自上个世纪20年代，OR（运筹学）诞生并与CS一同不断发展，不同学科的学术交叉下形成了现在的几个有联系的学科：MIS（信息管理系统）、OM（运营管理）、DS（数据科学）与OR（运筹学）。另外还有quant marketing等。由于笔者知识有限，只能写下浅显的些许介绍性质内容方便大家管中窥豹，并且分享一些资料。
这些专业很多非常欢迎CS背景的学生且研究内容与CS关联紧密，PhD中绝大部分是CS或者Math本科。
Operations Research
- 研究最优化、随机、算法、控制等内容，可以认为是应用数学的分支，较为理论。部分研究与计算机理论相重合。王子卓老师关于OR的相关解答link
- 国外可以参考MIT ORC，上财叉院。上财叉院的实力非常雄厚且以理论为主，稳定培养前往世界顶尖学校PhD（MIT等）攻读OR、MIS、OM的学生。
商学院：Operations Management & Management Information Systems
- OR/Math+CS+商科/社科领域的应用==OM，参考Uchi Booth的介绍翻译：利用数学和计算机方法进行研究（目前较多使用Machine Learning），帮助管理人员开发更好的系统并做出更好的决策。OR和OM在研究内容上并没有很大区别，可以参考cuhk的Pro.Zhang, Philip Renyu所分享的申请经历，虽然年代久远但依旧很有价值。
- CS+商科/社科领域的应用==MIS，目前较多涉及Machine Learning，Data Mining等。
- 此处的OM与MIS特指商学院下的专业，与ischool下的相关专业在制度上有所不同，研究内容相似。每个商学院相关系的名称不一样，如Upenn Warton底下叫做Operations, Information and Decisions
- Data Science学院的研究较杂，会涉及多个专业招生。国内如港中深数据科学学院学术水平非常高，有OR、CS、OM相关领域的老师，大家可以尝试套磁做科研。
以上这些专业很多非常欢迎CS背景的学生且研究内容与CS关联紧密，PhD中绝大部分是CS或者Math本科。如Umich Ross商学院PhD几乎都是录的清北数学本。这几个学科联系非常紧密，从申请的角度在笔者看来，这些项目大致可以分为三类： 1.商学院下的program 2.cs系下的program 3.其他理工科系下的program
商学院（绝大部分）项目的一些特色
- 绝大部分是committee制，意味着套磁的话大部分老师都是模板回复鼓励申请之类，即使不陶瓷也可以拿offer（当然套磁肯定也不坏事）。此外养PhD candidate的费用由系里出，师生关系相对更良好。国内的top院校是在第二年再选择导师（如清华、复旦）
- 录取人数少（-）。基本上对于一个专业，各系一年只招1-2名PhD（例外如哥大DRO一年4个），北美一年加起来招大概不到100个PhD，如果是非minority可能得减半。这意味着难度极大，非top选手的offer好坏运气成分较大。贡献两个dp（几年前）：
1.北大数院女，拿到MIT EECS PhD，选择了哥大商学院DRO系
2.清华贵系，nips一作，哥大商学院DRO系 - 教职容易（+），placement大部分招教职，因此除了少数雄心壮志的job market candidate较少有去postdoc。僧少粥多的结果。但注意的是近两年的难度极具上升，特别是对于非minority，因此最近不少去了业界，如Amazon。
- 教职薪资水平高（+）。一般的学校ap可以达到15w-20+w。
- 毕业年限相对短（+）。一般是5-6年，可能MIS长一点。
因此笔者的个人观点是，从target学术界的角度，商学院>CS>其他，从target业界的角度，CS>其他≈商学院。业界的出路：OR还是比较狭窄的，一些top学校的PhD会去抢CS的相关岗位。ISOM可以前往例如Amazon的economist等岗位，目前还是较为容易且待遇不错（30w刀/y），或者一些大厂postdoc岗位如谷歌，但未来难以预料。
商学院ISOM学术及申请的tips
- 目前从学术角度，北美无疑占据学术圈主流，港新及INSEAD等欧洲院校紧跟脚步，内地尚有差距。
- 商学院的顶刊为utd24期刊以及少数top field，发表周期较长，平均2年。周期长导致北美与其他地区产生壁垒，即使有SSRN（arxiv）的存在。
- 这意味着相比于CS，具有一定学术水平的老师非常少，有一篇高质量paper（顶刊R&R及以上）的难度大。因此在connection大于一切的情况下，尽可能以及尽早找北美老师，培养自身的学术品味。
- 只能找国内导师/想以后既申商学院又申CS，可以做ML/DM相关内容。
- ISOM PhD申请所看重的点：
1.CS，Math背景做proof
2.代码能力
3.炼丹熟练度
4.实证方法
5.研究方向是否match
6.pre能力
7.self-motivated等
8.有一篇高质量的paper（未发表的高质量paper>一般水平的已发表文章，因此好好打磨一篇足矣）