学科详解：商业分析 Business Analytics

0. 速览 Quick Facts

项目	内容
学位类型	BS（理学学士）/ BBA（工商管理学士）
常见学制	4 年
学科本质	用数据、统计和计算模型驱动商业决策的交叉学科
适合学生	数据能力强、商业嗅觉敏锐、既懂技术又懂业务的学生
本科毕业直接就业	⭐⭐⭐⭐⭐（STEM-designated，3 年 OPT，就业率极高）
研究生方向宽度	⭐⭐⭐⭐⭐（数据科学、AI、MBA、运筹学均可）
国际学校推荐课程	AP Calculus BC, AP Statistics, AP Computer Science A, AP Microeconomics
代表性强校（美）	MIT Sloan, CMU Tepper, UT Austin McCombs, USC Marshall, NC State
代表职业	商业分析师、数据科学家、产品分析师、分析顾问
美本起薪（BS 商业分析）	约 $75 K -$ 100K
研究生后起薪（MSBA）	约 $100 K -$ 140K（科技公司 / 咨询）

1. 专业定义与本质

1.1 商业分析是什么？

商业分析是数据科学与商业管理的交叉学科。它用统计学、机器学习和计算方法，从数据中提取洞察，驱动商业决策——从”我们该向谁推荐这个产品？“到”这个供应链瓶颈在哪？“到”这家公司值多少钱？”

商业分析的三大支柱：

支柱	核心问题	代表技术
描述性分析 Descriptive	发生了什么？	SQL 查询、数据可视化（Tableau/PowerBI）
预测性分析 Predictive	接下来会发生什么？	回归、时间序列、机器学习
规范性分析 Prescriptive	我们应该怎么做？	优化、仿真、决策模型

==商业分析不是”学 SQL 和 Python”——它是学如何用数据和模型解决真实的商业问题。==

商业分析专业是过去 10 年美本增长最快的商科专业之一。核心原因很简单：每个公司都有数据，但缺少能看懂数据并转化为商业行动的人。商业分析师就是”数据”和”决策”之间的翻译官。

1.2 商业分析不是什么？

误解	实际
❌ “商业分析 = 数据科学”	✅ 数据科学更偏算法和工程，商业分析更偏业务理解和决策
❌ “商业分析就是 Excel”	✅ Excel 只是起点——SQL、Python/R、Tableau、机器学习都必修
❌ “商业分析不需要懂业务”	✅ 纯技术人不理解业务需求——商业分析的价值恰恰在于懂业务+懂数据
❌ “商业分析只去科技公司”	✅ 银行、零售、医疗、体育、政府——每个行业都需要商业分析
❌ “商业分析是文科”	✅ 在美本，商业分析几乎都是 STEM-designated——数学+编程+统计的硬核组合

1.3 学科本质

商业分析培养的核心能力是：

将商业问题”翻译”为数据问题：从”我们为什么在流失客户？“到”定义 churn、建立预测模型、找出关键因子”
数据分析技术栈：SQL 取数 + Python/R 建模 + Tableau/PowerBI 可视化
统计推断：区分相关性和因果性——不是所有相关都有商业意义
商业判断：数据分析的结果需要商业诠释——一个 $5M 的优化对业务意味着什么？
跨部门沟通：连接数据工程师（技术端）和业务经理（商业端）

⭐ 一句话概括：商业分析师 = 用数据讲商业故事的人。你在会议中说：“数据显示，我们的客户流失不是因为价格，而是因为等待时间超过 3 分钟——如果我们把响应时间降到 1 分钟，预计可挽回 15% 的客户，增加 $2M 收入。“

2. 学科发展简史

时期	事件	影响
1960s	决策支持系统 DSS 概念提出	计算机开始辅助商业决策
1970s	SAS/SPSS 统计软件出现	企业开始系统化数据分析
1990s	数据仓库（Data Warehouse）概念	企业数据从分散走向集中
2000s	”Business Intelligence”（BI）兴起	Tableau、PowerBI 等可视化工具爆发
2006	Hadoop 开源——大数据技术起点	数据量爆炸的时代来了
2011	McKinsey 报告：数据分析人才缺口 150 万	商业分析正式成为独立学科
2010s	MSBA（商业分析硕士）项目大爆发	各大学纷纷开设 BA 专业
2015	Google 发布 TensorFlow	机器学习成为商业分析标配
2020s	AutoML、GPT 辅助分析	分析工作向”自动化+策略化”演进

关键洞察：商业分析是 “大数据的副产品”——数据多了、便宜了、容易获取了，但能用数据做决策的人极度稀缺。这个供需不平衡还要持续至少 10 年。

3. 课程体系

3.1 本科核心课程

课程	难度	内容
商业分析导论 Intro to Business Analytics	★★	BA 框架、数据驱动决策的基本流程
SQL 与数据库管理 Database Management & SQL	★★★	从关系型数据库中提取和处理数据
统计学 Statistics for Business	★★★★	回归分析、假设检验、贝叶斯方法
数据可视化 Data Visualization	★★★	Tableau/PowerBI——用图表讲故事
预测分析 Predictive Analytics	★★★★	时间序列、分类模型、机器学习入门
运筹学 / 优化 Operations Research	★★★★★	线性规划、仿真、决策树——找到”最优解”

3.2 专业核心课（高阶）

课程	难度	内容
机器学习 Machine Learning for Business	★★★★★	监督/无监督学习、模型评估、特征工程
数据挖掘 Data Mining	★★★★★	关联规则、聚类、异常检测
计量经济学 Econometrics	★★★★	因果关系推断（DID、工具变量、RDD）
供应链分析 Supply Chain Analytics	★★★★	库存优化、物流网络、需求预测
客户分析 Customer Analytics	★★★★	客户生命周期价值、推荐系统、流失预测
社交媒体分析 Social Media Analytics	★★★	文本挖掘、情感分析、社交网络分析

3.3 选修方向

方向	代表课程	目标职业
数据科学方向	Deep Learning, NLP, Big Data (Spark)	数据科学家、ML 工程师
供应链分析	Supply Chain Optimization, Logistics Analytics	供应链分析师、运营
金融分析	Financial Analytics, Risk Modeling, Algorithmic Trading	金融分析师、风险管理
营销分析	Marketing Mix Modeling, Attribution, Customer Segmentation	营销分析师、增长分析
人力分析	People Analytics, Workforce Planning	HR 分析、组织咨询

3.4 先修要求（高中阶段建议）

课程	必要性	备注
AP Calculus BC	⭐⭐⭐⭐⭐	必修——优化、ML 的基石
AP Statistics	⭐⭐⭐⭐⭐	统计推断的基础
AP Computer Science A	⭐⭐⭐⭐⭐	Python/Java——编程标配
AP Microeconomics	⭐⭐⭐	商业逻辑基础
AP Physics C	⭐⭐⭐	建模思维训练

3.5 课程难度特征

商业分析 = 40% 商业 + 30% 统计 + 30% 计算机——是一门三门交叉的复合型学科
比纯 CS 更偏应用和业务，比纯商科更偏技术和量化
==最重要的技能不是写代码，而是定义问题——在混沌的商业环境中，找到”正确的问题”比找到”正确的答案”难 10 倍==
大量 project-based learning——真实公司提供数据，学生做分析报告
团队合作极端重要——几乎所有大作业都是 group project（模拟真实工作中的跨职能团队）
和 CS 专业的区别：CS 教你怎么”造工具”，BA 教你怎么”用工具解决商业问题”

4. 主要分支方向

分支	简介	典型雇主 / 行业
商业智能 BI	报表、Dashboard、数据可视化和常规报告	所有行业的 BI 部门
数据科学（商业向）	机器学习模型、预测、推荐系统	科技公司、电商、金融科技
营销分析	客户分群、营销 ROI、A/B 测试	电商、DTC 品牌、科技公司
供应链分析	库存优化、物流网络设计、需求预测	零售、制造、物流（Amazon, Walmart）
金融分析	信用评分、反欺诈、投资分析	银行、保险、FinTech
人力分析 People Analytics	员工流失预测、招聘漏斗、绩效分析	大型企业 HR 部门、咨询公司
运营分析	流程优化、产能规划、排队论	制造、医疗、物流
体育分析 Sports Analytics	球员评估、战术优化、门票定价	NBA/MLB 球队、体育博彩
咨询分析 Consulting Analytics	数据驱动的战略建议	McKinsey, BCG, Bain, 四大咨询
产品分析 Product Analytics	用户行为分析、功能 A/B 测试、funnel 优化	所有科技公司

5. 适合什么样的学生？

5.1 兴趣特质

✅ 商业分析专业适合你，如果：

你喜欢用数据”证明”或”推翻”一个观点
你对”为什么”比”是什么”更感兴趣——不只想知道销售额下降，想知道为什么下降
你既能和程序员讨论模型，也能和业务经理讨论战略
你喜欢从混乱中发现模式——数据永远不干净，享受”清理数据”的过程
你想站在”技术”和”商业”的交叉点上——做那个”翻译官”

❌ 商业分析专业可能不适合你，如果：

你讨厌编程——Python/R/SQL 是 BA 的日常工具
你不能接受”不确定性”——数据分析给的是概率，不是确定性答案
你想做纯技术工作——去 CS 更合适
你对商业完全没兴趣——不理解业务的分析是”没有灵魂的数据处理”
你只喜欢 solo work——BA 需要和多方利益相关者沟通

5.2 能力要求

能力	重要程度	说明
逻辑与分析思维	⭐⭐⭐⭐⭐	BA 的灵魂——分解问题、建立分析框架
编程能力	⭐⭐⭐⭐⭐	SQL + Python/R 是硬通货
统计基础	⭐⭐⭐⭐⭐	不懂统计的 BA 会犯致命错误（如把相关性当因果）
商业洞察力	⭐⭐⭐⭐⭐	分析要有 business implication——否则只是数字游戏
沟通与表达能力	⭐⭐⭐⭐⭐	向非技术背景的人解释复杂分析
好奇心	⭐⭐⭐⭐	“为什么这个数字是这样的？“——好的 BA 永远在问问题
细节关注	⭐⭐⭐⭐	一个错误的 JOIN 可能影响整个报告的结论
数学	⭐⭐⭐	微积分、线性代数基础（ML 方向则需要更深的数学）

5.3 性格匹配

适合：INTJ, INTP, ENTJ（MBTI）——逻辑导向、系统性思维、喜欢分析不太适合：ESFP, ISFP——需要与人高频互动和即时反馈

⭐ 一句话判断：当你看到”某城市犯罪率上升 20%“这则新闻时，你的第一反应是”为什么？数据来源可靠吗？和什么比上升了？“——如果是，BA 适合你。

6. 强校推荐

6.1 美国

排名	学校	特色
1	MIT (Sloan)	Business Analytics 方向——STEM 强，技术深度最高
2	CMU (Tepper)	计算+商业融合——CMU 的 CS 基因让 BA 极强
3	UT Austin (McCombs)	MSBA 全美顶尖，本科 BA track 快速增长
4	USC (Marshall)	BA 本科 + MSBA 一体化，LA 科技产业 placement
5	Purdue (Krannert)	BAIM 方向——供应链分析强
6	NC State (Poole)	本科 BA + Institute for Advanced Analytics
7	Arizona State (W.P. Carey)	本科 BA 规模大，课程全面
8	Georgia Tech (Scheller)	技术+商业融合——Georgia Tech 的硬核基因
9	UIUC (Gies)	本科 BA + MSTM，STEM-designated
10	Michigan State (Broad)	本科 BA track——中西部 target
11	Iowa State (Ivy)	本科 BA + MIS 方向
12	Drexel (LeBow)	Co-op 体系——商业分析实习机会多
13	RPI (Lally)	技术导向的商科
14	Cincinnati (Lindner)	Co-op 强，P&G 等 CPG 公司 placement

⭐ 申请提示：商业分析是相对新的专业——很多传统名校（Harvard, Princeton, Stanford）没有本科 BA 专业，但在研究生层面有。申请时要确认学校是否开设 BA 本科，还是需要走 CS + Business 双专业路径。BA 本科开设较多的恰恰是理工强校（MIT, CMU, Georgia Tech, Purdue）而不是传统藤校。

6.2 英国

学校	特色
Warwick	BSc Data Science / BSc MORSE ——接近 BA 的量化路径
Imperial	BSc Mathematics with Statistics for Finance
UCL	BSc Information Management for Business
Edinburgh	BSc Business with Decision Sciences

6.3 加拿大

学校	特色
Toronto	Rotman 本科 + MMA 硕士
UBC (Sauder)	BCom + Business Technology Management
Waterloo	Management Engineering——接近 BA 的应用方向

6.4 香港 / 新加坡

学校	特色
HKUST	BSc in Data Science & Technology
NUS	BBA + Business Analytics track
NTU	BSc in Data Science & AI

6.5 强校硕士项目（MSBA，研究生参考）

学校	项目	学制
MIT Sloan	MBAn	1 年——全美第一
UT Austin McCombs	MSBA	1 年——就业数据极好
CMU Tepper	MSBA	9 个月
USC Marshall	MSBA	1-1.5 年
NC State	MSA	1 年——分析方向先驱
Purdue Krannert	MSBAIM	1 年

7. 高中阶段准备（9-12 年级）

7.1 推荐课程

年级	课程	备注
9 年级	Algebra II, Intro to Programming	数学 + 编程基础
10 年级	AP Calculus BC, AP CS A	编程和数学的双核心
11 年级	AP Statistics, AP Microeconomics	统计 + 商业逻辑
12 年级	AP Macroeconomics, 多变量微积分（如有）	经济学 + 进阶数学

7.2 推荐竞赛

竞赛	难度	含金量	说明
AMC 12 / AIME	★★★★	⭐⭐⭐⭐	数学基础——BA 数学要求高
USACO (编程)	★★★★	⭐⭐⭐⭐	编程能力证明
DECA / FBLA	★★★	⭐⭐⭐	商业分析/管理类目
Data Science competitions（Kaggle）	★★★★	⭐⭐⭐⭐⭐	真实数据分析——最直接的能力展示

7.3 推荐夏校

夏校	主办	方向
MIT BWSI	MIT	编程+数据分析——高中生暑期数据科学项目
CMU SAMS	CMU	STEM + 商科交叉
Data Science for Social Good	各大学	用数据分析解决社会问题
Google CSSI	Google	计算机科学暑期学院

7.4 推荐实践项目（11-12 年级）

Kaggle 竞赛：参加入门级数据竞赛（Titanic, House Prices）——有排名结果可以写入申请
个人数据分析项目：
- 分析你最喜欢的体育球队的赛季数据，找出胜负的关键因子
- 爬取电商评论，分析消费者对某类产品最关注的因素
- 分析 Spotify/TikTok 播放数据，找出热门歌曲/视频的规律
Google Data Analytics Certificate：Google 的免费数据分析证书（Coursera）
Tableau Public 作品集：用开源数据做可视化，建立个人 portfolio
SQL 练习：LeetCode / HackerRank 的 SQL 题目

7.5 推荐阅读

《Naked Statistics》Charles Wheelan —— 统计学入门——BA 的必读书
《Factfulness》Hans Rosling —— 用数据看世界
《Storytelling with Data》Cole Knaflic —— BA 的核心技能
《Weapons of Math Destruction》Cathy O’Neil —— 算法的社会责任
《Everybody Lies》Seth Stephens-Davidowitz —— 大数据揭示人类真实行为

8. 研究生方向

8.1 直接对口

商业分析硕士 MSBA —— 1 年，STEM-designated，3 年 OPT
数据科学硕士 MDS —— 1-2 年，更偏技术
运筹学硕士 MSOR —— 优化方向

8.2 跨学科

研究生方向	为什么 BA 背景有优势
MBA	BA + MBA = 最懂数据的商业领袖——极度稀缺
计算机科学	BA 的编程基础 + CS 的理论深度
金融工程 MFE	数据分析是量化金融的核心
公共政策 MPP	数据驱动的政策分析
医疗管理 MHA	医疗数据分析——未来 20 年的大赛道

⭐ BA 本科最大的优势：STEM 身份（3 年 OPT）+ 数据分析技能 + 商业理解 = 就业市场上最抢手的组合之一。

9. 就业前景

9.1 主要职业方向

职业	起薪（美）	路径	5 年后薪资
商业分析师 BA	$75 K -$ 95K	BA BS → 科技/金融/咨询	$110 K -$ 150K
数据科学家（商业向）	$100 K -$ 140K	BA BS → MS 或经验积累	$150 K -$ 200K
产品分析师 Product Analyst	$85 K -$ 110K	BA BS → 科技公司	$130 K -$ 170K
BI 分析师	$70 K -$ 90K	BA BS → 所有行业 BI 部门	$100 K -$ 140K
分析顾问 Analytics Consultant	$85 K -$ 110K	BA BS → 四大/咨询	$130 K -$ 180K
运营分析师 Operations Analyst	$70 K -$ 85K	BA BS → 零售/物流	$95 K -$ 130K
供应链分析师	$70 K -$ 85K	BA BS → 制造/零售	$100 K -$ 140K

9.2 代表雇主

科技公司：Google, Meta, Amazon, Apple, Microsoft, Netflix, Airbnb, Uber

电商 / 零售：Amazon（供应链分析世界第一）、Walmart, Target, Chewy

金融服务：Capital One, JPMorgan, Goldman Sachs, Stripe, PayPal

咨询公司：McKinsey (QuantumBlack), BCG (BCG Gamma), Deloitte, Accenture

医疗：UnitedHealth Group, CVS, Kaiser Permanente（医疗数据分析）

制造 / 物流：Tesla, Boeing, UPS, FedEx

体育：NBA（联盟层面+球队层面）、MLB teams, ESPN

9.3 薪资水平

阶段	年薪（美元）
本科毕业——BA / BI 分析师	$75 K -$ 95K
硕士 MSBA 毕业	$100 K -$ 140K
3-5 年经验——高级分析师	$110 K -$ 150K
5-8 年——分析经理	$140 K -$ 190K
8-12 年——分析总监	$180 K -$ 250K
12 年+——VP/Chief Data Officer	$250 K -$ 500K+

9.4 行业趋势

Generative AI：GPT/Claude 正在改变分析工作流程——从”写代码取数”到”用自然语言问数据”
AutoML 普及：自动化机器学习让建模变得更简单——BA 的价值从”建模”转移到”定义问题和解读结果”
实时分析：从”昨天发生了什么”到”现在正在发生什么”
隐私与伦理：GDPR、AI 伦理——数据分析的合规性要求越来越高
行业深度化：不再有”通用 BA”——未来需要行业 BA（医疗 BA、零售 BA、体育 BA）
核心趋势：未来最好的 BA 不是"最会写代码的"，而是"最懂某个行业+能用数据驱动决策的"

10. 本专业 vs 相关专业

维度	商业分析	数据科学	计算机科学	统计学	运筹学
核心问题	如何用数据驱动商业决策？	如何从数据中提取知识？	如何构建计算系统？	如何从数据中推断？	如何找到最优方案？
商业导向	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐	⭐	⭐⭐⭐
技术深度	⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐⭐
数学要求	⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐
本科就业	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐⭐
起薪（美）	$80 K -$ 100K	$110 K -$ 150K	$100 K -$ 150K	$75 K -$ 90K	$80 K -$ 100K

决策提示：

如果你既喜欢商业又喜欢技术 → 商业分析（完美交叉点）

如果你更喜欢算法和工程 → CS / 数据科学

如果你更喜欢数学和理论 → 统计学

如果你想要最佳留学/工作身份优势 → 商业分析（STEM + 3 年 OPT）

11. 常见误区

误区 1：商业分析 = 写代码

❌ 写代码（SQL/Python）是 BA 的工具，但不是 BA 的本质。

✅ BA 的本质是用数据回答商业问题。你写的每一行代码，终点都是一条商业建议。不会写代码可以学，但不会问”正确的问题”才是致命的。

误区 2：BA 就是”弱化版 CS”

❌ 有些 CS 学生看不起 BA，“写 SQL 也算编程？”

✅ BA 和 CS 解决不同类型的问题。CS 解决”如何造出这个系统？“，BA 解决”这个功能上线后影响多少收入？“——两个问题都需要高智力，但方向不同。

误区 3：BA 门槛低，谁都能学

❌ BA 的入门确实比 CS 容易（不需要学操作系统、编译器）。

✅ 但 BA 的综合要求极高——你要同时懂统计、编程、商业，还要会沟通。最难的 BA 技能不是技术，而是把一个模糊的商业需求翻译为一个清晰可执行的分析计划。

误区 4：BA 就是一个技术岗位

❌ 很多人以为 BA 就是对着电脑写代码。

✅ 好的 BA 大量时间花在和人沟通——理解老板/客户的需求、解释分析结果、推动建议落地。BA 是技术岗位中最”社交”的之一。

误区 5：学了 BA 就能做 AI/ML 工程师

❌ BA 课程里的机器学习是应用层面的（用 sklearn 调包）。

✅ 真正的 AI/ML 工程师需要深度学习、分布式系统、模型部署等——这些是 CS/DS 专业的深度领域。BA 的 ML 是”用好工具”，不是”造新算法”。

误区 6：BA 在哪行都一样

❌ 数据分析的技术栈是通用的（SQL/Tableau/Python 到处都用）。

✅ 但行业知识是 BA 的护城河。一个懂医疗的 BA 和一个懂零售的 BA 完全不是同一个人。前 3 年练技术，之后拼行业深度。

12. 延伸阅读

类型	书目	说明
入门统计	《Naked Statistics》Wheelan	统计学入门——通俗有趣
思维	《Factfulness》Rosling	用数据看世界——纠正认知偏见
可视化	《Storytelling with Data》Knaflic	BA 的”表达圣经”
数据思维	《Everybody Lies》Stephens-Davidowitz	大数据揭示的人类秘密
商业	《Lean Analytics》Croll & Yoskovitz	创业公司的数据驱动方法
技术	《Data Science for Business》Provost & Fawcett	数据科学在商业中的应用
伦理	《Weapons of Math Destruction》O’Neil	算法的偏见与危害
预测	《Superforecasting》Tetlock	如何做更好的预测

13. 给国际学校学生的建议

9-10 年级

学 Python——不一定要到竞赛水平，但至少能写基本的数据处理脚本（pandas, matplotlib）
读《Naked Statistics》——这是最有趣的统计入门书
培养”问为什么”的习惯——看到任何一个数字（如”Instagram 日活跃用户 5 亿”），追问：这个数字是怎么算的？可靠吗？能说明什么？
开始用 Excel/Google Sheets 做简单的数据分析——如分析自己每个月的消费数据

“9-10 年级不需要学高深的算法，但需要建立数据思维：数字不是客观真理，数字背后有定义、有方法、有偏差。学会质疑数字是 BA 的第一课。“

11 年级

AP Calculus BC + AP Statistics + AP CS A —— 这”三件套”是 BA 申请的硬通货
做一个真实的个人数据分析项目——选一个你感兴趣的数据集，做完整分析并写成报告（问题→数据→分析→结论）
参加 Kaggle 入门竞赛（Titanic 是所有人的第一场）——有排名就有说服力
申请 MIT BWSI、CMU SAMS 或 Data Science for Social Good 夏校
自学 SQL（W3Schools 免费教程 + LeetCode 练习）

“11 年级的关键是用项目说话。你说你对 BA 感兴趣？那你的 Kaggle profile 呢？你的 GitHub 上有分析项目吗？你的 Tableau Public 上有可视化作品吗？申请书里一个具体的项目 > 1000 句’我喜欢数据’。“

12 年级

撰写个人文书：写一个你如何用数据解决真实问题的故事——
- 发现什么问题？（如：我学校的自动售货机总是缺货）
- 收集了什么数据？（如：记录了 30 天的销售和补货数据）
- 用了什么方法？（如：用 SQL 整理数据，用回归预测需求）
- 得出什么结论/建议？（如：建议把补货频率从每天 1 次改为每天 2 次，并调换产品位置）
- 这个故事比任何”热情陈述”都有说服力 100 倍
选校策略：
- 冲：MIT, CMU, Georgia Tech, UT Austin
- 稳：Purdue, NC State, ASU, USC
- 保：Iowa State, Drexel, Cincinnati
如果目标是那些没有 BA 本科的名校（如 Stanford, Berkeley），考虑走 CS + Statistics/Data Science Minor 的组合

⭐ 关键提醒：BA 是 STEM 专业，享受 3 年 OPT（非 STEM 只有 1 年）。如果你有留美工作的计划，一定要确认你的 BA 项目是 STEM-designated——这直接决定了你毕业后能在美国合法工作 1 年还是 3 年。

⭐⭐ 终极提醒：BA 是一个非常年轻的专业（2010 年后才广泛开设），课程设置各校差异巨大。有的学校 BA 偏商科（在商学院下，数学要求较低），有的偏技术（在工学院/统计系下，数学/编程要求更高）。申请前仔细研究每个学校的 BA 课程表，选择与你能力匹配的方向。如果你数学/编程极强，选技术向的；如果你更偏商业，选商科向的——不要被专业名称统一的外表骗了。

翰飞国际教育Career Exploration Center

目录