四個步驟，從0到1解決高校數字化實踐難點

如今，高校的信息化已經逐漸走向了成熟，如何進一步實現數字化、智能化？此階段的工作重點和挑戰是什么？如何真正實現高校的數字化、智能化運營，以實現降本增效，科學管理？這些問題急需找到答案。

圖一：高校數據化面臨的挑戰

結合永洪科技在高教行業的具體客戶應用，這里整理了一些如何提升高校數據分析有效性要點和大家分享。

要點一：要確定戰略目標

是面向校領導層級的頂層駕駛艙，面向教務管理領導的單刀深入之教務管理，面向更多職能部門之教務、學生、圖書館、招就及科研管理，還是面向廣義智慧校園之安全、空間、資產和能源管理？又或是以上各種排列組合？我們的數據目標是什么？是否需要形成長期數據資產，數據共享？數據現狀包括數量和質量又是怎樣的？項目資金預算是怎樣的？當期，中長期目標分別是怎樣的？數倉、大數據平臺甚至數據中臺、BI怎么選擇？就像做課題設計一樣，這些都需要在項目初期研判并確定。

這個確定的過程要運用頂層設計方法，結合學校所處信息化建設階段、業務系統數據情況及可以得到的相關財力、人力資源進行目標確定及整體規劃。好比裝修項目，如果財力、人力、物力各方面條件完備，自是可以功能性能兼顧，從硬裝到軟裝都來個豪華版，比如大數據平臺建設一步到位，各數據主題應用也來個“百花齊放”。

圖二：高校行業方案架構

但現實往往不那么豐滿，比如當前各業務系統數據比較完備，但數據質量很差，學校有長遠的數據應用規劃，財力尚可但不很充裕，那當期首先可以建設數倉，完成數據治理，在此基礎上選擇需要的典型業務場景進行數據分析，后期再進一步建設大數據平臺及進行更多報表開發。再可能現實很骨感，什么都不完備，財力也很有限，那就可以以相對成熟業務系統為切入點，快速完成數據治理，小步輕走，實現“精瘦”化數據應用，數倉/大數據平臺建設及系統性報表開發都在后期規劃。

圖三：永洪科技高教行業數據應用生態體系

要點二：不要貪多

首先分析主題不要貪多，即使業務系統數據完善，也不一定要納入當期數據建設體系，原則是執行層面和目標嚴格一致。以我們一個客戶為例，近兩年都一直深耕教務主題數據應用，因為其主體目標是提升學校教學質量及辦學水平。

再者是分析指標不要貪多。比如一卡通消費分析可以對學生消費時間、消費類別、消費金額、消費類別/金額和學生成績關聯性分析，是不是以上指標都需要呢？不是。假設我們的目標是通過一卡通分析找到在生活上需要關懷的學生，那我們只需要著重看消費金額即可，譬如對月消費金額低于某個值的學生進行一卡通充值補助。“有舍才有得”，階段內過于分散的目標和龐大的數據分析體系會分散精力，不利于數據應用落地及目標達成。

要點三：“將數據進行到底”

在和客戶相關負責人就數據應用情況進行回訪過程中，客戶有句話讓人印象非常深刻：“越用越準” 。我理解“越用越準”首先是主題定義、模型構建及指標定義準，再是發現問題準，最終輔助決策準。

“將數據進行到底”意味著主題定義及模型構建準確性。比如我們要做學業預警分析，是只看學生學業成績來進行預警嗎？傳統方式可能是，但這還不夠。我們可以構建一個模型，從學生學業成績、上課行為如出勤率、圖書館行為如圖書館進出次數/時長/圖書借閱次數、上網行為如上網時長、活動參與等多方面構建一個基于學生行為的學業預警分析模型，因為只專注學業成績很多時候看到的只是結果，更多做到“預警”中的“警”，而基于以上模型能提供更多的預警信息，更好做到“預警”中的“預”。

圖四：校長就業駕駛艙（永洪Z-Suite制作）

“將數據進行到底”意味著指標定義準確性。以教師工作量指標定義為例，需要結合課程難度，上課學生數，是否有輔講，節次等計算出來，才能相對準確的反映教師工作量。怎么設置課程難度呢？可以設立教師專家組，請其設置不同課程難度系數。還可以結合歷年學科各方評教情況建立模型進行難度系數設置。不要小看一個小小的指標定義，教師工作量是評教的重要因素之一，而評教的公平公正性，對教師隊伍的激勵性，對教學質量提升的重要性，再上升對學校辦學水平的重要性影響程度都很大。

“將數據進行到底”還意味著在數據應用中不斷迭代開發，深化應用。一是對子主題橫向擴展，比如結合高校業務信息平臺化建設系統，通過身份驗證的畢業生可在線進行畢業生成績打印，讓學生少跑腿，為其提供更好服務，這是從寬度上拓展數據應用。

二是子主題縱向拓深。比如對于學生成績管理這個主題，除了可以包含常規的學生學習效果分析，運用描述性分析看學生當期各科成績，運用趨勢分析看學生不同時期成績變化情況，運用對比分析看不同院系、班級及課程學生成績，還可以進一步進行績點預測等數據挖掘分析。除此之外，還能進行更多細分子主題比如課程不合理度分析，對比學生平時成績與考試成績差異度，對偏差值大的課程進行進一步調研；或是進行更多關聯分析，譬如人事、科研及教務相關性分析，教務和一卡通數據關聯分析等。這是從數據應用深度角度，讓數據不斷挖掘，越用越準。

圖五：男生女生學習成績與早餐次數分布

“將數據進行到底”是一個迭代循環的過程。在數據應用中結合業務情況還可以對前期定義的數據主題、數據模型及指標進行修正。只有融入匠人般的執著精神，才能不斷深化數據應用。

要點四： “從業務中來，回到業務中去”

“從業務中來”指數據分析要結合業務需求。每一個業務模型，每一項指標定義都需符合業務邏輯。比如前面提到的教師工作量指標就是基于業務理解來定義的。但數據分析工具及方法更多是幫助我們發現問題，或者是縮小問題范疇，找到一個異常指標點并不意味著問題的終結。我們需要讓問題回歸到業務本身，結合業務方法解決問題。

舉個例子，假設通過評教系統，我們發現某教師綜合得分低主要是學生評教得分較低。從數據層面，學生評教可以對教師備課、授課思路、教學風格、教學手段、課件制作、作業布置、對待學生公平性、尊重關心學生、課后輔導參與指導及與其他教師協作等方面制定一套評分體系。但看到總評分甚至每一細項評分都不意味著問題到此終結。評分背后更深層次原因是什么？譬如我們發現某老師今年和去年相比學生評教分數下滑嚴重，是教師教學能力退步，學校倡導的新的教學方式不能適應，還是其他比如因近期職稱評定甚至家庭因素導致的態度原因？這些需要回歸至業務層面，通過進一步調研的方式才能深入了解并界定問題發生根本原因，從而制定有效的解決策略。這就是“回到業務中去”。

案例：怎樣有效構建高校場景化數據分析體系

下面我們以學生安全駕駛艙為例，剖析怎樣有效構建高校場景化數據分析體系。

學生安全管理無論在高教還是普教都非常值得關注。現階段主要痛點在于缺乏學生安全

狀況及重點人員全面而準確的名單，難以實時監測、精準干預。那么怎么通過數據分析來幫助解決這個問題呢？

首先應用分析有效性要點一，制定戰略目標。我們的目標就是要掌握一份準確而完整的學生安全名單，精準干預，減少學生實際安全問題發生。

其次應用有效性要點“從業務中來”，進行學生安全問題類型定義。我們需要預定義哪些問題是學生安全問題。結合近年學生安全事件，我們可以定義三類學生安全問題：疑似失聯、疑似心理預警及學業預警。

下一步是應用有效性要點“將數據分析到底”之主題及模型定義準確性，來構建模型。對于疑似失聯學生，可以通過學生的行為軌跡以及各方面的數據印證構建疑似失聯學生狀態識別模型，譬如校務系統特征M1、一卡通系統特征M2、校園監控系統特征M3、校園網絡系統特征M4，得出一個疑似失聯名單，每一個學生的疑似失聯天數，學院，輔導員及學生的聯系電話等信息。對于疑似心理預警的學生名單，主要通過學生網絡行為如上網時長，上網網站類型來判斷；學業預警名單，通過學生的曠課行為、掛科、學分不足等情況綜合判斷。

圖六：學生安全管理駕駛艙（永洪Z-Suite制作）

繼續應用有效性要點“將數據進行到底”之子主題橫向拓展，除了以上疑似失聯、疑似心理預警及學業預警三類學生安全問題，我們還可以拓展出學生“重點人群”監控，通過對他們訪問特殊網站，是否常不在校，是否辦理校外住宿等方面進行監控，當然其中部分行為和之前三類學生會有一定程度的交疊。

再應用有效性要點“將數據進行到底”之子主題縱向拓深，對于疑似心理預警學生，我們還可以看學生現在成績排位和高考生源省內排位的偏離值，重點針對大一學生。為什么要看這個呢？因為我們知道高校生源是分省份錄取，有的省份錄取分數低，原本的天子驕子進入高校后發現自己和很多同學學業起點上實際存在較大差距，短期又難以縮短這種差距，心理上就可能出現落差甚至發生極端事件。這樣的學生在學習上通常是用功的，相關行為方式也是正常的，很可能不在以上任何一項安全預警問題名單里，但也是值得專注的。

最后是“回到業務中去”，對于如何減少學生安全問題，在數據分析工具幫助掌握一份相對準確的名單后，還要開展細致的學生關懷工作。譬如了解學生家庭背景、專業老師心理疏導、跟蹤學生變化情況等。每一個學生的安全問題對于個體而言都非常重要甚至關乎生命，結合數據分析有效性要點，構建學生安全管理駕駛艙，有助于減少學生安全事件實際發生。

圖七：高校數字化實施的收益

大數據 應用與數據集成平臺 ROMA Connect

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。