Business Analytics
Business Analytics无疑是个交叉学科，包括数学（统计）、计算机和商学（经济学、市场营销，博弈论等等）。统计类的方法占据了数据分析学科的首要地位（主要是回归模型）。可以说如果把统计方法全部拿走，数据科学基本就支离破碎不成体系了。然后是计算机（包括机器学习、模式识别、图像处理等一类的领域），基于一些应用层面的需求，计算机领域提出了一些新颖的思路和模型。值得一提的是，这些东西又吸引了统计学家的关注，他们把同样的问题又用统计学方法做了出来。再结合一些传统的回归模型，统计学出现了新的分支：统计学习。最后是商学类，现阶段来说比重最小，Finance，Accounting，MKT。 很多business analytics硕士会结合商业应用来讲统计和计算机方法。
Marketing Analytics
( 或者Marketing Research/Market Analysis, 只是叫法不同，学习的内容大同小异) 更专注于行业或公司内部的市场营销职能，主要从市场的角度分析数据团队提供的结果，给出建设性的意见，发布指导报告。
Marketing Analytics主要学习这几大方向：
1)数据分析：熟练运用Excel以及更高端的数据处理软件SQL、SAS、SPS、R等进行数据挖掘、数据可视化
2)市场分析/测试：根据数据预测、分析市场的需求，提出正确的市场营销战略
3)用户交互：通过数据了解客户的需求，改善、管理用户体验
交互指的是产品与它的使用者之间的互动过程。设计师对产品与它的使用者之间的互动机制进行分析、预测、定义、规划、描述和探索的过程，即定义人造物的行为方式。
区别：侧重于市场方向的分析，本科市场课程或者有相关实习
主要工作内容：
收集竞争对手的策略，市场情况和消费者人口统计数据
研究客户的意见，购买习惯，偏好和需求/需求
创建和评估积累数据的方法，包括调查，访谈，问卷调查和民意测验
使用统计程序，预测分析和其他数据驱动工具分析数据
Applied Analytics/ analytcis
相似之处： 专业的核心是数据挖掘和数据分析，
数据挖掘：数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。
数据分析 ：用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。
区别： BA涉及商科基础知识。AA: 侧重工作经验，DS调过去。项目要求的核心课程包括两个领域：领导力、管理和沟通领域；应用分析领域。领导力、管理和沟通领域的课程在于培养学生以企业视角来学习数据、激励知识和技能以及组织中的分析文化。应用分析领域, 通过数据搜集来解决真实的商业问题。
Data science/Data analytics
这个名词在IT行业更常用，开设在工程学院下。Data science数据科学，也称为数据驱动科学，是一门跨学科领域，涉及从各种形式（无论是结构化的还是非结构化的）数据中提取知识或见解的科学方法、过程和系统。类似于数据挖掘。主要是基于大数据，根据不同实际需求，简历数学模型，然后编程计算，最后目的是从大数据里面得到或者抽取线稿的有用的信息，以帮助决策者进行决策。
数据科学是一个统一的统计概念，数据分析和相关方法”以“理解和数据分析实际现象”。它采用的技术和理论来自许多领域的数学，广阔的区域内统计、信息科学、和计算机科学，特别是从机器学习子域，分类，聚类分析，数据挖掘，数据库和可视化。
Data Science的主要学什么呢？
模型，算法；
数学模型：数学模型是针对参照某种事物系统的特征或数量依存关系，采用数学语言，概括地或近似地表述出的一种数学结构，这种数学结构是借助于数学符号刻划出来的某种系统的纯关系结构。从广义理解，数学模型包括数学中的各种概念，各种公式和各种理论。因为它们都是由现实世界的原型抽象出来的，从这意义上讲，整个数学也可以说是一门关于数学模型的科学。从狭义理解，数学模型只指那些反映了特定问题或特定的具体事物系统的数学关系结构，这个意义上也可理解为联系一个系统中各变量间内的关系的数学表达。
数学模型所表达的内容可以是定量的，也可以是定性的，但必须以定量的方式体现出来。因此，数学模型法的操作方式偏向于定量形式。
简单来说：数学模型，是对某一个具体问题的抽象描述，因为要求严谨和准确，所以一般只能选择数学描述，避免出现二义性。数学模型的建立，并不意味着问题的解决，但却是问题解决的基础，因为至少把问题解释清楚了，保证了所有人对问题的理解是一致的。
计算机算法：算法是一系列解决问题的清晰指令，也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出。算法常常含有重复的步骤和一些比较或逻辑判断。如果一个算法有缺陷，或不适合于某个问题，执行这个算法将不会解决这个问题。不同的算法可能用不同的时间、空间或效率来完成同样的任务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。
简单来说：计算机算法是解决问题的方法和流程，一般情况下，算法是基于数学模型的。如 “常微分方程的精确求解” 问题，分别采用代数模型、几何模型来描述，就会推导出不同的算法：代数动力学算法与几何算法，两者虽然算法思路完全不同，但都通向 “问题解决” 的终点。
数据结构：数据结构是在整个计算机科学与技术领域上广泛被使用的术语。它用来反映一个数据的内部构成，即一个数据由那些成分数据构成，以什么方式构成，呈什么结构。数据结构有逻辑上的数据结构和物理上的数据结构之分。逻辑上的数据结构反映成分数据之间的逻辑关系，而物理上的数据结构反映成分数据在计算机内部的存储安排。数据结构是数据存在的形式。 数据结构是信息的一种组织方式，其目的是为了提高算法的效率，它通常与一组算法的集合相对应，通过这组算法集合可以对数据结构中的数据进行某种操作。 数据结构作为一门学科主要研究数据的各种逻辑结构和存储结构，以及对数据的各种操作。因此，主要有三个方面的内容：数据的逻辑结构；数据的物理存储结构；对数据的操作（或算法）。
visualization（可视化）：数据可视化，是关于数据视觉表现形式的科学技术研究。其中，这种数据的视觉表现形式被定义为，一种以某种概要形式抽提出来的信息，包括相应信息单位的各种属性和变量。由此课程设置，可以预测该专业的背景要求。仔细观察，可以看出这些课程，都是与计算机密切相关的。并且，比如可视化，目前应用比较多的，当属machine learning，也就是通过计算机图形与图像处理，从而将我们所需要的数据在电脑屏幕上显示出来。所以，整个过程，需要一定的计算机技能，如编程、算法。
