上周，我們對高校信息化建設階段的3個要點進行了探討：

■第一，制定戰(zhàn)略目標

■第二，不要貪多

■第三，“將數據進行到底”

本周，本篇將繼續(xù)對“將數據進行到底”進行探討，并結合典型場景剖析，怎樣運用有效性要點構建高校場景化數據分析體系。

將數據進行到底

“將數據進行到底”，還意味著在數據應用中不斷迭代開發(fā)，深化應用。

對子主題橫向擴展：

結合高校業(yè)務信息平臺化建設系統(tǒng)，通過身份驗證的畢業(yè)生可在線進行畢業(yè)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。

對子主題縱向擴展：

對于學生成績管理這個主題，可以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。

“將數據進行到底”是一個迭代循環(huán)的過程。在數據應用中結合業(yè)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(zhí)著精神，才能不斷深化數據應用。

從業(yè)務中來，回到業(yè)務中去：

每一個業(yè)務模型，每一項指標定義都需符合業(yè)務邏輯。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(yè)務本身，結合業(yè)務方法解決問題。

舉個例子，假設通過評教系統(tǒng)，我們發(fā)現某教師綜合得分低，主要是學生評教得分較低。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？是教師教學能力退步還是其他原因？這些需要回歸至業(yè)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(fā)生根本原因，從而制定有效的解決策略。

例：男生女生學習成績與早餐次數分布

舉例探討

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?，F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(jiān)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？

一、制定戰(zhàn)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(fā)生。其次應用有效性要點“從業(yè)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(yè)預警。

學生安全管理駕駛艙（永洪Z-Suite制作）

二、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(tài)識別模型：

譬如校務系統(tǒng)特征M1、一卡通系統(tǒng)特征M2、校園監(jiān)控系統(tǒng)特征M3、校園網絡系統(tǒng)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(yè)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。

橫向：

除了疑似失聯、疑似心理預警及學業(yè)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(jiān)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(jiān)控。

縱向：

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。

有的省份錄取分數低，原本的天子驕子進入高校后，發(fā)現自己和很多同學學業(yè)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(fā)生極端事件。

?

回到業(yè)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(yè)老師心理疏導、跟蹤學生變化情況等。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(fā)生。

數據是生產力，數據是新型生產力。從數據應用深度角度，讓數據不斷挖掘，越用越準。

查理.芒格曾言：“宏觀是我們必須接受的，微觀才是我們可以有所作為”。只有提升數據分析有效性，提升數據洞察業(yè)務精準性，數據才能為企事業(yè)單位創(chuàng)造更大生產力。

fqj