四个要点，一个案例，高校场景化数据分析体系这样构建
如今，高校的信息化已经逐渐走向了成熟，如何进一步实现数字化、智能化？此阶段的工作重点和挑战是什么？如何真正实现高校的数字化、智能化运营，以实现降本增效，科学管理？这些问题急需找到答案。
图一：高校数据化面临的挑战
这里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。
要点一：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。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”。
图二：高校行业方案架构
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：高教行业数据应用生态体系
要点二：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，近两年都一直深耕教务主题数据应用，因为其主体目标是提升学校教学质量及办学水平。
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。
要点三：“将数据进行到底”
在和客户相关负责人就数据应用情况进行回访过程中，客户有句话让人印象非常深刻：“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的只是结果，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”。
图四：校长就业驾驶舱
“将数据进行到底”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，才能相对准确的反映教师工作量。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。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”还意味着在数据应用中不断迭代开发，深化应用。一是对子主题横向扩展，比如结合高校业务信息平台化建设系统，通过身份验证的毕业生可在线进行毕业生成绩打印，让学生少跑腿，为其提供更好服务，这是从宽度上拓展数据应用。
二是子主题纵向拓深。比如对于学生成绩管理这个主题，除了可以包含常规的学生学习效果分析，运用描述性分析看学生当期各科成绩，运用趋势分析看学生不同时期成绩变化情况，运用对比分析看不同院系、班级及课程学生成绩，还可以进一步进行绩点预测等数据挖掘分析。除此之外，还能进行更多细分子主题比如课程不合理度分析，对比学生平时成绩与考试成绩差异度，对偏差值大的课程进行进一步调研；或是进行更多关联分析，譬如人事、科研及教务相关性分析，教务和一卡通数据关联分析等。这是从数据应用深度角度，让数据不断挖掘，越用越准。
图五：男生女生学习成绩与早餐次数分布
“将数据进行到底”是一个迭代循环的过程。在数据应用中结合业务情况还可以对前期定义的数据主题、数据模型及指标进行修正。只有融入匠人般的执着精神，才能不断深化数据应用。
要点四： “从业务中来，回到业务中去”
“从业务中来”指数据分析要结合业务需求。每一个业务模型，每一项指标定义都需符合业务逻辑。比如前面提到的教师工作量指标就是基于业务理解来定义的。但数据分析工具及方法更多是帮助我们发现问题，或者是缩小问题范畴，找到一个异常指标点并不意味着问题的终结。我们需要让问题回归到业务本身，结合业务方法解决问题。
举个例子，假设通过评教系统，我们发现某教师综合得分低主要是学生评教得分较低。从数据层面，学生评教可以对教师备课、授课思路、教学风格、教学手段、课件制作、作业布置、对待学生公平性、尊重关心学生、课后辅导参与指导及与其他教师协作等方面制定一套评分体系。但看到总评分甚至每一细项评分都不意味着问题到此终结。评分背后更深层次原因是什么？譬如我们发现某老师今年和去年相比学生评教分数下滑严重，是教师教学能力退步，学校倡导的新的教学方式不能适应，还是其他比如因近期职称评定甚至家庭因素导致的态度原因？这些需要回归至业务层面，通过进一步调研的方式才能深入了解并界定问题发生根本原因，从而制定有效的解决策略。这就是“回到业务中去”。
案例：怎样有效构建高校场景化数据分析体系
下面我们以学生安全驾驶舱为例，剖析怎样有效构建高校场景化数据分析体系。
学生安全管理无论在高教还是普教都非常值得关注。现阶段主要痛点在于缺乏学生安全
状况及重点人员全面而准确的名单，难以实时监测、精准干预。那么怎么通过数据分析来帮助解决这个问题呢？
首先应用分析有效性要点一，制定战略目标。我们的目标就是要掌握一份准确而完整的学生安全名单，精准干预，减少学生实际安全问题发生。
其次应用有效性要点“从业务中来”，进行学生安全问题类型定义。我们需要预定义哪些问题是学生安全问题。结合近年学生安全事件，我们可以定义三类学生安全问题：疑似失联、疑似心理预警及学业预警。
下一步是应用有效性要点“将数据分析到底”之主题及模型定义准确性，来构建模型。对于疑似失联学生，可以通过学生的行为轨迹以及各方面的数据印证构建疑似失联学生状态识别模型，譬如校务系统特征M1、一卡通系统特征M2、校园监控系统特征M3、校园网络系统特征M4，得出一个疑似失联名单，每一个学生的疑似失联天数，学院，辅导员及学生的联系电话等信息。对于疑似心理预警的学生名单，主要通过学生网络行为如上网时长，上网网站类型来判断；学业预警名单，通过学生的旷课行为、挂科、学分不足等情况综合判断。
图六：学生安全管理驾驶舱
继续应用有效性要点“将数据进行到底”之子主题横向拓展，除了以上疑似失联、疑似心理预警及学业预警三类学生安全问题，我们还可以拓展出学生“重点人群”监控，通过对他们访问特殊网站，是否常不在校，是否办理校外住宿等方面进行监控，当然其中部分行为和之前三类学生会有一定程度的交叠。
再应用有效性要点“将数据进行到底”之子主题纵向拓深，对于疑似心理预警学生，我们还可以看学生现在成绩排位和高考生源省内排位的偏离值，重点针对大一学生。为什么要看这个呢？因为我们知道高校生源是分省份录取，有的省份录取分数低，原本的天子骄子进入高校后发现自己和很多同学学业起点上实际存在较大差距，短期又难以缩短这种差距，心理上就可能出现落差甚至发生极端事件。这样的学生在学习上通常是用功的，相关行为方式也是正常的，很可能不在以上任何一项安全预警问题名单里，但也是值得专注的。
最后是“回到业务中去”，对于如何减少学生安全问题，在数据分析工具帮助掌握一份相对准确的名单后，还要开展细致的学生关怀工作。譬如了解学生家庭背景、专业老师心理疏导、跟踪学生变化情况等。每一个学生的安全问题对于个体而言都非常重要甚至关乎生命，结合数据分析有效性要点，构建学生安全管理驾驶舱，有助于减少学生安全事件实际发生。
图七：高校数字化实施的收益