在GWU读BA 之成为一名数据分析师需要几步？

大家好，我是Mikan，GWU 21届商业分析硕士生一枚。商业分析（Business Analytics）或数据分析（Data Analysis）可以说是近几年最热门的项目之一了，就业市场上相关职位也不断扩招，那么下面我就详细介绍一下我在GWU BA的就读体验，以及这个项目对数据分析师的培养思路。

一、学校&课程介绍

GWU有两个校区，BA专业隶属于商学院（the GW School of Business，简称GWSB），位于哥伦比亚特区（DC）的Foggy Bottom，乘坐地铁可以到达。

在城市里的GWU多了些时尚气息，少了刻板的学术风。马路纵横交错，商店和教学楼统一的建筑风格让人很难区分。p.s.白宫离学校只有2个街区左右，步行即可到达。

01 项目优势

项目的最大优势有两个：（1）整体偏向于tech，注重数理；（2）对于没有计算机背景的同学非常友好。

纵观GWU BA的课程设计，在同档次甚至向上档的BA专业中并不“水”，干货满满！作为一个经济学+会计+少许Java入门的美本学生，我考虑BA项目时首先会关注课程的大致走向，因为想走偏技术线，所以排除了很多包含过多商科或者偏文的项目。具体的课程设置我会在下一个环节说明。

虽然说项目整体偏tech，难度却是新手友好级别的，对于毫无计算机背景的同学而言无疑是一大福音。就读这个项目的同学有CS出身，但更多的同学是金融商科背景，有这么多小伙伴一起努力，不用太担心自己跟不上节奏。

02 成为一名数据分析师需要几步？（即课程设置）

（图-16个月的学习计划）

别看要学的内容很多，大多数课程一两周才上一次课，完全可以life&study balance。因为是理科类项目，也可能因为我是美本文科出身，所以课后的阅读任务对我来说并不是很重。

整个课程设置会考虑到初级数据分析师所必须掌握的各类技能：数理统计、沟通表达和工具技能。可以说，GWU的BA项目在一年到一年半的时间里把握住了数据分析师成长之路的大方向。

1. 数理统计

统计学是必修，包括了Statistics for Analytics和Probability。课程大多数安排在晚上，所以千万不要晚饭吃太多，容易“饭困”（摊手）。

虽然说我之前有上过计量经济学，可还是担心统计学太难适应不了，但其实并没有想象中那么困难，最开始也会从中位数、平均数这样的基本概念讲起。

作业一般两周一次，不仅有充足的时间完成作业，而且还可以以小组方式交作业。有些教授允许带cheat sheet考试，大家都是拼了命往上写啊。没有past exam可以参考，但教授不会特意出难题刁难人。

实在没有把握的话，可以去每周一次的discussion session，授课的TA小哥是GWU数学系PhD candidate，会很耐心很详细讲解作业，有时还会帮我们重新梳理知识框架。

（图-数理统计CheatSheet的部分内容）

2. 沟通表达

数据分析师的重要能力就是把事情的来龙去脉和解决方式说清楚，那么communication skill就必不可少啦。Workshop和Practicum一类的课程就是为了这个目的设置。

我觉得practicum还是很有必要的，我们需要好好考虑到底选择什么方向，对于以后的职业规划和发展会有一定影响。

学校会尽可能争取大公司的一些资源，拉一些项目过来，而且负责衔接的也都是知名企业的在职人员。去年我们有拉到Deloitte、IBM、中国农业银行的项目，这三个项目的竞争也很激烈。

组内每个成员都会积极参与讨论并且产出文档，最后制作PPT并且进行汇报展示。我感觉很多同学在最后presentation时候蛮紧张的，本来一口流利英语，硬生生憋出了奇怪的口音。

但是绝大多数人还是能在workshop或practicum里获得很多乐趣的，比如不断输出有效意见完善方案，如何说服客户认可自己的建议。作为一个经常灵光乍现的人，我觉得workshop是充分锻炼我表达能力，让我不断肯定自己的课程。

（图-某次workshop的讨论结果）

3. 工具技能

GWU设置了非常多的工具技能课程，例如SAS、R、Python、SQL、Tableau，并且这些课结合了很多小项目给学生进行练习，写在简历上也是加分项哟。这里着重介绍两门我觉得含金量很高、难度很大的课程。

DNSC 6212: Optimization Methods and Applications（Python）

运筹学，一节至今想起来依然“心有余悸”的课，它的难度在所有课程里排名第一，并且Program Director都不推荐第一学期学习这门课，甚至可以说它是MSBA项目里最大的挑战。

除了要求良好的数学基础，优秀的理解力和快速学习能力也非常重要。受到疫情影响，运筹学完全在线上进行教学，无法及时答疑让学习难度更上一层楼。

举个例子来说，第二次assignment是一道求最短距离规划，要求使用python的gurobi包进行解答，作业以Jupyter Notebook进行提交。光是列出正确的数学公式就难倒了大部分同学，而如何把公式再以一定逻辑写成代码、运行并求出答案更加困难。

（图-Jupyter NoteBook上复杂的数学公式）

虽说有两周时间完成作业，但吃透教材再写作业确实来不及。我熬了好几个夜，带着我们小组勉强写出了第一题的公式，在代码部分又卡住；好不容易解决了代码，第二题又是新的挣扎。全班同学一起向教授反映题目太难后，教授也很爽快地延了一个礼拜的deadline，依然按照原定时间交作业的小组则可以拿到extra credit。

DNSC 6279: Data Mining（R）

虽然课程叫做数据挖掘，每一年的具体内容会略有变动，今年着重讲了Machine Learning。教授是复旦大学本科毕业，后来到美国进行深造，学术背景没得说，必须过硬。

这门课之所以难，在于它涵盖了大量依赖于数学或统计知识的模型，例如随机森林、支持向量机、KMEANS等。如果无法掌握理论知识，在后续完成research project上会有很大的局限性。

（图-R代码，随机森林）

Research Project题目自定，我们组选择了葡萄牙一家银行的telemarketing数据做的可视化、数据清洗和建模。随着项目的推进，我们碰到了很多的问题，从最小白的“笨问题”到掌握一定门道后发现数据不平衡，每一个问题都是新的挑战和进步。在这个过程中，最重要的是及时去和教授反馈并寻求帮助，以及合理利用网络资源解决碰到的问题。

03 选修课程

选修课的自由度就比较高，每一年都会有不同的课以供选择。有些热门课程很难抢，有的课程难度比较大，但RateMyProfessor上不一定有相关教授的评价，如果没有明确目标的话，很容易变成碰运气选课。

考虑到我本科学的经济，加上自己对机器学习、编程也有些许了解，我选择了2门金融课和1门responsible machine learning。我还是强推finance，教授真的特别nice，讲的非常清楚透彻，上课也很有趣，跟着他的话绝对能把知识吃透。

二、衣食住行

01 关于住宿

不好意思要打破大家的幻想了，学校在DC≠住在DC。

因为房价等因素，很多同学还是会选择住在VA Arlington或者MD比较靠近DC的地方，一般选择地铁蓝线或银线附近。这边的房子一般都是上世纪80年代甚至更早之前建的，有些公寓的厨房通风不太好，甚至可能会有蟑螂老鼠，一定要多打听一下！！

多数公寓有前台，并且出入需要门禁卡。Arlington本身面积不大，算比较富裕的县，而且五角大楼就在附近，所以治安上也没有什么问题。