商业分析

综述

商业分析(Business Analysis，简称BA)是商科与数据科学技术的交叉学科，简单来说就是看数据说故事。准确的商业分析才能使数据分析更有价值，具有预测能力，从而提高公司财务业绩、战略管理能力、和运营效率。像Amazon、Google和Capital One这些企业围绕商业分析及数据分析手段，都建立了一套完整的商业模型。

公司招收商业分析(BA)专业的学生，目的是分析收集到的数据，然后使用这些数据去为这些公司的销售、市场营销和产品开发提供实际的战略性方向。

一般来说，商业分析有三种分析类别:

1. 描述性分析--通过商业智能和数据分析的方法来了解已经发生了什么。
2. 预测性分析--通过根据统计模型和预测性建模来预测未来将要发生什么。
3. 指导性分析--通过优化和模拟的方法来指导公司需要怎么做。 通过这三种分析方法，公司不仅仅可以了解客户(Clients)和潜在的客户(Prospects)和公司业务之间的关系，也可以更加深刻地了解公司自身的运营状况。商业分析师们会利用这些分析报告来疯狂操作(通常是自动化和最优化的过程)，从而改进公司各方面的流程。

这些分析数据来自各种平台，比如社交媒体，网站分析(如Google Analytics)和客户关系管理软件如Salesforce)。然而，当分析师试图为自己的商业分析收集数据，他们会发现这些数据组的格式和形式往往不是统一的，这个时候，数据科学(Data Science)就闪亮登场了。

那商业分析师和数据科学家有什么区别和联系呢?从商业的角度看，数据科学(Data Science)主要的任务是从挖掘到的数据中，把这些数据通过一些自动化的方式或一些算法来统一到一个数据库里面，从而让这些数据可以使用到商务分析之中。

可以这么说，商务分析数据是数据科学的终端产品，商务分析师们用自己的智慧来处理这些数据科学家所提供的可处理的数据库，并且为未来的公司提供战略指导。

什么是Business Analytics

Business Analytics里的五花八门

商务分析基本可以分为商务智能(Business Intelligence)和高级分析 (Advanced Analytics)两大类。

虽然两者看似非常相似，但他们其实是在处理商务活动中的两个不同的领域。商务智能(Business Intelligence)主要是为管理层提供“发生了什么，何时发生，发生原因，发生了多少次"的一个事实性分析工具。

而对于高级分析(Advanced Analytics)而言，侧重点主要是，这个事件为什么发生，它是否会再次发生，如果某个条件改变了，它还会发生么，以及很多能从数据得知，而我们从却未想象到的问题。

商务智能(Business Intelligence)

商务智能(Business Intelligence，简称BI)通过研究历史数据，来对某个部门、团队、或者个人的表现作出一些评估。换句话说，对于一个公司来说，商务智能是一个通过各种报告平台(Reporting Platforms)去分析数据，帮助公司管理层或者其它人员做出合理的判断。BI的核心是通过大量不同的工具，应用和方法，从公司内部系统和其他外部的资源中收集大量的信息，然后把这些信息处理到可供分析的程度，最后分析这些数据。分析结果可以通过传统报告(Report)和数据可视化的方式呈现给公司的管理层和相关的技术人员。

像Tableau这类的工具是BA经常会用到的法宝，用来建立Dashboard，自动化报表(Automated Reporting)和计分卡(Scorecards)来计算企业关键绩效指标(Key Performance Indicators, 简称KPI)。为了保证数据的准确性，通常这些数据需要经过严格的”筛选”(清理、整合等等的操作)。

高级分析(Advanced Analytics)

高级分析(Advanced Analytics)的目的是利用统计知识来分析历史数据，从而对一个产品，服务或者网络设计的变动进行预测。高级分析的另一方面可以是使用其他高级分析的技术，如聚类分析(Cluster Analysis)，来把消费者通过不同的特征相似点来进行分组。这类分析对于准确的针对客户群体做市场营销非常有效。

基本来说你要先决定一个要分析的目标，接着选择恰当的分析方法，最后分析数据。一般来说，这些数据往往来自不同的系统，分析师们需要通过繁琐的数据清理和整合，把这些数据整合到一个统一的信息库里面，如Data Warehouse或者Data Mart。

真正的数据科学(Data Science)领域跟Advanced Analytics会略有不同，通常会需要自定义编码和解决些开放式问题。数据科学家一般不会像商业分析员一样为解决某个具体问题而工作。他们会通过一些高级的统计方法来挖掘数据的特性，然后让这些特性来给自己下一步的方向。

做Business Analytics的优点

让智商实现价值

对于大多数喜欢通过思考解决问题和通过数据讲故事的同学而言，BA是非常合适的选择。

在这个数据满天飞的时代，一个企业的发展很重要的一部分取决于对于数据分析的掌握，很多企业愿意花高价雇佣既会分析数据，又能给别人讲懂的人才。对于很多同学而言，自己的分析结果和策略在全公司的范围内被采纳，甚至被应于改变公司的运营发展，是一件极其有成就感的事情。

充满新鲜感、多样性

BA的工作也非常有趣，因为大多数工作是以项目(Project)或者报告(Report)的形式。这不仅仅给商务分析师提供了全面了解公司业务的机会，而且让他们学习如何从数据中得到一些Business Insights。商务分析的多样性也会让你的工作永远不无聊，但前提是你足够勤快、能按时完成任务。

必备技能、适合人群

聪明 (Intellectual Caliber)

商务分析师的智力体现在分析能力，数学功底，经济金融知识和学习新知识的能力。一个有效率的商务分析师需要有一个会分析的头脑，并有能从海量数据中筛选数据的核心趋势和关键因子的能力。

有好奇心(Curious Problem-Solvers)

商务分析师的好奇心体现在他们能够理解某个商业上的问题，并且能对这个问题提供指导性的方案，因此，商务分析师需要有足够的好奇心和强烈的解决问题的欲望。

交流能力 (Personable & Good Communicators)

商务分析师的交流能力体现在他们能够将复杂的数据转换成一些可行的策略，并且能够在给公司大佬们解释这些策略的时候，回答他们所提出的任何问题。光自己懂还不够，要让公司的大佬们都懂了才算你厉害。

机智(Resourceful)

商务分析师的机智体现在他们常常需要在数据资源是有限的情况下，通过自己聪明的大脑和别出心裁的操作找到解决问题的方法。

硬技能(Technical Skills)

商务分析师的硬技能体现在数据可视化(Data Visualization)，机器学习(Machine Learning)，统计建模(Statistical Modeling)，SQL数据库的使用，和其他相关的编程经验。在硬技能上，商务分析师可能不需要达到数据科学家的标准，但基础的掌握还是必要的。所以在申请BA工作的同学们一定要尽量"显摆”自己的硬技能，如果能让面试官认可，将会非常加分!

数据分析师的职业发展和所在的公司有很大关系。比如在华尔街工作的数据分析师，一般会为大型的投资银行(Investment Banks)，对冲基金(Hedge Funds)和私募公司(Private Equity)服务。

然而，很多数据分析师也会为大型的保险公司，信用机构、科技公司以及各产业的大型机构服务。像Facebook和Google一类的大型科技公司，都雇佣了大量的数据分析师。

对于大多数的公司，一般的职业路径是从数据分析师晋升到管理层，然后沿着管理层的路线晋升，比如从数据分析师晋升到分析部门的主管，从而往更高的职位晋升。

而对于科技公司来说，优秀的数据分析师们通常会获得更多的晋升机会来直接管理一个新的部门。对于想要通过从事数据分析走向人生巅峰的同学们而言，要对自己所处的行业和公司有更加深入的了解，从而寻找潜在的职业晋升路径。

未来发展路径

随着大数据时代的到来，越来越多的公司开设了BA部门，但也正是因为BA对于数据的依赖，只有规模较大的公司才会开设商务分析的部门。对于规模比较小的公司而言，一是没有预算，二是也没有足够量的数据去支持，当然也不乏有一些的公司提供BA方面的咨询服务。

简单来说，只要对于大数据分析有需求的公司(还得有预算)，基本都会有BA相关的职位，如上文提到的Google，Amazon等科技类公司，还有Capital One，AmericanExpress之类的金融公司，再或者像是Geico或者USAA这类的保险类公司等等。

咨询业里提供BA服务的也不在少数，例如MBB(麦肯锡(McKinsey&Company)，贝恩(Bain&Company)，BCG(Boston Consulting Group))里都有类似的岗位，还有Oliver Wyman和 Capgemini这种第二梯队的咨询公司也都会有BA咨询部门。

薪酬水平

商务分析师(Business Analyst)级别的年薪一般在$75K到$85K左右，而数据科学家(Data Scientist)的薪水则是在$90K-$140K左右。

工作时长

BA的工作时间通常比较固定，一般是平均每周40小时，偶尔会被一些如季节和项目Deadline的外在因素所影响，会比较忙碌。

薪酬、工作时长

常见公司

申请流程、时间线

大多数从事初级数据分析和商业分析的小伙伴们都至少需要一个分析类的学士学位，比如经济，数学，统计等。而数据科学家则通常需要更高的学位。

BA的申请过程比较简单明了。第一步是申请者在公司的网站或者学校的Career Fairs上面投递简历和申请表。有时候也可以通过Linkedln投递简历。如果你对自己的简历还有疑虑，你可以参考ffer帮为你精心准备的insider Guide fora Perfect Resume，以及Verb List来解决让你头疼的动词使用问题。有一份Draft简历之后，一定要记得去找一些有经验的人来帮你修改(例如学校的CareerCenter，同学或者目标公司的员工;能量果汁工作室也有专门的导师可以帮你逐行逐句修改简历，欢迎联系)。

一轮面试/筛选型面试(Screening Interview)的面试官一般会是HR。公司进行一面的目的是去确认简历可信度，以及你是否合适这个公司。

二轮面试一般会是你主管(Hiring Manager)，有当面的，也有可能是电话面试。

在这轮面试中，一般来说提出的问题会是Fit Questions或者是测试商业意识类的问题。技术性的问题和案例分析问题会在第三、四轮面试中被问到。当主管通过你的经验和面试表现，觉得你可以胜任这个岗位，就会进入下一轮的Case Study面试，以及和自己未来的同事和领导见面。

有些公司可能会要求你在二轮面试后，在家完成Technical Case (比如SQL相关的问题)。这类测试的成绩也会影响你是否能够取得最终轮的面试。如果你是在申请一个更偏向Data Analyst岗位的面试，就需要准备建模类的问题和产品分析类的问题。

在BA的面试中，同学们需要展现自己善于分析，善于沟通和具有商业头脑的一面。一般来说，BA的面试会考量同学们以下三种能力:

1. 商业意识
2. 案例分析能力
3. 硬技能(有时会有Take-home的Project)

如何为入行做准备

商业头脑(Business Acumen)

在回答考察商业意识的问题时，需要展现自己在商业问题上的基本素养。一般结合自己的经历和背景，需要做到:

1. 清楚地解释自己的背景，和选择这家公司的原因
2. 在和面试官讲自己的经历时，能解释清楚背景和自己要解决的问题
3. 清楚地说明你解决问题的方法
4. 将自己之前的相关经验和职位需要的技能联系起来 在准备这类问题的时候，大家需要在面试前花时间想想自己过去的工作和学习经验对于面试会有什么帮助，并把这些作为面试的重点。同时，对即将面试的公司进行详尽的研究也是非常重要的。

案例分析(Case Studies)能力

在被考察到这类问题的时候，需要展现自己"惊人”的分析和沟通能力，从而成功进入下一轮面试。

回答这类问题，小伙伴们要做到:

1. 作答之前思考一一在开始作答之前想一想，题干里是否遗漏了数据?为了做出合理的回答，你需要什么信息?根据这些问题，你觉得雇主们需要你提供什么信息?
2. 提出你想问的问题--面试者有时会故意遗漏一些关键信息来考察同学们是否懂得提问。因此你在开始作答时，向面试官提出合理的问题是非常加分的。举个例子，如果问题是优化工作流程，同学们就需要确保自己了解现有的工作流程，及面试官觉得现有工作流程有什么缺陷，明白了这些，才能更准确地去分析解决这个问题。
3. 说出你的心路历程--同学们需要注意，Case Interview的重点是让雇主们知道你是怎样思考这个问题的，因此，在回答Case Studies时，说出你的心路历程是非常关键的，这可以帮助面试官了解你的逻辑，也通过面试官的反馈给你一些回答灵感。
4. 解释你的逻辑一一如果你能说出心路历程，就能成功地让面试官了解你思考问题的逻辑。然而，在Case Interview末尾，你需要清晰地解释为什么会提出这样的策略，这部分其实是向面试官证明，你同样能够清晰地向管理层呈现你的结果。

硬技能 (Technical Skills)

同学们在准备Technical问题的时候，需要专注于锻炼自己通过Excel,SQL和心算能力(Mental Math)来分析、解决实际案例的能力。最好的准备方式是在面试之前提前磨练相关的硬技能，甚至可以给HR发邮件去确认你需要掌握哪些硬技能。

面试考点解析

Behavior Questions

Behavioral Questions到底应该怎么准备?自我介绍怎么说比较好?怎么才能打动面试官?语言怎么提升?如果碰到答不出来的问题怎么办?如果你心中也有这么多疑问，能量果汁也有专门的BQ提升特训课，欢迎联系我们。

Technical Questions

准备Technical Questions并没有什么诀窍，就是提早准备，勤加练习。比如:

1. What is the responsibility of a Data analyst?
2. What are the various steps in an analytics project?
3. What is data cleansing?
4. Explain what is logistic regression?
5. Explain what is KNN imputation method?
6. What are the data validation methods used by data analyst?
7. Explain what should be done with suspected or missing data?
8. Explain what is an Outlier?
9. What is a relational database, and what is SQL?
10. What are the different types of SQL JOIN clauses, and how are they used?