研究生数据分析师

转行数据分析师，首先具备专业相关性：管理学、金融学、应用统计学、数学、计算机科学与工程等相关性学科，这些相关性学科有个共同特点是公共科学，非行业学科，而是可以应用到各个行业。也就是说，如果你的专业是公共科学，想入行数据分析师就没那么难。互联网数据分析师需要的技能：在日常业务相关的数据分析流程可以归结为三步：数据提取——数据分析——结果汇报；数据提取的过程会用到SQL、HIVE、MySQL，这些工具擅长处理的数据类型和使用场景稍有不同，但用法可以触类旁通。以SQL为例，做到熟练掌握SQL基本语法函数与操作符、学会使用Join、熟练调用分组与聚合函数、掌握Union与条件赋值就能应付大多数场景下的数据分析；数据分析中多会用到Excel和Python两种工具中的函数调用把各类数据输入，经过计算和转换再输出想要的结果：常用的五类函数类型：清洗处理类、关联匹配类、逻辑运算类、计算统计类、时间序列类。处理的业务类型：用户增长、移动端数据采集与埋点、用户价值模型、在线营销与广告投放等常用的数据分析技巧；我如果要转行需要具备哪些条件：①本科生：专业不相关，提前学习，提前实习，在专业容忍度高的城市，需求人才的创业公司学习。②研究生：专业不相关，但是在毕业论文方面应用数据分析，除非文科生，目前有一部分的研究生自然科学、管理科学相关专业的学生，在平时科研或者毕业论文的撰写，都会应用数据分析工具，以及统计学方面的知识，这类同学可以毕业做数据分析，但是我建议，提前实习，提前学习技术，为未来加分，因为还是有一部分HR会看我们的专业，会考虑专业相关性，另外目前有很多行业垂直的数据公司，也比较适合发展。③已经工作的朋友，1-3年，在工作中认识到数据的重要性，还会做一些分析，未来希望在内部跳或者转行数据分析，这类朋友我一般会建议弯道超车，记住，选择>努力。

首先，如果想从事专业的数据分析岗位，读研确实是一个比较现实的选择，相对于开发岗位来说，数据分析岗位的竞争还是比较激烈的，除了计算机相关专业的同学可以从事数据分析岗位，数学、统计、金融、经济等专业的同学，也都可以从事数据分析的相关岗位。近些年来，随着大数据、人工智能等技术的快速发展，行业领域对于数据分析人才的需求量还是比较大的，尤其是IT互联网行业，新增了大量的数据分析岗位需求，但是随着人工智能技术在落地应用过程中并没有预期那么顺利，所以数据分析等算法类岗位的人才需求量，出现了一定程度的下降，这也导致了就业竞争越发激烈。如果明确要想往数据分析方向发展，而且想有一个较强的岗位竞争力，考研可以重点考虑一下计算机专业，在主攻方向的选择上可以选择大数据和人工智能大类，然后围绕数据分析岗位的要求来组织知识结构和开展科研实践。在专业选择上，之所以选择计算机专业，原因有三点，其一是相对于大数据专业和人工智能专业来说，计算机专业的学科体系比较成熟，会有一个比较好的学习和科研体验。其二是计算机专业可以培养自己的开发能力，这对于提升就业竞争力还是非常有帮助的。早期从事算法岗位甚至不需要掌握编程，但是当前很多算法岗位对于程序开发能力是有要求的，尤其是IT互联网行业内的企业，往往更加看重算法工程师的程序设计能力。其三是计算机专业的就业渠道更多一些，尤其在当前工业互联网发展的大背景下，产业领域会释放出大量计算机专业人才的需求。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以私信我！

根据往年的考研数据分析，每年的考研大军中，男女人数占比为4：6，也就是说，考研群体中女生要占到60%的比例，可以说，女生顶了大半边天啊！考研人群中女生居多，那么，女生报考最多的专业就对我们的择校有一定的参考价值，例如，我们可以从中选择自己喜欢的专业报考，也可以反其道而行之，不选择报考这些专业，这样自己的考研竞争压力就小一些。对于男生也有个福利哦，男生可以选择报考这些专业，这样，在就读研究生的同时，可以顺便摘掉单身狗的帽子哦！那么，女生报考人数最多的专业都有哪些呢？现在我们就根据考研数据的分析，带大家一起来看一看。01 教育学和很多职业相比，教师的工作算是福利待遇比较优厚的，光凭每年的寒暑假的超长假期，就能让打工人羡慕万分。而且教师工作一般是大家都比较喜欢的稳定工作，社会地位也比较高一些，所以教育学是很多考研女生比较钟爱的考研选择。而且，名校的硕士毕业后，有很大概率能够留校任教或者在普通高校工作，这也是比较不错的工作，收到考研女生的偏爱。02 会计学和教师职业一样，会计职业也是越老越吃香，并不存在吃青春饭的现象，而且女生本身比较有耐心，工作细致，所以比较适合会计类工作。而且，本身本科的会计学专业，都是女生居多，加之本科会计专业毕业的就业情况不理想，所以在考研的时候，也会是女生考研的居多。但是，会计专业历年都是学生报考的热门专业的前两名，所以竞争会比较大，如果大家有报考会计专业的，一定要好好学习。03 翻译随着我国和世界上各个国家联系的越来越紧密，翻译行业也催生出了比较大的市场，所以目前国家对翻译有较大的需求。女生天生对语言有比较强的学习优势，所以，在翻译行业，我们也会看到，绝大多数都是女生。而且翻译硕士毕业，其就业前景比较广阔，可以在贸易类公司担任翻译，也可以在教育类企业从事英语教学工作，还可以从事导游等行业，不过，要注意的是，随着人工智能的高速发展，未来翻译专业可能会受到一定的影响。04 护理学随着我国人口向老龄化状态发展，未来从事医疗和护理行业的人才将会越来越多，因此，保健医师、家庭护士将会成为越来越紧俏的人才。而且女孩子是比较适合做护理工作的，而且护士行业入职门槛并不高，将来养老院、医院都会比较需要护理专业的毕业生。05 心理学虽然现在物质条件已经极大丰富了，但是全国人民的精神条件并没有随之发展，加上现在各类人群面临的压力比较大，必然会催生较多的心理方面的问题。所以，现在国内的心理咨询行业逐渐开始吃香，而且目前来看，教育、医疗、企业、司法等领域对心理咨询师都有较大的需求。而国内的情况是，心理咨询专业的人才严重紧缺，所以必然带来从业者的薪资待遇的上升。而女性心思细腻、比较感性和善解人意，更容易与咨询者沟通，所以该行业的女生居多，而读研群体中，也是女硕士要多于男硕士。06 管理学管理学是目前比较热门的考研专业，而管理学中的行政管理和工商管理是目前最受考生青睐的热门专业。管理学专业的毕业生，往往在企业中从事实际的管理类工作，这也是受到追捧的一个原因。管理学中的沟通特性，也比较符合女性善于沟通交流的特性，对于工作也有较大的帮助。

大数据是我的主要研究方向之一，同时也在带大数据方向的研究生，所以我来探讨一下这个问题。首先，SQL语言是数据分析师的重要技能之一，大量的数据分析任务都需要使用SQL语言。在大数据逐渐落地应用的大背景下，广大的传统行业会陆续释放出大量的数据分析师岗位，数据分析师也将从互联网行业逐渐走向传统行业。大数据分析通常有两种方式，其一是采用机器学习的方式，其二是采用统计学的方式，不论采用哪种方式，既可以通过编程来实现数据分析，也可以通过数据分析工具来实现数据分析，比如Excel、报表工具、BI工具等等都是数据分析比较常见的工具。不论采用编程的方式实现数据分析，还是通过BI工具的方式来实现数据分析，SQL都是基本的技能要求之一。基础的数据分析任务通常通过Excel工具就可以完成，对于大部分职场人来说，结构化数据分析是比较常见的，而且数据量通常都在十万条以内，这种情况下采用Excel就可以完成基本的数据分析任务，此时即使不会使用SQL，也能完成数据分析任务。但是如果数据量比较大，而且数据相对比较分散，位于多个数据库中，此时就需要使用SQL语言了。不仅在数据清洗的过程中需要使用SQL语言，在进行基础数据归并和分析时也需要采用SQL语言，所以SQL语言对于数据分析师、数据采集工程师、大数据运维工程师来说都是重要的基本技能之一。对于数据分析师来说，通常需要具备三方面知识结构，其一是数据库知识（包括诸多工具）；其二是编程知识（比如Python、R就比较常用）；其三是行业背景知识，因为目前场景大数据分析是重要的落地应用。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网方面的问题，或者考研方面的问题，都可以咨询我，谢谢！

今天有一个（统计学）的女（硕士）来我公司面试大数据，她要求一个月是15000，听她说高考数学考148分，面试的过程中，她几乎能回答上来，能力跟我公司3年开发经验的程序员差不多。她的自我介绍是这样的：她说：学历（硕士），（统计学）专业，目前年龄27岁，大学毕业两年，由于本专业（统计学）就业工资低，待遇差，就在去年到现在自己自学了一年半（大数据）的知识点，目前熟练JAVA集合，多线程，IO流，反射.....等基础，还说自己熟悉Hadoop生态系统，具备HDFS/Spark/HBase/HIVE等组件搭建和开发能力。面试我问她：本专业（统计学）待遇不好还是就业困难？我问她，非要转行来做互联网程序员吗？她说： （ 统计学）非常容易就业，目前上份工作就是数据分析师，月薪8500，工资连个大专生的程序员都不如，她还说传统行业工资真的低，选择永远大于努力，所以才选择互联网程序员。面试我问她：你为啥转行大数据岗位，转行JAVA不行吗？她说：自己当年高考数学考了148分，恰好大数据需要数学理论的基础，所以才转行大数据，至于JAVA真的太简单了，都是调用API的水平，压根就没有挑战性（她刚说完，我心里想，说JAVA简单都不是一般人呀，毕竟人家是985毕业的，但是培训机构出来的JAVA程序员一大推找不到工作）面试我问她：你没有开发经验，你如何说服我，你可以胜任工作？她说：虽然我没有工作经验，单凭985这个学历，跟高考数学考了148分，可以证明我的学习能力挺不错的，她还说自己的基础知识非常扎实，入职后应该很快上手项目的（我点我信任她，毕竟对方是985毕业的）面试我问她：大数据是基于JAVA开发的吧，你对JAVA了解多少？她说：看过hashmap源码，懂得并发编程，目前懂得同步锁它的原理，还有NIO/IO流（她刚说完，我心里想，自学一年，有这个水平，当时我有点怀疑她在吹牛逼）我就接着问了一点技术性的问题，确认一下她对JAVA掌握的情况：来说说：HashMap的实现原理？ 来说说：为何HashMap的数组长度一定是2的次幂？来说说：HashMap重写equals方法需同时重写hashCode方法 ?来说说：JDK1.8中HashMap的性能优化 ?来说说：线程同步锁它的原理？来说说：JAVA 多态它的原理？我就问了这些，毕竟我有10年JAVA开发经验，不过这个985高材生真的厉害，上面的面试全会，我想科班毕业的未必回答得上来，一面我就这样给她过了，二面我叫我公司的老张面试他，我公司的老张有8年大数据开发经验，能力在我公司非常的优秀。我在房间旁听，他们在交流关于大数据Spark相关的知识点，他们大概交流了2个多小时，我看到老张笑着跟她握手，欢迎加入我公司，看来老张认可她的能力，老张还特意跟我说，这妞可以胜任3年大数据开发的岗位，待会谈薪资的时候就按3年工作经验给她。面试我问她：你期望的薪资待遇是多少？她说：月薪15k就满足（我本来想给她开月薪18k的，给她15k算了，毕竟对方没有开发相关的工作经验）于是我就满足了她的薪资待遇，给她开了月薪15k，不过对方挺开心的，她说，明天来公司报到。整个面试过程就这样结束了，这个高材生985毕业，转行互联网行业是正确的选择，最起码工资翻了一倍多。我对她的看法如下：选择真的大于努力，她的读的专业是统计学，毕业从事数据分析师，工资月薪8500这么低，工资连个大专程序员都不如，果断转行程序员是正确的选择，毕竟互联网程序员工资高。你们对这个985高材生转行程序员有什么看法，欢迎吐槽一下。

首先，软件测试岗位自身的发展空间与所处的行业领域有较为直接的关系，如果在测试领域长期不能有所突破，对以后的职场发展会产生一定的影响，应该积极通过自主学习或者调岗来完成突破。对于研究生来说，如果想要通过自主学习来完成岗位转换，当前可以重点考虑一下大数据领域，由于研究生往往具有扎实的数学基础，所以往大数据方向发展也会相对比较顺利。目前大数据领域的岗位比较多，包括大数据平台开发、大数据应用开发、大数据分析和大数据运维等，其中大数据分析岗位的发展潜力还是比较大的。对于测试工程师来说，如果要转向大数据分析岗位，需要注意以下几个方面知识的积累：第一：大数据平台知识。从事大数据分析一定离不开大数据平台，掌握大数据平台相关知识是从事大数据分析的第一步。大数据平台目前有开源平台也有商用平台，对于初学者来说，应该从开源平台开始学起，比如Hadoop、Spark平台就是不错的选择。第二：统计学知识。大数据分析需要用到大量的统计学知识，所以学习统计学知识也是大数据分析工程师必须掌握的内容之一。由于统计学本身也是数学的一个分支，所以对于研究生来说，学习统计学知识并不会遇到太大的困难。另外，在学习统计学知识的同时应该注重与实验相结合。第三：机器学习知识。机器学习是大数据分析的两种主要方式之一，相对于统计学分析方式来说，机器学习方式对于算法设计和算法实现的要求都要更高一些，所以掌握机器学习需要一个系统的学习过程。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言！

作为一名教育工作者，同时也在带大数据、机器学习方向的研究生，所以我来探讨一下这个问题。首先，数据分析师和会计师都有比较广阔的发展前景，至于如何选择应该根据自身的知识结构、兴趣爱好和发展规划来进行综合考虑。当前正处在大数据时代，随着大数据技术的逐渐落地应用，数据分析师的发展前景还是比较广阔的，未来除了互联网领域之外，广大的传统行业也将释放出大量的数据分析师岗位，所以从就业的角度来看，选择数据分析师似乎更有优势一些。如果对数字比较敏感，善于发掘数据背后的价值，那么数据分析方向是比较好的选择。选择数据分析师需要具备以下几个方面的知识结构：第一：数学和统计学基础。数据分析当前有两种主要的分析方式，一种是统计学方式，另一种是机器学习方式，不论采用哪种方式都需要具备扎实的数学基础。第二：计算机基础。数据分析不论是采用数据分析工具进行应用级分析，还是采用机器学习的方式进行专业级分析，都需要具备一定的计算机基础知识。以机器学习为例，机器学习的步骤包括数据整理、设计算法、实现算法（编程语言）、训练算法和运用算法，虽然算法设计是机器学习的核心，但是算法实现也是非常重要的步骤。目前不少企业的数据分析师岗位，既需要具备算法设计能力，同时要具备算法实现能力。第三：行业背景知识。数据分析师的知识结构除了数学、统计学和计算机之外，还需要了解包括社会、经济、教育、医疗等领域的行业知识，因为数据分析与应用场景具有密切的关系，不同行业需要有不同的侧重点。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言！

大数据文摘作品编译：王一丁、吴双、Yawei Xia学校里教的数据科学和实际工作中的数据科学的差距，往往让很多刚毕业踌躇满志的职场菜鸟陷入迷茫。事实是，在学校里你可以把模型做得天花乱坠，但是在公司里你的老板需要用业绩担保为你的研究结果背书，这么一想就不难理解为什么在实际操作层面，公司的模型会更偏向保守，而一些套路很深的职场老鸟会意味深长地说“简单的才是可用的”。从数据科学毕业生到业界的数据科学家的转型，需要很多经验和行业知识打基础。本文作者Rachael Tatman是Kaggle新上线的机器学习和数据分析课程的讲师之一，最神奇的是她的背景：威廉玛丽学院（美国第二古老的大学）英语本科、华盛顿大学语言学博士，现任Kaggle数据分析师。让我们看看她都给数据职场新人提了哪些建议。数据科学与研究生学位首先要说明一点：想成为一名数据科学家，并不意味着你必须拥有一个研究生学位。一个教你如何做研究的学位并不是必须的，除非你在做尖端的机器学习研究（老实说，包括我在内的99.9%的数据科学家并不是在做这件事！）。任何一个企图神话这份工作的人都可能只是想让你花钱读一个学位。读研期间，我确实学到了许多有价值的技能。我学会了如何处理混乱的数据，问对的问题，在不同的场景下选择适合的数据分析工具，为分析计算及机器学习编写代码，以及清晰地交流技术概念等等。这些是每一个数据科学家必要的技能。但数据科学家需要的技能并不仅仅是这些。我从学校到工作岗位这段时间，经历过的最有挑战的两个阶段：一是明确我缺少的技能是什么，二是明白如何快速地掌握它们。如果你现在的境遇与我当初相似，我的经验应该会对你很有帮助。下面列出的四项是我在研究生阶段未学到的技能，以及一些如何学习它们的实用技巧。SQL据我了解，大多数以从事数据科学为业的研究生都熟悉R或Python（或对两者都很熟悉！）。与此同时，却只有很少一部分人熟悉SQL。那么这可能会是当你准备进入数据科学行业工作时面临的一个问题：在Python和R之后，SQL是数据科学中使用最广泛的第三种工具（而你很可能对它的掌握程度并不够）。SQL（通常读作“sequel”）是一种与数据库交互的编程语言。SQL虽然在学术研究中用的不多，但在行业中却应用十分广泛。好在SQL的基本知识比较简单并且有很多学习资源，上手并不难。怎么学SQL：选一门课。网上有很多在线学习课程，包括可汗学院（Khan Academy），DataCamp，Stanford和Udemy。面授课程可能比较难找，但是如果你在本地的大学或社区大学有注册，或报名了编程训练营，也有机会找到。相关资源：https://www.khanacademy.org/computing/computer-programming/sqlhttps://www.datacamp.com/courses/intro-to-sql-for-data-sciencehttps://lagunita.stanford.e/courses/DB/SQL/SelfPaced/abouthttps://www.udemy.com/introction-to-databases-and-sql-querying/开发创建一个SQL案例集。用查询实例来说明你在真实数据库上的操作能力是证明你熟悉这种语言的好办法。一种方法是在Kaggle的BigQuery数据集上编写核心程序（kernels，即托管的R或Python笔记本）。我整理了一份帮你快速入门的指南，HackerRank和SQLZoo上也有不少SQL的练习资源。相关资源：https://www.kaggle.com/rtatman/sql-scavenger-hunt-handbook/https://www.hackerrank.com/domains/sql/selecthttps://sqlzoo.net成为一名多面手研究生院是很好的学习场所，日复一日的研究工作能帮助你拓展知识边界。但随着项目深入，你会发现你需要钻研某一特定领域，且会越来越细分。最终你会成为最了解这一细分领域的人。这很好，学术研究就是会让你成为这样的又“精”又“专”的人。然而数据科学家却不是这样开展工作的。除非你足够幸运，能够一直在与你学术论文主题匹配的领域中工作，否则，你会不断接到你之前所研究领域之外，甚至还会有一些之前从未闻及的挑战。所以你必须快速处理并不是自己专长领域的研究。这里是一些成为多面手的小贴士：阅读学科之外的内容。学术学科倾向于使用专门特定的统计工具。例如，在社会语言学方面，我们更多的使用混合效应回归（mixed-effects regression）来做工作，但其实还有很多其他的统计方法。在不同学科中进行阅读会使你接触了解到各种不同的技术和问题，并有助于你快速进入新的领域。训练自己分析新类型的数据。数据科学家需要处理各种数据。你可能已经在处理某一类型数据上有了丰富经验，但也需要考虑拓展其它类型数据的分析能力。你处理过时间序列数据吗？文本数据呢？图片数据呢？视频数据呢？音频数据呢？预训练模型呢？或者关系数据库？找出你的知识与实际应用之间的差距，并尝试就一些新的数据来源进行操作。Kaggle拥有各种来源超过10000个公共数据集，你还可以在Zenodo或Dataverse项上找数据。相关资源：https://www.kaggle.com/datasetshttps://zenodo.orghttps://dataverse.org和你所工作领域之外的人讨论技术。与自己工作领域之外的人就技术进行交流，不仅可以学到很多，同时也有机会去练习自己如何把技术给外行人讲清楚，参与讨论的双发都会获益良多。源代码管理/版本控制我读研的时候是学过源代码管理的（得益于一个软件技能学习网站（Software Carpentry））。源代码管理的能力是非常有价值的，但是据我所知，我的很多同学对此并没什么了解。源代码管理，也称版本控制，是一种对单个集中式文档或代码库进行管理及更改的方法。该方法的基本思路是，你可在任何副本上进行工作，且其修改都会使原件得到更新。这很益于单个项目的开发（它可以让你回归到实际工作的那个版本，并找到之前中断的地方），对技术合作来说也十分必要。怎样学习使用版本控制：在每个研究项目或课题中都使用版本控制方法。我觉得这非常有必要。在做论文研究的整个过程中，版本控制多次救我于水火之中。将GitHub用于个人项目（如果有的话）或可以分享的研究。这件事可做可不做，但如果加入使用Github的团队会很有益处。此外，活跃的GitHub配置文件是向潜在雇主展示工作流程化的一种好方式。“够用”就行当你在学术环境中工作时，你确实需要确保一切都尽力完美。你的研究结果会被专家进行严格评估，如果通过的话，它会被永久地添加到学术文献中。然而，在实际工作中，“马上能用”往往比“最终会达到完美”要好得多。我在实际工作中学到的第一批新术语之一是MVP，即“最小化可行产品”。这个想法是，当你的东西足以满足一部分与之交互的人的需求时，就把它与人们进行分享。在数据科学环境中，这意味着，你的数据不是必须要去回答每一个问题，也不是必须要使用最精准的模型。也许之后你可以对其进行更深入的分析或其他调整，但在项目达到“够用”时你应该就准备好将其发布。如何提高判断“够用”的能力：练习判断“目前已够用”。下一次你参与一个项目时，要经常停下来，也许在你每天结束之前，考虑你是否已经创造了一些有价值的东西（很可能有！）。花点时间练习如何描述你已经完成了什么有用或有趣的事情。考虑对研究中间阶段的分享。可以的话，考虑在博客上或对实验室的同事分享你的下一个研究项目的中间阶段。研究可能并非完美，但这不也是你研究中的一部分吗？想想在数据收集过程中，你学到了什么值得分享的东西？你想想自己做了什么是已经“够用”的，别人可能会觉得它很有价值的东西？以上便是四种我在研究生学校没学到，但现在每天工作中都会或多或少用到的核心技能。从事数据工作的同行们，你们毕业后，要利用一切可以学习这些技能的机会！原文链接：https://medium.freecodecamp.org/the-four-data-science-skills-i-didnt-learn-in-grad-school-and-how-to-learn-them-f2b039fc0f59

伴随着高速互联网、智能终端设备、和云存储的迅猛发展，商务实践数据以前所未有的速度积累。与此同时，新兴的数据分析算法（如统计学习、机器学习以及深度学习等）也日益成为未来商业领导者的核心竞争力。为了应对和拥抱未来商学教育新趋势，复旦大学管理学院针对企业当前对数据分析人才的强烈渴求，推出了数据科学与商务分析专业硕士项目，以全面回应企业在数字化时代所面临的人才痛点。昨天（18日），这个跨传统学科的新专业项目正式启动招生。复旦管院副院长郑明介绍，该硕士项目学生将系统性学习商务统计方法、商务决策模型、数据管理与挖掘技术等课程，从而具备应用定量方法处理与分析复杂商务数据、并应用于解决商务领域中的决策与管理等问题的能力，“该项目的推出旨在着眼未来，培养适应商务智能化发展趋势的管理精英；放眼国际，培养领导全球商务分析行业的技术领袖；立足上海，培养服务上海科创中心建设和智能金融科技建设的领军人才。”据悉，该项目招生对象为应届本科，推荐免试生为主，要求学生具备较强的数理基础、计算机编程能力。项目学制为期2年，全日制，课程设置方面统计学有关课程占40%、管理学方面课程30%、计算机和大数据占30%。2020年首届预计招生40-50人，达到学位要求者，授予应用统计（数据科学与商务分析方向）专业硕士学位。复旦管院校友、强生医疗高级生物统计分析师徐晶在发言中表示，数据科学不仅创造商业价值，也创造乐趣，每个行业都需要用到数据算法才能够实现高效发展，数据分析师和数据科学家将成为大数据时代最紧缺的人才。复旦管院陆雄文院长也表示，在迅猛发展的大数据时代，各行各业每天都会产生海量的数据，数据搜集和储存只是第一步，更重要的是懂得分析、应用这些数据。掌握数据分析技术的能力就是未来的竞争力，管理学院将以此来教育和培养我们的学生，让他们在各行各业发挥领导力，成为能够引领国家未来产业发展的人才，这也是我们项目的使命。据了解，数据科学与商务分析硕士项目旨在为政府、公司、企事业等提供数据分析与数据管理的高端人才，从而天生具有“特立独行”的基因：项目视角全面，以培养学生的数据分析理论基础、实际分析能力以及商业理解等视角来设置核心课程。项目师资雄厚，囊括统计学、物流管理、市场营销、信息管理、财务金融、计算机等专业的优秀师资以及业界专家。项目以丰富的实战案例为支撑，以市场营销、电子商务、物流管理、风险管理等领域的实际商业案例作为基础来展开分析，为学生带来“学以致用”的启发。项目还特别设计采用了双导师制，每位学生都将在校内导师和业界导师的共同指导下完成毕业论文。新民晚报记者 张炯强