点击关注了解更多精彩内容！！
商业分析（Business Analytics）是过去这几年快速兴起，并备受关注的一个专业硕士项目，在国内外都如雨后春笋般地开展起来。在海外，有加州大学伯克利分校、麻省理工、哥伦比亚大学、滨州大学、迈阿密大学、帝国理工、新加坡国立、多伦多大学、伦敦商学院等。在国内有清华、复旦、上海纽约大学、香港科技大学、香港中文大学深圳分校，当然还有北京大学光华管理学院。显然，上面这个名单不完整，而且正在有更多的学校加入其中。
这就立刻产生了一个问题：商业分析专业硕士项目到底学什么？或者说这个项目的培养目标是什么？要培养什么样的专业人才？这个问题非常重要，在我负责光华管理学院商业分析专业硕士项目的筹建、招生、以及培养过程中，我被这个问题一次又一次地灵魂拷问，也不停促使我思考：商业分析到底学什么？
接下来，跟大家分享汇报一下我自己的看法。显然这个看法谈不上高明，只能说是对这几年负责相关工作的一个总结检讨，分享出来，请大家指正，也为我进一步学习提高提供可能。首先，必须强调一点，接下来我要分享的想法是100%的个人想法，显然不能代表北京大学光华管理学院。任何严肃的高等教育机构的正式教学项目的设计执行都应该是在相关教学指导委员会领导下，众多老师们的集体智慧和审慎决策，不能被任何个人的看法所代表。而了解熊大的朋友又知道，我是一个大嘴巴，很多看法是带着强烈个人偏见的，所以接下来跟大家分享的想法是100%的个人偏见，请大家多多批评指正。
好的，正式分享开始。
第一、显然，不同的学校，不同的老师，不同的专家，对于商业分析应该学什么是有不同理解的。他们之间是否可能存在最大公约数？如果是，那也学这就是商业分析专业硕士应该培养的核心内容。如果没有最大公约数，那只能是公说公有理，婆说婆有理，大家随意吧。
第二、如果不同国家地区、不同高校、不同老师专家对于商业分析的培养目标有一个最基础的共识，那么支撑这个共识（或者最大公约数）的底层源动力是什么？如果我们能够理解这个底层的源动力，那么就更容易达成共识。否则，我们缺乏达成共识的最核心基础，那么商业分析到底学什么，就必然是一个很随意的结果。
在我看来，无论国家地区，无论任何高校，无论何方专家学者，就商业分析的核心培养目标是可以达成共识的，而支撑这个共识的坚实基础就是：产业需求。也就是说，商业分析专业人才的培养，不是高校或者专家学者的智慧结晶，而是数据相关的产业，发展到一个阶段所产生的必然需求，而且是非常大量的需求，这才催生了商业分析专业的发展。这又产生了一个很自然的问题：数据产业的发展，自然会产生大量的、各种各样的人才需求，为什么会有这么一个奇葩的需求叫做：商业分析？这个跟数据分析师、数据科学家、大数据工程师有啥区别呢？这是我们面临的最大混淆与困惑所在。
为了能够解决这个困惑，我们看一看一个典型的数据相关的企业是如何发展起来的，然后看看他在发展的各个阶段对人才的需求是什么。
假设有一天老王不想当教授了，想想当统计学教授好无聊，天天t检验，p.Value，学生不喜欢，自己也无聊。于是，雄心壮志决定下海开网店。卖什么呢？就卖统计学相关的各种教材吧，毕竟这是自己的老本行。但是，这个网站如何搭建呢？而且还要开发相应的APP，既要考虑iOS又要考虑Android。但是老王自己不懂呀，怎么办呢？你看，第一阶段的人才需求来了：软件开发。其中既包括底层数据库的工程师，又要有移动端开发，还要UIUE设计，还要相应的各种测试人员。在这个阶段，你去跟老王谈数据分析之于商业的价值，他根本不搭理你，为啥？忙不过来！在这个阶段，数据不是核心问题，核心问题是：赶紧把平台搭建起来。
终于，第一个阶段过去了，平台搭建好了，PC端还有移动端都能够顺畅运行了，但是新的问题来了：没人光顾！这个糟心呀，毕竟热爱统计学的小伙伴不多呀，在茫茫人海中，他们散布在各个角落，怎么才能找到他们呢？你看，第二阶段的人才需求来了：市场、销售、运营人员。我们需要一个优秀的市场高手，通过各种市场手段（例如：广告、社群、竞赛、直播等）把老王网站的信息传递到市场的各个角落。然后，我们还需要一个优秀的销售人员，通过直销、代理、加盟等各种手段，建立了一个了不起的销售网络。当然，一个优秀的运营也是必不可少的，对于已经产生购买记录的用户，如何为他们提供更好的服务，为他们创造更大的价值，也是很重要的。在这个阶段，如果你跟老王谈数据分析之于商业的价值，他根本不搭理你，为啥？忙不过来！在这个阶段，数据不是核心问题，核心问题是：让整个产品架构和组织架构融合运转起来。
当然，老王是一个很优秀的老板，在他的英明领导下，公司的业务蒸蒸日上，突然之间，老王开心的烦恼来了：怎么用户这么多呀？太多了！每天产生了大量的PV+UV，大量的浏览记录，收藏记录，购买记录，要把服务器拖垮的节奏呀。以前图省钱，老王在XXX云就租用了2台服务器，现在明显不够呀，现在的业务量把服务器给拖垮了，在客户那里反映出来就是各种响应慢，客户们怨声载道。老王意识到，所有这一切都因为：数据量太大了。因为业务好，所以客户多。因为客户多，所以客户行为多。因为客户行为多，所以数据生产、存储、交互的量都非常巨大。而如何对如此海量的数据做高效率的吞吐运算，这是一个非常挑战的问题。你看第三个阶段的人才需求来了：大数据工程师。这是一批非常专业的计算机人才，甚至专业到很多计算机系都培养不了。事实上，很多这个领域的人才都是自学成才的。这批专业人员需要对大数据存储以及计算的各种软硬件架构非常熟悉（例如：Hadoop，Spark，Hive等）。在这个阶段，老王仍然不会太关注数据和商业价值之间的关系，但是他开始注意并开始接受一个事实：他的生意跟数据高度相关。
终于，老王的电商王国基本成型了，不仅仅有非常好的软硬件平台，高度契合的运营团队，而且能够大规模吞吐数据的大数据平台。老王原以为可以高枕无忧了，没想到老李、老赵、老张等等也都开发了类似的电商平台。具体的产品、技术、人员配置跟他大同小异。原来的情况是市场大玩家少而且小，因此各个电商之间没有太大的竞争关系。但是，现在老王、老李、老赵、老张做的市场规模都很大了，刺刀见血的竞争是不可避免的了。老王突然意识到一个事情：他们之间的竞争，不大容易通过产品、技术、或者某种资源优势产生壁垒了。老王能做的每一个动作，老李都可以模仿，老张也能学得不差，还有老赵。这时候的赢家只能有一个特征叫做：天下功夫唯快不破！老王多年辛苦创业，团队也有小一千人了。让一个小一千人的团队，如何根据市场的各种细微变化，做出快速响应？这是一个非常艰巨的任务，谁能具备这个能力，谁就可以在市场中处于优势地位。请问如何快起来？
过去大家都喜欢买熊大的《回归分析》，现在从最新的销售记录看，似乎大家开始关心《深度学习》了。作为一个完整的公司团队，能多快发现这个趋势，并将该趋势快速反映到采购、上架、推荐、运营等一系列动作上？这需要一个从数据到业务的高度协调能力。谁来干？过去的市场很好做，在百度上随便买几个关键词广告，效果就杠杠的。但是，不知不觉之中，效果似乎越来越差了，而短视频的效果好起来了。而且，同样是百度的关键词广告，数据显示跟可视化相关的关键词效果越来越好，过去传统数据分析相关的关键词效果越来越差。这对老王的启发是什么？可能不仅仅是广告投放渠道的优化问题，还包括未来商品采购方向。这又需要一个从数据到业务的高度协调能力。谁来干？很多用户在老王的网站上留下了很多用户点评。以前不多，老王自己认真看。现在太多了，根本看不过来，老王就放弃了！结果，很多粉丝在深度学习的书下面留言：一看就会，上手太难，求培训！你看，这是啥？这是一个新的服务需求：培训！这是一个从平台文本数据分析中看到的新业务方向，是为企业开疆拓土，增加收入的大好事。但是，这么宝贵的信息埋没在大量的文本中，谁来发掘？类似的案例越来越多，越来越多。
老王的苦恼也越来越多，终于有一天老王想明白了，他需要一种非常特殊的人才，这类人才有两个关键词：数据+业务。这类人才能够帮助他建立数据和业务之间的关系，能够具备一种神奇的能力，从数据中看到业务改善的机会，甚至能够为企业开疆拓土，发现新的业务领域。这类人才是什么专业培养吗？计算机吗？不！大部分计算机专业的人才精通软硬件，精通开发，并不精通模型算法，更不精通数据、算法、以及业务之间的关系。算法工程师吗？这个要好一点，毕竟这部分专业人员，如果培训得当，确实精通各种数据和算法。由于很多机器学习或者统计学算法都非常复杂，普通的小伙伴根本掌握不了。因此，能够掌握各种高深算法的算法工程师，常常非常专，但是不宽。也就是说，他的主要学习研究精力都在具体通用算法上（例如：深度学习模型优化），这部分工作已经非常耗时耗力，而一个人的精力有限，他们不大可能还有太多精力去跟各个业务沟通。因此，尤其是在大公司中，算法工程师负责的往往是更加基础的、通用的算法模型（例如：基于Spark分布式的逻辑回归模型）。这批人常常是相关专业（例如：统计学、机器学习）的博士，或者相同资历的人员。他们有一个共同的特征：具备独立开发复杂算法的能力。但是，业务却鸡零狗碎，分散在市场、销售、运营、人力等各个环节，无处不在。算法工程师是难以处理如此之多的业务场景的。
因此，我们需要这样一种专业的人才，他的定位就是打通数据和业务之间的关系。为此，他要花大量时间精力去了解公司业务运营的方方面面，在业务专家面前，他必须是绝对的数据专家，他理解各种数据和业务之间的关系，以及支撑他们的数据模型。但是，跟算法工程师相比，他们没有必要对算法的细节了解过深。他们只要能够正确高效地使用各种现成的算法就可以了。但是，跟算法工程师相比，这批人应该是绝对的业务专家。他们对公司的业务目标，整体业务情况，应该有更好地理解和把握。这批人是什么专业应该培养的？对，这就是商业分析专业硕士项目应该培养的人才！
简单总结一下老王的发展历程，这是一个典型的数据产业的发展历程。从最开始的创业开始，经历产品技术开发、销售运营团队建设、业务扩张、建立大数据平台等各个阶段。终于有一天，走到了需要在数据支持下，快速应对市场竞争的阶段。在这个阶段产生了一种旺盛的人才需求，需要一种非常特殊的人才，他们要既懂数据、又懂业务。业务这事，没法指望学校教授，因为不同行业，不同公司，甚至同一个公司不同时期的业务各不相同，因此不可能有任何教学机构能够承担这个教学任务。但是，我们希望这批同学具有很好的，快速理解业务的能力，快速理解业务和数据之间关系的能力，快速从数据中看到业务发展方向的能力，快速为业务找到正确数据支持的能力。而，这都是一个大学的教学项目可以提供培养的，是可以期待的，是应该从商业分析专业硕士项目中习得的。所以说，商业分析应该学什么？答：学习从数据分析到业务价值的能力，对就这一个东东。
这个事情说起来容易做起来并不平凡。请问：如何才能让学生习得从数据分析到业务价值的能力呢？为此不同的高校都有自己的理解，并基于自己的理解，设计了不同的教学方案。如果把各个高校的教学方案放在一起看，不难发现，有以下共识。
第一个共识是：几乎所有的高校教学方案都高度认同经济管理基础知识的重要性。毕竟，商业分析为商业培养分析人才，需要懂商业，为此最基础的经济管理知识，应该是有用的。但是，具体什么课程才能传递经济管理基础知识，不同的高校有不同的见解。有的侧重经济学（例如：微观），有的侧重管理学，有的是通过案例融入教学之中（例如：营销模型、量化投资）等。
第二个共识是：几乎所有的高校教学方案都高度认同统计学的重要性。统计学是一个被社会误会很多的学科。很多时候，人们认为统计学就是研究传统统计的（例如：数数）。这是一个很大的误解。在我看来，统计学研究的核心是：不确定性。而实际的商业实践就是在不确定性中践行商业价值。而统计学将为理解甚至把握不确定性，提供一个整套完整的方法论，这是一个多么酷的事情！在整个统计学的教学培养中，我个人尤其关注回归分析。我关注回归分析不仅仅是在“术”的层面，关注各种模型（例如：线性回归、逻辑回归、泊松回归等），关注各种方法（例如：最小二乘估计、假设检验等），我更关注“道”的层面，回归分析提供了一套规范的方法论，建立业务和数据之间的关系。只要能够把一个业务问题成功规范成为一个关于Y和X的数据可分析问题，那么你就成功了一大半。
第三个共识是：对各种编程语言框架的高度重视。就编程语言来讲，R和Python应该都是不可或缺的编程能力。为了能够与数据库自由沟通，SQL的熟练使用很重要。为了能够处理更大的数据量，分布式计算框架的熟练使用（例如：Hadoop, Spark, Hive）应该很有帮助。为了学习深度学习，TensorFlow或者PyTorch会很有帮助。
第四个共识是：对人工智能和非结构化数据的高度重视。人工智能是全球的发展方向，也是我国的国家战略，显然任何相关专业都会重视。而人工智能的实现，具体到数据分析相关，主要集中在各种非结构化数据的分析能力上（例如：图像、自然语言）。因此，与之相关的机器学习课程（含深度学习）以及非结构化数据（例如：图像）的处理能力，应该是发展方向。
还有一个正在形成中的共识：隐私保护与数据合规。数据本身是一个中性的宝贵资源。用得好，为社会创造福利。用得不好，也能对社会造成重大伤害。因此，以隐私保护为核心的数据合规，在任何国家与地区都会越来越重要。而商业分析专业人才，天天同数据分析打交道，天天在河边走，如何不湿脚，这不是一个平凡的问题。
最后，我认为运筹优化也是一个非常重要的内容。因为商业分析的分析结果需要支撑业务实践，而很多业务实践都是优化问题（例如：如何最小化成本），因此必要的优化训练也很重要。
简单总结一下，一个理想的商业分析专业硕士项目，应该向学生提供什么样的知识体系呢？我个人认为应该有以下重要内容和方向：（1）经济管理学基础知识；（2）高质量的统计学模型；（3）充足的编程训练；（4）必要的人工智能前沿知识；（5）对隐私保护数据合规的敬畏；最好还有（6）出色的优化能力。把所有这些能力综合在一起，学生具备了什么能力？答：从数据到价值再到产品的能力！对，这就是我理想中的商业分析专业人才的画像！
