能够得出

一些真实的结论。这就是大数据的应用。

第二个故事，搜狗热词里的商机

王建锋是某综合类网站的编辑，

基于访问量的考核是这个编辑每天都要面对的事情。

但在每年的

评比中，他都号称是

PV

王。原来他的秘密就是只做热点新闻。王建锋养成了看百度搜索风云榜和搜

狗热搜榜的习惯，所以，他会优先挑选热情榜上的新闻事件来编辑整理，关注的人自然多。

点评：搜狗拥有输入法，搜索引擎，那些在输入法和搜索引擎上反复出现的热词，就是搜狗热搜

榜的来源。通过对海量词汇的对比，找出哪些是网民关注的。这就是大数据的应用。

第三个故事，阿里云知道谁需要贷款

这是阿里人讲述的一个故事。每天，海量的交易和数据在阿里的平台上跑着，阿里通过对商户最

近

100

天的数据分析，就能知道哪些商户可能存在资金问题，此时的阿里贷款平台就有可能出马，同

潜在的贷款对象进行沟通。

点评：通常来说，数据比文字更真实，更能反映一个公司的正常运营情况。通过海量的分析得出

企业的经营情况，这就是大数据的应用。

第四个故事，中移动挽留流失客户

iPhone

进入中国后，

铁杆的移动用户王永铭加入了联通合约机大军。

由于合约机承担了大量通话

内容，王永铭将全球通换成了动感地带。三个月之后，王永铭接到了中国移动的

10086

电话，向他介

绍中移动的优惠资费活动。一位移动的工作人员称，运营商会保管用户数据，如果话费锐减，基本上

就是流失先兆。

点评：给数亿用户建立一个数据库，通过跟踪用户的话费消耗情况，运营商就能知道哪些用户在

流失。这就是大数据的应用。

第五个故事：工薪阶层如何省小钱

上汽通用五菱股份有限公司的肖伟，是个不折不扣的网购专家。区别于菜市场的费力砍价，肖伟

的作法简单多了，登陆各种比价网站，然后选择最便宜的正规店下单。

点评：比价网站通过海量的产品信息抓取，比如抓京东、天猫、易购的数据，然后将价格由低到

高进行排列，这也是大数据的应用。

第六个故事：公关公司的舆情监督

这是一个离职公关人的故事。

她参与和间接参与了很多危机公关事件，

比如雷士照明的创始人股

东之争，比如罗永浩砸西门子冰箱事件。她说，她每天的事情都是上网搜索事件的热度，然后决定下

一步的动作。

点评：实际上你的每一下搜索，都是基于海量数据进行的，这实际上也是大数据的一种应用。

第七个故事：商用社交开始决定百事可乐的营销计划

这年头，广告主越来越精，他们希望花的每一分钱都有所回报。面对五花八门的营销活动，到底

哪一种才是最合适的呢？百事可乐的作法很简单，它们购买了社交信息优化推广公司

SocialFlow

的服

务，对数据进行分析，从而知道何种营销活动的传播效果更好。

点评：

广告主越来越喜欢为类似

SocialFlow

的服务付费，

基于海量数据分析然后得出结论的企业

营销行为，也是大数据应用。

第

8

个故事：每天，我们借助大数据完成微信上的互动

田宇是一个

85

后小姑娘，每天她用微信来记录心情，并且和网友分享图片，此外还有各种语音

聊天。全国有数亿像田宇一样的人在使用微信，每天都有大数据在微信这个平台上跑着。

点评：可能你不知道，但你每天都在使用和大数据相关的工具。

第九个故事：大数据解救了每一个

“

地理白痴

”

李小茗是个

“

地理白痴

”

，所以他下载了一个高德地图。没有安装导航的原因，是因为这一产品付

费，且占据了超过

3G

的内存。只要花一点流量，李小茗就能在地图上查看自己所处的位置，以及周

围的建筑。

点评：虽然李小茗不知道什么是大数据，但每个在他地图屏幕上跳出来的坐标，实际上都是由大

数据堆成的。

1、深入浅出数据系列书籍

深入浅出数据分析

入门级别，比较简单，但基本的内容涉及全面，讲解的比较清晰，最后谈到了R语言。以下两本是同一系列。

深入浅出统计学

深入浅出SQL

2、资料之美：优雅资料解决方案的幕后秘籍

知识普及性的书籍，集结了39位数据处理领域的翘楚，现身说法，分享他们如何开发各种简约而优雅的解决方案克服各种挑战，每章都解决一个具体问题，对理解数据分析的应用领域和具体做法很有帮助。

3、R 语言实战

全面而细致的R指南，高度概括了该软件和它的强大功能，展示了使用的统计示例，且对于难以用传统方法处理的凌乱、不完整和非正态的数据给出了优雅的处理方法。

4、数据之魅-基于开源工具的数据分析

包含大量的模拟过程及结果展示，并通过实例来阐述如何使用开源工具来进行数据分析。通过本书的阅读，读者可以清楚地了解这些方法的实际用法及用途。

5、数据挖掘技术:应用于市场营销、销售与客户关系管理

如何利用最新的数据挖掘方法和技术来解决常见的业务问题。

比如提高营销活动的响应率，识别新的客户群并估算信用风险。此外，它涵盖更多高级主题，如准备分析数据以及为公司数据挖掘创建必要的基础架构。

6、Python数据科学手册

每章介绍一到两个Python数据科学中的重点工具包。适合有编程背景，并打算将开源Python工具用作分析、操作、可视化以及学习数据的数据科学研究人员。对于需要处理大量数据的人而言，这是一本非常有价值的工作书，可以有效率地处理每天面对的问题，像是操作、转换，以及清理数据、可视化不同形式的数据，建立统计学或机器学习的模型等等。

7、用数据讲故事

通过大量案例研究介绍数据可视化的基础知识，以及如何利用数据创造出吸引人的、信息量大的、有说服力的故事，进而达到有效沟通的目的。如何充分理解上下文，如何选择合适的图表，如何消除杂乱，如何聚焦受众的视线，如何像设计师一样思考，以及如何用数据讲故事。

8、利用Python进行数据分析

提供了大量的实践案例研究，展示如何使用Python库（如NumPy，pandas，matplotlib, IPython等）有效解决一系列数据分析问题。

9、机器学习实战

用简单的语言把复杂难懂的机器学习算法解释清楚了，它将机器学习的基础理论与日常数据分析的实际工具相结合。使用灵活的Python编程语言来构建实现数据分类、预测、建议以及汇总和简化等更高级功能的算法的程序。

10、机器学习系统设计

比较简单，使用Python进行机器学习并开始构建自己的机器学习项目。本书适用于机器学习初学者的Python程序员，但希望学习机器学习。

最后，花时间将这些中外文书籍吃透，数据分析理论部分就基本入门了，实践方面就需要根据企业业务需求来进行系统的练习和学习！

做数据分析首先得要有一个完整的思路。《谁说菜鸟不会数据分析》书中举了一个很生动的例子。做数据分析就好比做一件衣服，首先的先有设计图，然后在根据设计图分步骤的去制作成成品。今天我们说的数据分析的完整思路就相当于衣服的设计图，有了完整的思路，才不至于漫无目的的，没有一个清晰的目标去做分析。

那么我们如何才能建立一个完整的数据分析的思路呢呢？《谁说菜鸟不会数据分析》给大家提供了几种数据分析方法论来助力大家形成完整的数据分析思路。主要有PEST分析法，5W2H分析法，逻辑树分析法，4P营销理论（现在用的比较多是4C），用户行为理论。下面呢，我就以5W2h分析方法，给大家详细的说明一下怎么建立完整的数据分析思路。

首先，先介绍一下什么是5W2H。

（1）WHAT——是什么？目的是什么？做什么工作？

（2）WHY——为什么要做？可不可以不做？有没有替代方案？

（3）WHO——谁？由谁来做？

（4）WHEN——何时？什么时间做？什么时机最适宜？

（5）WHERE——何处？在哪里做？

（6）HOW ——怎么做？如何提高效率？如何实施？方法是什么？

（7）HOW MUCH——多少？做到什么程度？数量如何？质量水平如何？费用产出如何？

例如要不要增加一个推广渠道，我们来形成一个完整的分析思路。

WHAT：一个引流的渠道，对这个渠道要有一定认识。

WHY ：目前其他的渠道的流量不能满足，做了渠道之后可能会增加多少流量。

WHO：是直接让其他渠道的人来负责，还是重新招一个操作过这个渠道的人。

WHEN：如果要做这个渠道，有没有时间来做，什么时候开始实施。

WHERE：如果是大公司，要考虑是总公司来做，还是分公司来做。

HOW：怎么做，是否有详细的解决方案，是否先参考同行竞争对手。

HOW MUCH：新增加的这个渠道，需要投入多少成本，人力成本，广告成本等等。

对每个环节进行分析，评估，然后综合每个环节，看看这个渠道是否值得开发。

原作者：FAIZAN SHAIKH

译者：ewoo

介绍

学习数据分析会让人望而生畏，尤其是当你刚刚开始你的旅程的时候。该学习什么软件呢，R还是Python？什么技巧需要重点关注？统计学的知识需要掌握多少？要不要学习编程？回答这些问题是你的数据分析之旅中的一部分。

这就是为什么我认为我应该写这篇指南的原因，我希望可以帮助那些刚刚开始学习数据分析的人。 我的初衷是写一篇简单易懂、篇幅不是很长的指南，来指导你们学习数据分析。这篇指南会给你们建立一个框架，用以帮助你们度过这段困难时期。

只要遵循这些提示，你的职业生涯将会有一个好的开始。

那么，让我们开始吧！

1. 选择正确的角色

在数据科学行业有很多不同的角色。比如：数据可视化专家，机器学习专家，数据科学家，数据工程师等。根据不同的背景和工作经验，进入一个角色可能比另一个角色要容易的多。举个例子，如果你是一个软件开发人员，对于你来说从事数据工程师就不是很困难的事情。所以，如果你不清楚你要成为什么角色，那么如何开始和怎么提升技能对于你来说就更困难了。

如果你不清楚他们之间的差别或者你不确定自己可以成为什么时，应该怎么办呢？下面是我的几条建议：

向行业内的人士了解每一个角色承担的工作是什么。

向别人请教。向他们请求一点时间，并提出相关的问题，我相信没有人会拒绝一个需要帮助的人的。

找出你想要的和你擅长的，选择适合你的研究领域的角色。

在选择角色时要记住一点:不要盲目的进入一个角色。你应该首先清楚地了解这个领域需要什么，并为之做好准备。

2. 完整地学习一门课程

既然您已经决定了一个角色，接下来要做的事情就是投入精力去理解这个角色。这意味着不仅仅是要完成角色的需求。数据科学家具有巨大的需求，所以成千上万的课程和研究都在等着你去探索，你可以学习任何你想要的东西。找到学习的材料并不是一件很难的事，但是如果你不为之付出努力的话，学习的过程可能会变得很困难。

你可以参加一个免费的MOOC课程，或者加入一个认证项目，这个项目会让你经历所有的曲折和转变。免费和付费的选择不是问题，主要的目标应该是课程是否能帮你夯实基础，达到一个合适的水平，从可以进一步推进。

当你上一门课的时候，要积极地按照课程的安排、作业和所有的讨论进行。例如，如果你想成为一名机器学习工程师，你可以学习Andrew Ng的机器学习。现在你必须努力学习课程中提供的所有课程材料，当然也包括课程中的作业，这和看视频一样重要。 从头到尾完整的学习一门课程，你就能更清楚地了解这一领域。

一些优秀的mooc课程包括：

Analytics Edge on edX

Machine Learning rom Andrew NG

3. 选择一个工具/语言并坚持下去

正如我之前提到的，对于你来说，无论你选择哪一个角色，从一而终是很重要的。那么你将要面对一个很难的问题，你应该选择哪种语言/工具?

这可能是初学者最需要问的问题。最直接的答案是选择任何主流工具/语言都可以。毕竟，工具只是实现的手段，理解这一概念更为重要。

不过，问题仍然存在，选择哪一个更好一些呢？网上有各种各样的指南在讨论这个问题。你可以从最简单的语言开始，或者你最熟悉的语言。如果您不精通编程，那么您可能更适合基于GUI的工具。当你掌握了这些概念之后，你就可以着手编写代码了。

4. 加入一个兴趣小组

既然你已经知道了你想要选择的角色并为之做好了准备，接下来你要做的一件重要的事情就是加入一个兴趣小组。为什么这个很重要？这是因为一个兴趣小组能 让你保持动力。 当你进入一个新领域的时候，可能有点令人生畏，但是当你和志同道合的朋友在一起的时候，这个事情就简单多了。

加入兴趣小组的好处是你可以跟小伙伴们进行互动，另外你们可以通过互联网分享心得，比如加入一个庞大的在线课程并与小伙伴进行互动。

即使你没有这样的兴趣小组，你仍然可以在互联网上进行一场有意义的技术讨论。有一些在线论坛可以提供这样的平台。我将列举其中的一些：

Analytics Vidhya

StackExchange

Reddit

5. 关注实际应用而不仅仅是理论

在进行课程和培训的同时，你应该 把重点放在你正在学习的东西的实际应用上 。这不仅能帮助你理解这个概念，还能让你更深入地了解它在现实中的应用。

以下是几个在参加课程时的几个小贴士：

确保你做了所有的练习和作业来理解这些应用。

使用一些开放的数据集进行实践。即使你不理解一项技术背后的数学原理，也要理解它的假设、目的以及如何解释结果。后期你将会有更深层次的理解。

看看那些在这个领域工作过的人的解决方案，他们能够帮助你用正确的方法更快地进行准确的描述。

6. 选择恰当的资源

永远不要停止学习，你必须将你能找到的每一种知识都吸收。这些信息最有用的来源是由最有影响力的数据科学家所管理的博客。这些数据科学家非常活跃，他们会在博客上更新他们的研究成果，并经常发布关于这一领域最近的进展情况。

每天阅读有关数据科学的书，让它成为一种习惯，以更新最近发生的事情。但是可能有很多资源，有影响力的数据科学家要遵循，你必须确保你没有循错误的做法。因此，遵循正确的资源是非常重要的。

下面是你可以追随的数据科学家的名单。以下是几本可以让你保持忙碌的时事通讯：

WildML

NYU

KDnuggets News

7. 注意你的沟通技巧

人们通常不会把沟通技巧和数据科学求职遭到拒绝联系在一起。他们认为，如果他们的技术过硬，他们将会在面试中获得高分。这其实是一种错误观念。你是不是曾经在面试中被拒绝，面试官在听了你的介绍后说谢谢？

请尝试这样一个活动：让你的具有良好的沟通技巧的朋友听你的介绍并向他寻求最真实的反馈，他会向你展示出你的真实写照。

当你在这个领域工作的时候， 沟通技巧非常重要。 为了更好地和同事分享你的想法，或者在会议上证明你的观点，你应该知道如何有效地沟通。

8. 建立人际关系网，但是不要浪费太多的时间在这上面

最初，你的全部注意力都应该集中在学习上，在初始阶段做太多的事情让你很容易放弃。

慢慢地，一旦你掌握了这个领域的窍门，你就可以 参加行业活动和会议，参加行业聚会，参加你所在地区的黑客马拉松 ——即使你只知道一点点。因为你永远不知道谁会在什么时候，什么地方帮助你！

实际上，聚会对于你在数据科学社区留下标记是非常有利的。你可以与你所在的研究领域里那些比较活跃的人接触，这会为你提供社交机会，并与他们建立联系，这反过来会对你的事业有很大的帮助。人际关系网将会带给你下面这些东西：

为你提供关于你感兴趣领域内发生的事情的内部信息

帮助你获得辅导支持

帮你找一份工作，这要么是求职的小贴士要么是直接找工作的机会

结束语

数据科学的需求是巨大的，雇主们在数据科学家身上投入了大量的时间和金钱。因此，采取正确的步骤将会事半功倍。这个指南提供了一些技巧，可以帮助你入门并帮助你避免一些代价高昂的错误。

End.

原文链接：https://analyticsvidhya/blog/2017/10/tips-people-starting-career-data-science/

数据特工介绍

后台回复“特工”加入我们

课程介绍

1.面向对象

有短期工作经验，希望通过学习进入数据行业的；研究生或高年级本科生（背景调查）

需要什么基础？高数。逻辑思维，热爱数据以及有恒心

2.学习环境

数据分析和挖掘的语言和环境：Python（x,y）,Anaconda

3.参考书

4.学习目的

理解数据，理解量化，理解模型

掌握概率统计

掌握一门工具

学会处理数据：收集、转换、载入

学会数据分析：分析思想和分析方法

学会基本的数据挖掘

这篇文章从整体框架出发，介绍了数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。

数据分析目前在国内互联网圈的受重视程度在逐步提升，但是问题也很突出：

大家对于数据分析的认知和理解支离破碎，缺乏一个整体的、系统的思维框架；

大家的视野更多局限在数据报表、BI 系统、广告监测等领域，对于数据以及数据分析其实是缺乏深层次洞察的。

这篇文章就从整体框架出发，介绍一下数据分析的三大层次。包括对数据分析的整体理解和认识，做数据分析的科学方法，以及数据分析相关的工具介绍。

一、数据分析价值观

如何让数据分析真正发挥价值？我认为必须在

价值认同、工作定位和商业模式

三点上取得突破。

（一）数据分析的价值认同

做好数据分析，首先要认同数据的意义和价值。一个不认同数据、对数据分析的意义缺乏理解的人是很难做好这个工作的。放到一个企业里面，企业的 CEO 及管理层必须高度重视和理解数据分析的价值。你想一下，如果老板都不认可数据分析的价值，那么数据相关的项目在企业里面还能推得动吗？然后，企业内部还需要有数据驱动的公司文化。

如果大家宁可拍脑袋做决定也不相信数据分析师的建议，那么数据分析往往是事倍功半、走一下形式而已，反之则是事半功倍。

（二）数据分析的工作定位

做好数据分析，要对数据分析的价值有清楚的定位。既不要神化数据分析，把它当做万能钥匙；也不要轻易否定数据分析的意义，弃之不用。数据分析应该对业务有实际的指导意义，而不应该流于形式，沦为单纯的 “取数”、“做表”、“写报告”。在 LinkedIn 那么多年的工作时间里面，我们对数据分析的工作早已有了清晰的定位：

利用（大）数据分析为所有职场人员作出迅捷、高质、高效的决策，提供具有指导意义的洞察和可规模化的解决方案

。

当时我们还采用了一套 EOI 的分析框架，对不同业务的数据分析价值有明确的定位。针对核心任务、战略任务和风险任务，我们认为数据分析应该分别起到

助力（Empower）、优化（Optimize）、创新（Innovate）

的三大作用。

（三）数据分析的商业模式

做好数据分析，要对企业的商业模式非常了解。数据分析的最终目的还是服务于企业的增长目标，所以务必要对行业背景、业务含义、产品和用户有着深刻的认知。

还是以 LinkedIn 为例，作为企业增长的重要环节，LinkedIn 在产品设计之初就优先考虑到了数据的价值模式。首先是用户的增长、使用和活跃，然后产生大量的数据，最后根据数据进行业务变现（企业广告、企业招聘、高级账号等）和用户增长，从而不断良性循环。

只有认可分析价值、明确工作定位、深谙商业模式，数据分析才能走在正确的轨道上。

二、数据分析方法论

（一）数据分析的框架

在整个数据分析框架中，用户是数据的来源，也是数据分析最终要服务的对象。整个分析框架可以分为四大层次，依次是：数据规划、数据采集、数据分析和数据决策。

从用户、业务系统，到数据采集平台、ETL、数据仓库， 再到分析、BI、DM、AI、洞察，再到决策、行为、价值，最终回到用户。

上面整个分析框架中，越底层的占用的时间和精力越多，而顶层的耗时较少。从产生的价值来看，越底层的产生的价值越低，越顶层的产生的价值越高。大家想一下就会理解，做数据分析的过程大多时间是耗费在数据采集、清理、转换等脏活累活上面，最有价值的分析和决策部分往往耗时很少。

因此，大家做数据分析应该把重心放在最有价值的分析和决策两个层面上，并且尽可能使用工具实现底层的自动化操作。

（二）数据分析的方法论

数据分析应该帮助我们不断优化营销、运营、产品、工程，驱动企业和用户的增长，而不是为了分析而分析。在这里我给大家介绍两个方法论，一个是业务上的 AARRR 模型，另一个是分析上的学习引擎。

AARRR 是著名的 Growth Hacker （增长黑客）海盗法则，依序分别是 Acquisition（获取用户）、Activation（激发活跃）、Retention（提高留存）、Revenue（增加收入）和 Referral（推荐传播）的首字母简称，覆盖用户整个生命周期。我们在进行数据分析的时候，应该考虑用户正处于 AARRR 模型的哪个部分、关键数据指标是什么、对应的分析方法又是什么？

“ 学习引擎 ” 是《精益创业》一书中提倡的精益化运营方式，在硅谷被大小企业广泛采纳。当我们有一个想法的时候，可以采用最简可行化产品（MVP）的方式将其构建（Build）出来。产品上线后，我们需要衡量（Measure）用户和市场的反应。通过分析收集到的数据，我们可以验证或者推翻我们之前的想法，从而不断学习（Learn）和优化。

（三）数据分析的具体方法

这篇文章的目的不是介绍具体的分析方法，而是为了让大家对整个数据分析能力体系有一个系统的认知，所以我就不对每一个方法进行具体的阐述。

懂得每一种方法的原理是一回事，在业务中灵活应用又是另外一回事。以产品经理为例，可以把“用户行为 – 数据分析 -产品设计 & 优化 ”三位归于一体，在不断的实践应用中掌握各种分析方法的精髓和要义。数据来源于用户，数据分析的最终目的也是服务于企业和用户。做数据分析之前，一定要清晰业务目的和数据指标，选择科学的分析方法，用数据来指导产品和用户增长。

三、数据分析工具篇

（一）为什么工具那么重要？

“ 工欲善其事，必先利其器 ” ！

整个数据框架下面的部分可能花费了 80% 的时间和精力，但是产生了不到 20% 的价值。大家都在搭建数据采集平台、都在写代码埋点、都在做 ETL、都在建 BI 系统，哪里还有更多的时间和人力来做 Analytics 和 Insight 。

以前市面上没有好的数据分析工具，大家都只能自己去部署很多的系统、建立很多的机制，甚至雇佣三四个团队去做一件事。

今天市面上有很多好的工具来帮助我们进行数据分析，为了节省时间、资源（特别是成长型企业），大家完全没有必要内部建造一套分析系统，应该擅用好的工具来帮助自己做数据分析。

（二）选择合适的分析工具

选择什么样的分析工具，跟你的工作岗位、分析场景息息相关。每种场景都有若干种工具可以选择，有些工具也可以用于多种分析场景，关键在于你对工具的熟悉和理解。

Excel 绝对是最基本、最常见的数据分析工具了，对于数据量较小的情况，无论是数据处理、数据可视化还是一些统计分析都能支持。一旦数据量大了，这个时候就需要大型的数据库来支持。

市场营销人员需要对广告投放进行数据分析，网站流量监测是他们关注的重点。产品和运营重点关注用户行为和产品使用，用户行为数据分析工具是他们的首选。

以前大家只关注业务数据，然而这些结果型的数据并不能告诉他们中间发生了什么、为什么发生；现在大家越来越关注精细化运营、对用户行为数据的需求也越来越高，这也是我回国创立 GrowingIO 的原因。

如果你能懂一些 R 和 Python，在数据建模、统计分析、数据科学的方向上有所发展，那么你的数据分析水平就更上一层楼了。

上面说的这三点构成了数据分析的能力体系。只有认同数据分析的价值、掌握数据分析的方法并且灵活应用数据分析工具，才能真正做好数据分析。

本文根据张溪梦演讲内容整理编辑。

作者：张溪梦，GrowingIO 创始人 & CEO

本文节选自 GrowingIO 2017 年第 3 期电子书《产品经理数据分析手册》

本文由 @GrowingIO 原创发布于人人都是产品经理。未经许可，禁止转载。

本文主要讲述数据挖掘分析领域中，最常用的四种数据分析方法：描述型分析、诊断型分析、预测型分析和指令型分析。

当刚涉足数据挖掘分析领域的分析师被问及，数据挖掘分析人员最重要的能力是什么时，他们给出了五花八门的答案。

其实我想告诉他们的是，数据挖掘分析领域最重要的能力是：能够将数据转化为非专业人士也能够清楚理解的有意义的见解。

使用一些工具来帮助大家更好的理解数据分析在挖掘数据价值方面的重要性，是十分有必要的。其中的一个工具，叫做四维分析法。

简单地来说，分析可被划分为4种关键方法。

下面会详细介绍这四种方法。

1. 描述型分析：发生了什么？

这是最常见的分析方法。在业务中，这种方法向数据分析师提供了重要指标和业务的衡量方法。

例如，每月的营收和损失账单。数据分析师可以通过这些账单，获取大量的客户数据。了解客户的地理信息，就是“描述型分析”方法之一。利用可视化工具，能够有效的增强描述型分析所提供的信息。

2. 诊断型分析：为什么会发生？

描述性数据分析的下一步就是诊断型数据分析。通过评估描述型数据，诊断分析工具能够让数据分析师深入地分析数据，钻取到数据的核心。

良好设计的BI dashboard能够整合：按照时间序列进行数据读入、特征过滤和钻取数据等功能，以便更好的分析数据。

3. 预测型分析：可能发生什么？

预测型分析主要用于进行预测。事件未来发生的可能性、预测一个可量化的值，或者是预估事情发生的时间点，这些都可以通过预测模型来完成。

预测模型通常会使用各种可变数据来实现预测。数据成员的多样化与预测结果密切相关。

在充满不确定性的环境下，预测能够帮助做出更好的决定。预测模型也是很多领域正在使用的重要方法。

4. 指令型分析：需要做什么？

数据价值和复杂度分析的下一步就是指令型分析。指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析，来帮助用户决定应该采取什么措施。通常情况下，指令型分析不是单独使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。

例如，交通规划分析考量了每条路线的距离、每条线路的行驶速度、以及目前的交通管制等方面因素，来帮助选择最好的回家路线。

结论

最后需要说明，每一种分析方法都对业务分析具有很大的帮助，同时也应用在数据分析的各个方面。

原文链接：http://kdnuggets/2017/07/4-types-data-analytics.html

转载请注明出自：葡萄城控件

关于葡萄城

葡萄城是全球控件行业领导者，世界领先的企业应用定制工具、企业报表和商业智能解决方案提供商，为超过75%的全球财富500强企业提供服务。

欢迎关注天善智能，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区，学习，问答、求职一站式搞定！

本文作者：天善智能学院学员张龙祥。

原文地址：https://ask.hellobi/blog/zlx19930503/8745

本人于2018年6月份硕士毕业，2017年，为了找实习找工作四处奔波，前前后后投了100多次简历，面了30多家公司。在这期间，经历的丢手机从人间蒸发的惨状，也经历了两个半月减掉15g体重的神奇现象。总而来说，过程很艰辛，结果还是很美好。下面是我的面试经过。

第一个单位：北京互联网金融公司。一共有三面，第一面是技术面，是一个男同胞面试的我，首先是来了一个自我介绍，这个自我介绍也是很有讲究，干一行说一行，不相关的废话一字不要提。自我介绍完就开始技术面了，因为这是个金融公司，因此对于分类算法很是注重(大家在面试的时候要针对行业常用算法来进行准备，做到烂熟于心)。问题一：决策树算法中的信息熵具体阐述一下？问题二：决策树算法中ID3、C45、CART算法，根据自己的理解进行简要叙述，并且对剪枝问题进行叙述？问题三：阐述一下自己对过拟合的理解以及一些解决措施？问题四：叙述一下K-means算法的流程？问题五：阐述一下自己对逻辑回归的理解？问题六：模型评估的一些指标？问题七：数据结构中的排序算法说几个，以及时空复杂度？问题八：数据库的连接问题，叙述几个。

我的回答：前五个问题回答的都可以，我第六个问题说了ROC曲线，我的妈，他让我说横纵坐标，我不记得了，我很直接，就说这个我忘记了，看一下书就可以了，原理我晓得。对于第七个问题，我当时真的很无语，我直接说的“面试官，数据结构我学过，但是四年时间我不记得了，就连最简单的冒泡排序都不记得了，我工程方面用R和Python，如果您招的是要精通C的，那这个岗位不适合我”。最终一面通过。

第二天下午，是二面，是大数据部门的女总监面试的，先是自我介绍，后来是问了这么一个问题：你的职场规划是什么？讲真，这些问题我和专门的大神聊过，回答的也还不错，当然也是自己的内心想法，只是逻辑更加完善而已。然后就是技术面，一面的有的问题我就不再重复，说了一下组合算法，我实话实说：“当时对于三大组合算法看的还不是很细，马上会进入这方面的学习”，下一个问题是叙述PCA降维技术，我就从特征值、特征向量巴拉巴拉的说。之后女总监说“回去把组合算法搞一下，Python好好看看”我这边通过。

之后就是HR面，谈了薪资就没啥了。

总结：

①夯实一些名词的含义，比如：评价模型的指标。

②近期把组合算法搞定。

③过拟合发生的原因以及解决措施梳理一遍。

第二个单位：杭州互联网金融公司。第一面试的时候，我在无锡接的电话，是个男面试官，人很温和，我就不害怕了。首先自我介绍，之后又是分类算法搞了一圈，还有模型评价的指标，这里有一个KS指标被提到，这个在上面已经说了，就不在赘述。(当你面试较多的时候，你就有一种倒背如流的赶脚，但是你必须沉得住气，慢慢说，这样一二三四的你会更有逻辑性)，一面就这样很愉快的结束了。

那个面试官让我从无锡去杭州面基，我正好第二天去杭州，我说可以的。但是中午到杭州的我和一个网易的朋友吃饭聊天的就超时了，又急急忙忙赶回上海，就错过了去公司的机会。我说明原因之后二面改为电话面试。

觉得二面的面试官真的很有质量，面试官的语速很快，搞得有点压抑，我适当笑一下，缓解一下气氛。他说了这么一句话我很佩服：我们先不谈别的，从数据处理到建模有一个很重要的特征选取，说一下对特征工程的理解，好高端，我当时有点冒冷汗呀。这个问题得谈了20分钟吧，“L1正则化可以进行特征筛选的原因：从几何和后验概率两个角度”“L1和L2正则化的区别”等等，后面，对于决策树的问题又来了一拨：“决策树算法中的剪枝，预剪枝和后剪枝，自己根据自己的理解来简单叙述”“决策树在连续型变量的处理方面的一些方法”，这方面我们聊得还是很开心，本来以为要结束了，面试官又问了我的研究方向，又被问的有点懵，最后又问了我分布式什么的，我直接说的不会。不过好在面试还是过了。

总结：把面试中提到的不懂的问题理清楚。

最后我总结以下几点：

①面试单位要看缘分，假如你准备的问题面试官都没问，面试官问的问题你都不会，孩子，这个单位不适合你。

②面试的时候，要把面试官引入自己擅长的领域，不要哪里不会点哪里。

③向面试官展示最真实的自己。

④保证足够的营养，我已经好多年没吃过药了，哇哈哈！

⑤重要的是查漏补缺，时间不等人，只争朝夕啊！

⑥给大家推荐天善智能，来进行学习，我也会陆续在里面发文章。

天善学院svip正火爆报名中！包含Excel BI、Python3爬虫案例、Python机器学习、Python数据科学家、大数据体系、数据分析报告、数据分析师体系、深度学习、R语言案例共10套课程，其他课程只需五折即可，欢迎大家关注报名！

在大数据分析架构里，一般是spark、storm作为计算框架，计算后的结果存到redis。要对redis的数据结构有清晰认识，理解各自优缺点、实用场景，redis价值才能最大化。今天我们来谈谈Redis

Redis概述

lRedis是一个开源，先进的key-value存储，并用于构建高性能，可扩展的应用程序的完美解决方案。

lRedis从它的许多竞争继承来的三个主要特点：

lRedis数据库完全在内存中，使用磁盘仅用于持久性。

l相比许多键值数据存储，Redis拥有一套较为丰富的数据类型。String，List,set,map,sortSet

lRedis可以将数据复制到任意数量的从服务器。

Redis 优势

异常快速：Redis的速度非常快，每秒能执行约11万集合，每秒约81000+条记录。

支持丰富的数据类型：Redis支持字符串、列表、集合、有序集合散列数据类型，这使得它非常容易解决各种各样的问题。

操作都是原子性：所有Redis操作是原子的，这保证了如果两个客户端同时访问的Redis服务器将获得更新后的值。----计数器

多功能实用工具：Redis是一个多实用的工具，可以在多个用例如缓存，消息，队列使用(Redis原生支持发布/订阅)，任何短暂的数据，应用程序，如Web应用程序会话，网页命中计数等。

Redis安装部署

Redis编译、安装

解压文件，并创建软件连接

tar -zxvf redis-3.0.5.tar.gz -C /export/servers/ln –s redis-3.0.5/ redis

编译redis源码

cd /export/servers/redismake（先安装gcc）

将编译后的可执行文件安装到/user/local/redis

make PREFIX=/usr/local/redis install

启动Redis

启动方式一：Redis前台默认启动

进入redis安装目录，并启动Redis服务

cd /usr/local/redis/bin/./redis-server

启动方式二：Redis使用配置文件启动

拷贝源码中的redis.conf文件到redis的安装目录

cp /export/servers/redis/redis.conf /usr/local/redis/

修改redis.conf的属性

daemonize no è daemonize yes

启动redis服务

cd /usr/local/redisbin/redis-server ./redis.conf

日志文件及持久化文件配置

修改生成默认日志文件位置

logfile "/usr/local/redis/logs/redis.log"

配置持久化文件存放位置

dir /usr/local/redis/data/redisData

Redis客户端使用

redis.clientsjedis2.8.0

Redis持久化

有两种持久化方案：RDB和AOF

1）RDB方式按照一定的时间间隔对数据集创建基于时间点的快照。

2）AOF方式记录Server收到的写操作到日志文件，在Server重启时通过回放这些写操作来重建数据集。该方式类似于MySQL中基于语句格式的binlog。当日志变大时Redis可在后台重写日志。

AOF持久化配置

1）修改redis.config配置文件，找到appendonly。默认是appendonly no。改成appendonly yes

2）再找到appendfsync 。默认是 appendfsync everysec

appendfsync always

#每次收到写命令就立即强制写入磁盘，最慢的，但是保证完全的持久化，不推荐使用

appendfsync everysec

#每秒钟强制写入磁盘一次，在性能和持久化方面做了很好的折中，推荐

appendfsync no

#完全依赖os，性能最好,持久化没保证

RDB持久化配置

默认情况下，Redis保存数据集快照到磁盘，名为dump.rdb的二进制文件。可以设置让Redis在N秒内至少有M次数据集改动时保存数据集，或者你也可以手动调用SAVE或者BGSAVE命令。

例如，这个配置会让Redis在每个60秒内至少有1000次键改动时自动转储数据集到磁盘

save 60 1000

Redis数据结构

关注佳源信息，关注更多资讯。

Data Science 作为一个宽口径的新兴职业方向，充满了工作机会，同时，无论你是学什么与业出身的，都有新与业、新领域的知识要学。比如工作期间，学统计的去研究一下优化、计量经济，学计算机的深入加强统计知识，都可能有机会。看到市场对数据人才的追求日益激烈，许多大学开始与门开设数据分析类与业。

近几年来，美国很多学校也开设了analytics的多门硕士项目，比如 Northwestern、 NCSU，但是开设这类专业的学校，一般综合排名低，除了西北大学，以前少有学校问津 analytics；随着过去两年data science和bigdata的共起，UIUC、UT Austin、NYU等都相继开设了analytics、Data Science类的硕士项目，包括弗吉尼亚大学、哥伦比亚大学、俄亥俄州立大学等开设宣布计划开设数据科学方面的硕士研究生培养项目。例如，南加州大学马歇尔商学院就与门开设了商业数据分析的硕士项目。该项目总终的第一句话就是：商业数据分析是现在全美增长最迅速的领域。

数据科学专业需要具备的能力

（1）、计算机科学能力一般来说，数据科学与业大多要求具备编程、计算机科学相关的与业背景。简单来说，就是对处理大数据所必需的 Hadoop、Mahout等大规模幵发处理技术等机器学习相关的技能。（2）、数学、统计、数据挖掘的能力除了数学、统计方面的素养之外，还需要具备使用SPSS、 SAS等主流统计分析软件的技能。其中，面向统计分析的开源编程语言及其运行环境“R”最近备受瞩目。R 的强项不仅在于其包含了丰富的统计分析库，而专具备将结果迚行可视化的高品质图表生成功能，不可以通过简单的命令来运行。此外，它还具备称为CRAN（The Comprehensive R Archive Network）的包扩展机制，通过导入扩展包就可以使用标准状态下所不支持的函数和数据集。R语言虽然功能强大，但是学习曲线较为陡峭，建议从python 入手。

（3）、数据可视化

信息的质量很大程度上依赖于其表达方式。对数字罗列所组成的数据中所包含的意义迚行分析，开发Web原型，使用外部API将图表、地图、Dashboard等其他服务统一起来，从而使分析结果可视化，这是对于数据科学家来说十分重要的技能之一。

（4）、跨界为王麦肯锡认为未来需要更多的“translators”，能够在IT 技术，数据分析和商业决策之间架起一座桥梁的复合型人才是最被人需要的。”translators“可以驱劢整个数据分析戓略的设计和执行，同时连接的IT ，数据分析和业务部门的团队。如果缺少“translators“，即使拥有高端的数据分析策略和工具方法也是于事无补的。天才的”translators“非常罕见。但是大家可以各敬其职，数据战略家可以使用IT 知识和经验来制定商业决策，数据科学家可以结合对与业知识的深入理解使用IT 技术开发复杂的模型和算法，分析顾问可以结合实际的业务知识不分析经验聚焦下一个行业爆点。

未来就业前景这类硕士项目的最大优势是在于读程设置，software system、machine learning、database、 optimization、decision science、statistics、business intelligence等所有涉及到的领域知识，往往都会学一些。因此，跟比如学统计戒者计算机出身的同学相比，有analytics硕士学位的同学，知识结构更合理、更全面。也正是因为这点，目前学这个与业的同学找工作很容易。以下数字可以说明数据人才有多稀缺。一个拥有博士学位的数据科学家的起薪通常是六位数，工作两年后，就可以轻松赚到 20万至30万美元的年薪。在美国职业社交网站领英网(LinkedIn)，有3.6万个数据科学家的职位虚位以待。另一家网站的数据显示，去年底有6000家公司正在招聘数据方面的人才。

【选校大揭底】

美国目前总有45所大学开设的数据分析相关与业硕士研究生读程项目。小科对这45 所院校做了整理的查校，总结如下：所有都相对集中在美国的东部、北部区域，所开设的大数据分析硕士学位课程可以分为三个类型。

1、数据分析科学硕士学位课程(MSA，Masterof Science in Analytics) 美国有14所大学，总性是属新开发的跨学科读程，将应用数学、统计学、计算机科学，以及各种商业学科诸如营销、财务等融合在一起，即使一些学位使用预测分析(Predictive Analytics)戒数据分析(Data Analytics)冠名其读程内容也大致相同;

2、商业数据分析硕士学位课程(MSBA，Masterof Science in Business Analytics) 美国有17所大学开设此学位课程，其特点基本上是由各大学商学院新开设戒改名而来的，也会有不与其他学院联合办学的情况，和MSA类似面向技术的读程稍少一些，但也不意味着MSBA就完全偏向商科。

3、属其他学科的硕士学位但主修方向是数据分析(Other M.S. Programs， Analytics Tracks andConcentrations) 开设该项目课程的有14所院校，常冠以数据科学(Data Science)这个名称，一般开设在商学院以外的学院，将数据分析课程与其他学科结合的硕士学位，还有的情况是将原有的旧专业改为数据分析与业，有时还可能沿用原有的与业名称，目标是从庞大数量种类的数据中去获得能有效沟通的可执行见解。

以下我们筛选了其中5所院校做以详细的查校结果汇总，如果想要了解更多院校查校信息

1、加州大学伯克利分校信息与数据科学专业（MS in Information and Data Science）：

专业介绍： 加州大学伯克利分校有两个相关的学位项目：数据科学工程硕士Masterof Engineering （concentration in Data Science），信息数据科学硕士Master of Information andData Science （MIDS），伯克利的两个硕士项目综合教授技术和企业运营的技能，立足现有最前沿的技术，扎实务实地培养学生成为领域内的佼佼者。

加州大学伯克利分校官网申请大数据：

GPA要求：3.0；TOEFL要求：90；IELTS要求：7.0；GRE 要求：Required；GRE Subject：Not Required

申请学期：夏季申请截止日期：2月14日

学费：$2,222.22/学分

申请说明：信息数据科学硕士（MS in Information and Data Science）：为期20个月，总计27个学分，受西部学校和学院学会（WASC）认证。要求申请者本科毕业，有计算机科学、数据结构、算法分析、线性代数等相关工作戒实习经验，如有5年以上工作经验则更受欢迎。毕业生可从事航空工程人员、建筑师、商业分析师、商业智能分析师、首席技术官、合同技术与家、数据分析师、互联网安全顾问、定量分析师、研究工程师、系统工程师等职业。无奖学金申请，国际学生需自费攻诺。

录取数据：

招生年：2016年春季学期；女生比例：24%；平均年龄：33；年龄范围：22-57；本科平均GPA： 3.49；GMAT数学均分：76%；GMAT 阅读均分：84%；GRE数学均分：82%；GRE阅读均分：82%；

伯克利是有着矛盾的两面性：一方面是草根的，平民的，大众的。BerkeleyHippie成为了伯克利学生自黑的主要槽点，校园附近随处可见千奇百怪的各色人等，如某街头艺人；但是，另一方面是尖端的，精英的，前沿的，比如叧有诺贝尔奖获得者才能用的停车位。在伯克利接触到的学生基本上可以分为两拨：一拨是以科研为主的有志青年（包括绝大多数的PhD 和极少部分的本科生），他们对本与业的热情天赋让我毫不怀疑地相信这波人是会引领未来人类科技进步的行业精英；另一拨则是普普通通的学生，他们由于机缘巧合，家庭背景，或者自己个人的奋斗，得以相聚在伯克利的校园里。他们大多想找个好工作回馈父母家人，他们得益于伯克利这个平台的帮劣也因此对这个平台感恩戴德，他们和平常人一样，不过多了顶绣着伯克利商标的帽子，他们中的大多数未来会湮没在茫茫人海中。

2、哥伦比亚大学数据科学专业（MS Data Science Track）

专业介绍：

哥伦比亚大学有一个业界顶尖的大数据科学的工程研究室（Institute for Data Sciences and Engineering），学生在此参与实验科研项目。该项目是2014年秋季新开设的，由此可见其对于这一与业的重视。项目开设在工学院下，项目侧重数据挖掘、算法和统计建模(i.e., Algorithms for Data Science, Machine Learning for DataScience, Statistical Inference & Modeling)，培养方案面向业界需求。

哥伦比亚大学官网申请大数据：开设学位：MS

要求：TOEFL99；GPA要求：3.0；IELTS要求：6.5；GRE要求：Required；GRE Subject： Not Required；

可申请学期：秋季申请截止日期：2月 15日学费：$1,858/学分

申请说明：

哥伦比亚大学数据科学（Data Science）与业由数据科学所（Data Science Institute）开设，研究生招收MS 学生。要求申请者本科毕业，拥有一定的数学及编程基础，需要递交GRE成绩，但无最低GRE、GPA等分数要求，不可使用GMAT代替GRE成绩。该MS 项目为期1 年，总修30个学分，无需撰写毕业论文。哥伦比亚大学工程不应用科学学院未设定有最低TOEFL/IELTS 分数要求，此外，该学院还认可PTE成绩，总分要求不低于68分；该项目无最低GPA要求，按美国大学研究生申请一般规定，GPA尤其是在校成绩平均不低于3.0 分；所有与业均需有GRE 成绩；除应用物理与业外，所有与业均无需GRE Subject成绩；未设定有最低GRE分数要求，但录取学生的GRE阅读平均百分比排名多在64%以上，数学多在82%以上；不接受GMAT成绩。

3、纽约大学数据科学专业（MS in Data Science）

专业介绍：

纽约大学的data science 既不是在 stern商学院下面，也不是在computer science下面，而是在 math下面。申请的时候应该比较看重数学背景，该与业开设于2013年，开设在 math下面的一个与门的Center for Data Science，为想迚入NYU的申请者多提供了一个录取的可能通道。基于这个与业的培养目标focuses on the development of new methods for data science。它录取的学生背景大多是理工科背景的居多：Math，Stat，也录取过几个 CS, EE, Econ与业的学生。

纽约大学官网申请大数据：开设学位：MS

要求：GPA要求：3.0；TOEFL要求：100；IELTS要求：不接受；GRE要求：Required；GRE Subject：NotRequired；

可申请学期：秋季申请截止日期：2月4日学费：$1,664/学分

申请说明：纽约大学数据科学硕士（MS in Data Science）一般为期4个学期，要求学生有足够强大的数学知识背景和一定的计算机科学基础知识，学习过微积分、线性代数、统计学、概率论以及计算机科学等读程。该项目仅秋季学期可以申请，截止日期为2月4日，无需GRE Subject数学科目考试成绩。该项目基本无奖学金。

纽约大学文理研究生院按学分收取学费，一般PhD要求修满72个以上的学分，硕士要求修满32-34个学分。按全日制授课项目，平均每年可修学分至少24个。此处为2016-17学年文理研究生院平均每个学分的学费标准，需要注意的是，该费用每年会有较小（不超过5%）的涨浮。

TOEFL：不低于100分，无单项要求，不接受IELTS成绩；数据科学硕士项目仅限秋季学期申请，申请截止日期为2月4日。课程设置：

该与业学制两年，总修36学分。

录取统计：我们从这个项目2013Fall 第一次招生的录取数据来看：打算要30个人，收到152封申请，发了50 个ad，刚好来了30个。 30个人里面，背景情况，undergraduate有11个，已经拿到一个 graduate的大概有10个（有1，2个phd，其余都是 master），剩下的就是已经工作了的。所以这 30个人是同时包括part-time和full-time 的。粗略分布： White10人，Asian20人吧，其中2个印度人，1个韩国人，1个日本人，1个台湾人，其余都是大陆的。average age=25. 大陆分布：10个左右美本，5个非美本吧。美本来源包括umn,uiuc,u of toronto, wisc-madison,git等等等等。感觉美本基本都是美国的数学强校，本科与业也都是math，stat，ieor，有几个cs ee econ的。非美本有 5个，其中一个港大，一个清华ee。当然随着Data Science的持续火热，未来的申请人数预测会增长到至少300人！知乎学长经验谈以下是NYU总体给我的感觉： NYU的优势是在于Data 的读太多了，DS自己的读不说，Cournat的CS也包含了一部分Big Data, NLP之类的读（同被DS的 Big Data坑= =，不过Cournat CS有门Real Time Big Data Analytics不知道会不会好些），Steinhard 的A3SR会有很多应用统计的读程，Stern有统计的PhD,还有 Info的偶尔也提供一些读程可以上， Tandon CS有可视化，CUSP 有城市数据分析（ML，Big Data这些的我们都开，不过和 DS的侧重不一样，还有通过传感器去采集数据，如何分析声音图像数据等等）Tisch的ITP还包含了一部分数据可视化（Data Art），前端（Creating API）和传感器的读程。除了Stern的读比较难选以外，其他学院的读基本开了就能选到。

4、普渡大学商业分析与信息管理专业（MS Business Analytics & Information Management, BAIM）

专业介绍：和麻省理工学院的MBA一样，该项目都有个单独的分支是商业分析，学生学习的基础读程涵盖高级商业分析、数据挖掘、数据管理等，选修课程可以从以下三个领域选择：

●商业分析咨询

●金融/财务咨询

●市场营销咨询

普渡大学官网申请大数据： USNEWS排名：47（商学院排名）GPA要求：3.0；TOEFL 要求：93；IELTS要求：7.5；GMAT要求： Required；工作经验要求：无；

可申请学期：夏季申请截止日期：1月16日-3月1 日学费：$46,000

申请说明：

普渡大学商业分析不信息管理硕士（MS Business Analytics & Information Management, BAIM）项目为期11个月，总计修36个学分。要求申请者本科毕业，不限与业背景，无前�...