从录取大趋势聊聊BA申请的选校，硬件要求和实习

近年来，美国TOP50高校BA项目如雨后春笋一般涌现。MIT、Columbia、Duke等名校纷纷开设BA专业，来满足市场愈来愈大的Big Date人才需求。而从这些热门BA项目的录取数据来看，BA项目录取大体有以下几个趋势：

趋势一：”Fitting is the best”， BA非常重视申请人职业规划与该项目毕业同学就业岗位的契合程度。

趋势二：BA项目对于申请人的“三维”(GPA/GRE or GMAT/TOEFL)要求越来越高。

趋势三：比较看重申请人自身的计算机、统计背景。数理能力强的学生会在整个申请过程中更有优势。

为更好地适应当前的录取大趋势，BA申请者应及时对照自身背景，有针对性地进行背景上的“查缺补漏”，高效准备自己的申请之路。

选校第一，建议大家在申请前仔细了解你感兴趣的项目及其培养方向。不要只参考一个渠道的资源，可以全方面挖掘身边的资源，从多方面的渠道积累资源信息，比如学长学姐，官网、知乎、Quora平台等。

其实BA、DS、Stats 几个专业的项目本质上不分优劣，但申请者一定要弄清“每个项目希望把你培养成什么人”以及“你是否希望成为这样”。比如有些项目是培养PhD 的，如果你对于所学的专业没有足够的学术热情就不要选。

而有些项目如 MIT BA ，则是需要毕业后马上找工作的。下半年的时候大家都在找工作的热潮中，如果你不想面对这么大的就业压力，这类项目明显就不是你的最优选择。又比如 NYU 的DS培养的各种track都偏工科，CS背景需要很强，作为对CS有抵触或畏惧心理的同学，就应慎重选择。VH建议大家在申请中多用自己的长处和学校专业的培养方向去 match。

第二，BA毕竟是一个就业导向的专业。大家在申请时要对自己有清楚的认知和评估，仔细判断项目的培养是否能真的帮助自己实现工作目标。比如MIT BA有 Analytics Capstone，需要去公司做项目能Guarantee 实习经验的，这对于缺乏全职工作经验的同学来讲会是很好的加分经历，能让毕业生在找工作时和其他Fresh Graduate有所区别。

硬件要求标准化考试：GRE/GMAT. 关于BA申请者该考GRE还是GMAT。如果是纯粹申请商科和BA的同学, 建议考 GMAT. 但如果同时申请DS等理科和BA等方向，建议考 GRE。

一般来说达到GRE 325+会比较理想。而GRE VS GMAT， GRE的接受范围会相对更广一些。

语言考试：除了个别学校BA项目不要求托福成绩，比如 MIT Sloan的MBAn。一般情况下，托福达到105以上还是一个比较保险的成绩。

成绩单：GPA当然是越高越好。如果是申请Top-tier的项目，GPA（针对美本）要达到3.6+才有竞争力。

由于BA 申请，学校会非常看重申请人有计算机、统计的相关背景。非相关专业申请者可在自己的PS中特别提及自己这方面的背景，比如你修读了2~3 门数学课（微积分、概率论、统计学）和一些CS相关的网课等经历，以此来提高自己的竞争力。

数学方面：如果申请人背景中有“微积分、概率论、统计学”这三门数学课，可以算是比较有优势的。如果没有或者缺漏，可尝试用其他方式来弥补。

而关于CS： 虽然CS专业本身博大精深，但幸运的是申请者们只用掌握其中较简单的三块，就可以较好地完成BA申请了。

第一就是数据库和SQL，因为企业里面数据都是储存在系统里面的。你要分析数据，首先要知道怎么把数据按照你要的方式提取出来。这就是用SQL写代码提取数据。数据库主要分为关系型数据库和No SQL. 其中涉及到一些大数据，比如Hive是一个数据仓库的和工具。

这些知识学校一般不会花很多时间去教你，但是这个是学、做Analytics的基础。所以申请者如果有SQL语言的基础，以及有MySQL和Oracle等的使用经验，是可以加分的。

第二就是学习如何在统计软件中进行编程。这里的编程，并不是传统意义上写代码的Coder以前提到分析数据，国内最熟悉的是SPSS，但SPSS并不适用于现在美国的就业。

目前分析数据所采用的主流工具，必须通过写代码的方式进行操作，最典型的工具就是R和Python。这两个语言比较容易上手，也比较偏向于应用，有很多数据库可以直接拿来用，应用范围很广泛，所以这里的编程，其实是统计编程，和真正编网站的C语言、Java还是很不一样的，申请者学习起来虽然仍是编程思维却容易很多。

第三要学的计算机知识也就是现在最流行的Machine Learning。机器学习基本上是用计算机代替和补充前面所说的回归分析等统计模型方法来建模。不过很多原则其实和统计的回归分析是一样的，也都是用R或者Python的代码来实现。

关于上网课的平台，VH推荐大家用Edx和Coursera.前者是由Harvard和MIT联合创办的，在美国东部学校比较 Popular;而Coursera则是由Stanford 设立的，相对来说课程较为轻松。

软实力的准备与提升

1.实习

在BA申请过程中，你不得不和很多有工作经验的申请者竞争，所以个人实习经历对于BA申请是很重要的。而实习方面，申请者可以通过Resume 呈现，应着重强调用过什么Algorithms，会什么Statistical modeling，学校会从这些描述中看出这个学生是否有相关基础。

BA申请者的实习经历应当重点体现出Creative thinking and solutions。比如在你做过的项目中列明“你在其中提出过什么解决方案？——你观察到哪些问题？——具体是怎么观察到的？——你做了什么调整并如何Improve the result？”整个过程要让老师看出这个学生是非常有创新精神的。而且你在说这些时，一定要主张你的解决办法是具体的，可操作性强的，避免过于学术而被束之高阁的方法。

简历中一定要围绕Data analysis相关的项目来谈，列出一二三四条，包括发现了什么问题、如何解决等等。需要注意的是：因为很多项目是通过小组共同完成的，所以个人部分的职责要说清楚，申请者一定要列清在这个过程中你具体负责的事务。

2.学术活动

学术活动建议从两方面来准备，一个是数学建模，另一个是 Data competition。学术活动拿奖与否并不重要，更多的是体现出你在学习之外积极投身实践的精神。这方面的比赛比如Kaggle大家参与的比较多，会有一些Projects让大家来做，然后上传结果等，之后学校可以凭借这些来判别出你做过的事情和达到的层次。

建议申请者在BA申请过程中，有任何学术和其他方面的更新，都及时跟学校汇报。同时勤于和学校沟通审核进度，或通过Linkedin 等社交媒介关注学校动态，让学校知道你非常重视他们。