六种商业模式及其数据指标（商业分析BA为什么那么火）

商业分析

商业分析（business Analytics，简称BA）是最近几年兴起的热门留学专业，主要是以商业知识为基础，数理编程为手段，从数据分析出发，以决策优化来创造价值的新兴专业。

作为全球信息技术（简称IT）行业增长最迅猛的领域，商业分析（Business Analytics）近年来在学术界与产业界一直保持着超高的热度。

在2014年的《IT行业预测》（IT Industry Forecast）中，900位接受访问的IT企业高管中有60%表示他们计划提高商业分析和大数据处理相关岗位的年薪标准。

截至2018年1月29日，根据美国网站Glassdoor和PayScale的调查，商业分析领域的平均年薪已达到$69,244，而总监职位年薪则达到$86,061 - $165,430。

壹丨BA的诞生

BA这个专业完全是被社会企业用人需求倒逼出来的一个专业，不仅目前在国内没有任何大学开设这个专业，在美国也是最近3-4年才出现的一个新兴学科，而这个需求的诞生，归根到底就是第三个字：大数据。

自从移动互联网出现以后，企业经营的数据大大增加，以前企业用Excel, Word做做财务、市场、运营的分析就可以了，现在出现了大量的数据需要企业去分析，那么找谁来分析？学统计学的行吗？不行，因为统计专业的学生对分析实验结果很在行，但是对business和市场却一窍不通。另外，传统的Business Analyst和学统计的同学面对储存数据的系统、分析数据的开源软件，也就是计算机方面的东西，明显知识储备不足。那么找码农来做行吗？也不行。因为码农只会写代码，而对商业和统计知识一无所知。

也就是说，BA这个领域，是business, statistics, computer science三个领域知识的结合。 于是企业要求学校，特别是商学院开设这个专业，BA就是这样诞生的。

贰丨BA项目授课内容

接下来说说BA的三个领域，分别要学什么。

Business不需多说，和大家熟知的普通商科课程是一致的，就是economics, finance, marketing这些，但是统计、计算机方面和传统教学差别很大。

先说说BA要学的统计学的知识。传统的统计，主要是对实验结果做显著性检验，而现代企业中的数据分析，主要是建立和评估多变量的统计模型，最典型的例子就是回归分析模型，回归分析模型在传统的统计中，只是一部分，而在BA涉及到的的统计学中几乎是全部。除了回归分析，其他BA中要学的统计知识差不多也就是相关系数，时间序列之类的，所占比重不大。传统统计中的显著性检验、抽样方法，BA基本不用学。

接下来说BA要学的计算机知识。计算机博大精深，不过BA只需要学其中比较简单的三部分。第一是数据库和SQL，因为企业的数据都是储存在系统里的，你要分析数据，首先就是把数据按照你要的方式提取出来，这就是用SQL写代码提取数据，学校一般不会花很多时间去教你，但是这个是学BA的基础的基础。

第二就是学习在统计软件中进行编程。以前提到分析数据，国内最熟悉就是SPSS, 像Excel一样拖拖拽拽就行了。但其实美国根本没人用这玩意。现在分析数据的流行工具，必须通过写代码的方式进行操作，最典型的工具就是R和Python。这里的编程，其实就是统计编程，和真正编网站的C语言、JAVA是很不一样的，也容易得多，但是仍是类似的编程思维。

第三要学的计算机知识就是现在最流行的机器学习，机器学习基本上是代替和补充前面所说的回归分析等统计模型放大， 做的事情几乎是一模一样的，就是建模，只是方法是用计算机的，很多原则其实和统计的回归分析是一样的，也都是用R和Python的代码来实现，实现起来，不会比回归分析难太多，大家大可放心。

叁丨BA在企业中的基本职能

比如现在你要分析乐事薯片的广告投放是否有作用。传统的BA只说了一堆逻辑，只有简单的数据图表支持，而BA的思维，是首先运用商业知识对问题进行分析，比如广告是如何影响销量的？投少了会不会没作用？投多了是不是边际效应递减？除了广告之外，还需要焦虑其他什么变量？

商业分析的框架搭好之后，就是数据分析了。 首先用SQL把数据从数据库中按照你的要求提取出来，进行简单的数据清理之后，你就开始建立回归模型，而这个建模的过程，都是在R或者Python通过写代码完成的，

你也可在R或者Python里面试试机器学习，对回归分析进行补充，比如检查是否有些变量被回归分析的模型遗漏，这些也就是在R或者Python里面多写几行代码。

最后你run出了模型的结果，再用统计知识对结果进行分析，判断广告到底对销量是如何影响的。最后结合你的商业知识，对老板汇报。

肆丨BA的三种分析方法

以上是BA在实际工作中的流程，但是并不意味着BA是1 1 1=3的拼凑，而是这三个领域有机的融合。下面讲讲BA最核心的分析部分，到底要分析什么。

第一层是描述性分析，也就是通过对数据从不同角度的呈现，获取商业的insight, 这个是大家平时比较熟悉的了，比如利用Excel制作一些图表，是最典型的描述性分析的场景。高水平的描述性分析，主要是基于你的商业思维能力，所以在MSBA的课程里面，这个分析主要是通过商业类的课程进行培训。从技术的角度来说，有一些数据可视化的technique可以更好更快地帮助你呈现数据，这也是一些学校会开设data visualization类课程的原因。比如R软件可以一次性生成几十张散点图，再比如现在的Tableau，可以很好的生成实时交互式的图表。

第二层，是预测性分析，这也是BA课程中最核心的部分。预测性分析，就是通过对数据的建模，了解数据之间的关系，也能利用模型对其他未知情况进行预测。做预测性分析，Excel基本上是杀牛用鸡刀了，这就是R/Python/SAS的用武之地了。说到学习建模，主要是有统计建模和机器学习两类。

统计建模，使用数学公式来拟合数据；机器学习，则是用类似Alpha狗一样的穷举法，但两者的很多原则，特别是对模型预测结果的评价，都是一样的。统计建模，基本所有BA项目都会教，机器学习，大部分BA也会涉及。在一些比较technical的BA项目中，机器学习是当仁不让的主要模块之一。对于非理工科背景的同学来说，这两个名词可能听上去比较吓人，但真正学起来并不复杂，因为BA注重应用而非原理，就好像勾股定理一样，直接拿来用就好了。

第三层是决策性分析，也就是当你的预测性分析已经有了一个预测模型、了解了变量之间的相互关系之后，到底商业中概如何决策。两个主要的教学领域是simulation和optimization. Simulation最典型的是Mente Carlo模拟，optimization最典型的工具则是excel的solver.

伍丨BA就业举例

那么BA硕士毕业以后，具体能去什么公司做什么职位？以目前比较热门的咨询行业为例：

＞＞公司：SAS（软件和相关分析咨询服务提供商）

Title: Senior associate analytical consultant

Responsibilities:负责咨询服务当做的统计分析部分内容（数据准备，数据清理，数据挖掘，预测和最优化分析）；和其他咨询顾问合作，为企业寻找合适的解决方案；参与企业内部的统计方法培训。

＞＞公司：Elder Research （技术咨询公司）

Title: Data Scientist

Responsibilities: 和客户交流，理解客户需求并制定技术规划；通过进行和使用predictive models来进行数据挖掘；熟练应用建立各种分析模型完善提供给客户的解决方案。

＞＞公司：Deloitte （管理咨询公司）

Title: Consultant, advanced analytics & modeling

Responsibilities:在咨询团队中提供技术援助，处理SAS, SQL模型；利用客户数据建立相关预测分析模型，并进行可视化处理呈现研究结果。

＞＞总结：

consulting分为大数据tech consulting和传统management consulting两种类型，不过即使在两种类型的企业中，BA毕业生所承担的工作也是类似的。在技术咨询公司中，BA更接近业务的前端，帮助客户更好地运用自己的软件产品，甚至是衍生的咨询服务工作；而在传统的管理咨询领域，BA则担当团队中技术和数据分析员的角色，为咨询项目提供更多数据支持。

当然，咨询行业只是BA就业的一种可能性，还有相当一部分学生去IT公司做Data Scientist, 工作内容也相对多元化一些，主要取决于IT公司所在市场的类型。比如Paypal的数据科学家可能就类似银行当中的risk analyst角色，而Amazon的数据科学家更多会用到marketing和retail方面的数据处理。

陆丨BA选校误区

看到这里，同学们应该对BA的教学内容和实际工作中的应用有了基本的了解，那么MSBA在选校时应该考虑哪些因素？首先大家要排除两个容易走的误区：

＞＞过于看重学校的综合排名，而非项目本身质量

在美国的大学中，商学院的独立性是非常大的，很多时候reputation,就业资源、校友网络都是直接和商学院而非学校挂钩的，因此考量BA项目，还要看它所在的商学院水平如何。

拿BA专业的一些学校来说，比如北卡州立大学，明尼苏达双城，德州奥斯汀，这些学校综排并不是很高，但其BA项目在美国都是顶级水平。另外，地理位置也是很重要的一个因素，在大城市读书自然找工作更方便。因此，建议大家在选校时综合考量，不要只看学校综排和名气。

＞＞过于相信学校的就业数据

很多同学过于依赖某些学校的就业数据，比如从就业率和毕业生薪酬来判断学校之间的高低，但这其实并不靠谱。比如被有些同学吹上天的USF，他们大部分毕业生都在湾区就业，湾区平均薪水比其他就业区域要高很多，但这更高的薪水是因为高的离谱的生活成本造成的，而非工作本身就真的更好。

拿USF的薪水和其他项目比，是典型的biased analysis. 再比如有些学校，类似NC State,看上去工资就业貌似和UT差不多，但实际上仔细看数据，你就会发现NC State的学生很多都有很久的工作经验，另外美国学生比例高达90%，请问如果你是一个中国的本科应届生，NCSU的平均薪水和就业率和你有什么关系？

,