现在同学们留学选择专业申请交叉学科的机会很多，有些专业大家很容易混淆，分辨不清就有可能跟自己想学的方向有偏差。下面我们就来讨论这四个都是以大数据为基础的四个专业：数据分析，商业分析，统计学和管理信息系统。乍一看这四个好像说的是一个事儿，都是通过分析数字然后得出了个什么结论，那么具体的差别在哪里呢？下面为大家详细阐述。

信息系统管理：

概念：信息系统（Information Systems），或作信息系统管理（Information Systems Management），是电脑软件与硬件的互补学科。通常是人们或组织用来收集、过滤、处理、创建于分发数据；该专业研究通过信息与计算机理论基础沟通了经济与计算机科学。

就业展望： 信息系统学的MBA可以让学生掌握技术管理的相关技能，其课程主要与电脑、网络以及IT系统打交道。——从业方向主要在IT领域，在高层即相当于CTO（技术总监）的角色。

软件开发员Software Developers, Systems Software：$102,550 

数据库管理员Database Administrators：$79,120

计算机信息管理员Network and Computer Systems 

Administrators：$76,320 

选校分析： 建议申请在选校时考虑以下因素，再做决定：

 该商学院是否受高等商学院协会的认证？ 

计算机实验室是否配备最先进的设备？ 

教授是否掌握有最新的技术？

和当地企业是否有紧密的联系？ 

是否提供相应的实习机会？ 

该专业毕业就业机会如何？

MIS专业主要教授两方面的知识，一方面是技术类知识，如软件和硬件知识，各种信息系统知识，数据处理知识，信息系统的设计，分析以及应用，信息系统实践等;另一方面是管理知识，如管理理论，战略管理，如何管理可以使信息系统应用最优化，如何有效使用信息系统可以有助于完成商业决策和企业提升，等等。 下面给大家距离卡耐基梅隆大学的MIS专业的课程设置： 

 商业分析： 商业分析硕士( Business Analytics，简称BA)逐渐成为国内申请者比较感兴趣的商科类STEM专业。是STEM专业就意味着毕业生将拥有更长的OPT时间，这对于那些毕业后想在美国实习工作并最终想留下来的学生来说，无疑提供了很大的便利，而抽中H1B签证的机率也随着OPT的延长增加了很多。 BA的就业方向主要是当数据分析师和程序设计师。在不同行业中专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测。虽然这是一个较新的专业，但却有很好的就业前景。

在大数据时代，很多行业都需要擅长挖掘和分析数据的人，例如IT、互联网、游戏、通信、金融、医药、咨询、零售等，因此BA的毕业生都比较抢手，而且薪资水平也较高。目前最低是6万起薪，有的学校可以达到毕业起薪8万多甚至9万美金哦。

此次简单介绍一下商业分析(BA)，其实Business Analysis很早就有，只是它是传统商科，设在MBA下面，主要是分析整个公司的运营流程、开展的业务等方面，偏向于案例分析，以简单的数据分析为辅助。 现代新兴商业分析硕士专业，它主要是以商业知识为基础，数理编程为手段，从数据分析出发，以决策优化来创造价值的新兴专业。其核心是数据挖掘和数据分析，与现在的互联网及大数据(BigData)相联，主要是利用高深的技术、模型和算法进行数据挖掘和商业分析，服务的公司都是像IBM、Google、百度、腾讯、阿里这样的互联网公司。可以说，这是一个就业面非常广的专业。 目前开设BA专业的学校很多比较有名的学校有西北大学、卡耐基梅隆、康奈尔、南加州、北卡教堂山、罗切斯特、迈阿密、德州奥斯丁等。大部分学校的BA专业开设在商学院下面，少数学校开设在其他学院，比如西北大学和康奈尔大学开设在工程学院，卡耐基梅隆开设在信息管理学院，北卡教堂山开设在统计与运筹系。要特别注意这样的项目是否可以接受GMAT成绩，比如康奈尔就不接受GMAT。 下面我们来看MIT的BA专业的课程：

商业分析比管理信息系统更偏重商科，管理信息系统重点在于信息的收集传递和加工，而商业分析更加致力于用商业的眼光分析大数据并且运用于解决复杂的商务决策中。 我们来看南加州大学对于这两个专业的对比：

 统计学： 统计学是一种方法，是一种工具，是一种解决问题的武器。研究如何测定、收集、整理、归纳和分析反映客观现象总体数量的数据，以便给出正确认识的方法论科学。其目的是要解决问题。 从课程设置可以看出来，关于数学建模，数理分析，概率论基本概念，微分几何是统计学的常见课程，所以申请统计学对于数学背景要求是很高的。

数学与统计学的区别 统计学分数理统计和经济统计两个方向。其中数理统计是属于数学科目里面的一个分支，数学从某种意义上说可以是统计学的基础。统计偏向分支，更加细化，没有数学那么宽泛；经济统计是偏向统计学知识在经济中的应用的。

我们来看雪城大学的统计学的课程设置：

数据分析： 数据分析是为了解决问题，重在实用。如同学车，我们不需要掌握发动机的原理，不需要学习汽车电路，只要掌握怎么开车就可以了。 数据分析可以说是商业分析的基础，在统计学的基础上对数据进行加工和分析。

根据“谷歌趋势”，在2011年的时候，“大数据”还很少被用作搜索词，但是从2012年开始到现在，你几乎能听到各行各业的人都在谈论“大数据”。

 这是一个增长非常迅速的领域，而且催生出了很多的工作机会。麦肯锡公司的一份报告预计，到2018年仅美国在“具备深入分析能力”的大数据专业人才方面的缺口就在14万人到18万人之间。

 据New Vantage Partners公司对《财富》美国500强公司的调查显示，85%的500强企业要么已经推出了大数据项目，要么正打算推出。未来几年他们花在数据分析上的投资将平均上涨36%。难怪《哈佛商业评论》的一篇文章里将数据分析称作“21世纪最热门的职业。”

对有志进入“大数据”职业领域的人来说，首先要搞清楚的一件事就是它的职业门槛有哪些。这个问题看似简单，实则复杂。大数据领域的发展非常迅速，而且各个公司的招聘标准也是五花八门。比如有些雇主可能要求你掌握某种特定的编程语言，但有些公司就根本没有这种要求。在这一点上，中美两国公司对大数据人才的期望体现出了一些不同的特点。 

我们先来看国内的，在网上搜索“数据分析师”这个职位，百度显示的最新招聘信息约有近9000条。以其中一家“国内知名手机阅读公司”的招聘要求为例，应聘者需要满足：

⚑ 三年以上相关工作经历，至少有1-2个成功的中型项目经验；

⚑ 优秀的商业分析报告撰写能力，有及时发现和分析其中隐含问题的敏锐性；

⚑ 至少掌握一种数据分析工具(R/SAS/SPSS/Matlab),实现优化算法； 

⚑ 至少熟悉一种数据库，熟练运用SQL,有丰富的数据分析、挖掘、清洗和建模经验；

⚑ 熟练使用JAVA/C++/Python/PHP 构建中等规模的数据分析系统, 有丰富的脚本处理数据经验。 

再看看百度自家招聘数据分析师的职位要求：

⚑统计，数学，数据挖掘等专业；

⚑ 互联网行业分析领域两年以上工作经验者优先；

⚑扎实的机器学习/NLP理论和技术基础，能熟练使用SPSS/SAS/MATLAB等工具； 

⚑优秀的口头和书面表达能力； 

⚑ 具备Unix/Linux环境工作能力，能使用shell/python等脚本语言优先；

⚑优秀的分析问题和解决问题的能力，对解决具有挑战性问题充满激情； 

⚑良好的逻辑思维能力，学习能力强。 

综合其他一些公司的相关职位招聘要求，大体上国内公司最看重的素质归纳起来有：

能熟练使用数据分析工具（掌握SPSS/SAS/MATLAB是基本技能，有些公司会增加特定要求）；有2-3年的工作经验；对数字敏感、分析能力、表达能力强。

这些素质对从事数据分析来说都很重要。但问题是，大数据兴起也就是近两年发生的事，人才市场上哪里能迅速培养出这么多符合期望的候选人？ 

美国一些公司已认识到这一点，它们采取了更现实的做法：

一方面，和大学合作，长期培养大数据专业人才以及开展相关研究，比如英特尔就和数据学专业排名靠前的麻省理工学院合作建立了大数据科学技术中心；IBM则投入1亿美元在中国大学推行大数据教育，目前已和北京理工大学、复旦大学、北京大学等7所大学达成合作。 

另一方面，企业界已开始转换思路，不再寄望于找到某位全能型的天才来一手搞定所有的数据分析工作，而是吸引更多各有所长的人来组成一个能创造性解决问题的团队。有些甚至不需要有统计等特定专业背景。 

所以对于想进入这个行业的人来说，别灰心，即使非计算机或数学科班出身，你依然有机会。美国大数据行业龙头FICO公司的首席分析官安德鲁•詹宁思就曾向《财富》表示：“如果你不是一个纯粹搞数学的人，或者不是一个专业的编程人员，那也没关系，因为你可以和那样的人在同一支团队里工作。除了量化分析方面以外，我们还非常需要具有求知和好奇天性的人，以及能够指出业务上的问题并且能与客户沟通的人。” 

最后，我们来看一下这个行业的回报怎么样。由于目前大数据人才依然处于需求大于供给的状态，在美国，一位资深数据科学家在大型社交媒体企业当中可以拿到17.5万美元的年薪，而相关自由职业者的时薪可达200美元。 除此之外，一些创业者正扎根于大数据开创属于自己的事业。“大数据创业”已成为目前非常热门的一个趋势。

今年5月麻省理工学院斯隆管理学院举办的“技术创新与创业论坛”上，“技术创新与大数据创业”就是一个重要的讨论单元。在美国，《财富》刚报道过的一家公司是Flatiron Health，两位年仅28岁的创始人正试图利用大数据分析来给出治愈癌症的最佳方法。这家公司刚刚获得了谷歌1亿多美元的风险投资。