收到offer以来，陆陆续续已经有一些学弟妹来咨询申请相关的问题。想想一年前，我也和大家一样，对申请流程、规划等各个层面存在多多少少的疑惑。借此机会，回顾刚刚过去的申请季，我整理出了一些我个人认为有用的信息，并分成了以下几个模块，希望能够帮助到未来申请的学弟妹们。

文章导读

① 学科简介

② 工学院/商学院/交叉项目的区别

③ 申请背景

④ 申请中的重要因素及解析

4.1推荐信

4.2发表

4.3研究经历

4.4GPA

4.5课程与专业背景

4.6文书

4.7 GT成绩

4.8面试

 - 学科简介 -

运筹学（Operations Research，简称OR）是用数学模型和数据分析等方法帮助人们更好的做决策的学科，在科技、金融、商业、医疗等领域有广泛应用。运筹学研究涉及到的方法论包括优化（Optimization）、随机（Stochastics）、博弈论（Game Theory）和机器学习（Machine Learning）等。

美国的运筹学PhD项目往往开设在每个高校的工学院下面。这里按字母顺序列举一些历史悠久的项目：Berkeley IEOR、Columbia IEOR、Cornell ORIE、Gatech ISyE、MIT ORC、Northwestern IEMS、Princeton ORFE、Stanford MS&E等。此外还有很多优秀的OR项目，大家可以自行去各校官网查询。

运营管理（Operations Management，简称OM）是应用运筹学方法解决商业问题的学科，有时候也会被（更广义地）称为管理科学（Management Science）或商业分析（Business Analytics）。美国几乎每个顶尖商学院下面都会开设运营管理的PhD项目，名称虽大不相同，但基本都会带“Operations”字眼：比如Columbia商学院下的项目叫Decision, Risk and Operations（DRO），Stanford商学院下的项目叫Operations, Information and Technology（OIT）

大家只要进入商学院的网站后就可以在PhD项目列表中找到。这里按字母顺序列举一些OM项目：Chicago Booth MS/OM、Columbia DRO、CMU Tepper OM、Michigan Ross T&O、Northwestern Kellogg OM、NYU Stern OM、Stanford OIT、Wharton OID等。此外还有很多优秀的OM项目，大家可以自行去各商学院官网查询。

根据近几年来的数据，OR/OM的PhD毕业后，不论在学界还是业界，去向都是很好的。如今，人工智能和大数据的发展也为OR/OM学科带来了很多新的机遇。个人认为，对于喜欢数学又喜欢解决实际问题的人来说，OR/OM是非常值得申请的方向。

 - 工学院/商学院/交叉项目的区别 -

个人感觉，其实工学院OR PhD与商学院OM PhD在研究方向上的区别并不大（可能整体而言，OR PhD和OM PhD在选题倾向上会略有不同；但具体到个体而言，OR PhD完全可以选择很business、很applied的研究方向，而OM PhD也完全可以选择很technical、很theoretical的研究方向）。

OR PhD与OM PhD的最大区别，其实主要体现在培养机制上——OR PhD的培养方式与工科其它专业如CS、EE类似，而OM PhD的培养方式则与商学院其它专业如Finance、Marketing类似。

首先，二者的资金来源是不同的。OR PhD往往需要通过一部分Research Assistantship（这要求学生所做项目与导师的方向和Funding有一定相关性）和一部分Teaching Assistantship（这要求学生花费一定时间教课）来解决自己的资金来源，因此在选题、合作上都较为受限，但也因此更为专注、专精。而OM PhD往往能拿到商学院提供的五年Fellowship，因此在选题和合作上非常自由。

其次，二者的训练导向有所不同。相比于OR项目，OM项目会更重视提升学生的Presentation和Communication等软技能（这对于找商学院教职非常有用）。

此外，二者的师生比也是很不同的。工学院OR项目一年一般招10个到20个不等的PhD，一个老师可能会带很多个学生，学生之间资源竞争较为激烈；而商学院OM项目一年只招几个PhD，学院里师生比基本上是1:1，更容易获得老师的指导与关心。

上述区别也造成了OR PhD与OM PhD去向的不同：相较而言，OM PhD毕业后更容易找到教职（如果毕业后想当教授，商学院是非常好的选择），而OR PhD更多地会选择去业界（运筹学在IT、金融等各行各业还是很受欢迎的）。当然，这并不绝对：近年来，有越来越多的Top OR PhD凭借他们在专业领域积累的硬实力受到了教职市场的青睐，也有很多OM PhD在业界发现了更多机会从而选择转战业界。

此外，近年来也有一些学校开设了基于Data的交叉学科项目，对于有运筹学背景的申请者来说是值得一试的。MIT Institute for Data, Systems and Society（IDSS）就是一个很好的例子。它的PhD项目致力于将工程学、信息科学和数据科学的分析方法与社会科学的分析方法相结合，以解决重大的社会挑战，是非常有前景的项目之一。依照我今年的申请经验，最终进入面试的申请者来自CS、统计、运筹和经济等各个领域。

 - 申请背景 -

OR/OM的PhD项目对申请者的背景要求较为开放。不论是来自理科（数学、统计）、工科（工业工程、自动化、电子工程、计算机）还是经济学及商科背景的同学都可以选择申请。但一般来讲，数学背景越强，申请者会越受欢迎。除此之外，编程能力、相关学科（如经济学）知识等也属于加分项。此外，对于商学院OM项目的申请者来说，沟通能力和英语口语能力也是非常重要的。

 - 申请中的重要因素及解析-

如果粗略排序的话，个人认为各因素重要性如下：

推荐信 > 研究经历 > 发表 > GPA  = 课程与专业背景 > 文书 > GT成绩 > 其它

OM申请时基本都会有面试。OR申请这几年也有越来越多学校开始采用面试。当有面试时，面试表现也是非常重要的。后面我还会具体提到。

4.1推荐信

我个人认为，推荐信是PhD申请中最重要的部分。对于竞争激烈的顶级项目，基本上只有手握至少一封强推的申请者才有机会进入到shortlist。

推荐信这一环节有几个需要注意的地方：

海外Connection很重要：如果有机会拿到海外老师的推荐信，认可度会比来自国内的推荐信高很多。因此，我推荐大家尽可能找到机会让海外老师指导做科研。如果能找到与自己目标学校有关系的老师是最理想的；如果找不到的话，国内任教的有海外背景/关系的老师（往往是海归年轻老师，或在国际期刊上发文较多的老师）也是不错的选择。

 一封极强推大于三封普通强推：在找到了海外科研的情况下，我劝大家一定要全心全意专注在相应项目上。因为很多时候Committee看到来自美国的推荐信（尤其是认识的人的推荐信）会直接忽视申请者其它的推荐信。而且海外老师在写推荐信时是非常严谨、详实而且强度上不封顶的（有些老师会写非常长的推荐信，绘声绘色）。学校的申请系统也会直接要求写推荐信的老师将申请者与他教过的其他学生进行直接的比较。总而言之，最强的那一封推荐信，越强越好——在可能的情况下，申请者应该朝着“做老师最好的学生”的方向努力（如果你真的能深深impress到老师，那么即使是助理教授都完全有可能把你推荐到最顶尖的项目里去，正教授就更不必说了）。

避免黑推乃至平淡推：负面推荐信对申请者的影响是灾难性的；平淡推荐信对申请者则几乎起不到什么正面作用（即使是领域内最牛的大佬写的）。因此，申请人在向老师要推荐信的时候应该先确定一下推荐信至少有一定强度（否则可能还不如不要）。

三封推荐信最好比较立体：有极少数的人可能是有多封极强的推荐信的。但对大多数人来说，肯定无法做到每一封推荐信都那么强。在这种情况下，三封推荐信最好能互补一点，塑造出一个立体的优秀形象（而不是三封推荐信全都在说同样的事情）。

理想的推荐信是可遇不可求的。如果真的没有办法拿到来自有海外Connection的老师的强推荐，也不意味着就完全没有希望（当然，顶尖学校会难一些）。如果完全没有海外背景，可以参考一下下面链接中的文章，会很有帮助：

https://forum.chasedream.com/forum.php?mod=viewthread&tid=1293507&extra=page%3D1%26filter%3Dtypeid%26typeid%3D64。

4.2发表

申请OR/OM的PhD项目，发表并不是最重要的。由于本领域文章发出来所需时间较长，导致大多数申请者在申请时都并没有高质量的发表（如果真的有的话，肯定会有加分，但committee也还是会通过推荐信中指导老师对学生具体贡献的描述来看学生是否真的在这项研究中扮演了重要角色）。

所以我认为选择申请这个方向的学弟学妹可以更踏实、专注一些，不必艳羡很多其它理工科申请者傲人的Publication List——只要你在你的研究项目中真的做出了有价值的工作，并获得了指导老师的认可，那么在申请中你就会有很大机会。当然，不能因为发表不是必须的就对研究项目比较拖拉。要牢记一点：做出有价值的工作才是最重要的。

4.3研究经历

研究经历不求多，但求专（申请者一定要在有限的项目中保持专注）。项目的指导老师不必是大牛，最好是真能在乎你并能给你一些细节上指导的老师（毕竟大家都不是从一开始就会做科研的）。从项目价值上来说，我个人认为：

自己的idea > 老师的idea，自己的发现和结论 > 老师的idea、发现和结论，自己做模拟/数据处理

我在申请之前有过两段较为完整的科研经历（都是跟海外的老师做的），都做出了较有原创性的贡献。最后所有老师都为我撰写了很强的推荐信，对我的申请起到了很大的帮助。在这里也对学弟学妹做科研提出一些建议：

 真正热爱你选择的学科，对你手上的研究项目有激情。

与老师保持畅通的交流，对于报告、展示和邮件等要尽量认真。

真诚对待申请和科研之间的关系，客观对待挫折，尽情享受探索的快乐。

了解自己真正擅长什么，并尽量发挥出来。

4.4GPA

虽然GPA这一项在我之前列的排序中没有非常靠前，但是它其实还是非常重要的。个人认为，GPA和排名直接决定了申请学校的档次，而其余所有因素都是在同档学校对该档学生的评价中才能显现出来。

以前的申请者对GPA和排名的重要性众说纷纭——在我看来，GPA和排名其实像个阶梯函数：不同档次学校对GPA和排名有着不同要求，而当自己的GPA和排名达到一个档次的要求后，不论多高，就很难有更高效益了——此时，全世界有这么多达标的申请者，到底该录哪个呢？这时更具决定性的因素（推荐信、科研）就开始发挥效用了。

因此，高GPA不能直接使一个申请者被录取，但高GPA学生被学校考虑的机会还是会比低GPA学生要在统计意义上多一些（比如最最顶尖的项目可能考虑的大多是GPA比较高的学生）。

但如果有几门课考了低分，其实申请者完全不必难过——世界上绝大多数人都没有完美的成绩单，缺陷是在所难免的，只要能move on并在别的课程和环节（如科研）上取得好成绩，审材料的老师都能完全理解。

4.5课程与专业背景

GPA和排名并不是审核学生学业背景的唯一标准——审材料的老师也会关注申请者来自什么学校的什么专业，并关注申请者学过哪些advanced课程（主要是数学方面的课程，如实分析、优化（连续&离散/确定性&随机）、随机过程、概率论、统计、矩阵论、动态规划等；此外计算机方面的课程如机器学习、算法分析，以及微观经济学理论课程如博弈论，也都会对学生背景的增强有一定益处）。

4.6文书

CV非常重要，是申请季被看得最多的东西（不过它是基于之前所有因素的基础的）。Statement也很重要，在申请者进入Shortlist后可能会被Committee仔细阅读。申请PhD的CV应该学术、简洁、优雅。申请PhD的Statement主要需围绕自己的研究兴趣与研究经历展开，语言上朴素、清晰，让阅读者知道：你是谁？你以前做过什么？你以后打算做什么？

在我的申请过程中，再来人为我的CV和Statement写作提供了巨大的帮助。学术mentor来自Princeton, 并且与我申请的领域相同，因此能够从专业的角度帮我修改文书的内容；而文笔mentor是一位native English speaker，润色后的文书读起来非常流畅自然，避免了一些中式英语的表达。经过学术mentor和文笔mentor的指导、修改，我的文书质量有了很大提升。另一方面，再来人Coordinator也一直为在其他各种方面支持我帮助我，每次问问题都能得到及时的回复。在申请的时候感觉不是孤军奋战，而是有人一直支持，陪伴！在此向再来人表示由衷感谢！

4.7 GT成绩

GRE的话过线即可（320+3.5，有些项目可能320+4）。Toefl的话总分上100，口语上22就对工学院OR项目足够了。如果想申请OM项目的话，口语能力需要比较强。（如果Toefl口语分数高的话肯定好，但如果不够高的话如果能在面试里面说得比较流利也是OK的）

4.8面试

如果项目有面试，那么面试很重要。面试中的问题不外乎以下几个：

Why PhD? Why this school? Your research experience? Your research interests? Any question to ask?

申请者需要在申请前对上述问题有清晰思考并做足准备，并在面试时能以流利的口语清晰表达出来。其中，研究经历一定要叙述得比较清楚，研究兴趣最好能与申请学校找到吻合之处。

以上就是我的申请总结。希望能有更多的学弟学妹了解运筹学/运营管理（OR/OM），并选择从事这个很有前途的方向。也衷心祝大家在之后的申请中取得成功！

点击查看更多学员案例。