1. 什么是数据类的项目?
数据类硕士项目不仅是学习数据分析的项目,更是以后可以从事数据类工作的项目。
目前知名大学开展的数据类项目案例也有很多,比如大家都非常熟悉的Data Sciences(数据科学),Data Analytics(数据分析),Business Analytics(商业分析);同时也有Decision Science(决策科学),Applied Analytics (应用分析);甚至还包括 Statistics(统计学),Machine Learning (机器学习),AI(人工智能)。虽然各个项目的名称都不一样,但是在硕士课程中教授的内容都是相似的。
从就业角度来看,从数据类项目毕业的同学们就业方向都比较相似,但是就业选择范围非常广泛。根据不同的岗位,从事的具体工作也会有比较大的差异。比如,有些同学会从事数据库相关工作,也有人选择数据清理的工作,或者统计分析相关,又或者是机器学习建模方向的。
如果想了解项目的具体教学内容,就业前景,毕业生去向,建议大家去学校官网上查询,可以获得更加详细的信息。
2. 我们在数据类项目中可以学到什么?
*TIP:在申请过程中,建议大家多查多看学校的官网,因为所有项目相关信息在官网上都有非常详细、具体的陈述。或者,直接给学校发邮件询问也是获得官方一手消息的好途径!
这里以Emory University (埃默里大学)的MSBA (Master of Science in Business Analytics 商业分析硕士项目)为例,简单分析一下数据类项目的教学内容及申请要求。希望大家可以举一反三,之后自己也可以分析一下梦想学校的数据类项目。以下为大家罗列并整理分析了这个项目的五个学习阶段,以及每个阶段要求学生学习并掌握哪些知识。
在申请过程中,学校官网都会罗列出Pre-Requisites,是要求申请者在入学前必须掌握的相关学术知识,同时也是硕士学习中的基础。
如上图,在数据相关硕士项目的申请中,一般都会要求申请者熟练掌握以下学术知识:
(1) Advanced Calculus,比如微积分和高等数学。
(2) Statistics基础的统计学知识。比如,Linear Regression(线性回归),P-value(假设几率),Normal Distribution(正态分布)。
(3) Linear Algebra线性代数,比如矩阵运算。
同时,因为数据类项目逐渐变得热门,申请者的数量也逐渐增多。为了保证生源质量,有些学校也会将以下知识新增为入学前的必须学术要求。
(4) Programming Language 编程语言。
(5) Database & SQL 数据库及结构化查询语言。
*TIP:查询Pre-Requisites是申请中非常必要的一步。只有确保自己完全掌握Pre-Requisites中的学术知识,才能更安心自信的申请项目哦!
在秋季学期正式开始之前,埃默里大学为新入生提供了Summer Session,即暑期预科课程,会为大家普及数学及商业领域的相关知识,带领大家完成一些基础的计划,也会要求大家完成一些相关的演讲和报告。除了理论相关的学习,也会有导师和助教会指导新入生上机实践,也为没有编程相关学术背景的同学进行入门指导。
夏季预科课程相当于正式学习之前的预热和前瞻,以及对基础知识的再次整理和复习,为正式的学习打下较为扎实的基础。
秋季学期一般在八月中下旬开始。以MSBA项目为例,秋季学期会同时涵盖商业领域及技术领域的学习。如上图所示,会有一些对商业分析、互联网分析、数据可视化、机器学习、决策分析等各个领域分析的入门介绍,这些一般都是必修课。
之后,在春季学期的学习中将会引进一些更高级的课程。对于时长为一年的BA项目来说,春季学期将是大家上课的最后一学期,所以涉及到的课程也会比较广泛。比如上图左上角所示Managing Big Data,即如何处理大数据。举个例子,如果数据超过50G,无论是用台式电脑或是笔电都会比较难处理,这时候就需要用到GPU 或者云计算的平台,才能非常快速高效的处理大数据。这些都是目前业界非常需要的技能,但是相比于基础的数据处理来说,会比较有难度,所以会放在春季学期内学习。
每个项目根据不同的就业导向,也会提供不同的选修课。根据自己的职业规划选择更加专业对口的选秀类课程也是非常有必要的。
同时在春季学期,大部分学校会带领学生进行Capstone Projects。在与业内企业的合作中,指导学生处理业界真实的实时大数据,并进行分析和决策。数据类的项目往往对学生的操作能力和应用能力有着较高的要求,所以与企业的合作实习部分也算是数据类硕士项目的一个关键环节。
3. 申请数据类硕士项目需要哪些背景?
绝大部分的数据类硕士项目的申请者都是商科类的学生,或是有商科背景的学生。其他的同学也会有经济学、社会科学,或者理科背景。
*Tip:普遍来说,比如GMAT考试,参加GRE考试会对申请数据类硕士项目更有帮助。有些data science/statistics专业的数据类相关项目不接受GMAT考试成绩。但是也要结合个人情况和具体项目。
成为一个合格的数据类申请者,我们需要:
- 有商科或者技术领域的本科背景;
- 有比较全面且完善的数学/统计学知识背景;
- 有基础的编程能力;
成为一个有竞争力的数据类申请者,我们还需要:
- 数据分析类相关的实习经历;
- 熟悉数据分析相关工作的流程,培养相关思维倾向和分析模式;
- 对自身的职业规划有明确的认识。
*TIP:建议有时间的同学去领英网站查找业界前辈的背景介绍和相关职业经历。从中培养对数据类行业工作的理解,以及学习职业规划。同时,多多阅读相关职业指导或职业规划的书籍,对于自身的背景提升、专业选择以及未来的求职过程中会产生很大的帮助。
4. 如何根据要求来提升申请背景?
针对有时间的大三及以下的同学:
- 主动选修更多数学/统计/编程(Python, R, SQL)相关课程,并在官方成绩单上体现出这些课程的成绩。成绩单是展现申请者学术背景和专业素养最直观也最有说服力的证据。
*TIP:根据个人经验,Python, R, SQL的相关知识将是数据分析相关职业中运用最多的语言。建议大家在本科阶段打下比较扎实的基础,对未来就业有帮助。
- 多多阅读相关书籍或文献,或业界企业的网站。
- 时间和精力允许的话,从线上教育平台选择数据分析相关课程,提升数据分析的技能。更推荐英文版的课程,美国比较有名的线上教育平台有Coursera, EdX, Udemy, Datacamp 等。学成可以拿到网站颁发的电子证书,建议写入简历中。
- 寻找数据分析相关的实习机会。
*TIP:可以在应届生求职网站或其他求职平台搜索“数据分析师”/“数据挖掘师”等类似的职业。一些短期的数据分析项目也会招收短期实习生,可以在较短时间内跟完一个完整的数据分析项目并积累相关经验。
针对即将申请的大四同学:
- 将简历和论文与官网上项目的招收要求比较,增加个人材料和学校官网课程的匹配程度。
- 进行短期数据分析的相关实习或相关比赛。比如,KAGGLE平台上就有比较多数据分析相关的专题项目竞赛。如果拿到前10%的成绩,可以将成绩写在简历中。
- 如果在成绩单上不能体现出比较好的理科背景,一个很高的GRE数学成绩会成为很好的补足条件。
- 有时间就多参加线上教育课程。数据分析是一个快速发展的行业,需要保持快速学习跟进的步伐。前文所提到的线上平台在美国认知度比较高,也能成为补足相关技能的证明。
5. Q&A
Q: 怎么在美国找数据分析类的实习?
A: 一般来说有三个途径。
第一个平台是在大学职业发展中心网站,会有当地的公司以及欢迎学校学生的公司,简历命中率会比较高;
第二个途径是熟人内推,可以找本校的学长学姐,也可以在领英上主动寻找业内的HR相关人员,争取机会,这样针对比较大的公司来说命中率也会比较大,但也需要提前准备;
第三个方法是“广撒网”,大规模地海投简历。这种比起前两个方式来说会更加需要时间和精力,但由于量大,可能也会收获更多的面试机会或交流机会。
Q: SAS课程重要吗?
A: SAS课程的相关知识主要运用在统计领域。如果申请统计相关专业,SAS课程是必需的。但是对于大部分的数据分析相关专业,对SAS课程没有硬性的要求。如果是统计专业,努力学好SAS课程,并考到SAS相关证书会对就业非常有帮助;但如果是非统计专业,对SAS并没有硬性要求,在Python/R/SQL/SAS中选择精通一门也是可以的。