驾驭大数据时代论文

驾驭大数据时代论文（通用8篇）

驾驭大数据时代论文 篇1

1 月20 日,由全球大数据联盟(GBDC)、全球移动游戏联盟(GMGC)、世界O2O组织(WOO)、光合资本主办,中国互联网协会(ISC)O2O工作组、中国汽车流通协会(CADA) 支持的2016 全球大数据峰会(GBDC2016),在北京国家会议中心隆重举行。这场行业盛会吸引了来自IBM、Taiking Data、微软、高通、阿里巴巴、联想、Akamai中国公司等众多企业的业界精英参与。与此同时,全球大数据联盟(GBDC) 也在此次峰会上正式成立。

随着大数据、云计算、物联网等新技术新应用向商业世界及公众生活的渗透,人类交流和连接方式发生了剧烈变革,数据体量迎来了爆炸式增长,大数据时代由此开启:人类全面进入共享经济时代,传统的产业模式被不断革新,原有的产业链被打破,以往的传统观念也被彻底颠覆。数据的获取和应用成为了全新命题,ICT和DT( 信息通信技术+ 数据技术) 的融合终将会带领我们走进一个新的时代。

在开幕仪式最后,GMGC创始人兼秘书长、WOO总干事、光合资本创始人宋炜,微软中国首席技术官韦青,IBM分析开发总经理、IBM中国开发中心吉燕勇,VMware中国研发中心总经理任道远,联想集团副总裁田日辉,碳云智能联合创始人及首席科学家、前华大基因首席科学家及华大科技CEO李英睿,Talking Data合伙人兼执行副总裁林逸飞共同为全球大数据联盟的正式成立进行了揭牌仪式,全球大数据联盟的成立将加速减少中国大数据与国际市场的差距,加速中国大数据发展的速度。

◎ 来源:中国新闻网

驾驭大数据时代论文 篇2

比如，早在2000年左右的时候，四大行都在规划数据仓库，一期的投资预算都在1个亿左右，当时香港某银行做了一个8TB的数据仓库，光装进去就得花三四天时间，分析完这些数据又得花很大的投入。成本高、周期长致使大数据在那个时候并没有蔚然成风。

而今天，做一个1TB的数据库，所花成本不到原来的十分之一，甚至百分之一。分析计算成本的降低就导致即使只有一个想法，也可以很快把大量的数据装进来，即使分析完没有什么发现，试错的成本也很低，这就是为什么十年前大家不谈大数据，而谈商业智能、数据仓库的原因。曾经人们梦寐以求的分析、计算，在今天很简单就能实现。很多小的分析加起来就成为一个大的价值，背后还是计算成本的根本性下降。

对于大数据，大家通常会想到“3V”，即Volume（数量）、Velocity（速度）、Variety（种类），但是大数据在数量上并没有绝对的标准，它只是相对于处理能力而言，若干年前，英国最好的大型处理计算机所能计算的数据量只相当于今天一部苹果手机的一半。大数据对速度的实时性要求更高一些，过去很多数据都是先储存下来然后再导进数据库，但今天对于数据的实时抓取和分析能力提升了很多。对于种类来说，如今各种非结构化数据已经出现了。其实以前这些数据不是没有，但若干年前我们对于声音、图象等数据是没有分析手段的，即便拿到了也没有办法分析。

2015年2月11日，波士顿咨询公司（BCG）发布最新报告《互联网金融生态系统2020系列报告之大数据篇：回归“价值”本源：金融机构如何驾驭大数据》。报告认为，成就大数据的并不是传统定义的“3V”，更重要的是第四个“V”，即Value（价值）。当量级庞大、实时传输、格式多样的全量数据通过某种手段得到利用并创造出商业价值，而且能够进一步推动商业模式变革时，大数据才真正诞生。

大数据的商业价值

谷歌当年就用数据来预测流感，这是非常有意义的事情。某基金管理公司在引入大数据的分析和技术之后，各部门都在用数据说话，然后再做决策，一改过去靠领导拍脑袋做决定的状况。

金融行业是一个数据强度很高的行业，每产生100万美元的收入，会沉淀下820GB的数据。金融行业天然有它的数据属性。比如在零售银行里面，个性化的定价、客户细分、预见客户流失等方面，都会用到大数据。招商银行就正在用大数据对客户流失进行预警。另外在风险控制领域，大数据的应用也非常多。过去的风控需要很多人为的干预在里面，成本非常高。今天，大数据技术让大家能更及时、更快速、更低成本地发现风险。对于运营的优化，大数据也发挥出很大的作用。比如有些银行通过大数据的分析，很清楚分布在各处的ATM机对现金的需求量，从而很精准地投放网点资源，减少浪费。同时很合理地安排运钞车和放钞频率，降低成本。

保险行业也是数据强度非常高的行业。保险行业的产品开发、营销销售、报单管理、理赔、资产管理等关键环节都有很多大数据的应用。比如医疗保险，通过大数据分析就会发现，20%的大病赔付事件占据了赔付金额的80%，如果能及早发现这20%的案例，并及早干预的话，就不会演化到后面的巨额赔付，就能够大幅度降低赔付金额。比如让客户提早彻底治疗，一定要足够休息等。

美国Axciom公司收集了全球电梯运营商的数据，然后提供给银行，银行据此做出准确的决策判断。Axciom在收集数据的时候，首先注意到世界上的电梯运营商主要集中在日本和德国;其次电梯运营数据的主体非常简单，就是在哪栋写字楼哪家公司停了多久，是不是正常运营;再用这些数据去匹配黄页，通过黄页可以查到哪家公司在某栋写字楼。Axciom把这两项数据匹配起来之后，得出一个很简单的事实：一部电梯在一家公司每天停靠的次数。持续观察这些数据后，会知道电梯发生异动的情况，如果在正常范围值上下波动20%是很正常的，但是如果忽然减少了一半，或者忽然增加了一倍，这背后就有原因。Axciom不做任何的判断，只是告诉银行，你的某个客户电梯停靠次数发生异动。银行拿它去提示客户经理，要去拜访一下这家公司是否出了问题。在这点上，银行想知道贷款是否安全，债主是否逃跑了。Axciom这样的创新让银行的贷后检查变得更加有针对性，而且也更加的及时。

国内应用大数据的案例并不多，有种“雷声大雨点小”的感觉。比如国内金融机构的数据其实是非常多的，但是这些数据往往散落在各个部门，是一种比较割裂的状态。如何真正能够跨部门协作把这些数据整合起来，是很多国内金融机构面临的一大难题。这也是造成大家感觉大数据很热，现实却比较单薄的原因。

报告作者之一、BCG大中华区董事经理张越女士认为，大数据并不仅仅是一个技术问题，它更多的是一个商业问题、管理问题。所以大数据要求金融机构重新审视自己的基础设施和自身所处的环境。“对金融机构而言，及早出发，积极、理性地试水投入，让整个机构能够够借助大数据来尽快实现自我提升，这是将数据持续转化为生产力乃至竞争优势的必由之路。”

从数据到价值的掣肘

简单来讲，从数据到价值需要经历四个层次。各种不同的数据在第一个层次里会用各种硬件和软件的方式进行收集和存储，这是最基础的层面。数据被实时和非实时地清理、加工，并被归档存储为有效信息以后供后续分析处理;第二个层次很关键，要对收集的数据进行去噪和增强处理，完成关系型信息和非关系型信息相对整合;第三个层次属提升层次，是知识发现层。以人工智能和数据挖掘技术来分解、提炼信息，找出有价值的信息点，完成从信息到知识的转化;第四个层次就是蜕变层，是智慧汲取层。借助可视化工具，将经验、判断与知识相融合，使数据升华为智慧，开始指导商业价值的创造。

nlc202309040540

从数据到嵌入式商业模式的变革一共有七步，即数据收集、许可和信任、储存和处理技术、数据科学、协调、行动洞察力、嵌入式变革。在这七个步骤中，最难的是许可和信任以及协调。很多金融机构都很担心所拥有的数据能用吗？如果客户投诉怎么办？如果监管不同意怎么办？协调也是很难的，比如说数据的整合，技术部门和业务部门的对接问题。业务部门总觉得技术部门作为不足，而技术部门也往往不知道要解决什么问题。实际这是一个沟通协作的问题。

对于金融机构来说，如何驾驭大数据，把数据引到价值层面？报告作者之一、BCG合伙人兼董事总经理何大勇先生认为有三个关键点：第一个关键点是“人”。即使在数据、技术等满天飞的时代，人还是创造价值的主体。其在大数据时代，数据科学家是复合型人才，既要懂得业务的需求，又要能够处理数据，要知道在技术层面上到底应该发生什么。这样的复合型人才是挖掘大数据能力非常关键的群体。所以吸纳善于“跨界”的复合型人才，构建复合型团队就成为金融机构的关键所在。

第二个关键点是高效的行动。大数据在现实应用中，给大家的启示是大数据本身不意味着大价值。很多时候大数据带来的发现是一个小机会，单个来看，它可能并不值得投入巨大的精力。但今天正因为有了低成本的手段，所以可以将大量的小机会聚沙成塔，产生大的价值。高效行动是很多金融机构面临的一大挑战。可以引入试错机制，试十次成功的机率和试一百次成功的机率结果是不一样的。而且更关键的是，如果试对了一回，是不是能够强烈地去推广，这也是很多金融机构面临的困惑。

第三个关键点是构筑优势。其根本就是转变思维。很多人会认为，大数据能解决很多我们以前一股脑不能解决的问题，大数据浮现出来的价值似乎是自动的。但实际上，大数据转化成价值的时候，很多管理性的问题同样是需要解决的。思维转变意味着一场异常深刻的变革，而这样的变革势必触碰到体制层面。

大数据的本质是管理

每家公司都需要了解自己的客户，大数据究竟能带来什么？如何让大数据的商业价值最大化？比如银行的交叉销售，以前大家最希望系统能够告诉营销人员下一步该推荐什么产品，很多银行采取的做法是总行说了算，总行说现在要推信用卡，下边的营销人员就去推信用卡;总行说现在要推现金管理，下边营销人员就去推现金管理。很多时候，这样做的成功率是有限的，因为这是从一个面去推。而在大数据的分析之下，银行会更精准的发现，向那些跟银行有过信贷关系的老客户推荐现金管理的成功率会更高。客户经理就不用挨家挨户去推现金管理产品了。这样做交叉销售的成功率会提高很多。

有一个典型的例子，一位先生搬家到澳大利亚，连续两年定期收到一家保险公司的短信，推销他们的寿险产品。但是这位先生当时根本就没有购买的意愿和需求，这无疑是一个非常无效的营销。后来，保险公司通过大数据分析发现，在一个家庭有孩子的前后一两年，出于保护家庭的原因，对寿险产品的需求会强很多。而从信用卡交易的数据去找出到底哪些家庭打算要孩子或者刚刚有了孩子是很容易的，因为这些家庭购买的东西不一样。保险公司针对这些家庭做精准营销，在很短的时间内，交叉销售成功率就提高了30%。

再比如，很多公司都想了解当一个有价值的客户要丢失了该怎么办？有一家银行做了大数据分析，结果发现在整个能带来贡献值的客户里，在一个特定价值区域里面，这批客户是最容易动摇的。因为这个范围并不是很大，所以很容易能把这些客户筛出来。大数据还分析出怎样让稳定这些客户。当一个客户的朋友圈用的都是一家银行的时候，就会稳定得多。所以这家银行当时做了一个减少客户流失的举措，就是营销客户的朋友圈，让客户更多的朋友都用自己的服务，而不是到处给客户送礼物，强留客户。

还有一家银行想把客户往电子渠道上赶，不让他们去网点，传统的做法是对所有的客户都去宣传，只要用网银、手机银行，就送礼物。大数据分析帮他们发现，其实有66%的客户是非常愿意转移的，这些客户有非常明显的消费特征，比如他们经常网购，已经在线上做各种各样的订阅、查询。有了这样的数据分析，银行就可以少投入很多资源去做推广。

“大数据是一个技术手段和可能性，最终还是要解决商业问题。技术和数据本身，只要你需要，总是能够把它做好，即便自己做不了，也可以找第三方来做。但是大数据的本质是管理理念问题，让我们能更好地把事情做下去，而不再是拍脑袋或者是凭着经验。”张越女士说。

驾驭大视频迎接新时代 篇3

超清晰的音视频效果:视频编解码H . 2 6 5 技术的发展使得更低带宽下可以传输更优质量的视频数据成为可能, 促使4 K 、8 K超高清视频应用普及。

沉浸式如临其境的互动体验:VR/AR等虚拟现实技术也在不断发展, 人机交互界面向沉浸式多元化发展。

更全面、更智能、更贴心的服务能力:随着大数据技术、物联网技术、传感技术的发展, 以及可穿戴设备、新型移动设备的愈加丰富, 服务商能分析用户行为特征, 追踪到受众群的终端, 依据大数据智能分析、用户的轨迹位置及情绪, 提供更贴合用户的个性化业务。

大数据时代,“制鞋”大机遇 篇4

2011年5月, 麦肯锡全球研究所发表了名为《大数据:创新、竞争力和生产力的下一个前线》的研究报告, 最早提出了“大数据”时代已经到来[1]。2012年3月29日, 奥巴马政府在白宫网站发布了《大数据研究和发展倡议》, 目的是提升利用大量复杂数据集合获取知识和洞见的能力, 并为此投入两亿美元以上资金[2]。奥巴马政府还把数据比喻成“未来的新石油”, 这充分说明美国已经把应对大数据时代带来的机遇和挑战提上了日程, 上升到了国家战略层面。2013年, 更是被媒体称为“大数据元年”。

麦肯锡发表的报告还认为, 制造业是较易获取大量数据的行业之一, 所以也是大数据应用最重要的领域之一[1]。制鞋业作为制造业的一部分同样面临着前所未有的机遇和挑战。那么, 究竟何为“大数据”?鞋企又该如何积极应对?

1 大数据的理解

1.1 大数据的定义

时下, 数据呈指数型增长, 那么, 海量数据是大数据吗?显然, 大数据不仅仅是“海量”, 比“海量”更重要的是数据的复杂性。云计算是大数据吗?答案是否定的, 大数据不是云计算, 它是云计算的灵魂和升级。云计算是大数据的一种业务模式, 其本质是数据处理技术, 而大数据的核心议题是如何盘活数据资产, 使其为国家治理、企业决策乃至个人生活服务。

综上所述, 大数据是指通过收集、整理生活中方方面面的海量数据, 通过分析软件对其分析挖掘, 进而从中获得有价值的信息, 最终盘活数据资产, 使其服务于个人、企业乃至国家。

1.2 大数据的特征

在2006年, 个人用户才刚刚迈进T B时代, 全球一共新产生了约180E B的数据;在2011年, 这个数字达到了1.8ZB。根据IDC市场研究机构预测:到2020年, 整个世界的数据总量将会扩大50倍[3]!所以, 想掌控这庞大的数据, 我们必须了解大数据的特征。

大数据具有4V特点:V o l u m e、Velocity、Variety、Veracity[4]。第一, Volume (体量) , 即海量的数据规模, 体现大数据庞大的特点。第二, Velocity (速度) , 即快速的数据流转, 对数据要实时分析, 立竿见影而非事后见效, 处理数据的效率就是企业的生命, 体现大数据时效性的特点。第三, Variety (多样性) , 即多样的数据类型, 包括文本、图像、视频、博客、社交网站、论坛、金融交易、电子邮件、日志等等, 这些都属于非结构化数据, 体现大数据复杂性的特点。第四, Veracity (价值) , 即价值密度低、商业价值高, 具有大量的不相关信息, 需要沙里淘金, 对未来趋势与模式进行预测分析, 体现大数据价值高但分析困难的特点。

1.3 企业大数据现状及发展趋势

中国企业数据中心数据存储量正在快速增长, 结构化数据、半结构化数据和非结构化数据的分布呈金字塔状, 非结构化数据处在最低端, 庞大而复杂。对于企业来说, 如果能有效处理和分析这些数据, 会得到企业非常有价值的信息。但是, 仅仅依靠数据库的查询检索机制和统计学方法很难获得这些信息, 所以, 企业迫切需要能自动地、智能地将非结构化数据转化为有价值的信息, 从而达到为企业决策服务的目的。

Tim O’Brien在2013年3月于圣克拉拉市举行的O’Reilly Strata大会上指出:自从雅虎技术团队以Hadoop为武器、一举将谷歌拉下神坛以来, 众多企业相继把这项技术引入业务流程当中[5]。但相对于高昂的资金投入、巨大的精力消耗, Hadoop技术所带来的优势却显得微乎其微。所以, 企业大数据工具使用现状是:砸钱太多, 回报太少。

其它方面, 比如企业数据分析处理方面的现状是:缺少数据全方位分析方法、ERP软件处理能力差、海量数据处理效率低、实时数据分析能力差等;企业对大数据的关注程度方面的现状, 以制造业为例, 从“制造业对大数据的关注程度”这幅图可以看出:制造业企业大都没听说过大数据, 即使听说过, 也是处于观望状态, 不敢于创新。

2012年1月, 瑞士达沃斯论坛发布了《大数据, 大影响》的报告, 宣称数据就像货币和黄金一样已经成为一种新的经济资产类别[6]。数据正在变成企业竞争的利器。面对大数据的挑战, 企业未来的发展方向是: (1) 个性化颠覆传统商业模式, 使互联网技术服务于传统产业, 推动产业的转型升级; (2) 数据服务变革, 针对群体, 把人分成很多群体, 每个都给予不同的服务; (3) 数据就是资产, 未来数据会成为最大的交易商品, 企业要基于数据挖掘技术诞生多种商业模式。

2 大数据在企业中的应用及思考

很多发达国家, 数据在企业的商业战场中起着决定性的作用。但大数据是把双刃剑, 应用得当, 企业会蓬勃发展;应用不当, 将对企业形成倒闭机制。只有了解大数据成功企业的成功关键要素、应用中的技术难点, 借鉴其经验, 取其精华, 去其糟粕, 才能成为一家以信息为中心的企业, 并在激烈的市场竞争中保持领先优势。

通过对大数据成功企业分析得出其成功的关键要素是: (1) 企业模式转变, 即企业高管如果能够意识到应对数据带来的挑战的迫切性时, 往往就能促成其大数据战略。 (2) 集中式数据存储, 即收集一切的数据:包括社交媒体数据、工作日志数据、传感数据等。然后对这些数据进行存储, 之后决定企业是否需要这些数据。 (3) 分析处理系统, 即拥有高度商业智能的数据分析和处理系统。 (4) 大数据专家, 分析百万兆字节而且是不同类型的数据是一项艰巨的任务, 需要聘请大数据专家, 帮助找出需要咨询的问题的准确解答方案, 进而充分利用大数据战略的优势。 (5) 对目标对象进行更完整的分析、描述。 (6) 广告投放要精准, 实现点对点智能广告模式。 (7) 细心周到的营销方式。

大数据在企业中的应用技术难点不是缺少数据, 而是数据太多, 面对这些静态、孤立、无多大参考意义的“初级品”的信息数据, 企业信息部门应知道如何通过系统功能来有效利用和整合, 发掘有价值的数据, 给公司营销管理提供决策支持。

大数据时代, 企业要想实现转型升级, 对自身也有一定的要求, 即首席信息官们意识上必须认识到创新的必要性, 勇于尝试全新的技术;应用初期从小项目着手, 确定企业的短中期目标和标准, 不断实现数据透明化, 强化数据洞察与分析;储备好大数据相关技术人才;依法获得数据, 不得侵犯用户隐私。

3 大数据, 鞋企的GPS

3.1 面对大数据, 鞋企的应对策略

大数据时代, 鞋企首先要考虑的是如何收集信息?客户信息就是“货币”, 谁掌握精准信息, 谁就赢得“货币”。互联网时代, 提的最多的就是“O2O”模式, 即线下线上。现在的鞋企老板可能每天都在思考, 不加入“网购”就是跟不上需求而没有未来, 加入则因线下生意大幅缩水而失去现在, 进退两难。那么, 线下实体店到底输在哪里?线上线下, 鞋企如何抉择?

对比“电商”和“店商”不难发现, 两者不同的是, 所有“电商”都对购买者的行为轨迹进行了全程跟踪, 并且留下了完整的客户信息 (浏览轨迹、交易信息、个人住址、联系方式、购物偏好、产品评价等等) , 有了这些信息就能够很容易开展二次定向精准营销, 并把这些客户重新拉到线上或线下再次消费。可是, “店商”呢?即不知道是谁买了什么产品, 也不知道消费轨迹, 更不知道联系方式。换句话说, 此单消费结束, 顾客也就流失了, 从而导致“店商”的业绩直线下滑。从两种消费模式不难发现, 数据对鞋企的影响之大, 谁控制了数据, 谁就掌握了“货币”的发行权和流通权, 也就掌握了制鞋行业的主动权。

所以, 鞋企在销售模式上, 应该线上线下两手抓、两手都要硬, 获取更多的客户信息, 建立一套完整的客户关系管理体系, 将线下门店里的消费人群吸引到线上, 从而实现客户线下和线上的交融, 提升客户忠诚度。特别是“店商”, 应该抓住自身客流量大的优势, 在消费者购买的同时迅速获取顾客信息 (联系电话、喜好、意见等等) 。

其次, 面对大数据, 鞋企要会分析利用, 从凌乱繁杂的数据背后挖掘其价值。这就要求鞋企重视数据型人才, 成立专门的数据部门, 以便能够从庞大的非结构性数据中实时有效地提取有用的价值。分析很多比较成功的公司不难发现大数据专家的重要。比如, Linked In公司有超过100位数据科学家;通用汽车公司也决定雇佣1万名IT员工, 其中就包括许多的数据科学家[7]。所以, 鞋企要想成功的转型升级, 数据型人才非常关键。只有他们实时有效地提取数据的价值并且及时反馈给其它相关部门 (设计部门、销售部门等) , 才能让这些部门更好的去了解产品市场、消费者、行业发展动态、流行和时尚等的信息, 使鞋靴产品设计定位更加准确, 鞋靴本体的设计更加符合消费者的需求。最后, 销售部门还要靠这些信息将鞋靴的优惠以及新产品的上市通过短信、微信、微博等渠道及时传递给顾客, 引导二次消费, 增加企业的营业额。

最后, 需要强调的是大数据里面没有排山倒海式的颠覆, 鞋企需要蹲下身子, 倾听消费者的需要, 一点点的微创新, 顺应消费者的习惯, 提供更加人性化的产品, 提供更加贴心的服务, 尽一切可能让消费者便利, 这才是核心问题。

3.2 成功案例

在制鞋行业大数据应用最成功的莫过于耐克。2010年, 耐克成立了独立的数字运动部门, 与耐克的研发、营销等部门属于同一个级别, 运动数字化已经正式成为耐克的战略发展方向。2012年, 可以称为耐克的运动数字化元年, 它的数字运动平台N i k e+迎来了全面爆发。短短1年时间内, 多款重量级产品相继问世, Nike+线上社区的注册用户数量也从年初的500万迅速增加到1000万以上的规模[8]。

其实, N i k e+的最具价值的部分是它所收集到的用户数据。耐克会如何利用这些数据呢?

(1) 未来, 耐克或许会在热门跑步路线的沿途投放广告。此外, 相关的公司完全可以在这些地区设置“加油站”, 为跑步者提供存放衣物等服务, 并且还可以借机售卖运动功能饮料等周边产品。

(2) 这些一手的数据可以为产品设计提供重要参考。依靠这些数据, 耐克还可以为用户量身打造适合的健身计划。

(3) Nike+可以帮助耐克从一家单纯提供运动鞋服的“硬件厂商”变为一家“服务供应商”。

(4) 从广告营销方面看, 很多人都佩服耐克公司选择代言人的眼光, 因为它总是能够挖掘出天才的运动员。这正是因为Nike+能通过用户数据找到那些天赋异禀的运动天才。

总结

“假如我们有了一个数据预报台, 就像为企业装上了一个G P S和雷达, 企业的出海将会更有把握。”马云在2012年网商大会上的演讲中形象地表示了数据的重要性[9]。

所以, 在当今这样一个大数据的时代, 制鞋行业也应当尽早开始研究大数据的管理与应用, 从凌乱繁杂的数据背后挖掘其价值, 使大数据“为我所用”, 帮鞋企更准确地找到用户, 将用户群精准细分, 找到更符合用户兴趣和习惯的产品和服务, 并对其进行针对性地调整和优化, 主动迎合用户需求, 从而来降低营销成本, 提高鞋企销售率, 增加利润, 实现鞋企的转型升级, 实现大数据的“长治久安”。

参考文献

[1]James Manyika, Michael Chui, Brad Brown.Big data:The next frontier for innovation, competition, and productivity[R].America:Mc Kinsey Global Institute, May 2011.

[2]Obama administration.Big Data Research and Development Initiative[R].America:Obama administration, March 29, 2012.

[3]韩琮林.中关村大数据产业链雏形初现[N].北京商报, 2012-12-17.

[4]Sec-cn.大数据[DB/OL].http://baike.baidu.com/link?url=h TWva LYe H SHPO57dultt JX5GG8NHq8hxk9_2TYq I49iqjx XHV9j9x0Kujza Ox Nc867ahbn EH6fn Qs Nkw J0SFK, 2013-10-08.

[5]Tim O’Brien.Change the world with Data[R].Santa Clara:O’Reilly Strata Conference, March 2013.

[6]Davos forum.Big Data, Big Impact[R].Switzerland:The world Economic Forum, 2012-01.

[7]云计算第一门户.大数据成功企业的六大特征[EB/OL].http://cio.z d n e t.c o m.c n/c i o/2013/0506/2158139.shtml, 2013-05-06.

[8]鞋库.掘金大数据——耐克NIKE+全解密[EB/OL].http://www.dbxie.com/news/201302/23/6077.html, 2013-02-23.

大数据时代教育数据价值挖掘 篇5

随着科学技术和现代网络的不断发展, 大数据时代越来越多的被人们提起, 信息爆炸时代数据量来临。通告显示:自2008年以来, 全球数据量的生产总和达到了0.49ZB, 随后的两年内迅速增长, 数据量总和分别为0.8ZB和1.2ZB, 到2011年更是达到了历史新高1.82ZB, 平均每个人数据产生量几乎为200GB。数据已经成为所有行业和相关业务领域不得不考虑的生产因素。如何高效利用和挖掘这类数据信息已经成为提高生产率以及消费者盈余模式的新的浪潮。大数据时代教育数据挖掘技术也会成为未来世界某一时间段的主流需求。

大数据时代学习分析技术

这是一门结合了测量收集和分析报告学生相关学学习信息和环境等内容, 并作出相关优化的技术。这一技术是对学生庞大学习数据的相关问题充分分析, 并对学生现阶段学术进展以及内在问题和未来表现的客观评估。它是在数据的基础上, 对学生学习以及学习环境的测评, 达到了解学生学习问题, 优化学生学习环境的目的。

大数据时代学习分析技术现状

相关研究表明, 学习分析技术在很多方面都具有非常重要的使用价值:

1.从学生方面来说, 学习分析技术在了解学生学习现状之后, 通过分析学生数据, 找出相关问题, 对学生学习过程进行优化, 帮助学生培养良好学习习惯, 从而达到学生自我学习的目的。

2.从教师以及管理人员方面来说, 学习分析技术可以评估教学课程和相关机构, 帮助同步改善学校既定考核方式, 深入分析教学数据, 为教师帮助学生解决实际问题指明教学不足和更优方法。

3.从研究人员方面来说, 学习分析技术是一种研究学生和网络学习的有效工具。

4.从技术开发人员方面来说, 学习分析技术管理系统各模块各不相同的使用频次和路径能有效指导系统界面的相关优化设计, 并可以完善系统日志相关管理功能。

大数据关键技术分析

1.学习分析关键技术与主要工具

⑴内容分析法

内容分析法是一种对文献内容作客观系统的定量分析的专门方法, 其目的是弄清或测验文献中本质性的事实和趋势, 揭示文献所含有的隐性情报内容, 对事物发展作情报预测。它实际上是一种半定量研究方法, 其基本做法是把媒介上的文字、非量化的有交流价值的信息转化为定量的数据, 建立有意义的类目分解交流内容, 并以此来分析信息的某些特征。

⑵话语分析

人文科学所有的知识分子都是在利用话语的生产模式来行使权力, 话语传播着权力的影响。在现代社会中, 它们就是权力的替代品。只有遵循话语系统自身的规律, 人们在生活中的表达和沟通才能有效, 否则就是痴人说梦。换言之, 可以这样来说, 现实并不是我们人类在创造、支配使用话语 (主体性解构) , 而是语言在建构我们的本质。掌握话语权的人掌握社会规范。

⑶社会网络分析

社会网络分析适合分析关系数据, 而用来分析其他类型数据对关系数据的影响。数据主要分为两类, 属性数据和关系数据, 属性数据指涉及能动者的态度, 观点, 行为方面的数据, 采用的方法主要是变量分析法。关系数据是关于接触, 关联, 群体依附和聚会方面的数据, 反映一个能动者与另外能动者联系在一起, 而不是单独的属性, 一般采用的分析方法是网络分析。另外还有一种是观念数据, 主要是描述意义, 动机, 定义和类型化本身, 主要是用类型分析的方法。

⑷聚类

聚类分析也被称为群分析, 它是在“物以类聚”这一理念之上, 对样品进行必要分类的一种相对多元的统计分析方法。这种方法专门针对大量的样品, 按各自的特性进行相对合理的分类, 即使未曾事先验知的情况下依然不会参考任何模型。

聚类分析是研究事物特性的个体方法, 可以把类似的事物分类整合。原则上依据事物的相似性进行归类, 具有以下三个特点:

(1) 非常符合检测未曾验证的事物。在没有数据标准参考的情况下, 设定相对完善的分类变量就可以对数据进行合理的聚合, 得到相对客观的分类信息。

(2) 能够处理多个变量决定的分类。多个变量的分类一般相对比较复杂, 聚类方法完全可以胜任针对此类数据的分类。

(3) 聚类分析法的探索性相对较高, 可以根据事物的内在属性和规律, 依据原则上的相似性对数据分类, 被广大工作者广泛应用。

⑸预测

根据已有数据或信息对整体或个体数据发展态势做出合理预测。

⑹关系挖掘

数据挖掘是一种在信息领域当中发展最快的技术, 许多行业中的佼佼者都从中获得较为广阔的发展空间, 这使得数据挖掘技术日趋被人们所关注。随着科学技术的不断进步, 采集数据的方法日益繁多, 因而使得庞大的数据总量几乎达到GB甚至TB级, 并且高维数据日趋主流化。此类数据以及数据的高维特征并不是传统数据分析方法可以轻易解决的, 这样导致数据的处理也愈来愈依赖计算机和网络。

⑺文本挖掘

文本数据挖掘 (Text Mining) 是指从文本数据中抽取有价值的信息和知识的计算机处理技术。顾名思义, 文本数据挖掘是从文本中进行数据挖掘 (Data Mining) 。从这个意义上讲, 文本数据挖掘是数据挖掘的一个分支。文本数据挖掘是一个边缘学科, 由机器学习、数理统计、自然语言处理等多种学科交叉形成。

2.学习分析技术模式

学习分析模式分为三大要素:“学习分析流程”、“工具与算法”和“数据与信息”。“学习分析流程”中包括数据收集、数据预处理、分析、预测和应用等环节, 不同应用情景下的“学习分析流程”各个环节都会有一定的区别;“工具与算法”是“学习分析流程”的有力支撑, 能够从“学习分析关键技术与主要工具”中选取出来;“数据与信息”不但有来自“工具与算法”数据, 还有将“工具与算法”的信息知识输出出去。

结束语

大数据时代 篇6

进入2012年以来,大数据(Big Data)一词越来越多地被提及与使用,人们用它来描述和定义信息爆炸时代产生的海量数,它已经出现过在《纽约时报》、《华尔街时报》的专栏封面,进入美国白宫网的新闻,现身在国内一些互联网主题的讲座沙龙中,甚至被嗅觉灵敏的国君证劵、国泰君安、银河证劵等写进了投资推荐报告,大数据时代来临据。

2 什么是大数据?

对于“大数据”(Big data)研究机构Gartner给出了这样的定义。“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。

麦肯锡全球研究所给出的定义是:一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合,具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。

大数据技术的战略意义不在于掌握庞大的数据信息,而在于对这些含有意义的数据进行专业化处理。换而言之,如果把大数据比作一种产业,那么这种产业实现盈利的关键,在于提高对数据的“加工能力”,通过“加工”实现数据的“增值”。

从技术上看,大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理,必须采用分布式架构。它的特色在于对海量数据进行分布式数据挖掘。但它必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。[2]

随着云时代的来临,大数据(Big data)也吸引了越来越多的关注。分析师团队认为,大数据(Big data)通常用来形容一个公司创造的大量非结构化数据和半结构化数据,这些数据在下载到关系型数据库用于分析时会花费过多时间和金钱。大数据分析常和云计算联系到一起,因为实时的大型数据集分析需要像MapReduce一样的框架来向数十、数百或甚至数千的电脑分配工作。

3 大数据的特点

要理解大数据这一概念,首先要从“大”入手,“大”是指数据规模,大数据一般指在10TB(1TB=1024GB)规模以上的数据量。大数据同过去的海量数据有所区别,其基本特征可以用4个V来总结(Vol-ume、Variety、Value和Veloc-ity),即体量大、多样性、价值密度低、速度快。

第一,数据体量巨大。从TB级别,跃升到PB级别。第二,数据类型繁多,如前文提到的网络日志、视频、图片、地理位置信息,等等。第三,价值密度低。以视频为例,连续不间断监控过程中,可能有用的数据仅仅有一两秒。第四,处理速度快。1秒定律。最后这一点也是和传统的数据挖掘技术有着本质的不同。物联网、云计算、移动互联网、车联网、手机、平板电脑、PC以及遍布地球各个角落的各种各样的传感器,无一不是数据来源或者承载的方式。

大数据技术是指从各种各样类型的巨量数据中,快速获得有价值信息的技术。解决大数据问题的核心是大数据技术。目前所说的“大数据”不仅指数据本身的规模,也包括采集数据的工具、平台和数据分析系统。大数据研发目的是发展大数据技术并将其应用到相关领域,通过解决巨量数据处理问题促进其突破性发展。

4 大数据时代对生活、工作的影响

大数据,其影响除了经济方面的,它同时也能在政治、文化等方面产生深远的影响,大数据可以帮助人们开启循“数”管理的模式,也是我们当下“大社会”的集中体现,三分技术,七分数据,得数据者得天下。

“大数据”的影响,增加了对信息管理专家的需求。事实上,大数据的影响并不仅仅限于信息通信产业,而是正在“吞噬”和重构很多传统行业,广泛运用数据分析手段管理和优化运营的公司其实质都是一个数据公司。麦当劳、肯德基以及苹果公司等旗舰专卖店的位置都是建立在数据分析基础之上的精准选址。而在零售业中,数据分析的技术与手段更是得到广泛的应用,传统企业如沃尔玛通过数据挖掘重塑并优化供应链,新崛起的电商如卓越亚马逊、淘宝等则通过对海量数据的掌握和分析,为用户提供更加专业化和个性化的服务。

大数据在个人隐私的方面,大量数据经常含有一些详细的潜在的能够展示有关我们的信息,逐渐引起了我们对个人隐私的担忧。一些处理大数据公司需要认真的对待这个问题。例如美国天睿资讯给人留下比较深刻印象的是他的一个科学家提出,我们不应该简单地服从法律方面的隐私保护问题,这些远远不够的,公司都应该遵从谷歌不作恶的原则,甚至更应该做出更积极的努力。

5 我国应该如何应对大数据时代

当下我国大数据研发建设应在以下四个方面着力。第一,建立一套运行机制。大数据建设是一项有序的、动态的、可持续发展的系统工程,必须建立良好的运行机制,以促进建设过程中各个环节的正规有序,实现统合,搞好顶层设计。第二,规范一套建设标准。没有标准就没有系统。应建立面向不同主题、覆盖各个领域、不断动态更新的大数据建设标准,为实现各级各类信息系统的网络互连、信息互通、资源共享奠定基础。第三,搭建一个共享平台。数据只有不断流动和充分共享,才有生命力。第四,培养一支专业队伍。大数据建设的每个环节都需要依靠专业人员完成,因此,必须培养和造就一支懂指挥、懂技术、懂管理的大数据建设专业队伍。

做到上面的几点,当大数据时代来临的时候,面临大量数据将不是束手无策,而是成竹在胸,而从数据中得到的好处也将促进国家快速发展。

参考文献

[1]李建义.数据库原理及开发.北京:中国水利水电出版社,2005.

[2]维克托·迈尔·舍恩伯格.大数据时代.浙江:浙江人民出版社,2012.

大数据时代 篇7

进入2012年以来, 大数据 (Big Data) 一词越来越多地被提及与使用, 人们用它来描述和定义信息爆炸时代产生的海量数, 它已经出现过在《纽约时报》、《华尔街时报》的专栏封面, 进入美国白宫网的新闻, 现身在国内一些互联网主题的讲座沙龙中, 甚至被嗅觉灵敏的国君证劵、国泰君安、银河证劵等写进了投资推荐报告, 大数据时代来临据。

有人说21世纪是数据信息时代, 移动互联、社交网络、电子商务大大拓展了互联网的疆界和应用领域。我们在享受便利的同时, 也无偿贡献了自己的“行踪”。我们不得不接受这个现实, 每个人在互联网进入到大数据时代, 都将是透明性存在。各种数据正在迅速膨胀并变大, 它决定着企业的未来发展, 虽然现在企业可能并没有意识到数据爆炸性增长带来问题的隐患, 但是随着时间的推移, 人们将越来越多的意识到数据对企业的重要性。

2 大数据概念

大数据 (Big Data) 是指那些超过传统数据库系统处理能力的数据。它的数据规模和转输速度要求很高, 或者其结构不适合原本的数据库系统。为了获取大数据中的价值, 我们必须选择另一种方式来处理它。数据中隐藏着有价值的模式和信息, 在以往需要相当的时间和成本才能提取这些信息。如沃尔玛或谷歌这类领先企业都要付高昂的代价才能从大数据中挖掘信息。而当今的各种资源, 如硬件、云架构和开源软件使得大数据的处理更为方便和廉价。即使是在车库中创业的公司也可以用较低的价格租用云服务时间了。对于企业组织来讲, 大数据的价值体现在两个方面:分析使用和二次开发。对大数据进行分析能揭示隐藏其中的信息。例如零售业中对门店销售、地理和社会信息的分析能提升对客户的理解。对大数据的二次开发则是那些成功的网络公司的长项。例如Facebook通过结合大量用户信息, 定制出高度个性化的用户体验, 并创造出一种新的广告模式。这种通过大数据创造出新产品和服务的商业行为并非巧合, 谷歌、雅虎、亚马逊和Facebook它们都是大数据时代的创新者。

大数据的四个特性:

数据规模大 (Volume) :企业面临着数据量的大规模增长。例如, IDC最近的报告预测称, 到2020年, 全球数据量将扩大50倍。目前, 大数据的规模尚是一个不断变化的指标, 单一数据集的规模范围从几十TB到数PB不等。简而言之, 存储1PB数据将需要两万台配备50GB硬盘的个人电脑。此外, 各种意想不到的来源都能产生数据。

数据种类多 (Variety) :一个普遍观点认为, 人们使用互联网搜索是形成数据多样性的主要原因, 这一看法部分正确。然而, 数据多样性的增加主要是由于新型多结构数据, 以及包括网络日志、社交媒体、互联网搜索、手机通话记录及传感器网络等数据类型造成。其中, 部分传感器安装在火车、汽车和飞机上, 每个传感器都增加了数据的多样性。

处理速度快 (Velocity) :高速描述的是数据被创建和移动的速度。在高速网络时代, 通过基于实现软件性能优化的高速电脑处理器和服务器, 创建实时数据流已成为流行趋势。企业不仅需要了解如何快速创建数据, 还必须知道如何快速处理、分析并返回给用户, 以满足他们的实时需求。根据IMS Research关于数据创建速度的调查, 据预测, 到2020年全球将拥有220亿部互联网连接设备。

数据价值密度低 (Value) :大数据具有多层结构, 这意味着大数据会呈现出多变的形式和类型。相较传统的业务数据, 大数据存在不规则和模糊不清的特性, 造成很难甚至无法使用传统的应用软件进行分析。传统业务数据随时间演变已拥有标准的格式, 能够被标准的商务智能软件识别。目前, 企业面临的挑战是处理并从各种形式呈现的复杂数据中挖掘价值。

3 大数据时代的影响

大数据, 其影响除了经济方面的, 它同时也能在政治、文化等方面产生深远的影响, 大数据可以帮助人们开启循“数”管理的模式, 也是我们当下“大社会”的集中体现, 三分技术, 七分数据, 得数据者得天下。

“大数据”的影响, 增加了对信息管理专家的需求。事实上, 大数据的影响并不仅仅限于信息通信产业, 而是正在“吞噬”和重构很多传统行业, 广泛运用数据分析手段管理和优化运营的公司其实质都是一个数据公司。麦当劳、肯德基以及苹果公司等旗舰专卖店的位置都是建立在数据分析基础之上的精准选址。而在零售业中, 数据分析的技术与手段更是得到广泛的应用, 传统企业如沃尔玛通过数据挖掘重塑并优化供应链, 新崛起的电商如卓越亚马逊、淘宝等则通过对海量数据的掌握和分析, 为用户提供更加专业化和个性化的服务。

4 总结

未来, 数据可能成为最大的交易商品。但数据量大并不能算是大数据, 大数据的特征是数据量大、数据种类多、非标准化数据的价值最大化。因此, 大数据的价值是通过数据共享、交叉复用后获取最大的数据价值。在他看来, 未来大数据将会如基础设施一样, 有数据提供方、管理者、监管者, 数据的交叉复用将大数据变成一大产业。

“大数据”时代的到来, 充满了机遇与挑战, 谁能够最快地习惯这种新形式下的数据模式, 熟悉和掌握处理这种数据处理方法, 谁就会在之后的信息战中占得先机, 取得主动权。

摘要：随着网络信息化时代的日益普遍, 移动互联、社交网络、电子商务大大拓展了互联网的疆界和应用领域, 我们正处在一个数据爆炸性增长的“大数据”时代, 大数据在社会经济、政治、文化, 人们生活等方面产生深远的影响, 大数据时代对人类的数据驾驭能力提出了新的挑战与机遇。

关键词：大数据,云计算,海量,发展

参考文献

[1]维克托.迈尔.舍恩伯格.大数据时代.浙江人民出版社, 2012.

[2]“大数据时代”来临.北京晚报网, 2012-06-15.

[3]大数据时代来临.国内IT企业布局已然落后.新浪网, 2012-06-01.

驾驭大数据时代论文 篇8

一、高校学生管理大数据的内涵

(一)大数据的内涵

全球最具权威的IT研究与顾问咨询公司高德纳将大数据定义为需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产(2001)。麦肯锡环球研究院在其《大数据:创新、竞争和生产力的下一个前沿》报告中指出,“大数据”是指其大小超出了典型数据库软件的采集、储存、管理和分析等能力的数据集(2011)。而《大数据时代》的作者维克托迈尔·舍恩伯格(2012)认为,大数据是人们获得新认知、创造新价值的源泉;大数据还是改变市场、组织机构,以及政府与公民关系的方法。

(二)高校学生管理大数据的内涵

信息技术的其普及与广泛应用,不仅推动了高等教育信息化的发展,同时也带来了学生学习、交流与生活方面的各种结构化的或碎片数据,大量数据的产生无疑将高校学生教育管理带入了大数据时代。高校学生管理大数据就是要整合校园信息资源,主动收集学生学习、生活和网络使用数据,充分利用大数据及其技术,分析和研究数据中蕴含的价值,进而促进高校学生教育管理工作创新。从这个观点出发,发展高校学生管理大数据,从揭示大学生学习、行为规律和高校学生教育管理规律,对推动高校学生教育管理工作创新与发展、丰富教育大数据理论研究具有重要意义。

二、高校学生管理大数据主要组成

目前,我国教育信息化从基础设施、数字资源、人才培训、关键技术及标准等方面都有了长足的发展。大部分高校在数字化校园建设的基础上,建设完成了完备的应用系统。信息技术的发展及其普及与广泛应用,不仅推动了高等教育信息化的发展,同时也带来了大学生学习、交流与生活方面的各种结构化的或者碎片数据,大量数据的产生无疑将高校学生教育管理带入了大数据时代,为高校学生管理大数据建设打下了坚实基础。

当前,大多数高校通过数字校园建设,形成了诸如学生行为管理系统、教务管理系统、图书借阅系统、校园财务系统、学生自主选学系统、精品课程平台、学生上网认证系统、校园门禁系统、学生校园消费查询系统等应用系统,在高校人才培养和学生健康成长方面发挥了重要作用。经过多年的运行,这些系统产生了大量数据,构成了高校学生教育管理大数据的主体。同时,学生在互联网和微信、微博等新媒体上产生的数据,也是高校学生教育管理大数据不可忽视的组成部分。根据笔者对这些数据的分析和研究,从数据的归属角度,把其初步分为下面几个方面:

(一)基础数据

这些数据主要涉及大量与学生相关的基本情况,诸如学生的基本信息、兴趣爱好、政治面貌、家庭情况、所属院系专业、入校成绩、是否外宿等数据。这些数据,往往反映了学生的学习基础、家庭背景等信息,掌握这些信息,将有利于针对性地开展学生教育管理和帮扶工作。

(二)学习数据

学校教务管理系统、精品课程学习平台等系统包括了学生选课数据、学生自主选学数据、学生课堂考勤数据、考试成绩、教师上课评价数据、学生参与讲座和学术报告的情况等有效信息,是学生学习行为的全面反映。图书借阅系统储存了学生所有借书信息,学生实践平台则记录了学生参与课外实践的数据。这部分学习数据蕴含了学生的学习兴趣和学习状态,可以成为学习推荐服务的重要参考。

(三)行为数据

高校学生管理系统是高校开展学生教育管理的主要信息化平台,其中蕴含了学生奖励信息、学生违纪信息等数据资源,这些结构化数据中蕴含了大量学生行为特征信息,可以作为学生行为分析的重要数据来源。

(四)资助数据

学生资助管理系统能够充分反映学生在校期间受资助的情况,学校财务系统则能够反映学生的缴费情况、勤工助学酬劳等信息,学生校园消费查询系统则能基本反映出学生在一定时期的就餐和其他消费情况,是分析学生家庭经济困难状况的很好参考。

(五)健康数据

校园网认证系统包含了学生经过学校校园网出口访问的所有网页信息,分析学生上网的目标网页内容,不仅能够反映出学生的兴趣爱好,同时也能够发现一些人格方面的缺陷。而学生心理健康管理系统等能够直接反映学生心理健康状况,为制定心理健康服务计划,帮助学生健康成长具有重要价值。

(六)社交数据

随着信息技术的普及,学生对使用网络和新媒体开展社交产生了浓厚兴趣。每天在QQ、微信、微博、传统的BBS等平台产生大量数据,这些数据不仅包含了学生交流的信息,也能够充分反映校园舆情,对掌握学生思想、心理等具有很重要的价值。

三、高校学生管理大数据建设思路

目前,对高校学生管理大数据建设的研究还很少,更多地是就高校大数据集成和典型应用方面的探讨。笔者认为,大数据时代运用大数据支持管理服务决策毋庸置疑。高校学生教育管理工作必须紧跟形势,运用好信息化技术和大数据这个方法论,全面更新理念,进一步树立数据意识,从顶层设计着手,认真组建专业挖掘团队,全面整合校内外数据资源,在健全安全机制的基础上,积极发展学生管理大数据,合理运用大数据的分析结果为工作决策提供数据支持。

从技术的角度讲,高校校园网中各个应用系统往往各自独立运行,加上互联网和微信、微博等数据的碎片化特征,要形成真正的大数据,还需要进一步制定政策,运用技术手段开展数据整合工作,通过全面整合,打通数据之间的壁垒,使沉睡的数据被重新激活,形成更大的价值。目前互联网技术已经非常成熟,加上近年来日益发展的云计算、云存储、NoS ql以及网络爬虫技术的发展,为高校大数据整合提供了技术基础。

从人才的角度,这些技术的应用,必须要有专门的团队支持。目前高校学生教育管理队伍难以满足数据驱动需求。因此要及时成立高校教育管理大数据工作领导小组,组建专门的数据收集团队和分析挖掘团队。运用计算机技术开展数据采集和数据融合,运用数学、统计学的原理开展数据挖掘与建模,形成预测和决策的数据可视化成果。把这些成果应用到高校人才培养中,实现个性化推荐学习资源、为学生量身定制学业计划、及时分析校园舆情影响、实时预测学生思想动态,将会有效提升高校学生教育管理的有效性。

从安全的角度讲,大数据时代如果不能确保数据安全,将会造成“大数据就是大风险”的可怕后果。高校教育大数据不仅整合了高校师生信息,也包括大量学生学习、生活和社交以及校园舆情方面的数据,将这些海量数据集中存储,虽然方便了数据分析和挖掘,但如果由于安全管理不到位造成数据丢失和损坏,则将引发毁灭性的灾难。同时黑客攻击或不当层面的数据公开,将会导致师生信息的泄露,给师生人身安全和校园声誉带来不良影响。因此,高校要在发展教育管理大数据的同时,切实加强制度建设,形成数据规范化管理,要明确数据管理的职能部门,制定严格的工作方案和预案,对什么数据可以公开,什么数据在一定层面公开,什么数据必须保密做出规定。同时也要对可能出现的风险建立防控预案,保障数据安全的同时,维护好师生和高校利益。

四、高校学生管理大数据的应用建议

笔者在总结现有研究的基础上,认为高校学生管理大数据主要在以下方面具有重要应用。一是建立教学资源推荐系统。通过整合学生基础数据和自主选学平台、图书借阅系统等数据,可以深入分析学生兴趣爱好与教学资源的关联关系,主动开展推送服务,不仅可以满足学生的学习需求,同时可以有效提升教学资源的利用率。二是建立学生行为预警系统。通过整合学生管理系统和教务管理系统,可以深入挖掘学生行为和学业之间的关联关系,建立相应的预测模型,对学生学业和行为进行预警,可以在问题发生之前采取相应措施,确保学生健康成长,顺利完成学业。三是建立学生心理健康预警与服务系统。通过整合学生基本数据和健康数据,可以及时筛查问题学生,主动开展心理健康疏导服务,把心理健康教育做到无形。四是构建资助认定与服务系统。通过整合学生基础数据、资助数据、行为数据等方面的信息,通过数据分析支持学生家庭经济困难认定,及时挖掘学生消费等信息,为学生资助服务提供数据支撑。五是建立校园舆情监测系统。通过整合学生社交数据,及时分析校园舆情影响、实时预测学生思想动态,将会有效提升高校学生教育管理的有效性。

参考文献

[1]维克托·迈尔-舍恩伯格.大数据时代[M].浙江人民出版社,2013

[2]邱启照,孙鹏.大数据时代高校思想政治教育的机遇和挑战[J].教育理论与实践,2016(9)

[3]梁家峰,亓振华.适应与创新:大数据时代的高校思想政治教育工作[J].思想教育研究,2013(6)

[4]“信息社会发展研究”课题组,张新红.中国信息社会发展报告2015[J].电子政务,2015(6)

[5]李怀杰,夏虎.大数据时代高校思想政治教育模式创新探究[J].思想教育研究,2015(5)

[6]胡晶君.大数据时代高校学生工作创新探究[J].太原大学教育学院学报,2015(4)

[7]桑庆兵.大数据在高校的应用与思考[J].南通纺织职业技术学院学报,2013(2)

[8]胡树祥,谢玉进.大数据时代的网络思想政治教育[J].思想教育研究,2013(6)

[9]张燕南,胡继岳.关于大数据应用于教育的思考[J].中国电力教育,2013(32)