扫码加入数据分析学习群

高校信息化的发展已历经三十年。从信息化建设阶段来看，可以分为四个阶段：

第一阶段以设备和网络为建设核心，譬如“电教中心”、“计算机中心”；

第二阶段以数字化校园建设为核心，譬如 “智慧教室”，“在线教学平台”；

第三阶段以数据为核心，譬如有些学校已经把“网络信息中心”更名为“大数据中心”；

第四阶段为已建立智慧大脑、人工智能的问题解决平台的发展阶段，譬如自动解答海量疑问、智能办理校内业务、建立人工智能问题解决平台等。

现阶段不少高校都处于信息化建设的第三阶段，今天我也主要基于此阶段，进行高校数据分析有效性探讨。

图一：高校信息化建设阶段

结合永洪在高教行业的具体客户应用，我整理了一些如何提升高校数据分析有效性要点和大家分享。

一是要确定战略目标。

是面向校领导层级的顶层驾驶舱，面向教务管理领导的单刀深入之教务管理，面向更多职能部门之教务、学生、图书馆、招就及科研管理，还是面向广义智慧校园之安全、空间、资产和能源管理？

又或是以上各种排列组合？我们的数据目标是什么？是否需要形成长期数据资产，数据共享？数据现状包括数量和质量又是怎样的？项目资金预算是怎样的？当期，中长期目标分别是怎样的？数仓、大数据平台甚至数据中台、BI怎么选择？

就像做课题设计一样，这些都需要在项目初期研判并确定。这个确定的过程要运用顶层设计方法，结合学校所处信息化建设阶段、业务系统数据情况及可以得到的相关财力、人力资源进行目标确定及整体规划。

图二、永洪高教行业方案架构

好比装修项目，如果财力、人力、物力各方面条件完备，自是可以功能性能兼顾，从硬装到软装都来个豪华版，比如大数据平台建设一步到位，各数据主题应用也来个“百花齐放”。

但现实往往不那么丰满，比如当前各业务系统数据比较完备，但数据质量很差，学校有长远的数据应用规划，财力尚可但不很充裕，那当期首先可以建设数仓，完成数据治理，在此基础上选择需要的典型业务场景进行数据分析，后期再进一步建设大数据平台及进行更多报表开发。

再可能现实很骨感，什么都不完备，财力也很有限，那就可以以相对成熟业务系统为切入点，快速完成数据治理，小步轻走，实现“精瘦”化数据应用，数仓/大数据平台建设及系统性报表开发都在后期规划。

图三、永洪高教行业数据应用体系

二是不要贪多。

首先分析主题不要贪多，即使业务系统数据完善，也不一定要纳入当期数据建设体系，原则是执行层面和目标严格一致。

以我们一个客户为例，近两年都一致深耕教务主题，因为其主体目标是提升学校教学质量及办学水平。事实证明通过对教务管理深度数据应用，切实提升了教务管理水平进而提升了办学水平。

再者是分析指标不要贪多。比如一卡通消费分析可以对学生消费时间、消费类别、消费金额、消费类别/金额和学生成绩关联性分析，是不是以上指标都需要呢？不是。

假设我们的目标是通过一卡通分析找到在生活上需要关怀的学生，那我们只需要着重看消费金额即可，譬如对月消费金额低于某个值的学生进行一卡通充值补助。“有舍才有得”，阶段内过于分散的目标和庞大的数据分析体系会分散精力，不利于数据应用落地及目标达成。

三是将“将数据进行到底”。

还是以上面提到的我们致力于教务分析的客户为例，我在和客户相关负责人就数据应用情况进行回访过程中，客户有句话让我印象非常深刻：“越用越准” 。我理解“越用越准”首先是主题定义、模型构建及指标定义准，再是发现问题准，最终辅助决策准。

“将数据进行到底”意味着主题定义及模型构建准确性。比如我们要做学业预警分析，是只看学生学业成绩来进行预警吗？传统方式可能是，但这还不够。

我们可以构建一个模型，从学生学业成绩、上课行为如出勤率、图书馆行为如图书馆进出次数/时长/图书借阅次数、上网行为如上网时长、活动参与等多方面构建一个基于学生行为的学业预警分析模型，因为只专注学业成绩很多时候看到即是结果，更多做到“预警”中的“警”，而基于以上模型能提供更多的预警信息，更好做到“预警”中的“预”。

“将数据进行到底”还意味着指标定义准确性。

以教师工作量指标定义为例，需要结合课程难度，上课学生数，是否有辅讲，节次等计算出来，才能相对准确地反映教师工作量。

怎么设置课程难度呢？可以设立教师专家组，请其设置不同课程难度系数。假设高等数学难度系数被设置为1.x, 某语言类学科难度系数被设置为0.x。还可以结合历年学科各方评教情况建立模型进行难度系数设置。

不要小看一个小小的指标定义，教师工作量是评教的重要因素之一，而评教的公平公正性，对教师队伍的激励性，对教学质量提升的重要性，再上升对学校办学水平的重要性影响程度都很大。

“将数据进行到底”还意味着什么？

除此之外高校数据分析有效性还有哪些要点呢？我们将在《浅谈高校数据分析之有效性》下篇继续和大家探讨，届时还将结合典型场景剖析如何有效构建高效场景化分析体系。欢迎关注。