南安普敦 MANG6513《商业分析与管理科学基础》：考试 80%，上机会做还得纸面会写

南安普敦 MANG6513《商业分析与管理科学基础》是硕士 Level 7、Semester 1 模块：考试占 80%、小组作业占 20%，从数据库与可视化一路讲到回归与时间序列。

课程官网（学校官网）：https://www.southampton.ac.uk/courses/2026-27/modules/mang6513

MANG6513 是一门什么课？

一句话：这门课教「用数据支撑商业决策」的三件套——把数据管起来、把数据看清楚、把数据说清楚，从取数到出图到出结论一条龙。

这是南安普敦大学（University of Southampton）的硕士模块，课程代码 MANG6513，英文名 Foundation of Business Analytics and Management Science，中文常译「商业分析与管理科学基础」。学分 15 CATS / 7.5 ECTS，Level 7（研究生层级），Semester 1 开课，学年 2026-27，模块负责人 Edilson Fernandes De Arruda。

学校官网的定位把来龙去脉讲清楚了：商业分析根植于管理科学，回应数据在体量、种类、速度上的增长；商业分析用数据、统计分析、管理科学技术与基于事实的管理来驱动决策与行动；这门课教授想走商业分析与管理科学方向所需的基础分析与计算技能。

内容四块：

• Data Management（数据管理）：数据库导论、SQL、NoSQL。
• Data visualisation（数据可视化）：用相关软件工具做可视化，如 R、Tableau、PowerBI。
• Descriptive analytics（描述性分析）：描述统计、抽样与假设检验。
• Regressions and time-series analysis（回归与时间序列分析）。

这四块是一条递进链：先会「存与取」（数据库），再会「看」（可视化），然后「断」（抽样与检验），最后「预测」（回归与时间序列）——正好是完整的数据分析工作流。

把这个顺序记住很有用：它既是教学的顺序，也是作业与考试的出题顺序。 前面基础不牢，后面每一步都在补漏洞；反过来，如果某一块特别弱，至少知道它会影响后面哪几步——比如数据库查询不熟，可视化阶段就得手动整理数据，时间全耗在准备上。

有一条很有意思的说明：学校官网注明主题可能微调——项目团队每年与 CORMSIS Business Advisory Board（商业咨询委员会）碰头，按学术与行业实践定内容；软件选择也按行业相关性与可得性决定。也就是说，课程内容是跟着就业市场走的，这也是它每年软件栈可能变的原因。

对学生的实际含义是：别只记某个软件的点按步骤，要记「这件事该怎么做」的思路。 工具会换，思路不会——能把「如何清洗一批脏数据」「如何判断季节性」讲清楚的人，换到任何软件上都能上手。

教学形式是课前阅读（pre-course reading）加讲授加上机实验（computer laboratory sessions）。注意：课前阅读是教学的一环，不是建议——开学就默认你读过入门材料，两本教材（Albright & Winston、Evans）的前两章值得提前过一遍。

和国内同类课有什么不同？

最大的差别是「三线压进一门」与「八成闭卷」：国内把数据库、统计、可视化拆在三个学期三门课；这门课为一个模块快速打底，且考试占 80%。

• 打包方式不同：国内三线分开；这门课为硕士转方向学生快速打底。
• 考核结构不同：八成闭卷考试、两成小组作业，补考全按考试；国内同类课平时占比高，少有纯闭卷手算加解释的卷面。
• 内容更新机制不同：按行业委员会年度反馈调整、软件按行业相关性选定；国内大纲多年不变。
• 自学比重不同：独立学习占大头且开课列课前阅读，节奏习惯需要重排。

考核怎么算？

Examination 占 80%，Group Coursework 占 20%。未达标时补考与重修（内部或外部）均按 Examination 100% 计算。

形成性反馈以口头为主，学校官网原句是：Formative group feedback on students' performance in in-lecture and lab exercises will be provided verbally immediately after the exercises——课上与实验练习后当场给全组口头反馈，不计最终成绩（Final Assessment: No）、非小组计分（Group Work: No）。

三点解读：

• 八成压在闭卷考试。 有利的一面：计算稳、解释清楚的人，一张卷子就能把分拿满，路径直接。不利的一面：「上机会做、纸面抓瞎」的人最受伤——考试没有软件兜底，手算与解释都得过硬。
• 小组作业只占两成，但失分没有补救通道。 补考与重修全按考试计，coursework 的分不会保留，两头都要当真。
• 考的是「会算还要会解释」。 不是开卷查表，也不是纯计算；结论句写不出来，分就少一半。

先修要求是什么？

学校官网没有提及先修课程要求。

按大纲倒推，实际需要两样：

• 基础统计：均值方差、分布概念。
• Excel 或任一表格工具的使用经验。

不要求编程与数据库基础——课程从导论教起。但有 R 或 SQL 底子会轻松很多，因为四块内容都要动手。

另外，课前阅读（两本教材）是学校官网明示的准备方式：课名带 Foundation，零基础能跟，但节奏不慢。

适合谁：零基础转商业分析的硕士新生——课名就叫 Foundation，软件、统计、数据库全从导论讲起；愿意上机动手的学生——实验课是主线，看会了不等于做得出；目标岗位是数据分析师、商业分析、运营分析的学生——四块内容正对这些岗的日常工具栈。

不太适合：抗拒闭卷考试或统计计算的学生——八成成绩在一张卷子上。

学完能做什么？

核心是四件事：能从数据库取数并清洗、能用软件做可视化与解读输出、能应用描述性分析解决商业问题、能收集并批判性分析定量信息并写成论证。

学校官网的学习成果分三组：

• 专业与研究能力：提取、转换、筛选与可视化数据用于分析；使用分析软件并解读其输出；把描述性分析技术应用到商业与管理问题。
• 知识与理解：掌握商业分析与管理科学的基础分析技能，并理解不同分析技术如何用于解决商业与管理问题。
• 可迁移能力：收集并批判性分析定量信息；流畅有效地进行书面表达与论证。

三层指向很清楚：动手（取数、用软件、跑分析）是底线，理解（技术对应哪类商业问题）是中层，表达（批判分析加书面论证）是上层。考核三层都碰——考试考底线与理解，小组作业把表达也算进分里。

再补一句实际影响：这三层的分数分布不一样。动手层的分最好拿（练够就行），表达层的分最容易被忽视（写结论句是习惯问题），而理解层是拉开差距的地方——同一个计算结果，能不能说出「这对业务意味着什么」，决定了你是及格还是优秀。

能力上，你会掌握商业分析的入门工具链：数据库取数、软件清洗与可视化、描述统计与回归建模——足以独立完成一份小型数据洞察报告。去向上，这是商业分析师、数据分析师、运营与市场分析岗的第一块技术地基，也为后续机器学习类课程铺路。小组作业的产出（一组从数据到建议的完整分析）可直接作为求职作品集的第一件展品。

难点与常见挂因

这门课的难点是「三线并进」：数据库、软件、统计同时开工，而课内时间少、自学占大头。加上八成闭卷，动手能力必须能「落到纸面」，否则上机再熟也换不成分数。

为什么中国学生容易在这里卡？

• 「双术语体系」要同时建。 课程横跨统计学（抽样、检验、回归）与管理科学（决策、优化语境），两套词汇要在同一学期内同时建立。国内本科把两者分在不同学院开课，学生第一次混用时常张冠李戴，讨论与报告的表述分就丢在这。
• 数据库从零起步。 SQL 的查询思维（声明式、集合操作）与过程式编程直觉相反，NoSQL 的文档模型更是全新概念。国内商科几乎不开数据库课，两周内建不起查询思维，实验课就步步卡。
• 推断统计的「逻辑跳跃」。 描述统计到假设检验，是从「数据是什么」跳到「总体可能是什么」；p 值、显著性、置信水平一环套一环。国内统计课重计算轻解释，学生算得出 p 值却解释不对结论——考试的解释题丢分最重。
• 软件栈的切换。 R、Tableau、PowerBI 各有一套操作逻辑，而学校官网明说软件按行业相关性选定、可能换。习惯「学一门精一门」的学生面对多工具并学会无所适从，而上机时间紧、试错窗口小。
• 回归与时间序列的模型选择。 变量选择、趋势与季节性分解没有标准答案，选错模型预测全偏。学生第一次同时面对建模与解读，作业常做成「跑出结果就交」——而模型解释本身又是一关。
• 统计与管理科学的英文术语。 hypothesis testing、significance level、seasonality 这类词国内有中文体系，但英文原词在课堂与软件报错里直接出现；连菜单与报错都读不顺，练习效率就减半。
• 软件与编程零基础。 R 类工具要写代码；第一次上机连数据都读不进来，后面可视化与建模全程跟跑。
• 小组作业的协作模式。 本地学生习惯早早分工、高频短会、直接用英文争论；中国学生被动领任务、不参与方案讨论，贡献难以被看见。
• 闭卷考试的压力。 考的是「会算还要会解释」；计算对、解释空，或时间不够写完论述，是典型失分方式。
• 课前阅读的习惯差。 开学就默认你读过入门材料；第一周跟不上课堂引用的材料，后面越落越多。

卡住之后会发生什么？

• SQL 卡在两表连接，实验课从这一步开始步步落后。
• 统计解释题空转：练习答案只有数字没有结论句，考试同类型题直接失分。
• 软件跟跑不落地：离开步骤提示就画不出图，小组作业里贡献被低估。
• 小组分工混过去：组会插不上话，结项时说不清自己做了什么。
• 自学时间失控：没有节点约束，第三周实验还靠同学带。
• 闭卷卷面写不完：平时不练限时手算，考场超时三分之一。

五处高频卡点

1. SQL 查询思维：声明式、集合操作，与过程式直觉相反。
2. 统计解释：算得出 p 值，说不清结论。
3. 多软件切换：R、Tableau、PowerBI 三套逻辑。
4. 模型选择：变量、趋势、季节性。
5. 限时手算：闭卷考场上没有软件兜底。

常见挂因与对应动作

• SQL 卡在两表连接。 机制：声明式查询思维没建立。早期信号：JOIN 练习连错三题。怎么补：SELECT 与 JOIN 各练十题，能独立写两表连接并说明结果行数。
• 统计解释题空转。 机制：只会算不会解读 p 值与置信区间。早期信号：练习答案只有数字没有结论句。怎么补：每道计算题强制补一句英文结论，连续二十题不断。
• 软件跟跑不落地。 机制：课上跟着点、课后没独立重做。早期信号：离开步骤提示画不出图。怎么补：每周实验内容独立重做一遍，能从原始文件复现全部输出。
• 小组课混分工。 机制：只等安排不认领。早期信号：组会插不上话。怎么补：第一次组会认领一个模块并每周同步，结项时能指出自己做的部分。
• 自学时间失控。 机制：独立学习无节点约束。早期信号：第三周实验还靠同学带。怎么补：把每周自学切成「重做实验＋教材两章＋术语卡」三件套，周周清点。
• 闭卷卷面写不完。 机制：平时不练限时手算。早期信号：模拟卷超时三分之一。怎么补：考前两周每周一套限时卷，论述题按「结论先行」写。

留学生特别提醒

中国学生最容易在六处吃亏：统计术语英文对不上、软件零基础、小组里被动、数据库没接触过、卷面写不完、不读课前材料。

• 开课前把大纲四块的术语做成中英对照表；上机看到英文报错能立即定位类型，才算够。
• 开课前完成 R 基础两周营（读表、汇总、出图各一课）；能独立从 CSV 到一张带注释的图，才算过关。
• 第一次组会就认领「数据清洗」或「可视化」一个明确模块，并每周主动同步一次进度。
• 自学 SQL 的 SELECT 与 JOIN 两章并各练十题；能独立写出一条两表连接查询，才算够。
• 每周把课堂例题合上书重做，并写出一句英文结论；考前两周进入限时整套卷训练。
• 拿到书单先各读前两章（Albright & Winston、Evans 两本），开学能跟上第一周全部引用点。
• 别把「上机会做」当学会：这门课八成在一张卷子上，纸面写不出等于没学。

怎么准备？

准备的关键是三条：把 SQL 与 R 先跑通一遍、把统计的「解释」当独立技能练、把限时手算排进日程。

• SQL 两周：SELECT 与 JOIN 各十题。
• R 两周营：读表、汇总、出图，从 CSV 到带注释的图。
• 统计补底：均值方差、分布，再往抽样与检验。
• 每道计算题补一句结论，练成习惯。
• 课前阅读：两本教材各前两章。
• 每周独立重做实验：从原始文件复现输出，不依赖任何步骤提示——这是检验「会了」还是「跟过」的唯一标准。
• 限时卷：考前两周每周一套，结论先行。
• 把考试当「无软件模式」练：所有上机练过的操作，找机会用纸笔走一遍计算与解释流程，闭卷才不会失手——上机的熟练度和卷面的熟练度是两种能力。
• 每周写一份 200 字数据小结：数据是什么、发现什么、建议什么——这是小组作业和面试都用得上的表达训练。
• 术语卡：四块内容的核心词，中英对照，每周复盘一次。
• 做一份「工具对照表」：同一件事在 R、Tableau、PowerBI 里各怎么做，一页纸列清，切换工具时不用重新想。
• 每周留一次「无提示复现」：关掉讲义，从原始数据走到最后一张图，走不通的地方就是你的真实短板。

中英术语速查

• business analytics —— 商业分析：用数据与分析技术支持商业决策。
• management science —— 管理科学：用量化方法解决管理问题。
• descriptive analytics —— 描述性分析：用统计汇总描述数据。
• data management —— 数据管理：存储、组织与检索数据。
• SQL —— 结构化查询语言：关系数据库的查询语言。
• NoSQL —— 非关系型数据库：文档、键值等模型。
• JOIN —— 连接：把多张表按条件合并查询。
• data visualisation —— 数据可视化。
• descriptive statistics —— 描述统计：均值、方差等汇总指标。
• sampling —— 抽样：从总体中选取样本。
• hypothesis testing —— 假设检验：用样本判断总体假设。
• p-value —— p 值：在零假设下观察到当前结果的概率。
• significance level —— 显著性水平：判定显著性的阈值。
• confidence interval —— 置信区间。
• regression —— 回归：建立变量之间的关系模型。
• time series —— 时间序列：按时间排列的数据。
• seasonality —— 季节性：周期性波动。
• R / Tableau / PowerBI —— 分析软件工具。

关于我们

鱼之跃做在读留学生的学业支持，服务分两块，界限很清楚：

辅导＝老师授课：由 QS 前 200 院校的硕博老师把课程的知识点、推导链、作业要求讲透，按对口专业配课；覆盖同步辅导、论文辅导、考前辅导、预习。

护航＝你的学业管家：排计划、理材料、理流程这些杂事都替你打点好，该提前准备的他先想到；你只管学，有事随时找，需要时都在。同地区的留学学姐，熟悉你所在学校的节奏。

学术问题上的申诉，我们做材料梳理与流程陪跑，不代写、不代考、不碰学术诚信边界，也不承诺任何成绩。

课程官网与核对说明

课程官网（学校官网）：https://www.southampton.ac.uk/courses/2026-27/modules/mang6513

本文涉及学校、模块代码、学分、层级、学期、学年、课程定位与四块内容、内容调整机制、教学形式、考核结构（含补考重修与形成性反馈）、学习成果与准备方式的事实，均来自上述学校官网模块页；核对时间为 2026-10-30。文中「与国内课程差异、先修判断、难点、适合谁、怎么准备、学完能力」等属于基于课程内容的分析与学习建议，不代表学校官方要求。

← 学业指南首页课程库