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。

这个时代是大数据时代，也是大数据人才稀缺的时代。由于中国人才缺口比较大，大数据也迅速成为行业和市场的热点，更多的企业无论是对大数据人才的招聘都成了刚需，这也促使大数据人才的薪资在同岗位中是最高的，掌握大数据技术，工资提升40%左右是很常见的。

大数据的就业领域是很宽广的，不管是科技领域，还是食品产业，零售业等等，都是需要大数据人才进行大数据的处理，以提供更好的用户体验，以及优化库存，降低成本，预测需求。下面跟小编一起看看大家今后可以从事的工作岗位及未来发展方向。

大数据分析九大热门工作岗位

一、BI工程师

1：负责BI数据仓库的规划，搭建报表平台

2：参与需求分析，数据仓库建模，功能设计及评审

3：与业务部门沟通协调需求并提出各种新的数据分析项目或方案

4：负责日常业务运营提供数据支撑,对分析结果进行报表开发设计

5：负责数据仓库的日常管理与维护

6：负责BI模型设计、报表开发和数据平台门户界面开发

7： 根据项目的数据分析需求进行BI的设计和项目开发

8： 对数据进行挖掘、整理和分析，提取数据进行系统建模

9：根据需求进行数据仓库模型设计，进行程序的开发，构建企业级数据中心

二、数据仓库工程师

1：负责对应业务线数据建模及数据仓库相关产品的设计、开发、测试

2：元数据的搭建和ETL设计、开发、测试

3：构建本行业大数据中心，创建OLAP多维分析模型并组织数据，开发数据集市

4：参与大数据平台数据仓库的建设工作

三、ETL工程师

1：遵循开发任务的计划与目标，服从项目经理的工作安排，参与或负责项目的详细设计、ETL开发等工作，保证项目的顺利研发及推广

2：负责数据中心建模、业务运营数据的导入、数据预处理的设计和开发

3：负责数据中心ETL流程的优化及解决ETL相关技术问题。

4：具备良好的ETL实施经验，能够按要求完成ETL设计和开发工作

四、数据分析师

1：深入理解业务数据分析需求，支持面向业务的数据服务

2：进行数据产品的算法研究和实现，并定期优化迭代

3：数据分析的流程、规范和方法建立，及相关文档的撰写

4：通过API收集数据，进行数据清洗并保存到数据库

五、数据库开发工程师

1：负责数据库系统日常架构，开发，部署，维护，备份和运行方案设计

2：负责软件开发项目中的数据库设计工作

3：负责数据库日常运维程序的编写

4：根据业务需求设计数据库结构，编写表、存储过程、触发、函数等脚本，及性能优化、疑难问题的解决

六、报表开发工程师（Cognos、MSTR）

1：按照要求使用ETL工具对数据进行清洗和整理

2：针对SQLSERVER或者ORACLE数据库编写存储过程

3：使用COGNOS或MSTR等报表工具进行模型创建和报表开发

七、软件实施工程师

1：负责BI项目的需求调研与分析工作

2：负责BI项目的方案设计、实施或项目管理工作

3：了解岗位范围内的硬件、软件、网络的状况，实施维护或更新计划、确保正常使用

4：负责上线企业的BI系统维护，提供技术支持对接服务

5：接受上级领导工作安排，完成其它临时性或突发性任务

八、运维工程师

1：负责BI系统的日常维护、故障排查、性能调优

2：负责系统的日常监测与维护、故障处理、性能分析与优化

3：负责系统模块部署、配置、维护、备份与监测

4：负责服务器维护和监控

5：负责系统的相关文档编写、运维信息统计等

九、软件测试工程师

1：根据产品需求完成测试计划、测试设计以及测试用例的编写，完成测试报告的分析与输出

2：对系统bug进行跟踪、推动解决，保障产品质量

3：根据需要完成关键模块的白盒测试工作

以上就是容大教育小编对数据分析专业可任职九大工作岗位整理，容大教育IT培训机构，专业数据分析培训机构，能够为你提供良好的技术学习，能够更好地了解每个学习者的需求，根据每个学习者特定的需求为其配置最合适的资产组合，无疑更加符合学习者的需求。

对于具体的业务场景问题，我们该怎么办呢?我们以一个电子商务网站为例，用数据分析产品 GrowingIO 对该网站进行快速地数据采集、清晰和可视化展示，然后给大家分享这 8 种常见的数据分析方法。

1 数字和趋势

看数字、看趋势是最基础展示数据信息的方式。

在数据分析中，我们可以通过直观的数字或趋势图表，迅速了解例如市场的走势、订单的数量、业绩完成的情况等等，从而直观的吸收数据信息，有助于决策的准确性和实时性。

对于电子商务网站，流量是非常重要的指标。

上图中，我们将网站的访问用户量(UV)和页面浏览量(PV)等指标汇汇聚到统一的数据看板(Dashboard)，并且实时更新。

这样的一个数据看板，核心数字和趋势一目了然，对于首席增长官来说一目了然。

2 维度分解

当单一的数字或趋势过于宏观时，我们需要通过不同的维度对于数据进行分解，以获取更加精细的数据洞察。

在选择维度时，需要仔细思考其对于分析结果的影响。

举个例子，当监测到网站流量异常时，可以通过拆分地区、访问来源、设备、浏览器等等维度，发现问题所在。

3 用户分群

针对符合某种特定行为或背景信息的用户，进行归类处理，是我们常常讲到的用户分群(segmentation )的手段。

我们也可以通过提炼某一群用户的特定信息，创建该群体用户的画像。 例如访问购物网站、寄送地址在北京的用户，可以被归类为“北京”用户群体。

而针对“北京”用户群体，我们可以进一步观察他们购买产品的频度、类别、时间，这样我们就创建出该用户群体的画像。

在数据分析中，我们往往针对特定行为、特定背景的用户进行有针对性的用户运营和产品优化，效果会更加明显。

上图中，我们通过 GrowingIO 的用户分群功能将一次促销活动中支付失败的用户挑选出来，然后推送相应的优惠券。

这样精准的营销推广，可以大幅度提高用户支付的意愿和销售金额。

4 转化漏斗

绝大部分商业变现的流程，都可以归纳为漏斗。

漏斗分析是我们最常见的数据分析手段之一，无论是注册转化漏斗，还是电商下单的漏斗。

通过漏斗分析可以从先到后还原用户转化的路径，分析每一个转化节点的效率。　　其中，我们往往关注三个要点：　第一，从开始到结尾，整体的转化效率是多少?　　第二，每一步的转化率是多少?　　第三，哪一步流失最多，原因在什么地方?流失的用户符合哪些特征?

上图中注册流程分为 3 个步骤，总体转化率为45.5%;

也就是说有 1000 个用户来到注册页面，其中 455 个成功完成了注册。

但是我们不难发现第二步的转化率是 56.8% ，显着低于第一步 89.3% 和第三步转化率 89.7%，可以推测第二步注册流程存在问题。

显而易见第二步的提升空间是最大的，投入回报比肯定不低;如果要提高注册转化率，我们应该优先解决第二步。

5 行为轨迹

关注行为轨迹，是为了真实了解用户行为。

数据指标本身往往只是真实情况的抽象，例如，网站分析如果只看访问用户量(UV)和页面访问量(PV)这类指标，断然是无法全面理解用户如何使用你的产品。通过大数据手段，还原用户的行为轨迹，有助于增长团队关注用户的实际体验、发现具体问题，根据用户使用习惯设计产品、投放内容。

上图中展示了一位用户在某电商网站上的详细行为轨迹，从官网到落地页，再到商品详情页，最后又回到官网首页。

网站购买转化率低，以往的业务数据无法告诉你具体的原因;通过分析上面的用户行为轨迹，可以发现一些产品和运营的问题(比如是不是商品不匹配等等)，从而为决策提供依据。

6 留存分析

在人口红利逐渐消褪的时代，留住一个老用户的成本要远远低于获取一个新用户。

每一款产品，每一项服务，都应该核心关注用户的留存，确保做实每一个客户。

我们可以通过数据分析理解留存情况，也可以通过分析用户行为或行为组与回访之间的关联，找到提升留存的方法。

在 LinkedIn，增长团队通过数据发现，如果新用户进来后添加 5 个以上的联系人(上图红色线条)，那么他/她在 LinkedIn 上留存要远远高于那些没有添加联系人(上图绿色和紫色的线条)的留存。

这样，添加联系人称为 LinkedIn 留存新用户的最核心手段之一。除了需要关注整体用户的留存情况之外，市场团队可以关注各个渠道获取用户的留存度，或各类内容吸引来的注册用户回访率，产品团队关注每一个新功能对于用户的回访的影响等等，这些都是常见的留存分析场景。

7 A/B 测试

A/B 测试用来对比不同产品设计/算法对结果的影响。

产品在上线过程中经常会使用 A/B 测试来测试不同产品或者功能设计的效果，市场和运营可以通过 A/B 测试来完成不同渠道、内容、广告创意的效果评估。

举个例子，我们设计了两种不同的产品交互形式，通过比较实验组(A 组)和对照组(B 组)的访问时长和页面浏览量两个衡量指标，来评估哪一种交互形式更佳。要进行 A/B 测试有两个必备因素：

第一，有足够的时间进行测试;

第二，数据量和数据密度较高。

因为当产品流量不够大的时候，做 A/B 测试得到统计结果是很难的。而像 LinkedIn 这样大体量的公司，每天可以同时进行上千个 A/B 测试。所以 A/B 测试往往在公司数据规模较大时使用会更加精准，更快得到统计的结果。

8 数学建模

当一个商业目标与多种行为、画像等信息有关联性时，我们通常会使用数学建模、数据挖掘的手段进行建模，预测该商业结果的产生。

作为一家 SaaS 企业，当我们需要预测判断客户的流失时，可以通过用户的行为数据、公司信息、用户画像等数据建立流失模型。

利用统计学的方式进行一些组合和权重计算，从而得知用户满足哪些行为之后流失的可能性会更高。

我们常常说，不能度量，就无法增长，数据分析对于企业商业价值的提升有着至关重要的作用。

当然，仅仅掌握单纯的理论还远远不够，实践出真知。数据分析的方法大家不妨在自己日常工作中，有分析相关项目里尝试使用，相信可以事半功倍，创造更多商业价值。

作者|婷婷

来源|信息流广告精准投放

每一个广告主都有这样一个希望：用最少的广告费获得最大的效益！

如何用最少投入获得最大收益呢？广告主们盯紧了“精准投放”。

顾名思义，精准投放，就是“精准”的把广告，投放到最有可能购买的人面前。最好用户看到广告就直接点开下单！

在这种期待下，一旦有人告诉他：“我们可以更精准的投放广告，你想投给谁，就能投给谁”的时候，广告主很难不为之动心。

那么，这种“想投给谁，就投给谁”的广告是怎么实现的呢？

常见的方法是：大数据供应商，通过日常抓取用户的搜索行为、点击行为等，为用户建立一个个的标签，广告主从中选择自己想要的客户数据，进行精准投放。

比如，一个在今日头条投放吸尘器广告的朋友认为：“家里有地毯的人会需要吸尘器去打理”，理所当然的，他的用户应该带有“地毯”标签，于是他在数据库里找到了近半年在京东购买过地毯的用户，精准的针对他们进行投放。

如此“精准”的定向，应该很快就有“精准”用户上门了吧？

然而投放结果却并不如预期般理想，他不禁问我：

“后台的数据，别说点击量了，连展示量都少的可怜，究竟是哪出了问题呢？”

有着类似问题的案例远不止上面这一例。

广告主对于精准用户的追求，加上某些机构添油加醋的渲染，使得大家对于大数据“精准”的预期越来越高，越来越依赖。好像只要有了大数据，广告就一定可以更精准、更有效。

可惜，实际的数据可能会让他们大失所望。根据我国近年来的调查数据显示，在2010年左右，广告行业实现了大数据技术引导投放，之后的两年里，广告投放费的GDP占比反而疯狂上涨，而在此之后，人们显然认识到大数据的局限性，涨幅有所下降，可惜占比仍然居高不下。

简单的说，在大数据精准投放的加持下，广告投放的成本收益比反而降低了。

你可能会觉得好奇，为什么会如此？难道是大数据不够精准吗？

当然不是。

要知道，一流的广告人做的广告，之所以投放产出比高，是因为他们抓住了用户的动机。

至于大数据呢，确实精准的抓取并记录了用户的行为，并为其详细归类，然而如何理解和利用这些大数据，依然需要专业广告人的把控。

换句话说，大数据可以让对人性有了解的广告人，更精准的做出判断，但是对普通人来说，也不过是一对数字而已。

那么，作为普通的广告主，没有专业的训练和培训，又该怎么处理这些大数据呢？

今天我们就讲一下，我们如何用好大数据，让投放更精准。

01

—

“有效标签”和“关联标签”

像刚刚我朋友的吸尘器投放案例，他选择了“地毯”标签的理由是：吸尘器其中一个使用场景是地毯。

在他看来，买了地毯，就肯定要打理地毯，既然要打理，就会需要工具，吸尘器是个可以帮用户省事儿的工具，所以用户会需要，还因此特地建了一组定向到有过地毯购买记录用户的广告计划。

是不是觉得合情合理？投放不出去一定是大数据不好咯？

其实不然。“买地毯的人需要买个吸尘器才好打扫”，这是商家的认知。事实上地毯确实不易清理，最好搭配一个吸尘器。只可惜，这并不是用户的想法。

我们看看商家的认知：“地毯需要搭配吸尘器才容易打扫”，一个有地毯的人，有可能会想要买个吸尘器，但是他购买吸尘器的动机并不是因为他买了地毯，而是因为不易清扫。所以，寻找真正为打扫家而累的用户，才是正解。

买地毯的用户，我们来猜猜会是什么人？小年轻刚租了房子、新婚夫妇搬进新家，甚至可能坐在家里刷购物APP突发奇想……而一张地毯面积大概不到两平米，如果不好清扫，这些心血来潮的用户是选择卷起来不用的概率大，还是买个2000多元的吸尘器概率更大呢？

大部分广告主，习惯去运用直观可见的单一属性，机械的将市场上存在某些相似的用户归类在一起，将关键词和用户行为之间的相关关系，误解为因果关系。

就好像冰淇淋销量增加的时候，溺水人数同比增加，并不能得出冰激凌热卖导致溺水。而是天气炎热导致冰激凌热卖和水上运动人数增加，而基数增加，溺水人数必然按比例增加。

那么“地毯需要吸尘器打扫才干净”这件事中，“地毯”和“吸尘器”是相关关系，“吸尘器”和“更方便更干净的清理工作”才是因果关系。

回过头来，我们观察一下朋友圈中会购买高价小家电、并为此欣喜的人，往往是新手妈妈、家庭主妇。因为她们需要真正可以帮得上忙的清扫工具来减轻她们的工作量。所以，应当去针对“希望清扫变得更轻松”的人群，而不是“买地毯”的人群抓取关键词。

可见，理清投放关键词，与产品间的关系，是我们必须要做的功课。

02

—

优先关注发出消费信号的用户

侦查学家艾德蒙·洛卡德认为，当人们在实施某个行为时，总会跟各种各样的物质发生接触和互换关系。

对应的，大数据时代，用户的每一个行为，都会在他接触过的地方留下数据。而这些数据，就是一个个的消费信号，分析、整理这些信号，就可以帮助我们我们侦查用户的状态、预测用户的行为。

还是刚刚那个吸尘器的例子。当你意识到地毯和吸尘器之间的关系时，你需要的，不是立刻投放“地毯”这个关键词，而是要去探索地毯与清扫行动之间的关系。

我们先来谈谈为什么“地毯”关键词无效：

不管是在实体门店，还是电商平台，你会发现：

大部分用户买地毯是因为好看，买回去点缀家饰，此时的他们并不会过多的考虑打扫的问题，就算有些许的顾虑，也会被销售人员三言两语的打发掉，给用户一种打理非常轻松、简单的感觉；如果在购买时就充分意识到了日后的打理会很麻烦，多半就不会买了；等买回去，用了一段时间，发现地毯容易脏、很难打扫、但又必须得打扫的时候，往往是因为一些因素的触发。

而这些因素可能触发“购买吸尘器”这个行为，也可能触发“扔掉地毯”这个行为。我们没有数据证明“当用户发现地毯难以清扫时，用户会选择购买吸尘器”，那么“地毯”这个关键词，显然并不“精准”。

我们再来说说正确的抓取、分析信号的状态：

购买了吸尘器的用户们都在哪？最容易找到他们的地方，大概就是电商平台吸尘器产品的评论页了。如果你认真翻阅过电商平台上一些热门吸尘器的售后评价，就会发现，下面这几个关键词的出现频率非常高：

人的毛发；零食碎屑；猫/狗毛。

综合这些信息，我们就可以归纳出，激发用户购买动机的，并不是地毯，而是家里地面上那些难以清理的小型垃圾——当优化师捕捉到了这个信号，就可以做出对应的投放策略了。

比如，吸尘器要找的用户中，有一部分是总买零食的年轻家庭、有小小孩的、有猫狗的、甚至是家装风格以浅色为主的用户（相比深色，浅色地面更容易发现掉落的垃圾）。

对应的，可以把广告定向投放近期刚刚开始在京东平台购买宠物粮食的用户，或是短期内有过浅色装饰建材购买记录的用户，也可以是经常买小朋友玩具或零食的用户……等等。

03

—

尽量保持与动机型用户的同频

洞察到用户的消费动机之后，是不是就代表，只要我们把产品信息推送给他，就一定能把产品卖出去呢？

并不一定。当然，此时如果你投放，效果会比拍脑瓜子用“地毯”这类相关词汇投放会好很多。但是这还不够。你还需要进一步考虑，你的产品层级，是否和用户的消费水平、习惯在同一个层级上。

比如我们卖的是RMB2000+的吸尘器，那么对应的：

什么消费水平的用户，会成为我们的目标用户呢？他们对这一类产品、对生活的要求是什么？同样是吸尘器，该推荐最新款给用户？还是该推荐正在做活动的经典款？……

这都需要进行数据搜集和分析。

多数情况下，品牌方对于数据搜集的理解就是搜集客户静态数据和交易数据：

比如，静态数据就是客户的静态数据文件，如姓名、地址、联系电话、年收入之类的背景档案；

而交易数据则是流动的，如交易商品属性、规格、活动参与数据及客服记录等，以及商品特性编码，用来记录与交易商品本身相关的价格、产地、功能描述、口碑数据等信息。

这些数据当然很重要，是我们用户画像的重要指向部分。

但是更容易发现精准关键词的地方，是客户交易的商品本身。在同类用户同期消费的产品上，我们更容易搜集到更具分析价值的信息。

这位吸尘器投放的朋友，后来在调取平台数据时就发现：同一平台购买过吸尘器的用户中，很多还购买了除霾仪、空气净化器、洗碗机等消费升级类的电器，我们就可以通过分析这些关联产品，预测吸尘器目标用户的购买能力，选款等要求。

当我们发现购买吸尘器的很多用户都同时购买了某品牌的A型净化器，那么可以判断A型净化器就是这款吸尘器的关联品牌。

假设A型净化器售价3000元，而同一个平台销售的其它其它品牌的净化器的均价为1500元，在该平台同类产品销售数量中，只占28%。也就是说，A型净化器在该平台，属于高价商品。

而它与我们想要推广的吸尘器是关联产品，说明我们的吸尘器用户群体，和A型净化器的一样，目标用户都是消费能力高、对生活品质追求高的用户。所以，我们在投放时，就应该关注高消费能力，高生活水平要求的用户，创意、落地页风格等都需要和这类用户的特征匹配。

不定期更新

UP西电人 ID:UPxdren

求职信息|时事热点|互联网营销

1.什么是数据分析？

数据分析的目的是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来，总结出所研究对象的内在规律。在实际工作中，数据分析能够帮助管理者进行判断和决策，以便采取适当策略与行动。比如：企业的高管希望通过市场分析和研究，把握当前产品的市场动向，从而制定合理的产品研发和销售计划，这就必须依赖数据分析才能够完成。

简单的说，就是对数据进行分析，比较专业的说法是，数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，未提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。以求最大化地开发数据的功能，发挥数据的作用。

数据分析包含“数据”和“分析”两个方面一方面包括加工和整理数据，另一方面也包括分析数据，从中提取有价值的信息并形成对业务有帮助的结论。

数据分析的成果通常以分析报告的形式呈现。对于数据分析报告，分析就是论点，数据就是论据，两者缺一不可。

2.数据分析类别

其中，探索性数据分析侧重于在数据中发现新的特征，而验证性数据分析则侧重于验证已有假设的真伪证明。

数据分析的划分：描述性数据分析、探索性数据分析、验证性数据分析。

1）描述性数据分析：属于初级数据分析，常见的分析方法有对比分析法、平均分析法、交叉分析法。

2）探索性数据分析：侧重于再数据之中发现新的特征

3）验证性数据分析：侧重于验证已有假设的真伪证明

其中探索性数据分析和验证性数据分析属于高级数据分析，常见的分析方法有相关分析、因子分析、回归分析等等。

3.数据分析的作用

数据分析在日常企业运营中主要有三大作用：

1.现状分析

简单的说就是告诉你过去发生了什么。

具体表现在：

第一，告诉你企业现阶段的整体运营情况，通过各个经营指标的完成情况来衡量企业的运营状态，以说明企业整体运营是更好了还是坏了，好的程度是如何，坏的程度又到哪里。

第二，告诉你企业各项业务的构成，让你了解企业各项业务的发展及变动情况，对企业经营状况有更深入的了解。

现状分析一般通过日常通报来完成，如日报、周报、月报等形式。

2.原因分析

简单的说就是告诉你某一现状为什么发生。经过第一阶段的现状分析，我们对企业的运营情况有了一个基本的了解，但是不知道运营情况具体好在哪里，差在哪里，是什么原因引起的。这时候我们就需要开展原因分析，以进一步确定业务变动的具体原因。

原因分析一般通过专题分析来完成，根据企业运营情况选择针对某一现状进行原因分析。

3.预测分析

简单来说就是告诉你将来会发生什么。

在了解企业运营现状后，有时候还需要对企业未来发展趋势做出预测，为企业制定经营目标以及提供有效的策略参考与决策依据，以确保企业的可持续健康发展。

预测分析一般通过专题分析来完成，通常在制定企业季度、年度等计划时进行，其开展的频率没有现状分析及原因分析高。

什么时候开展什么样的数据分析，需要根据自身的需求及目的来确定。

分享 IT 技术和行业经验，请关注-技术学派。

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�...

走进经济生活里的一切

导读：2016年2月，教育部公布新增“数据科学与大数据技术”专业，北京大学、对外经济贸易大学、中南大学成为首批获批高校。次年，又有32所高校获批。此次248所高校获批“数据科学与大数据技术”专业，几乎是前两次获批高校的8倍。

来源丨21世纪经济报道（ID：jjbd21）

记者丨王峰 北京报道

图片来源/ 图虫创意（资料图）

“没有什么行业是没有数据的”

“我认为没有什么行业是没有数据的。”清华-伯克利深圳学院数据科学与信息技术专业一年级硕士生王宇杰说。

他在去年9月从一名工科本科生跨学科进入了大数据专业。

大数据专业正成为时下火热的高校新增专业。在4月28日举行的教育部新闻发布会上，教育部高等教育司副司长范海林介绍，2017年全国高校备案专业中，新增数据科学与大数据技术专业点250个，同比增加了近7倍。从中国人民大学、北京师范大学、厦门大学等知名大学，到一些地方院校均投入了这股热潮。

王宇杰大二时在一次展会上不经意接触到了一款大数据可视化软件Tableau，由此对大数据产生了浓厚的兴趣。通过Tableau，王宇杰感受到，数据分析这个行业的潜力无可限量。随着移动互联网大数据时代的到来，数据量正在不断增长。未来，更多人将学会分析数据，并将数据的洞察运用到工作和生活中的方方面面。数据分析会从小众走向主流，人人都可以成为数据分析师。接下来的大学时间里，他参加了一些数据科学家训练营，和一些商业机构组织的训练营，还在慕课网站上自修了国外大学的大数据课程。

他在2016年的Tableau可视化分析争霸赛北京赛区比赛中拿到了第一名。Tableau可视化分析争霸赛是全球可视化数据分析人士的年度饕餮盛宴，每年都会成千上万数据狂人参加这一比拼。这其中，既有来自各行各业的数据分析专家，也有像王宇杰这样的数据爱好者，而王宇杰是获奖选手中唯一一名大学生。通过这些活动，王宇杰结识了这个一不断壮大的数据分析社区，也让他对这个行业更加充满热情。

大四时，王宇杰得到了保研的机会，“国内开设大数据方向研究生专业的大学并不多，主要有清华大学、北京大学、复旦大学、北京航空航天大学等，这是当时比较知名的几个高校。”王宇杰说。

王宇杰得到了北大和清华的offer，权衡之后，他选择了清华-伯克利深圳学院，这是清华和伯克利合办的硕士研究生项目，不仅可以在清华拿到数据科学学位，还有机会到美国加州大学伯克利分校去进行为期9个月的学习，同时拿到相关学位。

“我是清华-伯克利深圳学院招收的第二届硕士生，也就是说，大数据专业其实是一个非常崭新的学科，在我申请的那一年，相对来说，大家对这个概念还不是特别了解，当然已经有一定数量的申请者，远超我们实际录取的人数，但并不是那么的火爆。”王宇杰说。

“到了我下面那届，就是招收第三届硕士生的时候，竞争就变得异常激烈，在短短一年时间里，这个专业成为了大家认可的非常有潜力的专业，大批的工程本科生，或者是数学、经济方面的学生开始申请我们这个方向，因此录取率直线下降。个人感觉在近几年内，竞争会变得越来越激烈。”他说。

清华-伯克利深圳学院的数据科学与信息技术研究中心设有6个实验室，分别为传感器与微系统实验室、纳米器件实验室、物联网与社会物理信息系统实验室、未来互联网研究实验室、大数据实验室、智能成像实验室。

“我想一般人会认为我们专业课的名称会比较高大上，像大数据分析、大数据基础等，的确会有这些，但从本质上来说，我认为我们学的课程跟数学、工程学这些基础学科没有太大区别，当然加入了一些新兴科技的课程，比如现在很火的深度学习、人工智能。”他告诉记者。

王宇杰进入了智能成像实验室，学习和科研课题是关于计算机视觉。“用一句话来概括，我们要做的是赋予计算机人的视觉能力。怎么理解呢？以后是一个有大量机器人存在的世界，而机器人要跟人类进行交互，做一些基本的工作，必须要有视觉能力，看得懂周围的环境，所以我们做的事情就是通过技术的方法让计算机拥有人的这种视觉能力。”他说。

热门专业：数据科学与大数据技术

图片来源 / 新华社（资料图）

3月21日，教育部公布了2017年度普通高等学校本科专业备案和审批结果。

在新增备案本科专业中，“数据科学与大数据技术”最为热门。根据统计，共有250所高校新增“数据科学与大数据技术”专业，其中包括中国人民大学、北京师范大学、厦门大学等19所教育部直属高校。河南省21所高校新增该专业，为最多的省份。河北、山东、安徽、广东、江苏等省也有较多高校成功获批。

2016年2月，教育部公布新增“数据科学与大数据技术”专业，北京大学、对外经济贸易大学、中南大学成为首批获批高校。次年，又有32所高校获批。此次248所高校获批“数据科学与大数据技术”专业，几乎是前两次获批高校的8倍。

该专业备受高校青睐与国家大力支持大数据产业发展及该产业人才奇缺相关。

国务院2015年8月曾印发《关于印发促进大数据发展行动纲要的通知》，明确鼓励高校设立数据科学和数据工程相关专业，重点培养专业化数据工程师等大数据专业人才。

根据教育部上述2017年度高校本科专业备案和审批结果，此次共有60所高校获批“机器人工程”专业。

“机器人工程”专业大热的背后，是人工智能行业的持续发展。

3月6日，南京大学官网正式发布新闻，经研究决定，南京大学正式成立人工智能学院。今年政府工作报告中四次提及“智能”，并特别指出要“加强新一代人工智能研发应用”、“发展智能产业”。

值得注意的是，从清华大学到地方高校，大数据专业成为普遍的时尚。“清华或者其他一般院校，在这个领域里对科研的贡献会有差异，但事实上，在如今的大环境之下，大家都想跟上时代潮流，所以我认为无论处于怎样的研究水平，敢于去跟上这个时代，就是挺好的一件事情。”王宇杰说。

“大数据是一个概念，它包含的范围非常广，不同的专业方向，对外显示的名称可能都是大数据分析、大数据工程与技术，但是整个产业其实非常庞大，从前到后拥有一个很大的产业链。”他说。

“我认为数据分析师这个称谓已经太过宽泛了，我觉得这个行业需要细分，未来会有专门做算法的工程师，专门做硬件实现的工程师，以及专门做理论推导的科研人员等。”他说。

（编辑 戴春晨）

现如今，世界的商业模式，是由信息与数据分析和大数据引导的。即便是企业决策，这些也起着都起着至关重要的作用，时代技术的转变，社会的需求，让商业分析专业（MSc Business Analytics）应运而生。近3年来，商业分析专业在北美、英国、香港、新加坡等地区开始涌现，而国内却基本上看不到有大学开设，这也是部分同学想出国留学的原因之一。

何为商业分析专业？

纽约大学（New York University）曾对商业分析专业做过这样的定位：这是一门研究数据，通过统计和运营分析，形成预测模型，促进客户、商业合作伙伴和同事之间的沟通以及技术优化应用的学科。

商业分析代表性学校

美国代表性学校有：MAT、Rochester、UT Austin、USC、Wake Forest U

英国代表性学校有：UCL和爱丁堡大学

香港代表性学校有：香港大学、香港中文大学、香港科技大学

新加坡代表性学校有：南洋理工大学

你适合商业分析专业吗？

其实大数据早就应有于各个领域，比如说物理、生物、环境生态、军事、金融、通讯等行业领域，只是因为近年互联网和信息行业的发展而备受关注。数据安全、数据分析、数据挖掘等围绕大数据商业价值的利用逐渐成为行业人士争相追捧的利润焦点。

不难发现，BA其实是一个交叉型的专业，是商科和计算机科学交叉的学科，判断你是否适合BA这个专业，主要看你想去的学校偏向于哪个方向，如果该学校注重计算机专业，那么你读BA就要计算机背景相对较好，反之则是需要商科背景。

商业分析专业详情介绍

1、美国

美国是商业分析专业的发源地，许多顶尖的商学院都有开设商业分析的项目，其中不乏像麻省理工学院（MIT），南加州大学（USC）等世界知名学府。

麻省理工学院（MIT）

MIT的商业分析专业全美排名第一，以下是MIT的BA专业的课程设置：

可以看出，MIT的商业分析专业（MSc Business Analytics）是非常偏向于工科和计算机科学的一个项目，需要学习大量计算机和数据分析内容。

而另一方面，作为商业分析专业的带头大哥，MIT的录取标准也是相当高的。

可以看到MIT的BA在全球只招收30人，平均绩点和GRE的分数也是非常高的，是真正的大神项目。

罗切斯特大学（UR）

这是一所美国著名的私立研究型大学，“新常春藤”联盟之一。华尔街日报将该校西蒙商学院（Simon Business School）列为全美第6佳商学院。而西蒙商学院也是美国商学院中较早开设商业分析专业的商学院。以下是罗切斯特大学BA专业的课程设置：

相比于MIT的商业分析专业课程设置，罗切斯特大学BA的课程设置则更加商科化，Business、Management、Accounting、Economics等商科课程，适合计算机基础不是特别突出的学生就读。

2、英国

英国作为媲美美国的教育重地，其商科教育也是领先全球的。很多优秀的学校都开设了商业分析的项目。G5院校中，帝国理工学院（IC）和伦敦大学学院（UCL）已开设商业分析的专业。而像华威商学院等英国优秀的商学院，也较早地开设了BA项目。

帝国理工学院（IC）

帝国理工学院是英国G5院校之一，位于英国伦敦，是一所世界顶尖的专攻理工，医学和商学的研究型大学，在世界学术界有着极高的声望。帝国理工商学院的MSc Business Analytics专业也是英国的顶尖BA项目。其课程设置如下：

与美国院校开设的BA专业相比，帝国理工学院的BA专业综合性更强，融汇了商科的各个领域以及数据处理所需要的一些基础的课程，对于想全方位提升自己能力的同学来说是一个很好的选择。一般来说，申请帝国理工学院的MSc Business Analytics专业需要985/211学校均分超过85分。

华威大学

华威大学的商学院久负盛名，是英国排名前五的商学院之一。而华威大学商学院也是英国最早开设商业分析专业的商学院之一。其课程设置如下：

华威商学院所开设的商业分析专业对于数据分析的应用更加重视，绝大部分课程都与数据处理和数据分析有关，可以说是实用性非常强的一门课程。

3、香港

香港的大学中大家比较熟悉的就是“港三”的学校（香港大学、香港科技大学和香港中文大学）。这三所学校的商学院都开设了商业分析的专业，而特点不尽相同。

香港大学（HKU）

香港大学是香港综合排名最高的学校，其商学院秉承着“少而精”的办学理念。而商业分析则是香港大学商学院为数不多的专业之一。其课程设置如下：

香港大学的BA课程设置与华威类似，更加注重数据处理和数据分析能力的培养，实践性较强。

香港科技大学（HKUST）

香港科技大学是一所非常年轻的学校，但其成长速度惊人。香港科技大学的商学院被誉为“亚洲第一商学院”，足见其商学院的统治地位。而商业分析项目也是香港科技大学商学院的重要项目之一。其课程设置如下：

与香港大学的BA相比，香港科技大学的BA课程系统性更强，学习的范围也更广，学习范围涉及management、economics、data analysis、decision making等等。

由此可见作为时下最火的商科专业，各个国家世界口碑比较好的，学术得到全世界认可的学校都有开设，同学们可根据自己的情况选择适合自己的学校，商业分析专业学校不同特点也不一样。

当下，人工智能、大数据等热门词汇频频出现在人们的视野中。作为万物分析的大数据更是站在互联网的风口浪尖上，直接催热了大学里的大数据专业。

从IT时代进入DT时代，高校在大数据方向上设置了什么专业，具体学什么，就业怎么样，作为新兴专业，考生如何报考?今天，就来谈一谈这个大家关注的热门专业。

1.什么叫大数据？

进入互联网时代，中国的网民人数已超7亿，大数据的应用涉及到生活的方方面面。例如，你在网站上买书，商家就会根据你的喜好和其他购书者的评价给你推荐另外的书籍；手机定位数据和交通数据可以帮助城市规划；甚至用户的搜索习惯和股市都有很大关系。

在谈到大数据的时候，人们往往知道的就是数据很大，但大数据≠大的数据。大数据，就是存储在各种存储介质中的海量的各种形态数据，具有5V特点，即：Volume(大量)、Velocity(高速)、Variety(多样)、Value(价值密度)、Veracity（真实性）。大数据之“大”，不仅在于其“大容量”，更在于其“大价值”，并已成为除人力、土地、财务、技术之外的另一种重要的基础资源。对各种存储介质中海量信息的采集、存储、分析、整合、控制而得到的数据就是大数据。大数据技术的意义不在于掌握庞大的数据信息，而在于对这些数据进行专业化处理，通过“加工”实现数据的“增值”，更好地辅助决策。

2.数据科学与大数据技术专业

本科专业中和大数据相对应的是“数据科学与大数据技术”专业，它是2015年教育部公布的新增专业。2016年3月公布的《高校本科专业备案和审批结果》中，北京大学、对外经济贸易大学和中南大学3所高校首批获批开设“数据科学与大数据技术”专业。随后第二年又有32所高校获批“数据科学与大数据技术”专业。两次获批的名单中显示，该专业学制为四年，大部分为工学。

数据科学与大数据技术是个交叉性很强的专业，很难说完全归属于哪个独立的学科。所以，不同的学校有的是信息学院申报，有的是计算机学院牵头申报，有的设在统计学院，还有的在经管学院。像北京大学这个专业是放在理学下，授予理学学位。大多数是设在工学计算机门类下，授予的是工学学位。数据科学很早就存在，是个比较经典的学科，现在和大数据技术结合形成了这个专业。目前教育部设定的本科专业名称为“数据科学与大数据技术”，专科名称是“大数据技术与应用”。

3.数据科学与大数据技术学什么？

以对外经济贸易大学该专业为例，专业知识结构包括数学、统计、计算机和大数据分析四大模块，具体课程设置如下：

数学：数学分析一、数学分析二、高等代数、离散数学。统计学：概率论与数理统计、多元统计分析、随机过程。计算机：数据机构、计算机组成原理、操作系统、数据库系统原理、C++程序设计、Java程序设计、Python与大数据分析、科学计算与Matlab应用、R语言等。大数据分析：数据科学导论、机器学习与数据挖掘、信息检索与数据处理、自然语言处理、智能计算、推荐系统原理、大数据分析技术基础、数据可视化、大数据存储与管理、大数据分析实践等课程。

数据科学与大数据技术是一门实践性很强的新兴交叉复合型学科：以统计学、数学、计算机为三大支撑性学科;生物、医学、环境科学、经济学、社会学、管理学为应用拓展性学科。此外还需学习数据采集、分析、处理软件，学习数学建模软件及计算机编程语言等，知识结构是二专多能复合的跨界人才(有专业知识、有数据思维)。根据各校偏重的专业方向，课程设置有所差异，感兴趣的同学可以具体查看各校的专业和课程设置情况。

1.行业增速快 人才缺口大

随着移动互联网和智能终端的普及，信息技术与经济社会的交汇融合，引发了数据迅猛增长。新摩尔定律认为，人类有史以来的数据总量，每过18个月就会翻一番。而海量的数据蕴含着巨大生产力和商机。

2011年至2014年四年间，我国大数据处于起步阶段，每年均增长在20%以上。2015年，大数据市场规模已达到98.9亿元。2016年增速达到45%，超过160亿元。预计2020年，我国大数据市场规模将超过8000亿元，有望成世界第一数据资源大国。但数据开放度低、技术薄弱、人才缺失、行业应用不深入等都是产业发展中亟待解决的问题。

根据领英发布《2016年中国最热职位人才报告》显示，有六类热门职位的人才当前都处于供不应求状态，稀缺程度各有不同，其中，数据分析人才的供给指数最低，仅为0.05，属于高度稀缺。

目前的当务之急是解决大数据人才瓶颈问题，相关调查显示，未来3-5年大数据人才缺口达到150万之多。，但截至目前，中国大数据从业人员只有约30万人。同时，大数据行业选才的标准也在不断变化。初期，大数据人才的需求主要集中在ETL研发、系统架构开发、数据仓库研究等偏硬件领域，以IT、计算机背景的人才居多。随着大数据往各垂直领域延伸发展，对统计学、数学专业的人才，数据分析、数据挖掘、人工智能等偏软件领域的需求加大。

数据分析师现在需求就很旺盛了，2年工作经验的月薪可达到8K，硕士学历的数据分析师月薪可达到12K，5年工作经验的可达到40万至60万元。

2.大数据主要就业方向

2015年9月国务院印发《促进大数据发展行动纲要》，系统部署大数据发展工作。《纲要》明确提出了七方面政策机制，其中第六条就是加强专业人才培养，建立健全多层次、多类型的大数据人才培养体系。目前，大数据主要有三大就业方向：大数据系统研发类、大数据应用开发类和大数据分析类。具体岗位如下：

1.大数据系统架构师

大数据平台搭建、系统设计、基础设施。

2.大数据系统分析师

面向实际行业领域，利用大数据技术进行数据安全生命周期管理、分析和应用。

3.hadoop开发工程师。

解决大数据存储问题。

4.数据分析师

不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。在工作中通过运用工具，提取、分析、呈现数据，实现数据的商业意义。

作为一名数据分析师，至少需要熟练SPSS、STATISTIC、Eviews、SAS、大数据魔镜等数据分析软件中的一门，至少能用Acess等进行数据库开发，至少掌握一门数学软件如matalab、mathmatics进行新模型的构建，至少掌握一门编程语言。总之，一个优秀的数据分析师，应该业务、管理、分析、工具、设计都不落下。

5.数据挖掘工程师

做数据挖掘要从海量数据中发现规律，这就需要一定的数学知识，最基本的比如线性代数、高等代数、凸优化、概率论等。经常会用到的语言包括Python、Java、C或者C++，我自己用Python或者Java比较多。有时用MapReduce写程序，再用Hadoop或者Hyp来处理数据，如果用Python的话会和Spark相结合。

6.大数据可视化工程师

随着大数据在人们工作及日常生活中的应用，大数据可视化也改变着人类的对信息的阅读和理解方式。从百度迁徙到谷歌流感趋势，再到阿里云推出县域经济可视化产品，大数据技术和大数据可视化都是幕后的英雄。

1.院校开设情况

大数据人才的典型胜任特征：善于做需求分析、写代码;善于与人沟通，喜欢探索未知;需要根据数据推演、分析、提出解决方案，有数据思维;需要持续保持学习状态;内性格上能动能静。

不同办学层次的院校开设此专业，培养模式会有差异。例如，高职类院校学生由于数学基础相对薄弱，会跟多偏向于工具的使用，如数据清洗、数据存储以及数据可视化等相关工具的使用;本科院校会倾向于大数据相关基础知识全面覆盖性教学，在研究生段则会专攻某一技术领域，比如数据挖掘、数据分析、商业智能、人工智能等。

在“教育部2015年度普通高等学校本科专业备案和审批结果”中北京大学、中南大学、对外经贸大学成为首批开设 “数据科学与大数据技术”本科专业的高校，随后中国人民大学、北京邮电大学、复旦大学等32所高校成为第二批成功申请该专业的高校。至去年上半年，我国已有35所高校获批“数据科学与大数据技术”本科专业。经过一年的发展，申请院校成井喷式的增长，全国高校大数据教育联盟通过教育部公示的申请2017年“数据科学与大数据技术”专业的院校来看，2017年申请院校高达263所，其中工学190所，理学73所。

数据科学与大数据技术是个交叉性强、跨学科的专业，很难说是完全归属与那个独立的学科。高校牵头申报的学院不同，培养重点和授予的学位可能不一样。因为课程来自于不同的学院，也有高校是联合一些学院单独成立机构来申报。从名单可以看出，在大部分开设院校中该专业都属于工学类，有个别院校将其归属在理学门类，授予理学学位。

有志于学习数据科学与大数据技术专业的学生，可以从大学的传统优势领域和行业背景考虑选择。比如，复旦大学的大数据技术本科专业是设在大数据学院下；北京大学是在数学院开设了该专业，偏数学的内容更多一些。对外经济贸易大学该专业设在信息学院，因为财经是学校传统优势，专业还会偏重经济、金融等相关学科领域的知识。

2.报考注意事项

了解了大数据行业和大数据专业后，对于考生填报与大数据相关的热门专业，需要注意以下几点：

1.报考热门专业和就业热的专业并不一定是重合的，比如软件、计算机、金融，这些专业的就业率实际并没有那么高，地质勘探、石油、遥感等专业，虽然报考时是冷门，但行业需求大，就业率更高。

2.选择热门专业，更需要考虑就业质量。专业就业好，是统计学意义，指的是平均收入水平高，比如金融专业的收入，比其他纯文科专业的平均收入较高，但落实到个体层面，就业情况就不一样了，尤其像金融专业是典型的名校高学历好就业，但对于考试成绩较低的同学来说，如果去一些普通院校、专科院校学习金融，最后就业情况可能还不如会计专业。

3.志愿填报，除了专业，城市因素也很重要：如果想从事金融、互联网的工作，更适合去一线城市，如果是去三、四线大学的学生可以考虑应用面比较广的专业，就是各行各业都能用到的专业，比如会计专业，专科层次的会计和985层次的会计都有就业渠道。如果先选择报考城市，也可以针对所在城市的行业特点选择专业，比如沿海城市外贸相对发达，选择国际贸易、外语类专业就业情况更好，比如武汉有光谷，选择光电类专业更好就业。

4.最终家长和考生更需要考虑个人与专业匹配的问题，金融、计算机等热门专业不是所有人都适合学，好专业不见得对所有个体都是好的。

5.最后，考生报考时要注意，有的高校大数据专业是按大类招生，即按计算机大类，且只招理科生。

下面是人大、北邮、中南大学三校2017年数据科学与大数据技术专业在五个省市的录取数据。其中，人大的大数据专业归统计学大类；北邮的大数据专业归计算机大类。

在回答“从事数据分析师学什么专业”这个问题之前，小编想先给大家介绍下数据分析这师的就业现状！

一个优秀的数据分析师可以帮助企业根据现有数据做出科学、合理的分析，在前行中准确定位，为企业排除干扰，创造价值。数据分析师这个岗位的可以从事相关数据的职位有很多，如业务数据分析师、数据挖掘师、数据科学家、数据工程师等等。

业务/商业数据分析师（BA）是完全的咨询师设定，核心价值在分析框架+报告；

数据科学家是完全的算法设定，核心价值在算法+数学；

数据工程师是完全的程序员设定，核心价值在程序；

其他还有建模分析师、数据架构师、数据产品等等；

可以说数据分析师的就业面非常之广，在公司产生的价值与被重视程度不言而喻。

小编从各大招聘网站找到国内三家大企业的招聘，从中可以发现企业对数据分析人才专业要求是怎样的。

可以看到职责描述里，第七条，数学、统计学、信息管理、计算机专业等。

岗位要求里，第一条：本科以上学历，统计学、数学、电子商务、计算机、市场营销等相关专业。

任职要求，第一条可以看到数学、统计学、数量经济学、计算机、营销学等相关专业。

这几条招聘启事专业要求有数学、统计学、信息管理、计算机、电子商务、市场营销、数量经济学专业。这些专业具体都学些什么内容呢？

数学

随着科技事业的发展，数学专业和其他专业的联系也越来越紧密，所以数学专业知识也得广泛的应用。

数据分析师需要有专业的数学功底和严密的逻辑思维，而严密的逻辑思维则来源于扎实的数学功底。 学数学的同学更注重理论的完备性和逻辑链的完整性，即对于在分析过程中出现的任何一些命题，都要能证明它是正确的还是错误的。

统计学

统计学贯穿数据分析的全过程，没有统计学基础，很难有专业的数据分析。数据分析的 各个步骤，都要用到统计学的知识。

信息管理

信管专业主要对各种“系统”进行分析、设计与实现，技术与管理的有机结合。学习内容：财务、系统数据分析、IT技术，可以说信管专业非常对口数据分析师职位，从信息中 发掘财富。与计算机结合，使计算机作为工具， 信息管理更加有效和实用，随着企业经营规模的现代化，对信息管理 的要求越来越强烈。

例如铁路订票系统，就是对车票这种信息的查询和管理系统。可以说软件开发的最主要面向的客户就是 帮助企业制作良好的信息管理系统。

计算机

学习计算机专业同学可以从事数据研发/开发工程师，数据挖掘/机器学习工程师，对编程技术上的要求高一些。

电子商务

电子商务专业培养具备管理、经济、法律及网络技术、计算机技术、市场营销、电子商 务技术以及电子商务管理等方面的知识和基本技能，现在各大交易都在网站等网络平台 交易完成，数据分析在电商行业的应用非常广。

市场营销

数据分析师常要为企业的营销决策提供支持，这就要求懂营销。

具有营销背景的数据分析师思路会更清晰、更开阔。当让他做竞争分析时，他会想到波 特五个力；让他做环境分析时，他会想到PEST、让他做消费者偏好分析，他会想到科 特勒用户决策流程。

数量经济学

数量经济学是运用统计学、经济计量学、投入产出分析、最优规划方法、经济控制论和计算技术等各种手段，对各种经济问题进行理论分析、经验检验和政策分析的一门应用经济学科。数量经济学更偏技术类，相比其他经济学金融类专业，数经的优势是统计软件够独立编程。