帝國理工學院Business Analytics項目在讀生，想和大家分享一下關於這個項目的情況。

在英國，數據分析碩士還沒有美國那麼普遍，BA相關的資源也沒有那麼豐富。但IC作為英國最頂尖的院校之一，BA項目可以說是籠絡了倫敦地區的全部相關資源，整體質量很不錯，項目設置也十分用心。

今年QS更新了Business Analytics的專業排名，IC位列第二。給學校打call的同時，順帶新增了文章的第四部分，聊一聊項目的就業情況。

1.申請及錄取<br>按照之前的情況，文書包括一篇PS和四個essay。 PS的篇幅是一頁左右，看似有點少，其實因為這裡面不用包括career goal，後面的四個OQ有兩個單獨問CG；另兩個open question問的課外經歷和achievement的，整體來說角度都不算刁鑽，不難寫。英國大多數學校基本不看文書，這事確實是真的；但我個人還是傾向於認為ICBS，尤其是BA項目，是看文書的，所以需要用心準備。除了essay外，還需要CV+2封推薦信。

申請時候不是必須提交語言成績，可以後補，接受託福和雅思；Gmat不是必須的，但如果你要交，申請時候是要一起交的。 Gmat有多重要，我說不清楚，我是壓線的GPA+高gmat拿ad的，但我也見過沒拿G就錄了的。總而言之，Gmat能有最好有，能高盡量高，總不會錯。

錄取人的BG怎麼樣？留學圈裡很流行一個觀點，申請人是分pool的，大概是說陸本會和陸本爭名額，海本和海本，互相衝突不大。項目的size大概在80人左右，台灣人應該沒有到25個，其實很良心了。陸本和海本大概1:1，陸本全是985+211財經，海本以英本為主，都是來自比較有名的學校。陸本GPA都是3.5+，英本一等學位，英國學校還是比較固執的，少於這個很難申。台灣學生有WE的不多。錄取人的專業統計，印象當中經濟是最多的，非商的比例很大，快有一半了。

項目裡很多外國學生背景很出色。出自大牛學校的很多，牛劍和ivy的都有；帶WE的也很多，最高有20年，過往背景比較好的有在JPM做到VP的，實力很強。鑑於此，至少從profile來看，個人覺得目前這個項目在台灣的人氣沒有匹配到應有的實力（當然，英國政策確實一定程度降低了台灣學生對英國學校的偏向），確實值得多多提及和宣傳。

2.項目學習情況
IC的項目算是英國最早的一批了，到我這屆大概是第三屆。項目的思路大概是core模塊學編程和統計分析基礎，選修模塊在某個domain方面深入或者技術上繼續進階，整體來說課程不太容易，數量也很多一年14門。瀏覽一下官網基本就可以看出，課程內容只從名字上看就一目了然。第一部分是pre-module，以網課的形式，finance/accounting/math這三門課的難度都不大，主要是零基礎或者復習的效果。

具體說下必修和選修模塊的課程：

必修

Data Structures and Algorithms ：主要講算法基礎，包括簡單的搜索和排序的算法，也會介紹貪心算法和graph的內容。這門課用python講，所以也是當作python入門課。介紹python的基本數據形式和語法之後，會介紹numpy/pandas等典型的數據分析庫，為後面整年的學習做準備，也涉及爬蟲和OOP但並不深入。授課以tutorial和lecture結合，設計的很好

Maths and stats for Analytics ：統計基礎課，結合R語言一起講的。會介紹如何用R做微積分、矩陣計算、隨機模擬、假設檢驗等等。根據學習內容需求，會介紹dplyr、tidyr和ggplot2等package

Optimization & Decision Model ：相當於國內的運籌學，學習解決實際中的規劃問題，主要講線性問題、整數和binary問題，也包含一些簡單的非線性問題（比如著名的資產組合優化）。工具使用方面，主要是excel solver和AMPL，目前已向programme team建議python(scipy)，所以明年也有可能變成excel+python的工具組合

Statistics & Econometrics ：計量經濟學，延續了之前的統計課，主要集中在講線性模型上，80%以上的時間都在研究線性回歸，最後幾個lecture簡單說了邏輯回歸模型。研究cross-sectional為主，沒有太多涉及panal和時間序列。值得一提的是，本門授課老師是位台灣老師

Fundamentals of Database Technologies ：SQL課，順便入門一下spark，使用postgresql數據庫

Machine Learning ：模型主要講了KNN， Navie Bayes，Decision Tree和K-means，也會介紹cross-validation和模型評估等。由於是第一門ML，所以選擇的模型基本都是最簡單的，編程語言要求R和Python都會。另外，這門課的作業比較好，像用naive bayes預測垃圾郵件、分類樹預測信用風險這些經典問題都涉及了，很貼近實際。寫作業的過程不是單純的找函數調包，而是需要真正去處理數據，很多次作業都涉及到了regular expression和scrape。

Network Analytics ：主要講graph。授課老師是項目director，上課比較隨性，課程內容很廣但很泛，不是很結構化。主要使用python中的networkx

Analytics in Business ：很理論基本沒什麼實際操作，基本上在講數據分析思想

Visualization ：講可視化涉及思路，和大多數BA學生的就業目標有點差距，因此得到的關注度不太高。課程沒有講可視化工具，都是理論內容，只在課前一個星期提供了三節tableau workshop

選修

Advanced Machine Learning ：繼必修的機器學習課後，如果有額外的學習興趣可以選擇選修裡的第二門機器學習。主要講貝葉斯分類器、集成學習算法、SVM、PCA等，難點不止在於模型複雜性，也是因為這門課的老師更喜歡手動計算和算法推導。慎選的一門課，確實對得起advanced這個詞

Big Data in Finance ：主要講機器學習在金融方面的應用，可以分為兩個部分：信用風險和股票預測。老師是大牛講的很好，但課程設計有局限性，比較適合在金融領域有相關經驗的同學，因為老師會假設你理解所有的金融知識，只是來學習技術而已。使用的工具沒有限制，但大家都用python，因為數據量真的很大。

Retail Marketing Analytics :涉及數據分析在零售行業的應用，比如價格敏感分析和廣告效果分析等。主要用aggregated level的數據，所以一般來說數據量不大，但需要統計基礎比較紮實。主要使用R來做。

Digital Marketing Analytics ：很建議選這門課，雖然每一門課都有它的價值，但這門課的內容是最容易在未來的面試裡被問到的，它正好符合了大多數台灣學生的就業方向。主要涉及RFM targeting模型、客戶價值估計和AB testing等，也會涉及google analytics和協同過濾。課程內容比較分散，但大多很有價值。

Data Management & Ethics ：來自data science institute的課程，主要講Hadoop，spark(pyspark)和MongoDB等大數據工具。理論實踐結合講，課還是比較難的。大多數作業都在微軟雲上進行，可以註冊免費使用。

Logistic & Supply Chain Analytics :供應鏈方面的分析，講需求預測和倉庫管理，會用大概兩週時間講時間序列

Work Force Analytics和Healthcare Analytics我沒有選因此不太了解。

全部課程結束之後，學生需要在capstone和work placement （實習）中二選一，作為實踐訓練

總結一下，整個項目使用的工具主要是R、Python和SQL，要做很多課程項目，因此只要用心，一年之後工具的使用都會十分熟練。項目也給提供一年免費的datacamp使用期，datacamp是一個很好的數據分析編程學習平台，可以好好利用

另外，學院有個和Data Science Institute合作的機構叫Data Spark，每年都會接倫敦當地公司的數據分析項目，項目質量很不錯也很具有挑戰性，屬於完全的實踐項目。如果有機會入選並完整的體驗一個項目，會很有收穫。

3.課外<br>鑑於課程壓力很大，課外生活確實相對沒那麼豐富了。比如，有個同學拿到了一個full time的面試，準備了三天，結果回來上課說覺得彷彿過了一個世紀。其實凡事有利也有弊，重要的還是自己權衡，BA確實很solid，然而你network的時間就一定沒有其他項目這些多。

teamwork強調的很多，開學後每個學生都會被分進一個小組，各組配置蠻科學的：我們組只有我一個台灣人，純商背景無WE；還有個亞洲人來自韓國，6年WE學EE的；英國本地人，美國ivy統計畢業；另兩個金融的女生，來自英國和加拿大，配置很多樣化，專業和文化都考慮到了。這個組大概持續4個多月，選修開始後會變成每門課重新分組的形式，可以接觸更多的同學。

IC各種club都比較完備，對於BA這種專注技能不鎖定sector的專業，其實選擇還挺自由的。也有專門data analytics組織，會提供各種workshop，也會舉辦邀請當地著名公司或機構舉辦data challenge。

4.就業(新增部分)

9月份畢業了，無論回國還是留在國外，都陸陸續續的開始找工作。我們這屆BA的同學，80%以上都從事了本專業，目前暫無台灣同學從事純粹的金融或諮詢等，有幾位同學崗位偏開發。

留英方面，我個人不考慮在英國工作，所以了解的不多，只能從表面上給點膚淺的觀點。 9/10/11是金融和諮詢的檔期，每天都是相關的guest lecture。基本上這個國家所有的牛企，都不會把imperial放著不管。不過學校的水平是學校的事，作為一個個體，一個master，一個外籍，還大概率是英語不如很多其他國籍好的那種外籍，英國本來蠻難留，你如果再有個可留可不留的心態，那可能難度更大了。最終，留英的大家都是技術/數據諮詢、金融保險或startup為主。最新消息有一位台灣同學去FB了，不過英國耳熟能詳的科技公司很少，所以拿到知名公司的offer非常困難。英國的薪資整體而言是遠不如美國給力的，我記得career fair時某著名諮詢公司標出了2.8w磅/年的價位，我都不敢相信我的眼睛。同學們的薪資普遍高於這個，大概都是3w以上，高的接近4.5，掙錢的話留英不是好選擇。

回國找工作和留英則完全不同，如果決定回國需要一個不同的就業策略。 IC的名氣基本可以保證你投簡歷不會因為學校被篩掉，但是國內技術公司也基本不怎麼看學校，更注重技能。最終結果還是比較理想的，由於國內IT互聯網崗位相對多，大家主要還是湧向這個行業。 9月份這個畢業時間不錯，絕大多數公司依然給了畢業後參加校招的資格。儘管今年的校招形勢不太樂觀，但大家的整體戰績也都比較給力，基本都拿到了幾個知名公司的offer。薪資總包普遍在22~30w之間，少有一些能拿到35w以上的offer。

5.結尾說點題外話

沒有一個項目是完美的，但對我來說滿意的地方遠大於不滿意的地方。學習方面，一年以來收穫很大，項目設計比較合理。生活方面，倫敦的天氣確實有點偏陰雨，但空氣和溫度都很不錯。倫敦在國外城市裡算比較安全的了，如果你住在離學校30分鐘的範圍內，其實可以說是很安全很安全。飯確實有點難吃，但也沒有太不堪，更何況倫敦有各種別國的美食呢。倫敦這座城市還是很有文化氛圍的，忙裡偷閒的時候，看個景點、看個歌劇，別讓生活太枯燥。

我出國之前就準備回國，而一年的生活也絲毫沒有改變我。我對倫敦而言是個短暫的過客，IC留給我的也只有一年。然後，我認為過去的一年是我人生中最充實、最快樂的一年，這個master帶給我的東西，或許比我本科四年還要多。所以我愛IC，再給我多少次機會，我都不會後悔我的選擇。

另外放一個友軍的文章吧，用英文寫的：

如果你對數據分析感興趣，無論準備海外留學還是國內求職，都歡迎關注Business Analytics專欄。我們之後會陸續推出相關的內容，幫大家從零開始學習商業數據分析！