不請自來。

單獨說BA是沒有意義的，我們不妨把另一個及其相似的概念“BI”來對比一下：

先說概念，BA是商業分析，BI是商業智慧

現在BI的概念很火，企業恨不得把所有的資料工作都加上個商業智慧的名頭；同時，BA也是方興未艾，很多大學也開設了這門課，但是我相信大部分公司老總都搞不明白BA與BI都是什麼。

BA、BI都是做什麼的？

定義我就不說了，上面很多學院派的回答都說的很明白，我就通俗點說吧

BA就是透過調查問題分析出為什麼會這樣，將來會發生什麼，你該去做什麼？

比如，你負責某公司的市場運營，然後發現最近的客戶流失量很大，你就需要利用BA的資料技巧和知識，分析問題得出使用者流失的原因，是不是產品有問題？還是服務有問題？是哪個步驟阻止了使用者留存？然後你就可以利用BA得出預測，未來會流失多少客戶？採取什麼措施會有效阻止客戶流失等等等。

對比一下，BI就是告訴你現在正在發生什麼，或者過去發生了什麼，也就是描述性分析。

比如，你是企業的老總，你的公司內部所有部門每天都會產生上萬的資料，這些冗雜的資料讓你頭疼不已，因為你根本看不到這些資料有什麼意義。此時如果你的企業擁有完整的BI解決方案，那麼你就能看到這些資料背後的業務狀態，比如最近銷量情況怎麼樣？使用者情況怎麼樣？

BA和BI的基礎是什麼？

BA的基礎是應用資料與統計基礎，因此嚴格上說BA應該屬於數學專業領域，其關鍵在於識別關鍵資料變數之間的關係，揭密隱藏在資料中的規律。

BI的基礎是資料庫，BI更應該屬於計算機專業領域，BI必備的技術包括資料庫OLAP、切片、向下鑽取等等，最後會透過一個互動介面進行表現，比如儀表盤、得分卡、圖表、圖形、警報等，上圖就是一個簡單的BI互動介面。

BA有什麼類別？

現在你應該瞭解了商業智慧和商業分析的區別，接下來我們來談談典型的商業分析類別。

1、資料探勘——透過在海量資料中發現以往不知道的趨勢或規律來建立模型。例如：保險索賠欺詐行為分析，零售市場購物籃分析。資料探勘應用各種各樣的統計技術：

判別分析 當我們知道變數為分類資料時。例如：年齡等人口統計資料。迴歸分析聚類分析 當我們不知道影響因素怎麼歸類時。相關分析模型

2、文字挖掘——從文字資料集中發現提取有意義的模型。例如：透過face book、Twitter、部落格等社交網路瞭解客戶情感，這些資訊將用來提高產品服務或瞭解競爭對手動態資訊。

3、預告——預測分析接下來的一段時間發生的事情。例如：利用歷史資料預測季節性的能源需求情況。

4、預測分析——建立、管理和部署預測得分模型。例如客戶倖存與流失、信用評分預測以及工廠機械失敗率等。

5、最最佳化解決方案——利用模擬技術識別最最佳化解決方案。例如：銷售價格最佳化、股票投資基金最優組合等。

6、視覺化——透過高度互動圖形增強對探索性分析的展示以及模型結果的輸出表現。

市場需求大不大？

BA方向問題最主要：走向商業、走向技術。

走向商業，所有管理、金融等商科就業方向你都能去，你比別人多了程式碼和資料功底。很多人覺得多出來這一點能力是賣點，但我對此持保留意見。

走向技術，這個和BA專業所學更貼合。機會主要集中在網際網路和金融行業IT類崗位。互聯網裡，像電商這類面向海量使用者的行業機會相對更多一些，比較知名的阿里的淘寶天貓、京東、拼多多這些；金融行業基本都有IT類崗位，向金融科技轉型的比較快的企業一般會有不少資料崗位機會，比如銀聯、招行等。

整個市場規模首先是很大的，但是上漲空間有限，有可能一進去就是紅海。BA這種東西，小公司用不起，大公司看不起，因為BA不是嚴格意義上的剛需崗位，甚至來說一個企業有可能並不會需要BA或者BI。

之前我也是一個BA的鼓吹者，但現在我要改一下建議，除非熱情十足，不建議再盲目跟風，未來會越來越擠。商科專業同學，根據興趣三思而後行；CS/EE等工科背景的同學，十分不建議再考慮BA了，直接CS下面找ML等方向。

薪資還算可觀，這是值得欣慰的。資料分析而論，小的初創普遍能開出15~20w的價格；一二線網際網路大廠，20~25w；銀行IT為了從網際網路搶人，基本也要跟上一二線大廠的開價，所以也是20~25w左右。不排除部分土豪廠開到近30w，應屆更高的沒見過。另外資料分析在國內的定位有技術和非技術之分，我的觀察是，將資料分析定位為技術崗的公司更喜歡開高一點。

資料探勘與演算法之前提到了做起來比較困難，但薪資更好，白菜價還是比資料分析高很多的，另外這類更為能拿SP，拿到無上限。

如果能去一二線拿20w以上，確實不錯，這也解釋了為什麼越來越多商科人以自學或者海外master為跳板，走向這個紅海。