Study Experience of Business Analytics

课程设计：
商业分析按阶段可分为三大主要分析：

Descriptive/Diagnostic Analytics：    Find patterns in the data 描述诊断分析，手段有描述性统计、聚类等非监督学习，可视化等，目的在于基于数据本身了解数据、发现问题或者insights。

Predictive Analytics：    Predict different outcome 预测分析，监督学习建模预测，对未来情况进行预测。

 

Prescriptive Analytics：   Gives advice on actions to take 谈论具体该怎么做，主要是优化问题。

​

WBS BA的课程也基本是围绕这三个分析来设计的。课程内容个人觉得可以分为两大方面：
一类是传统量化（管理的运筹+经济学的计量），另一类是数据分析（偏机器学习）。

​

BA的课程重心感觉最初是偏第一类的，虽然目前渐渐改革，添加了很多数据分析的东西，但是依旧还是比较偏传统的商科量化。不过传统商科也是wbs的优势，毕竟很多同学都是商科出身，如果讲的太data science也会很吃力。个人觉得相比于data analyst/scientist，BA就业更多偏向于用数据讲故事，发现insights，或者是当个甲方看看乙方代码写的怎么样的这种，所以不用太过纠结于算法上学的深不深，可以更多的把注意力放在如何画一个可以讲故事的visualization dashboard上可能对未来工作会更有帮助。

​

课程详情：

第一学期四门必修课，第二学期选修四选三，第三学期一门必修课，选修五选一。

Data Management（term1必修）：   

第一部分：数据库的构建相关（数据库范式、关系、画图、SQL语句等）

第二部分：Data Cleaning with R（R和数据库建立联系，怎样把semi-constructed和non-constructed的数据结构化。

第三部分：用R爬虫，爬XML和JSON文件。
Group work：
就是这三个部分的题，给你一个案例让你将建个数据库，把半结构化数据清理成结构化数据，网页爬虫。期末考试： 闭卷，基本都是实用操作的理解，几乎没有原理定义之类的东西。

Analytic in Practice（term1必修）： 

第一部分：CRISP-DM 数据挖掘-使用R语言按步骤讲解，数据清理（异常值，缺失值等），数据准备（抽样、数据不均衡的处理等），模型建立（讲了几个基本的模型SVM、Decision Tree 贝叶斯等），模型评价（评价指标、方法等）全程都是基本原理+R 语言实操。

第二部分：数据可视化-使用 Tableau 数据可视化的一些标准以及Tableau怎么用。
Group work：
有点像数据咨询工作的模拟，客户给你了一些数据，要你进行分析，然后最后给出一个报告和做presentation，给一些insights。最后评分标准主要偏向于怎样给insights而不是技术层面的东西。这个感觉很像实际工作。
期末考试：不会考编程，会考上课讲过的一些概念的理解，比如给你一堆数据怎么做预处理。Tableau会有开放式大题考你如何去设计数据可视化以及评价别人做的可视化效果的优缺点。

Optimization Model（term1必修）：

第一部分：线性规划、整数规划、动态规划，原理+上机（excel sovler）,一个俄语口音的老爷爷讲的，语速很慢。
第二部分：非线性规划，一个MIT毕业的越南老师讲的，讲的很数学，挺难的。涉及到微积分和线性代数的基本知识，我个人很喜欢这个老师的上课方式，所有讲到的例题和作业最后都会给答案。

学期中有个人作业，占20%，10道线性规划题用excel解出来，挺多人都是满分

期末考考试开卷，四道大题，占80%。非线性规划虽然开始学的时候不容易理解，但是多做些题考试还是不难拿下的。

Business Statistics（term1必修）：   

这门课的lecture是网课（在my.wbs看录好的视频，讲用R进行商业统计分析，原理比较少，操作和分析有很多，都是结合案例的。每周有两个小时的上机课做workshop的题，有老师答疑。没有考试，最后交一个individual report。

Project Skill（term2必修）：

主要讲项目管理和毕业论文怎么写。老师很nice。期末针对你的毕业论文写个两三千字的proposal。很多人觉得这门课很水，但是我觉得蛮实用的，因为在国内本科的时候就没有人系统教过你怎么做文献综述、管理数据、格式、引用这类的。

​

Forecasting（term2选修）：

主要内容类似于计量经济学里的时间序列分析和预测。涉及到数学方面的原理没有讲很多，主要是教怎么看图发现信息，以及什么样的数据适合什么样的模型这种。两个小时的lecture两个小时的lab，lab做workshop，有助教和老师答疑。老师口语非常标准。用Minitab。这节课的小组作业比较特殊，是给你们组一个和预测相关的主题，让你们自己做research，可以是其中的一个方面也可以是overview，最后做一个10分钟的pre，会上传出来给全班看，占25%，期末考75%

Advanced Analytics（term2选修）：

还是那个MIT越南老师讲的，涉及内容是prescriptive Analytics （应该怎么做 ），其实说白了还是优化问题，上课就是给了很多的case，资源分配啊，广告竞价排名啊，最后抽象成数据模型。（使用excel open solver）

小组作业占25% 期末考75%。

Text Analytics（term2选修）：

Data management的老师讲，这个老师一向实用主义。Text mining& Nature language Processing with R。

没有期末考试，有小组和个人作业。上届同学 的小组作业是 先爬airbnb的数据，然后对其进行处理变成tidy data，再进行text mining  and sentiment analysis、topic modelling. 占40%，个人作业是爬财报进行分析，占60%。

对R要求很高，作业很有挑战，但是做下来收获特别大。

Advanced-Data Analytics（term2选修）：

一个中国老师讲的,用SPSS ，分两个大板块：dependence techniques 和independence techniques，总共会讲6个模型。一个模型主要六七个stages，目标、design、assumptions、具体操作、检验等等。

小组作业占25%，三个小题，涉及所讲的大部分模型，report按照老师上课讲的几个步骤就可以，题目不是特别难，但是老师会鼓励你多去尝试，多跑几个模型分析比较结果

期末考75%

​

Supply Chain Analytics（term2选修）：

如何通过计算来规避供应链上各个环节的风险、进行各个环节的决策，如进多少货、准备多少库存、在市场环境短期变动的情况下如何在赚钱和囤货之间做平衡等等；15% group assignment，给一个case（很长但不难），使用excel solver进行线性规划问题的求解，要形成报告并做pre. 85%闭卷考试。

Pricing Analytics（term3 选修）：   

用R进行实时定价决策，小组作业占30%，期末考试占70%。

Discrete Event Stimulation （term3选修）： 

Assessment method: Individual assignment (60%) Group assignment (40%)

Strategy Analytics（term3选修）：

Individual assignment (70%) Group presentation （30%） 

​

Entrepreneurship & Business Venturing（term3选修）：

a shared elective across multiple courses and places are limited to 15 for MSBA.